物理AI领域又诞生一笔新的重磅融资。
近期，江行智能连续完成两轮数亿元战略融资。这是江行智能半年内完成的第三轮融资。至今，江行已经聚集起国内顶级VC及十余个产业方的股东阵容。
据悉，本次资金将重点投向顶尖人才引进、算力建设、物理AI标准化产线建设及数采中心落地。江行智能创始人、CEO庞海天表示：“市场用真金白银告诉我们，这条路是对的。物理AI不是实验室里的玩具，而是能在零下20度变电站中7x24小时稳定运行的工业级大脑。”
不是造梦，是解决具体问题
工业现场不相信demo。
在很多人的印象里，机器人应该是人形的、灵活的、甚至能泡咖啡的。但在真实的变电站里，运维人员从进站到离站，中间要完成的是一整套连续流程：导航、避障、识别、判断、操作、复核。
“这不是几个动作的简单叠加，而是一个连续任务。”江行智能CEO庞海天指出。
判断一家物理AI公司的核心标准只有一个：机器人能不能真正进入真实物理世界去作业。
江行智能不做那些为了发布会而存在的炫技。他们只解决一个问题：如何让机器在复杂的物理空间里，像资深运维人员一样思考和行动。
工业现场对AI的要求更朴素，也更苛刻：看得见，识别准，判断稳，最终能把任务做完。
江行智能近期在一次公开演讲中提到，AI竞争正在从数字世界的模型参数之争，转向真实物理世界的系统能力之争。这句话可以视为它对自身位置的概括。到2025年，江行智能已经拥有“一脑多体引擎”，适配100+设备类别，覆盖挂轨机器人、无人机、四足机器人、人形机器人等终端。过去三年，公司复合增长率近70%，累计订单达到10亿量级，并已经实现盈利。
图/搭载物理AI大脑JX-Phi Brain的机器狗在水电站自主作业
它把自己定义为一家“物理AI大脑公司”。所谓“大脑”，指的并不是某一种固定机器人本体。机器狗、无人机、挂轨机器人、人形机器人，都只是进入现场的载体。真正要沉淀下来的，是机器在复杂环境里看懂、判断、执行任务的能力。
这个方向听起来很新，但江行智能并不是从概念最热的时候才挤进牌桌。甚至某种意义上，这家公司走到今天，反而很像一次“黯淡蓝点”式的回望。
在技术狂奔中回望现实
1990年2月，已经在太空中飞行了十多年的旅行者一号，按照卡尔·萨根的建议，将镜头转向遥远的地球。那张照片里，地球只是悬在太阳光束中的一个微弱蓝点。它没有带来新的工程数据，却让人类第一次在宇宙尺度上看见自己：所有宏大的理想，最终都要回到这个小小的真实世界里。
AI也是如此。大模型、世界模型、VLA、具身智能、物理AI，每一个词都指向更远的未来。但回到最初，人们期待AI，并不是为了制造更多概念，而是希望技术能够帮助人类完成那些困难、危险、重复、低效，却始终必须有人去做的工作。
在风电场、光伏电站、变电站、矿山、化工园区和生产车间里，AI面对的不再是文本和代码，而是设备、空间、环境、规程和作业结果。一次误判可能不是重新生成一段答案，而是漏掉一次隐患、按错一个按钮，甚至造成安全事故。
江行智能的故事，也要从这种更具体的地方开始。
从清华实验室到工业现场，先打通“最后一公里”
江行智能最早进入的，是一个看起来并不热闹的行业。
2018年，江行智能成立。对当时的江行来说，电力行业的吸引力很具体。它不是一个靠概念就能打动客户的市场。
仪表读数要识别，开关状态要判断，设备异常要发现，现场规程要遵守。一个模型在实验室里识别对了还不够，到了变电站里，光线、角度、遮挡、天气、设备差异都会让问题变得复杂。系统最终能不能用，要看它在现场跑得稳不稳。
这段早期经历，决定了江行智能后来的很多选择。它没有先从机器人本体切入，也没有先把自己包装成一个更宏大的概念。它最早面对的是电力客户的日常运维问题：哪些地方人不该去，哪些故障不能漏，哪些操作不能错。后来公司谈“一脑多体”、谈物理AI，实际延续的还是这条路径——让机器真正进入现场，替人完成那些危险、重复、细碎却必须完成的工作。
图/搭载物理AI大脑JX-Phi Brain的机器狗在按照规划路线巡视
不造本体：江行要做所有机器人的大脑
在工业现场待得越久，江行智能越能确认一件事：机器人不会只有一种形态。
工业场景的空间结构、作业流程和危险边界都不同。有些地方适合挂轨机器人长期巡检，有些地方需要无人机越过复杂地形，有些地方机器狗更容易进入，人形机器人未来也会承担更多操作类任务。工业客户最终关心的，也从来不是某一种机器人长什么样，而是任务有没有完成，隐患有没有发现，风险有没有被控制住。
所以江行智能没有把全部赌注押在某一种机器人本体上。
庞海天在采访里举过一个很直观的例子：真实场景有成本约束，也有环境限制。你不可能造出一个机器人，既能飞天，又能下海，还能在地上跑，双手还极其灵活。那基本就是“钢铁侠”了。对工业现场来说，更现实的结果是多种机器人长期并存，不同本体进入不同场景，最后由同一套智能系统理解任务、调用能力、完成作业。
这就是江行智能所说的“一脑多体”。
机器狗、无人机、挂轨机器人、人形机器人，都只是进入现场的不同身体。真正需要沉淀下来的，是同一套“大脑”在不同身体之间迁移的能力：看懂设备，理解空间，识别异常，遵守规程，判断下一步该怎么做。
这套大脑要解决的，也不是单点识别问题。一个运维人员进入变电站，从进站到离站，往往要完成一整套连续流程：导航、避障、识别、判断、操作、复核。机器如果只能看懂一张图，或者只会完成一个固定动作，仍然停留在传统自动化里。江行智能想做的，是让机器像一个熟练工人一样进入现场，知道自己在哪里，知道眼前设备是什么，知道接下来要做什么，也知道哪些事情绝对不能做错。
这也是工业物理AI和很多演示型机器人的差别。
机器人翻跟头、跳舞、打招呼，容易被看见。但在电力、矿山、化工这些场景里，真正难的是长期稳定地完成那些不吸睛的工作。仪表读数不能误判，开关状态不能看错，异常告警不能漏掉，操作动作不能越过规程边界。家里的机器人叠错一件衣服，大不了重新来；工业现场按错一个按钮，后果可能完全不同。
江行智能的选择，是把这些现场经验、作业规程和任务数据都沉进“大脑”里。硬件形态会变化，客户现场也会变化，但设备理解、空间建模、任务规划、动作决策和安全约束可以不断复用。
到2025年，江行智能已经拥有“一脑多体引擎”，适配100+设备类别，覆盖挂轨机器人、无人机、四足机器人、人形机器人等终端。这个数字背后，真正有价值的并不是接入了多少种设备，而是同一套物理AI大脑开始具备跨本体、跨场景工作的能力。
这也是江行智能想象中的终局：未来工业现场会有各种各样的具身智能体在工作，但驱动它们理解世界、执行任务的，可以是同一个大脑。
从论文到现场，物理AI要能被验收
江行智能全栈自研JX-Phi物理AI技术体系
基于八年场景积累，江行智能构建了JX-Phi全栈架构，通过“看懂环境—想清任务—做对动作”的三层闭环，将物理AI从概念落地为生产力。
这一技术体系已在国际顶会（ICLR/ICML 2026）完成“三连击”，精准击穿了工业落地的三大痛点：OC-STORM赋予机器在复杂光照下“理解”环境的能力，解决了“看得准”的问题；MoW实现了多任务、多本体的协同调度，解决了“算得清”的问题；而DyGRO-VLA则将执行精度延伸至动作级的可控与可追责，解决了工业场景最看重的“做得对”的问题。这不仅是对技术的验证，更是对江行智能“一脑多体”战略的强力支撑。
但工业现场不会因为一项技术登上顶会，就自动相信它能用。
客户看的仍然是更具体的结果：仪表有没有读错，缺陷有没有漏掉，机器人有没有走到正确位置，按钮有没有按对，任务有没有按规程闭环，系统能不能连续运行。论文里的准确率和成功率，只能说明模型具备某种潜力；到了现场，光照变化、遮挡、天气、设备老化、场站差异、规程差异，都会重新考验这项潜力。
所以江行智能这一轮融资投向里，顶尖人才、算力建设、物理AI标准化产线和数采中心，不是四个分散用途。
顶尖人才继续把世界模型、VLA和具身智能大脑往前推；标准化产线解决不同终端的适配、装配、测试和批量交付；数采中心则把真实场景里的图片、视频、传感器信号、任务过程、异常案例持续收回来。现场出现的问题进入数据，数据进入训练和仿真，新的能力再回到产品和终端。只有这个链条跑起来，模型才有机会跨过单一项目，进入更多场站。
这也是“把论文装进产品”这句话真正重的地方。
对江行智能来说，一篇论文发表之后，真正的工作才刚开始。模型要被写进系统，系统要被装进终端，终端要进入风电场、变电站、矿山巷道和化工园区。到了那里，世界模型面对的不再是抽象世界，而是一块仪表、一扇柜门、一段巡检路线、一个不能按错的按钮。
旅行者一号回望地球时，人类在一颗微弱蓝点里重新看见了所有出发的理由。技术公司的星辰大海也需要这样的回望。世界模型可以指向很远的未来，但它最终要回答的，仍然是一个很近的问题：机器能不能在真实现场里，把一项具体任务稳稳做完。
以下是访谈精华实录：
“物理AI不是目标，而是途径”
投中网：江行最开始起步的时候，其实没有“物理AI”“世界模型”“具身智能”这些词。那时候机器人也不火，写选题可能都得蹭《变形金刚》的热度。我很好奇江行是什么时候意识到，自己做的事情可以通向物理AI？
庞海天：这个要回到江行最早在做什么。
一方面，我们一直在把智能算法应用到工业、能源场景里；另一方面，我们做的事情其实早就超出了传统工业自动化。我们不是只做单点、重复、机械式操作，而是希望机器的“眼睛”和“脑子”都变得更强。机器的眼睛能不能比人的眼睛更敏锐，能不能更早发现故障和隐患？机器的大脑能不能比人的专家更擅长做判断和鉴别？这些问题，我们一直在做。
现在回头看，过去几年我们其实就在构建今天所谓“世界模型”和“大脑”的底层数据关系。只是那个时候，我们不会用“世界模型”这个词来描述。江行从第一天起就在工业现场里打磨系统。过去几年，我们围绕设备、环境、人员操作流程和任务规程，持续打磨场景理解、工程反馈和交付经验。等到大模型、世界模型、VLA起来之后，这些积累又成了物理AI大脑继续迭代的基础。
所以对我们来说，从工业智能化走向物理AI，是一个很自然的过程。我们不需要重新去“找场景”“找钉子”，因为场景在我们手里，数据训练的成果也在我们手里。
投中网：有没有一个具体画面，让你意识到江行是非常令你自豪的？
庞海天：我印象最深的是去年的一件事。
我们在一个电力客户那里，参加了他们专门为“物理AI/最新机器人技术”办的一场竞赛。客户想看这些技术在他们场景中能不能完成具体工作。比赛准备时间很短，内容就是把人平时在变电站里要做的那些工作，全部交给机器人来做。参赛方用各种机器人：四足机器狗、人形机器人、机械臂等，要完成导航、避障、识别、操作等综合任务。
参赛的都是业内头部机器人本体厂商，还有一些行业外团队。最后结果是我们“断崖式领先”。
我们发现，很多做本体的厂商，一旦把遥控器放下，就不知道怎么让机器人在工业现场自主完成工作。而对我们来说，这不就是我们一直在做的事吗？把人能做的一整套任务，从1到1000步，让机器保质保量、按时完成。
从外面看，这个结果可能不如机器人翻跟头、练武术那样吸睛，但对我们来说，这才是工业场景真正需要的能力。那一刻我才意识到：原来我们这些年在工业场景里一遍遍打磨、积累数据、优化大脑适用性和易用性，已经形成了很厚的壁垒。如果没有这场比赛，我们自己可能也意识不到差距有这么大。
投中网：我借用一个比喻，学游泳有两种方式。一种是理论上教你蛙泳、自由泳；另一种是把你丢进水里，你为了求生自己扑腾，最后可能形成一种不标准但是管用的泳姿。我在想，作为产业出身的江行是不是也可能在一线做物理AI的过程中，“扑腾”出过某些惊喜？
庞海天：这个比喻特别贴切。江行从2018年“下水”到现在，那个“数据—算法—场景”的飞轮已经转了整整八年。
早年间我们用小模型啃工业现场，做的都是设备识别、流程执行这些脏活累活。那时虽然没有“物理AI”这么时髦的词，但我们其实已经在解决最本质的问题：机器如何在真实世界里看懂、判断、行动。
当大模型浪潮袭来，我们惊喜地发现，过去那些在变电站里“扑腾”出来的经验——对场景的理解、对任务的拆解、对工程边界的把控——非但没有过时，反而成了今天物理AI大脑最稀缺的养料。我们不是在沙滩上从零盖楼，而是在坚实的地基上起高楼。
所谓的惊喜，其实就是回头看时的那种确信：当年为了搞定一个仪表读数、一次精准按钮而在现场熬过的夜，最终都变成了今天OC-STORM世界模型、单目VLA执行能力的底气。那些看起来很学术的突破，其实早在几年前就被真实的问题“预演”过了。
投中网：有点像突然发现，整个村里最富的其实是我。
庞海天：确实有这种感觉。公司在研发投入上曾经也有过迷茫期，但新的智能涌现之后，我们发现可以做很多事，而要做这些事的关键要素我们这边恰好都有。
“我们要做所有具身智能体的大脑”
投中网：那江行下一阶段的目标是什么？这一轮融资更像是在为下一步远征做准备。
庞海天：从终局来看，我们希望未来在物理世界，尤其是工业领域，所有具身智能体的大脑，都是由我们提供的。各种硬件在工作，但背后驱动它们的，是我们的具身智能大脑。
我们最本质的底气，是已经跑通了“数据—算法—场景”的闭环飞轮，而且这个飞轮会越转越快。很多公司在世界模型、物理AI上做了很多Demo，也发了很多论文，但从Demo到产品、从产品到可控交付成本，再到规模化，这条路其实很长。
我们已经把论文装进了产品，把产品交付到了客户现场，拿到了真实反馈。这是我们最大的底气。