头豹研究院发布物理AI应用实践TOP10，海清智元入选

9月2日，头豹研究院发布2026年《中国物理AI厂商全景报告——物理AI行业应用实践TOP10》。报告围绕中国物理AI产业的发展阶段、市场空间、技术基础、产业链结构及典型应用场景展开研究，并从技术栈完整度、系统闭环能力、工程化交付水平和商业化验证表现等方面进行综合评估。

阿里云、奥比中光、比亚迪、海清智元、汇川技术、商汤科技、腾讯、小鹏、宇树科技、智元创新十家企业入选“中国物理AI行业应用实践TOP10”。其中，报告将海清智元（1392.HK）定位为中国多光谱AI行业及多光谱AI大模型服务领域的领先企业，认为其以多光谱感知、AI模组和安全大模型识别温度异常、电弧、火情等物理信息，并将其列为物理感知层代表企业及多光谱AI实践典型案例。

从大模型走向真实世界，物理AI进入工程化落地阶段

过去几年，人工智能的发展重点主要集中在数字世界。生成式AI能够生成文本、图像和音视频，代理式AI进一步具备任务分解、工具调用和数字化操作能力。物理AI则将智能系统的能力延伸至机器人、汽车、工业设备、感知终端和城市基础设施，使AI能够感知环境、理解任务，并进一步参与真实物理世界中的决策、控制与反馈。

与数字世界中的操作不同，物理世界中的设备运行、车辆控制和安全处置往往难以简单回滚。一次感知误差、环境扰动或判断偏差，都可能带来设备损坏、生产中断甚至安全事故。因此，物理AI比拼的不只是模型参数和算法效果，更是感知、决策、验证、执行、反馈等能力能否形成可靠闭环，能否在复杂环境中持续稳定运行。

头豹研究院预计，中国物理AI市场规模将由2025年的385亿美元增长至2035年的3375亿美元，十年复合增长率达到24.3%；同期，中国市场在全球物理AI市场中的占比预计将由31%提升至37.5%。

制造业基础、丰富的应用场景，以及算力、传感器、仿真平台和数字孪生等产业条件的不断完善，共同构成中国物理AI发展的底层支撑。物理AI也正从概念导入和技术展示，逐步走向工程化落地与商业价值验证。

评选标准转向“能不能在真实场景稳定运行”

此次榜单的一个重要特点，是不再以是否拥有大模型或单项算法能力作为主要判断标准，而是重点考察企业能否把人工智能真正部署到实体设备和真实业务场景中。

报告构建了包括“产品工程化与场景适配能力”“技术创新与系统竞争力”“市场与商业化表现”在内的评估体系，进一步考察产品层级、场景覆盖、物理交互深度、多模态感知、工程成熟度、算法模型、技术栈完整度、云边端协同、安全可靠性、客户验证和批量交付等能力。

这也反映出物理AI产业的竞争逻辑正在发生变化：企业不仅需要让技术“能够运行”，还要做到稳定运行、持续迭代、批量交付，并为客户带来可验证的效率提升、风险预警、成本优化或安全价值。

从入选企业构成来看，物理AI并不等同于人形机器人，也不是某一种产品形态，而是一套横跨物理感知、智能决策、控制执行和场景应用的产业体系。

宇树科技、智元创新等企业提供物理执行载体；阿里云、腾讯和商汤科技等企业构建大模型、仿真、数据和开发工具；汇川技术代表工业控制与执行底座；比亚迪、小鹏将物理AI应用于智能驾驶；海清智元、奥比中光则分别从多光谱感知和3D视觉等方向，为智能系统提供认识真实环境的感知入口。

如果说大模型是物理AI的“大脑”，机器人、车辆和工业设备是“手脚”，那么感知系统就是连接数字智能与真实世界的“眼睛”和“神经末梢”。只有首先准确感知物理环境，后续的理解、决策和执行才有可靠基础。

多光谱AI让不可见风险成为可计算数据

真实世界包含大量超出人眼可见范围的物理信息。在数据中心、电力系统、能源设施和工业制造现场，许多风险在早期并不会表现为明显的可见异常，而是首先以局部过热、异常温升、电弧放电、材质变化或设备状态异常等形式出现。

普通可见光摄像头主要记录物体外观、颜色和运动状态，难以完整捕捉这些不可见信号。红外能够反映温度及热分布，紫外可以辅助识别电弧放电等现象，可见光则提供设备外观和现场环境信息。将不同光谱的数据与AI分析结合，可以帮助系统从多个维度理解现场状态，进一步识别单一传感器或人工巡检不容易发现的隐性风险。

头豹研究院在报告中指出，多光谱AI正从人工检查、单点传感、双光谱感知和多光谱感知，进一步走向多光谱AI阶段。其价值不只是增加一种传感器，而是把电弧、局部过热、异常温升、材质变化及设备状态等物理信息转化为可计算、可分析、可研判的数据，为风险判断、提前预警和运营优化提供前端感知基础。

作为中国多光谱AI领域的代表性企业，海清智元长期专注于多光谱AI技术研发与产业化应用。公司通过“光感图算”一体化架构，将紫外、红外、可见光等光谱信号采集能力，与光谱融合、实时计算和AI分析集成于终端设备，使设备能够在现场完成多光谱数据处理、特征识别和智能研判。

这意味着多光谱终端不再只是采集和回传画面的“摄像头”，而是具备现场感知、实时分析和异常识别能力的智能节点。通过感知终端、边缘计算和大模型平台之间的协同，系统既可以在端侧快速发现异常，也可以利用大模型分析多设备运行数据和复杂风险，形成从风险发现到研判预警的闭环。

在高价值安全场景完成应用验证

环境复杂、设备连续运行、风险隐蔽且事故成本较高的场景，是多光谱AI率先实现产业化验证的重要方向。目前，海清智元已将多光谱AI能力应用于数据中心、电力系统和能源设施等场景。

在电力安全场景中，多光谱AI终端可以面向配电房、电气柜等区域，识别电弧放电、局部过热、漏电和设备异常温升等隐患，推动安全巡检由定期人工检查向连续监测和前置预警转变。

在新能源及能源设施场景中，系统可以对充电桩、新能源电池等设备进行持续监测，辅助识别电池热失控、异常温升及设备故障风险，为能源设施运行提供更早期的风险信号。

在数据中心场景中，多光谱感知终端可以覆盖服务器机柜、母线、配电柜、电池室、UPS、线缆及冷通道等关键区域，持续监测热点及设备异常状态，并结合大模型实时分析多设备运行数据，为数据中心供配电、制冷及关键设备运行提供实时识别与前置预警能力，形成预测性安全保障。

这些应用的共同价值，是把过去依赖人工经验、事后发现的风险管理方式，转变为连续感知、实时分析和前置预警。对于数据中心、电力和能源等关键基础设施而言，风险发现窗口每向前移动一步，都意味着更充足的处置时间和更低的事故成本。

物理AI竞争将回归长期运行与客户价值

物理AI走进真实场景后，行业竞争的关键将不再是一次演示能否成功，而是产品能否适应复杂环境、能否长期稳定运行、能否以标准化方式交付，并在不同客户和不同场景之间实现复制。

此次入选中国物理AI行业应用实践TOP10，体现了海清智元在多光谱感知、端侧计算、AI分析、产品工程化及高价值安全场景应用方面的综合实践，也意味着多光谱AI这一技术路径正进入物理AI产业的主流视野。

未来，随着物理AI进一步进入工业制造、能源电力、数据中心和城市治理等实体场景，客户对AI的关注将从“是否智能”逐步转向“是否可靠、是否易部署、是否可运维、是否真正创造价值”。

海清智元也将继续围绕真实物理世界中的安全需求，推进多光谱感知、边缘计算和行业大模型的协同，让更多不可见、难识别的物理信号转化为可理解、可研判、可行动的数据，为关键基础设施和高价值场景构建更加前置、可靠的智能安全能力。