200亿多光谱蓝海市场：给物理AI造“眼睛”

当AI学会“透视”，物理世界将真正告别盲人摸象。

文｜魏琳华

编｜刘俊宏

在冰雪覆盖的南极，世界近乎只是白茫茫的一片。你是否想过，“原住民”企鹅如何维系日常生活？它们看到的世界，可能比人类能看到的更加丰富。

研究发现，部分企鹅能够感知人眼不可见的紫外光；与此同时，帝企鹅的喙部斑块也会反射出特殊的紫外信号。研究者据此推测，这些隐藏在可见光之外的信息，可能参与企鹅的同类识别和求偶选择。

图片来源：Pixabay

镜头转向北美荒漠。

夜色之中，响尾蛇即使看不清猎物，也能依靠眼睛与鼻孔之间的颊窝器官，敏锐感知温血动物释放的红外热辐射，判断猎物的方位，并迅速发起攻击。

企鹅感知紫外，响尾蛇捕捉红外——自然仿佛为它们装上了一双能够突破人类可见光边界的眼睛。它们也证明，肉眼看不见，并不意味着信息不存在；可见光之外的物理信号，同样承载着有关目标身份、状态和环境变化的信息。

企鹅和响尾蛇早就“用上”多光谱了，人类也正在借助技术复刻这种“超越可见光”的感知能力。

如今，感知技术已能帮助企业全天候7×24小时了解工业现场的运行状态。在数据中心、配电房、变电站，摄像头成了标配，但仅靠可见光摄像头，往往只能起到“事后补救”的作用，它没办法在事故发生前分辨潜在的风险。

在苏州一家电镀厂的车间里，摄像头24小时开着，画面一切正常。但一台多光谱AI设备突然报警了：它捕捉到的，是设备老化发出的微弱紫外信号，也就是“漏电”。厂方在接收到预警后前往现场复核，发现一台叉车充电器已经老化到冒火花。

可见光只占整个光谱范围的很小一部分。多光谱AI做的事情，是靠红外、紫外等覆盖不同波段，识别看不见的漏电、异常发热等信号，再由AI完成信号的交叉验证，从而提前识别到潜在风险。

从工业场景的痛点入手，多光谱AI已经迎来了自己的蓝海期：它不仅已经在泛安全领域找到了成熟的应用场景，还踩在这个时代最大的风口上——物理AI。

物理AI元年，感知智能先行

2026年1月，拉斯维加斯CES展馆。英伟达CEO黄仁勋站在舞台中央，宣布了一个判断：“物理AI的ChatGPT时刻已经到来。”

黄仁勋把AI的进化分成了四段：感知AI、生成AI、Agentic AI、物理AI。前三个阶段，AI完成的是智能的提升，感知让AI能够识别并理解世界，生成让AI能够生成内容、回答简单的问题，Agentic则跨过了纸上谈兵的阶段，面对一个复杂任务，它能自己规划并解决。

和前三者不同的是，物理AI让智能从虚拟屏幕中来到现实世界：AI必须长出“身体”，走进真实的街道、工厂和家庭，接管真实场景中的各种任务。

为了实现物理AI，黄仁勋和“AI教母”李飞飞均提及，实现物理AI的闭环分为四步：感知→推理→行动→反馈。简单来说，AI也要先“看”、再“想”、后“执行”，最后再根据反馈判断自己做得对不对。

这四步里，感知是第一步，也是整个产业链的咽喉：它一头连着大模型，一头连着真实的工厂、机房、变电站。看不清、摸不准，再聪明的算法也无从下手。

但“感知”这两个字，做起来远比说起来难。

在光学这条主干通道上，光靠一种方案已经不够了。今年展会上一个明显的变化是：单纯秀激光雷达的厂商少了，更多厂商开始往方案里“加变量”，比如3D相机。它能通过3D视觉识别各种物体的三维位置，解决传统2D视觉在深度和倾斜角度判断上的局限。

另一个更重要的方向，是为具身智能装上“看得更广”的眼睛。

今年6月，海清智元与杭州云深处科技签订合作协议。双方的合作逻辑很清晰：云深处提供四足机器人的“身体”，海清智元提供多光谱AI感知模组作为“眼睛”。当一台能自主行走的机器狗，装上能看见热和放电的感知终端，它在安检场景中，就是一个能提前发现风险的巡检员。

相比一般的摄像头，多光谱的意义在于在可见光的基础上加入了红外、紫外等波段，把多种波段的监测能力装进一台设备，扩大了设备的风险管控范围。

以当前的数据中心机房来举例：红外能看到空调冷凝系统的温度异常、配电柜接头的过热趋势；紫外能捕捉到走线架附近电缆绝缘老化产生的电弧放电。

物理AI正在探索如何进入真实场景，它高度依赖感知智能的持续扩张。多光谱AI把可见光之外的物理信号翻译成了机器能理解的语言，让物理AI拥有了一个更全面的“视觉”基座。

多光谱AI，看得见之外，更要看得准

事实上，工业场景里的大多数重大事故，都是从局部出现，在物理量变的过程中引爆：电缆接头松动、设备绝缘老化、电池热失控。这些变化在可见光波段毫无征兆，等肉眼能看到火光、烟感器“闻”到烟雾的时候，事故往往已经发生了。

传统传感器的逻辑是“阈值触发”，等温度到了设定值才报警，并且由于测控指标有限，往往只能定向针对一部分问题，温度传感器只盯温度、烟感器只管烟雾、气体探测器通常只针对一两种特定气体。

作为感知智能的核心分支，多光谱AI的潜力不仅看得更全面，它还能把一次次“事后救火”的危机，变为“事前预警”。

多光谱AI在事故还是“苗头”的时候就介入了：红外捕捉温度异常上升的趋势，紫外捕捉早期放电信号，可见光则用于识别物品的状态、位置和环境——靠多个波段同时监测，多光谱AI才能在事前隔绝更多风险。

从技术路线看，行业里并非没有其他选择，但每条路都有它的天花板。单波段红外热像仪能测温，但识别不了放电和气体，维度单一；高光谱设备信息丰富，但需要检测的数据量巨大、检测材料成本高昂，这让它难以被大规模部署到工业现场。

综合下来，多光谱AI成了一种性价比更高、场景适应性更强的选择。它既能同时获取红外、紫外、可见光等不同波段信息，覆盖面广的同时，它的材料也不像高光谱一样昂贵、易损，可以被更多企业接受。

“看见”只是第一步，要让多光谱模组“看得准”，AI能力的加码就必不可少。

在工业场景的应用中，检测设备的任务不仅是覆盖更多风险识别的能力，它还需要判断每个信号对应的情况，保证检测的准确率。

对此，海清智元的办法是用端侧模型+行业大模型的两级控制，确保在真实场景下准确定位到风险：

第一级是端侧AI模型，由前端设备先对信号做第一轮判断，把明显的干扰过滤掉。相比行业大模型，端侧AI“小而精”，能做到反应快、占用资源少，且无需联网，断网的环境下也能干活。

今年七月，海清智元宣布把自家的智元起源大模型塞进了NVIDIA Jetson AGX Orin端侧AI平台。这意味着原本要靠一堆昂贵服务器才能跑的大模型基座，现在能装进一个巴掌大的边缘设备里。

第二级是行业大模型。端侧拿不准的告警，自动上传到行业大模型做多光谱联合复核，它会把红外、紫外、可见光的信号交叉验证，再调出历史趋势、运行工况和行业知识图谱，全部验证一遍后才会下判断。

靠AI能力的加持，终端监测设备抓到了更多容易被误判的风险：

在一家大型数据中心里，一台10kV配电柜的电缆连接部位出现大约4.7℃的温度升高。但它没到传统系统的报警阈值，所以不会被注意。同一时间，紫外终端也捕捉到几次时有时无的放电信号，但在摄像头中，完全看不出问题。

单拎出来没问题，但智元起源大模型把设备和时间对齐，再跟同类设备、相邻点位、这台柜过去30天的运行曲线做对比，发现温升速度已经达到同负载设备的三倍以上，紫外信号和温升变化在时间上高度相关。由此，AI判断出疑似电缆连接部位接触劣化，自动生成一份包含异常位置、风险等级等信息的报告，推送给运维人员。

除了靠训练加强AI识别风险的能力，海清智元最深的护城河，是海量真实工业场景沉淀的经验。

更多在真实场景中的风险识别，不是实验室里能训练出来的。算法模型的训练过程中，环境单一、干扰极少，精度表现优异，但落地到真实工厂、机房、电站后，会被遮挡、反光、粉尘、温差等复杂因素干扰，影响结果的准确率。

在某国有银行核心IDC机房项目中，海清智元派研发人员驻场，针对机房的实景环境做算法调优，一点点解决遮挡、异物干扰、复杂光线等问题，让模型完全适配真实运维场景。

每一次驻场落地，在获得用户授权后都会将真实极端场景数据汇入云端模型库，持续丰富模型的场景覆盖度与识别精度。长期积累下来，模型见过的工业隐患类型、复杂场景、干扰因素远超常规实验室训练模型，形成了无法被短期复刻的场景化技术壁垒。

当模型在场景里学得越多，技术足够成熟，市场的窗口也就随之打开。

一个200亿蓝海市场正在打开

随着多光谱AI能力在各种真实场景得到验证，当前，市场正处在蓝海阶段。

据弗若斯特沙利文分析，2025年全球多光谱AI市场规模约850亿元，中国约200亿元。市场呈现高增速态势，2025到2030年复合增长率约29.1%。整个行业的竞争格局目前相当分散，前五名企业合计市场份额仅8%，这意味着头部企业还有很大的增长空间。

目前，多光谱AI技术已经跑通了多个工业场景。其中需求最迫切的，是AI时代最核心的基础设施——数据中心（AIDC）。

随着单柜功率一路飙升，热风险和电气风险同步上涨，数据中心一次宕机的损失动辄千万级别。

海清智元和一家运营商合作的首批试点项目中，就是冲着数据中心运行的痛点去的：它覆盖5个核心数据中心和2个灾备节点，盯的是空调冷凝系统、电池间、配电柜、走线架这些高风险区域。半年跑下来，系统触发了多次有效告警，协助避免了设备损坏及业务中断。

除了数据中心，电力巡检和能源安全等场景是多光谱AI已经跑通的主战场。

在电力系统里，站内设备类型多、巡检路线长。行业通常靠四足机器人完成日常巡检工作。但机器人只能传回数据，无法识别其中的问题，它留下的数千张红外和可见光图片依然要靠专业人员复核。

对此，海清智元将多光谱AI感知模组及轻量化大模型终端搭载于移动巡检设备，现场就能完成基础检测，并根据企业存下的设备台账、历史巡检记录等数据完成研判。

一次巡检中，系统在某高压设备绝缘部位捕捉到间歇性紫外放电信号，虽然信号微弱，但结合过去14天的巡检记录后发现，放电信号出现频率正在持续增加，温差也呈缓慢扩大趋势。结合现场环境和设备的状态，系统判断存在风险后，直接让机器人再次巡检确认，最终避免风险进一步扩大。

已经落地的成熟场景之外，多光谱AI的想象空间还在向生活场景中延伸。

除了识别危险，多光谱AI还能利用全面感知的能力，把复杂、微弱的信号转化为普通人能够理解的信息，它可以在多种设备中担任“管家”角色，不只提醒问题，还能告诉人们怎么处理。

在生活场景中，多光谱AI技术还可以进入卧室和厨房：通过感知气体、温度、湿度、空气质量及光照等信息，AI既能判断食材新鲜度并及时提醒，也能分析睡眠环境、联动空调和净化器等设备进行个性化调节，成为家庭生活中的智能“管家”。

回望中国科技市场这几年，专精特新的硬科技不断涌现，应用场景也在持续扩大。

多光谱AI是其中一个缩影：它从工业高价值场景切入，但想象空间远不止于此。当感知成本持续下降、算法不断迭代、场景持续扩充，多光谱AI的市场边界会不断被重新定义。它用红外、紫外和可见光等多重感知，把人类肉眼无法触及的物理信号转化为能理解、能用起来的信息，装进数据中心、变电站、能源设施，乃至生活中的每一个瞬间。

在物理AI的时代，感知不是终点，但它是一切的起点。当AI学会“透视”，物理世界将真正告别盲人摸象。