海清智元：用多光谱AI读懂物理世界

真正决定工业AI长期价值的，是能否把一座数据中心里验证过的经验，变成更多工业现场可以使用的产品，AI落地物理世界，最终要靠一个个现场说话。

文｜王玉冰

ID | BMR2004

眼睛，是人认识世界不可缺少的感官。对于需要感知真实环境、判断设备状态的机器而言，同样如此。

2026年6月22日，深圳海清智元科技股份有限公司（以下简称“海清智元”，01392.HK）正式登陆港交所主板。作为一家以多光谱AI为核心业务的企业，海清智元被市场称为“多光谱AI第一股”，这项原本藏在工业现场里的技术，开始进入更多人的视野。

过去，工厂设备出现的变化主要依赖经验丰富的安全工程师在巡检中发现。但问题是，一个人不可能一天24小时盯着所有设备，也很难保证每一次巡检都能发现异常。

海清智元逐渐意识到，客户真正需要的不是一台看得更清楚的摄像头，而是一套能够在事故发生前读懂温度、电弧和设备状态的系统。“好的方案和好的路线，一定是来自于客户需求，来自于一线现场。”海清智元执行董事、董事会秘书、副总经理柴剑向《商学院》记者表示。

01

专注人眼看不见的风险

如何把多光谱感知设备采集到的信号放在一起，来判断眼前的变化是一次正常波动，还是事故发生前的预警，是海清智元需要解决的下一个问题。

柴剑提到，2013年海清智元起步时，主要方向还是机器视觉和高清视频处理。沿着视频监控和大安防市场进入车间后，公司发现，工业企业真正担心的往往不是现场发生了什么，而是接下来会不会发生事故。

一条生产线出现异常前，往往会有细微变化，比如振动幅度增加、连接部位升温加快，或者设备内部偶尔出现一次短暂放电。经验丰富的安全工程师或许能察觉不对劲，但这种判断高度依赖个人经验，也存在明显的时间空隙。

“对于资金和抗风险能力有限的企业而言，一台价值数十万元甚至上百万元的设备损坏，会影响经营；如果再造成人员伤亡，企业需要付出的代价则会更大。”柴剑谈到，设备会经历从自然老化到加速劣化的过程，局部放电就是重要信号。两次放电之间可能间隔数日，随后越来越频繁，反复放电会损伤绝缘材料，使其逐渐碳化、开始导电，最终可能引起短路、设备损坏甚至火灾。

局部放电发生时，电弧最明显的特征并不完全落在人眼和普通摄像头能捕捉的范围。“特别是在白色或浅色背景下，细小的电弧很容易被画面‘吃掉’。提高摄像头像素可以让图像更清晰，却无法突破可见光本身的局限性。”柴剑说。

海清智元的解法，是把观察设备状态的方式从单一可见光扩展到红外和紫外，也就是多光谱：紫外成像寻找局部放电产生的光谱信号，红外热成像观察连接点和设备表面的温度变化，可见光则继续承担识别人员行为、柜门状态和设备外观的任务。三种感知方式放在一起，结合AI分析研判，现场的“画面”才开始变成立体的信息。

柴剑举了一个配电设备合闸的例子：如果系统预先知道某个时间点将执行合闸操作，这一时刻出现的放电信号可以视为正常；如果设备没有任何操作，数分钟后却再次出现局部放电，性质就完全不同。“机器不仅要发现放电，还要知道它发生在什么时间、设备当时正在执行什么任务。”

除此之外，温度同样不能脱离场景进行判断。数据中心的服务器在执行高负载计算时，温度升高可能是正常现象；如果计算任务已经结束，设备仍然持续高温，则可能意味着风扇、空调系统或算力调度出现问题。工业烤箱打开柜门时出现高温也很正常，但如果工作人员离开后没有关门，高温持续向外扩散，就可能转化为新的安全隐患。

对海清智元而言，这一变化重新定义了摄像头的作用：它不再只是记录现场的工具，而要成为理解设备状态的一部分。如何把多光谱采集到的信号放在一起，结合端侧AI与云端AI大模型来判断眼前的变化是一次正常波动，还是事故发生前的预警，是海清智元需要解决的下一个问题。

02

把“老师傅”的经验装进模型

模型缺少行业知识，采集再多信息也只是一组数字。

对工业客户而言，频繁报警会增加运维负担，还会削弱信任。真正有价值的预警，必须能解释异常发生的环境和原因。

“这就是垂直行业大模型该解决的问题。”柴剑表示，传感器可以告诉系统某个区域的温度是50℃还是60℃，但这些数字本身并不等同于风险。模型需要继续判断：这是什么设备、正在执行什么任务、过去是否出现过类似情况，以及客户的安全管理规则如何规定。

为完成这一过程，海清智元搭建了“光、感、图、算”一体化的技术架构。“光”决定系统观察哪个波段，“感”负责把现场的物理变化转化为传感器可读取的数据。

数据被采集之后，还不能直接交给模型。柴剑告诉记者：“工业现场中的光线、设备振动、镜头位置和环境噪声，都可能影响图像质量；可见光、红外和紫外图像来自不同传感器，拍摄角度和成像边界也不完全相同，需要进行校准、降噪和时空对齐。”

原始信号变成模型可读取的图像和矩阵后，才进入“算”的环节：模型结合行业知识、客户规则和历史记录进行判断，再决定是否报警、发送给谁、采取什么处置措施。

柴剑把前面的光学感知和图像处理称为“物理阶段”，因为它解决的是怎样把真实世界转化为可计算信息的问题；在模型分析阶段解决的则是AI如何理解这些信息。两个环节不能割裂：前端信号采集不准，后面的模型再复杂也得不出可靠结论；模型缺少行业知识，采集再多信息也只是一组数字。

为验证这条链条，海清智元除了软件测试，还要在实验室模拟放电、升温等情况，观察设备能否捕捉信号、图像能否对齐、模型能否理解异常。“你在实验室要模拟一些事件，看看AI到底学懂没学懂，才能赢得客户的信任。”柴剑表示。

传统的视觉模型主要依靠样本比对：模型看到一个物体，判断它与过去被标注为异常的图像有多相似，相似度达标便报警。它并不理解设备所在的环境，更难判断某种变化为什么发生。

海清智元的“智元起源”大模型向前多走了一步。这一面向工业安全场景的多光谱AI大模型，将可见光、红外和紫外等感知数据，与设备运行状态、安全规则、历史案例及运维经验结合起来，不仅识别温度异常和局部放电等信号，还能判断异常所处的场景及风险程度，向运维人员提供分级预警和检查建议。

“它就像一个经验丰富的老师傅，它还不嫌累，把该看的东西都给你看完了，然后提醒你接下来应该干嘛。”柴剑说。

海清智元的数据一部分来自项目现场，包括设备运行状态、异常记录和处置结果；另一部分来自公司搭建的实验环境。客户过去发生过哪些事故、运维团队如何处理、造成什么影响，同样会形成行业知识。

柴剑谈到，工业数据很难从公开市场直接获得：工业安全事故发生频率有限，不同行业又缺少统一的公共数据集。“企业只有真正进入项目、进行实验，并与客户一起处理问题，才可能获得有效的样本。”因此，项目交付不仅带来收入，也在不断补充模型的经验。

“垂直行业大模型未来的竞争，取决于独特的数据以及独特的行业理解。”柴剑认为，不了解一个行业，就很难知道应该采集什么数据，更无法判断哪些数据真正有用。

这种行业理解最终还要落实到现场设备上。工业场景不可能为每套模型配置庞大的服务器集群，海清智元需要持续压缩模型和系统。“我们通过嵌入式操作系统和文件管理系统对数据进行裁剪，只保留与安全判断有关的信息来降低存储成本。”柴剑提到。

以配电柜监控为例，摄像头连续工作24小时，绝大部分时间画面没有变化，完整保存既占存储也耗算力。海清智元的做法是重点记录涉及温度波动、放电信号和人员操作的画面，这降低了存储和计算压力，也让模型能够部署在更小的现场设备中。

不过，模型怎样进入机柜和配电室，预警怎样接入客户原有的管理流程，仍要在一个个项目中接受检验。

03

为数据中心设三道防线

客户购买的不是一个理论模型，而是设备能否少出故障、巡检人员能否减少重复劳动、风险能否被更早发现。

在广东，有一处运行了数年的数据中心，分布着近2000台机柜，设备长时间运行，一旦发生火灾，不仅损坏服务器，还会影响数据和业务的连续性。数据中心的安全问题往往内紧外松，运维人员始终担心某个隐藏的连接点突然出现故障。

过去，工作人员主要依靠人工巡检：打开柜门，用手持红外热成像设备扫描配电柜和服务器背板，再根据几分钟内有无异常，推断设备更长时间的运行状态。在柴剑看来，这种方法本质上仍是抽样。“设备扫描2分钟未检出异常，不代表设备长期无风险，这2分钟的观测窗口，无法覆盖全部运行周期，局部放电具备偶发性，未必恰好出现在巡检检测的时刻。”

为此，海清智元在这座数据中心设置了三道防线。

第一道防线位于机柜内部。接近手机大小的感知设备安装在柜内，持续观察服务器背板及电气连接点。柜门关闭后，在人工和外部摄像头难以看到的区域，一旦出现局部放电或异常升温，设备可以保留发生时间和成像记录，并将风险定位到相应位置。

第二道防线覆盖数据中心公共空间。感知终端布置在通道、排风口、出入口和UPS室等区域，实时观察空调运行、通道温度和备用电池状态。“例如，某条通道平时保持在18℃，如果突然升至28℃，系统便可以据此判断制冷设备是否需要检查，可见光还可以识别人员进出、吸烟、饮水或柜门异常开启等行为。”

第三道防线是搭载多光谱AI模组的机器狗。固定设备存在视野盲区，机器狗可以进入机柜底部和背面巡检。“我们将多光谱感知能力安装在移动平台上，使其成为可以在数据中心中行走的眼睛，弥补了固定终端无法覆盖每处位置的缺陷。”柴剑说。

三道防线背后连接着同一套管理系统：哪台机器狗在巡逻、哪台在充电、哪个机柜出现异常，警报该发给普通工程师、班组长还是更高层级的管理人员。

端侧和平台的分工取决于风险的紧迫程度。柴剑谈到，可能迅速发展为火灾或爆炸的异常，要在现场完成判断，通过声光设备立即报警；轻微的温度偏差和长期趋势，则交由平台进一步分析，避免每一次小幅波动都打乱数据中心运行。

产品体系也随之分层，模组装进机器狗，终端独立安装，大模型服务进入具体项目，承担告警分级、运维分析和处置建议。

“客户不会说我要AI产品，他会说我们有安全用电或者设备安全运行的需求，谁能来为我保驾护航。”柴剑表示，客户购买的不是一个“抽象”的AI产品，而是设备能否少出故障、巡检人员能否减少重复劳动、风险能否被更早发现。

04

从一座数据中心开始复制

降低门槛的办法不是直接降价，而是重新设计交付方式。

海清智元早期的客户涉及电镀、PCB、锂电池和电动自行车等行业，都有安全生产需求，但生产工艺、设备布局和管理方式差异明显。“一个工厂验证过的方案，换到另一条生产线后，往往仍需重新采集数据和调整模型。”柴剑谈到。

“如果客户提出的所有需求都做成定制化，我们的研发成本就会非常高；但如果不解决客户的问题，产品也卖不掉。”柴剑表示。

基于此，公司已经将业务重心转向数据中心和配电中心：这些场景的机柜结构、供电系统和运维流程相对接近，客户面对的问题也有更多共性，硬件方案复用程度较高。

场景选择成为了规模化的第一步。柴剑提到，海清智元计划先进入安全风险高、投入意愿较强的数据中心和配电场景，在项目中验证产品，再向古建筑、博物馆、养老机构等有强防火和安全用电需求的空间延伸，“先覆盖高价值客户，再逐步降低产品的使用门槛”。

降低门槛的办法不是直接降价，而是重新设计交付方式：复杂系统压缩成更小的设备，原本需要多处安装的感知能力可以搭载在机器狗等移动平台上。模型越轻、设备越容易部署，客户承担的硬件、算力和维护成本也就越低。

“我等着别人来平替我，不如我自己先把自己平替了。”柴剑表示，高价值场景可以采用完整方案，中高价值场景则需要更加轻量的产品。

在柴剑看来，港股上市提供的不只是资金，也是面向公众的展示和检验。“上市除了资金的支持，还提高了企业的可见度和知名度，让产品更容易进入大型客户的视野。”

“产品本身是1，后面有多少个0，就和你怎么把它卖好有很大关系。”柴剑说。对海清智元而言，“多光谱AI第一股”的标签只是让更多人看到了这家公司。真正决定其长期价值的，是能否把一座数据中心里验证过的经验，变成更多工业现场可以使用的产品，AI落地物理世界，最终要靠一个个现场说话。