华城融从“看见画面”到“理解状态” 海清智元亮相2026 WAIC，分享多光谱AI产业化实践

7月19日，2026世界人工智能大会(WAIC 2026)期间在上海世博展览馆举办的「链合π圆桌会」上，深圳海清智元科技股份有限公司执行董事、董事会秘书兼副总经理柴剑博士受邀出席，并发表《细分领域AI路径探索：以多光谱AI技术在物理安全场景中的实践为例》主题演讲，分享海清智元在多光谱AI技术研发、产业化及空间物理安全场景应用方面的实践与思考。

随着AI加快进入数据中心、电力、新能源和工业空间，它面对的第一个问题，不再只是“能不能生成”，而是“能不能准确感知现场”。

真实世界不可回滚，感知是AI判断的起点

柴剑博士从AI作用对象的差异出发指出，当前AI应用大致呈现两条不同路径：一类以数字语料为基础，主要生成文本、图像等数字内容；另一类则需要借助端侧设备直接感知物理世界，为真实场景中的分析决策提供支持。

两者的重要区别在于，数字世界出现偏差后通常可以回滚——即可以重新生成或修正，而真实世界中的设备状态、环境变化和风险演进往往难以回滚。感知信息一旦出现偏差，可能影响后续判断，甚至带来实际风险。

“当AI从数字世界走向真实场景，首先要解决的，是能否更加丰富、准确、及时地感知物理状态。”柴剑博士表示，很多风险并非突然出现，而是在温度、放电、火焰和设备状态的持续变化中留下早期信号。如何让这些信号被机器理解，是AI进入行业现场后需要解决的基础问题。

多光谱AI不是“看得更清楚”，而是看见更多早期风险信号

传统摄像头主要记录可见光画面，多光谱AI则将机器的感知范围扩展到红外、紫外等更多波段：红外信息可以呈现温度变化和局部过热，紫外信息可以提供异常放电、火焰等肉眼不易识别的光信号，可见光则提供设备对象、位置和现场环境。多波段信息相互印证，帮助系统识别人眼和普通摄像头难以发现的早期风险。

多光谱AI从实验室能力走向垂直场景，难点不只在于单点算法，还需要同时解决光学设计、传感器适配、成像链路、端侧计算、算法模型和现场部署等问题。海清智元将这套全链路协同能力概括为“光感图算”：从目标波段的光学设计出发，完成多光谱信号采集和融合成像，再结合端侧AI和行业模型能力进行实时分析与综合研判。

其中，端侧计算负责靠近现场的实时识别和基础分析，行业模型能力则用于沉淀多场景风险样本、优化算法策略，增强复杂场景下的研判能力。柴剑博士表示，多光谱AI的价值，是为既有视频、消防和运维体系增加更早期、更连续的观察维度，为后续研判和处置提供更多风险线索。

从柜内、空间到移动巡检，构建“三层防护体系”

数据中心是演讲重点讨论的多光谱AI应用场景之一。随着AI产业持续发展，数据中心和算力中心的设备密度、能耗和电气连接复杂度不断提升，对连续运行和稳定性的要求也随之提高。在此类场景中，安全管理不能只关注最终是否出现烟火，还需要持续观察服务器机柜、低压配电柜、UPS电池柜、空调柜以及通道、出风口和设备间等不同位置的状态变化。

据柴剑博士介绍，针对不同空间和观察距离，多光谱AI产品可以采用多种部署方式：在机柜、配电柜等有限空间内部部署卡片式终端，近距离观察局部状态；在机房、通道、出入口和设备间等开放区域部署固定式的多光谱感知终端，覆盖约50平米的空间范围；也可以将多光谱感知模组搭载在机器人上，覆盖柜体底部、背部及其他固定设备不易观察的位置。不同终端采集的信息汇聚分析，形成“柜内贴近感知—空间区域覆盖—移动巡检补盲”的三层感知防护体系。

除数据中心外，多光谱AI还可以应用于电力系统、储能设施、新能源及工业空间，围绕异常升温、局部放电、材料变化和早期火情等风险特征，为高价值设施提供增量感知能力。这些场景的共同特点是设备和资产价值较高、运行环境复杂、对连续性要求严格，风险识别的时间越早，专业人员可以获得的处置空间就越大。

垂直AI产业化，要跨越“三道坎”

在演讲中，柴剑博士借用“魔鬼之河、死亡之谷和达尔文之海”这一科技成果转化框架，分享了细分AI企业的产业化思考：技术能否走出研发部门，形成稳定、可部署的产品；产品能否进入实际场景，被业务流程采用；企业能否在可靠性、成本、交付、服务和市场竞争中持续进化。这也呼应了本届WAIC对工程部署、系统稳定性、实际效能与商业化能力的集中讨论：模型能力的一次提升并不等同于产业价值的自然形成，AI仍需经过产品和市场的持续验证。