股票 
板块 
用户 
资讯 AI 的下一站不在聊天框里，而在物理世界中——看得见现场、看得懂设备，还能动手干活。
作为一家专注于AI基础设施的科技公司，星环科技已在相关领域落地多个案例：
浙江某区的视频能力中心用AI监测河道漂浮物和消防通道；
某城市地铁工地的边缘盒子将安全事故降至零；
一家大型民营钢企把老师傅几十年的炼钢经验训练成模型，出钢质量较纯人工经验高出数倍；
在新加坡，星环科技也将视觉AI引入工地安全管理：安全帽、手套是否佩戴齐全，人员是否违规进入危险区域，高空作业区域护栏是否缺失，吊装物与人员距离是否过近，系统对四类风险全天候识别、即时告警，并可联动喷淋设备，相关方案已在新加坡建屋发展局（HDB）项目中落地。
接下来，本文以电网巡线案例为例，说明AI如何从无人机照片开始，先识别照片中的设备状态，再查询相关规程，据此作出处置决策，最后生成一封派工邮件并完成派工，从而跑通智能巡线全流程。
巡线工作面临的两大核心问题
绝缘子是输电线路上数量最多、故障率最高的零件之一，它的裂纹和破损又细又隐蔽，在高空强光或者复杂背景下，人工肉眼漏检率通常超过15%。无人机普及之后，虽然可以及时返回照片，但看照片、做判断的仍然是人。
而“看见”故障照片只是第一步，真正制约巡检效率的，是人如何快速查到规程、相似案例和相关经验，并据此作出正确处置，这里面临两个核心问题：
第一，知识检索效率低。巡检工单在OA系统里，设备台账在ERP系统里，巡检机器人采集的图片保存在设备存储上，工程师定位一起故障需要在三五个系统之间来回切换，平均耗时超过30分钟。年轻人发现绝缘子异常后，翻上百页检修规程找条款需约15分钟，查历史工单找类似案例需约20分钟，向老师傅咨询确认处理方案还可能延误数小时。
第二，经验传承难。这个行业中 70% 的巡检人员工作年限不足5年，而未来5年电力行业还将迎来一批老师傅退休潮。老师傅的经验尚未被被有效摄取、存储和迭代，人先来开了岗位，靠人海战术已经走不通。因此，一方面，要通过知识库的设计、存储和查询提升知识检索效率；另一方面，要通过老专家经验的摄取、存储和迭代实现经验传承。
AI要做的就是把分散的知识和老师傅的经验统一管理起来、用起来。
接住故障巡检闭环的四层平台
星环科技把人工智能运营平台 Sophon LLMOps 应用于巡检业务。平台可以将故障从巡检影像发现、开出工单、根因分析、影像模型自标注模型自动迭代提升到检测的泛化，都落在 Sophon LLMOps 平台上一站式解决。
具体分层为：底层AI Infra：管算力资源、空间权限和通用工具；上层四个产品模块：星解管语料，星典管知识，星铸管模型的训练和推理，星构管智能体开发。
“星解”负责管语料。巡检影像上传后，平台自动完成视频抽帧、图像分类、图像描述、目标检测，处理结果由人工标注审核；图像问答对可以自动扩展生成，语料不够就合成，攒够就训练。训练、评测、部署都在同一个平台完成，评测不满意，回头再补语料，循环往复。电力特有的设备问题，走长尾微调。在绝缘子破损的小数据量实验里，这套打法把小模型快筛的检出率从89.8%提到94.4%，准确率从95%提到96.3%，大模型对图像的语义理解能力提升超过100%。
“星典”负责管知识。统一用目录管理工单、台账、气象、图像这些分散的数据，再通过知识工程建起文档内和跨文档两个树形知识库。因此，当系统识别出某基杆塔的绝缘子破损时，会自动将历史检修记录、当地气象数据、对应检修规程、可调度班组等信息关联到该故障下。同时，知识库具备持续更新与版本管理能力，当规程废止、换版等导致文件资产发生增删替换时，知识库会自动触发版本更新，并留存过期版本以供追溯。
“星铸”负责模型训推一体和大小模型协同。其核心不是简单的“小模型筛查、大模型精读”，而是由云端多模态大模型完成自动化标注和判断，将标注与判断结果送入小模型训练，形成“大模型标注判断—小模型训练—边缘推理—样本回流—再标注再训练”的训推闭环。小模型部署在边缘侧承担快速推理，既节省算力，也不耽误现场判断。同时，人工通过抽样方式对标注和判断质量进行把关，相关机制包括HITL（人在回路）、RSI和Rubrics（评分准则/标注规范），确保自动化标注不跑偏、闭环训练可持续。
“星构"负责智能体开发。它并不替代识别模型、知识库和工单系统，而是作为智能体编排层，把这些分散的能力组件连接起来：识别模型负责发现异常，知识库负责自动关联对应规程、历史案例、气象数据和可调度班组等信息，决策模块据此形成处置建议，工单系统完成派工单生成与流转。“星构”通过流程编排和智能体调度，将识别、查规、决策、派工串成一条端到端流程，让各环节自动衔接、一气呵成。过程中无需人工逐步介入，人只在关键节点进行审核把关，从而实现从“发现故障”到“派发工单”的闭环运行。
五分钟里发生的四件事
巡检SOP分为四步，示例如下：
第一步，看图。巡检机器人回传巡检图像，AI识别出绝缘子破损，置信度97.3%，风险等级：高。
第二步，定位置、问天气。智能体从图像里直接抽取杆塔位置，调用天气API查未来24小时：晴天，日间7℃，夜间零下5度，西北风，近期无极端天气。结合气象条件，系统给出推理：绝缘子破损可能引发短路、闪络、线路跳闸，建议尽快处理。
第三步，查规程。知识库自动检索出《DL/T 393-2021 输变电设备状态检修试验规程》的对应章节，定位到例行检查要求（条款10.3.2）、复合外绝缘憎水性检测（条款10.3.3）等具体条款，还顺带给出关联提示：高海拔或强降雨区域的1000kV线路，要同步加强崩塌区域杆塔基础稳定性评估和特高频局放检测。
第四步，派工。智能体生成一封紧急工单邮件：设备信息、故障描述、风险等级、建议处理方案（包括预先用正接线法测量故障点绝缘电阻）、作业时间窗口（建议次日18:00前完成）、参考规程、预计耗时30分钟，一次给齐。
从两小时算到五分钟，效率提升96%
使用传统方式处理这一套流程要2小时：故障依赖人工巡检上报，专家判断耗时30到60分钟，查规程耗时15到30分钟，查气象耗时5到10分钟。
经过对应的优化：故障发现从人工上报转为无人机自动识别，专家判断从半小时缩至秒级，查规程和查气象的耗时基本降为零。现在全流程缩短至5分钟，整体效率提升了96%。
传统AI方案每上一个视觉项目都要重新开发一遍，模型多为单一的视觉模型，规则库静态固化，算力要求较高。
星环科技这套平台把图像、文本、表格的多模态模型统一管理，支持知识动态更新，并将小模型下沉到边缘侧运行，更换场景时，只需要相应语料即可复用。
具体而言，先让AI“看见”，依靠摄像头和无人机采集图像；再让它看懂，依靠多模态识别；然后把它该懂的知识管好，靠知识工程；最后让它替人拍板、派活，靠智能体。感知、认知、决策、执行，物理AI的四步，在电网巡线这个场景里全部走通了。
物理AI不等于造机器人。机器人只是物理执行的一种可选载体，不是物理AI的终点，更不是企业上马的出发点。企业真正要的是安全、效率、降本、合规和经验传承。巡线案例的价值，在于用多模态识别、知识库和智能体编排打通“发现—查规—决策—派工”的信息链，让AI先接住认知与流程任务；能否进一步走向物理AI，关键看是否形成物理动作闭环，这离不开数据、知识、模型、智能体应用与业务价值飞轮上的持续投入和规模实践。
评论 (0)