江行智能迎来重量级人物加盟——陈龙博士正式出任公司 Foundation Model CTO。这位兼具深厚学术背景与丰富产业经验的科学家，将引领江行在工业物理 AI 领域开启新的技术篇章。陈龙拥有上海交通大学博士学位及西蒙菲莎大学博士后经历，曾在字节跳动担任高级研究员，主导火山引擎大模型从架构设计到落地实施的全流程工作，其学术成果被加拿大国家广播公司 CBC 及 MIT SOLVE 等权威机构报道。

翻开陈龙的履历，一连串耀眼的数据印证着其学术影响力：30 余篇 CCF A 类论文、20 余篇 IEEE/ACM Transactions 期刊论文、超 800 次学术引用、两次国际顶级会议最佳论文奖，以及 10 余项中国发明专利和 2 项美国专利。但这位学者并未止步于理论突破，在字节跳动期间，他深入参与超大规模算力集群管理，积累了将 AI 技术转化为工业生产力的宝贵经验。" 学术界追求理论边界的拓展，而工业现场需要的是稳定、可控、低成本的解决方案。" 陈龙这样解释自己从实验室走向生产线的选择，这种 " 既要学术高度又要产业深度 " 的思维模式，与江行智能的技术理念不谋而合。

陈龙与江行的渊源可追溯至博士后研究阶段。当时他以特聘专家身份参与公司大规模模型训练项目，这段经历让他深刻认识到江行技术路线的独特价值：" 不同于单纯堆砌算力的做法，江行通过真实工业场景、基础设施优化和效率提升形成组合优势，这种务实路线与我对大规模算力集群落地的理解高度契合。" 从外部顾问到核心管理层，这种转变既源于技术理念的共鸣，更基于对工业 AI 发展方向的共同判断。

在陈龙看来，基础大模型正从 " 参数竞赛 " 转向 " 系统协同 " 的新阶段。他指出当前行业面临两大挑战：一是工业现场的动态特性导致三维模型快速失效，二是单一模型难以适配不同设备和动力学环境。针对这些问题，江行已构建起覆盖数据采集、仿真训练、模型推理的全链路能力，其 JX-AutoEdge 平台通过云边协同架构，有效解决了边缘计算节点的资源约束问题。" 我们正在推进带宽自适应流式传输技术，确保边缘设备能实时加载模型进行推理。" 陈龙透露，这种技术布局使江行在高端训练芯片受限的环境下，依然保持算力架构的优化能力。

作为新任 CTO，陈龙将重点推进 " 三层物理 AI 架构 " 的贯通：底层打造多模态环境数据采集平台，中层研发空间视觉语言模型（S-VLM）与长任务视觉语言动作模型（LT-VLA）的融合架构，上层构建多智能体协同引擎的工业封装体系。在技术路线选择上，他强调 " 混合优化 " 策略：" 开源模型提供基础能力，但真正的技术壁垒在于自研工业 WAM（World Action Model），需要将泛化模型与电力、化工等垂直领域的专业知识深度融合。" 这种 " 开源底座 + 行业定制 " 的模式，既保证技术迭代速度，又构建起差异化竞争优势。

面对工业 AI 从技术突破到商业落地的关键跨越，陈龙提出 " 仿真先行 " 的解决方案。针对真实工业场景样本少、试错成本高的问题，江行开发的 JX-AutoWorld 仿真平台可模拟长尾故障和极端工况，通过 " 虚拟推演 - 真实部署 " 的闭环，将现场调试成本降低 80% 以上。" 让 AI 在仿真世界中犯完所有可能的错误，这是保障工业现场安全运行的关键。" 陈龙解释道，这种技术路径已在实际项目中验证有效性，某电力客户的设备故障预测准确率因此提升 35%。

谈及选择江行的深层原因，陈龙强调公司对 " 数据飞轮 " 的独特理解：" 通过可控具身终端直接执行真实环境任务，江行构建起 ' 部署 - 采集 - 训练 - 迭代 ' 的完整闭环，这种能力在工业 AI 领域极为稀缺。" 对于团队建设，他有着明确规划：" 我们需要既能攻克算法难题，又能解决工程问题的复合型人才，最终目标是建立行业技术标准与工程规范。" 当被问及对公司的期待时，这位新任 CTO 的回答掷地有声：" 让物理 AI 真正改变工业现场的运行方式，这既是技术使命，也是商业机遇。"

来源：https://www.cnu.com.cn/data/202605/220624.html

声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。