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。"
