工业无人机市场过去十年已经发展得很成熟。电力巡线、油气管线、矿山、储罐和大型厂区都在使用无人机。巡检数据拍回来之后，异常如何识别、复核和处理，常常比拍摄本身更费力。一次巡检可能产生几千张图片和大量视频，工程师需要判断哪些是裂纹、腐蚀、泄漏或温度异常，再与过去记录比较。Percepto在10月27日推出Axion平台，目标就是把无人机从单一采集工具，变成持续的资产智能系统。
Percepto披露，Axion支持多品牌无人机和第三方传感器，整合160多个专用AI模型，并基于超过10万小时自主巡检数据训练。这个定位很关键，因为工业企业通常已经购买不同品牌设备，如果新平台只能使用自家无人机，迁移成本会很高。Axion选择硬件无关路线，客户可以保留现有设备，把数据接入同一资产模型。
工业巡检的本质，是比较变化。某个储罐表面今天出现一条裂纹，单张图片本身意义有限；工程师要看裂纹与上个月相比是否扩大，附近有没有新的腐蚀，设备运行参数是否异常。传统人工巡检依赖工程师经验，效率低，而且记录分散。AI平台如果能把每次巡检结果叠加起来，就可以形成时间序列。
这种跨时间追踪需要为真实资产保留持续更新的数字状态，并非一定要先建立精美3D模型。Axion的思路就是为每个资产建立“数字身份”，把图像、缺陷、历史记录和维修结果关联。这样，下一次无人机飞过时，系统知道它看到的是哪台设备，也知道历史上发生过什么。
160个AI模型说明工业视觉正在高度细分。识别输电线路绝缘子和识别储罐腐蚀完全不同，通用视觉模型很难直接满足工程精度。因此，工业AI往往需要大量小模型协同。未来平台可能使用大模型负责理解任务和生成报告，小模型负责具体检测。
10万小时巡检数据更有价值。工业AI最大的壁垒就是数据。互联网图片可以公开获取，但真实设备异常很难收集。一个腐蚀裂纹可能几年才出现一次，企业也不愿公开。Percepto长期运营积累的数据，可以形成很强的行业优势。
从商业模式看，工业巡检正在从卖无人机转向卖服务。硬件价格会下降，但企业愿意为持续资产管理付费。平台可以按设备数量、巡检频率或资产规模收费。长期来看，这种软件收入比一次性硬件销售更加稳定。
能源行业尤其适合这类平台。石油、天然气、电力和风电设施分布广，人工巡检成本高，而且存在安全风险。无人机可以定期巡检，AI自动筛选异常，工程师只处理高风险事件。这样能显著减少人工工作量。
AI巡检还需进入维修闭环。发现裂纹以后，需要生成工单、安排人员、复检并关闭问题。如果系统只提供一张带红框的图片，价值仍然有限。成熟的平台应连接EAM、CMMS或ERP系统。
这也是Axion值得关注的地方。它强调资产智能，而不是单纯视觉分析。未来工业物理AI平台的竞争，很可能围绕“谁能管理整个资产生命周期”。
对于中国制造业，类似思路也适用于工厂设备。相机、机器人、声学传感器和振动传感器都可以成为巡检工具。平台将数据统一后，可以实现设备健康评分和预测性维护。
工业无人机行业开始把重点转向巡检数据的使用。第一阶段解决“怎么自动飞”，第二阶段解决“飞完的数据怎么变成决策”。Percepto Axion代表的正是这个变化。无人机负责数据采集，后台资产模型、AI算法和业务闭环决定巡检结果能否发挥价值。