7月17日至20日，2026世界人工智能大会暨人工智能全球治理高级别会议（WAIC）在上海举行。展览现场，当虹科技以“AI多模态+空间视频+行业”为主题亮相，首次系统展示覆盖理解、连接、交互、控制四大能力的专业级AI多模态能力体系。

  智能理解：让AI“看懂”复杂内容

  AI走向物理世界的起点，是“看懂”复杂内容。在当虹科技“智能理解”展区，一块大屏幕正实时播放足球比赛画面。只要轻触按键，球员位置、跑动轨迹、攻防区域就被自动标注，进球瞬间随即生成慢动作回放。

  这是当虹科技Sports AI体育赛事智能理解与轻量化包装系统。基于BlackEye多模态空间大模型，系统能够对比赛中的球员、动作、轨迹、事件及场上空间关系进行深度理解，并自动生成球员标签、雷达图、慢动作等AI轻量化包装。

  顶级足球赛事是最复杂的视频场景之一，22名球员高速跑动、激烈对抗，十余路机位实时切换，每一秒都包含海量信息。“看懂一场球赛，需要AI具备处理更复杂视频场景的能力。”现场工作人员介绍。目前，该系统已在2026美加墨世界杯、巴黎奥运会等国际顶级赛事转播中落地验证。

  超级连接：AI多模态感知压缩实时连接

  当AI能够理解世界后，下一步是让海量多模态数据高效流动。如今，感知终端已从传统摄像头扩展到无人机、无人车、机器人等多类智能装备，视频、音频、雷达点云等数据量快速增长，对传输带宽、时延和成本提出更高要求。

  在“超级连接”展区，两块屏幕实时播放着看似“一模一样”的现场监控画面。一段原始视频码率高达3120kbps，另一段经过AI多模态感知压缩后仅398kbps，码率降低约10倍，而肉眼几乎看不出任何画质差异，引来现场不少观众反复比对。

  依托AI多模态感知压缩与回传技术，当虹科技的视频压缩可实现10倍以上压缩效率，最高节省90%以上带宽和存储成本；在卫星互联网等带宽受限场景下，压缩比甚至可达10至100倍。目前，这项能力已覆盖视频、图片、音频、雷达点云、文本、信令等多模态数据，为无人机巡检、远洋通信、机器人遥操等场景提供稳定高效的数据连接能力。

  语义交互：AI Agent重塑人与视频交互方式

  数据能够实时连接之后，人与AI之间也需要更自然的交互方式。在当虹的视频AI Agent体验区，不少观众排队体验。“我想看哪吒、敖丙共渡天劫那一段。”话音刚落，大屏便快速定位到对应画面，经典片段瞬间播放，引来现场阵阵惊叹。

  与传统搜索不同，体验者无需输入关键词，也不用反复拖动进度条，只要用自然语言描述想看的内容，哪怕只记得一句台词、一个人物或一个经典场景，视频AI Agent都能快速理解用户意图，精准定位对应片段，并支持持续追问、边看边聊。

  依托BlackEye多模态空间大模型，当虹视频AI Agent融合了多维内容理解与多轮语义交互能力，将传统“搜索视频”升级为“与视频对话”，让视频从被动播放的内容载体演变为可理解、可检索、可持续交互的智能入口。目前，这一能力已被应用至智能座舱，为车主带来更自然的视频娱乐体验。

  AI多模态融合：打造机器人“自主巡检+远程接管”新体系

  理解、连接和交互是基础，最终还需真正“走进”现实，完成感知与执行的闭环。本届WAIC，当虹科技BlackEye Vision机器人巡逻巡检平台首次亮相。现场，工作人员拿起手机，远程控制一只在280多公里外的宁波具身智能产业基地自主巡检的四足机器人。随着指令发出，机器人立即调整方向、靠近目标区域，现场大屏上的第一视角画面几乎同步变化。

  “这只机器人平时在工厂自主巡检整机产线、零部件和测试中心，只有遇到复杂情况时工作人员才远程接管。”当虹科技首席技术官、机器人业务线负责人吴奕刚介绍，BlackEye Vision机器人巡逻巡检平台融合了视频、音频、雷达点云、图像等多模态感知能力，让机器人具备自主巡检、环境感知和异常识别能力。同时，依托AI多模态压缩与自研帧级编码技术，即使在复杂网络环境下也能实现端到端低至80毫秒的超低时延传输。

  吴奕刚表示，在复杂、高风险的真实场景中，机器自主执行、人类远程兜底，是一种务实的产业形态。远程接管也不只是自主能力不足时的“补丁”，远程接管产生的数据，还可以反过来推动机器人自主能力进化，每次人工判断和处置都可能沉淀为机器人理解复杂场景、优化策略的数据。（肖春芳）