按 Cmd/Ctrl + P 导出 PDF：纸张方向选「横向」、边距选「无」，并勾选「背景图形 / Background graphics」，否则底色会变成白色。
返回演示
PhysenseAI
物理空间感知 AI —— 让 AI 理解一个空间里正在发生什么
Investor Deck · 2026 · PhysenseAI
每一种数据形态，都会长出属于它的理解层
文本有了 LLM，图像有了 Vision AI。真实物理空间里发生的事，至今没有理解层。
我们要构建的，就是物理空间的理解层。
设备只能上报信号，不能还原事件
传感器事件 ≠ 真实世界事件 —— 中间缺的那一步，就是理解。
- 02:10 · 床压传感器 → 无压力
- 02:11 · 卫生间人体感应 → 有人
- 02:11 · 门磁 → 开
- 04:10 · 卫生间人体感应 → 仍有人
离散、无关联、无记忆，只能触发单条规则告警
≠
Real-world Event
- 01老人夜间离床
- 02进入卫生间
- 03在卫生间停留 2 小时
- 04很可能已经发生意外
连续、有上下文、有时间轨迹，可以判断风险
缺的不是更多传感器，而是把信号还原成事件的那一层。
三条曲线刚好在同一时间交汇
设备成熟、算力可获得、Physical AI 需求出现 —— 这一层现在才有可能被做出来。
感知设备已经足够便宜、足够多
毫米波雷达、红外、门磁、压力、环境传感器大规模量产，单点成本降到可以按房间部署。空间里已经不缺信号源。
端侧算力变成了通用商品
边缘 NPU 让持续推理可以放在本地完成，不必回传原始数据，隐私敏感空间第一次具备可落地条件。
AI 开始走进物理世界
机器人、具身智能、智能建筑都需要一个共享的空间上下文来行动。这一层现在还没有人做成基础设施。
窗口期在于：信号已经过剩，理解仍然缺失。
我们做的是应用与设备之间那一层
不卖传感器，也不只做一个应用。我们做所有空间应用都要用到的理解层。
照护 · 机器人 · 楼宇 · 安防
事件还原 · 空间状态 · 行为基线
网关 · 协议 · 时间同步
雷达 · 红外 · 门磁 · 环境
| IoT Platform | PhysenseAI | |
|---|---|---|
| 数据形态 | 一条条设备读数 | 持续更新的空间状态 |
| 时间维度 | 当前时刻的数值 | 连续事件与历史轨迹 |
| 判断方式 | 阈值规则告警 | 与历史基线比较 |
| 对外输出 | 原始数据 / 报表 | 事件、状态与预判 |
一层做通，所有空间应用都可以复用。
八步推理链：从信号到可执行判断
能力在模型与推理引擎，不绑定任何一款硬件。
- 01
多源接入
任意组合的感知设备
- 02
信号处理
去噪、时间戳对齐
- 03
空间表示
实体 + 空间 + 时间
- 04
事件还原
离散信号 → 连续事件
- 05
空间状态
谁 / 在哪 / 在做什么
- 06
行为轨迹
一段时间的活动变化
- 07
偏离识别
与自身历史基线比较
- 08
预判与建议
风险等级 + 可执行动作
输出不是数据点，而是一个持续更新的空间状态。
今天是推理引擎，目标是学习型空间模型
我们不把规则引擎说成大模型。这一页说明我们现在在哪、往哪走。
空间推理引擎
- 多源信号融合与事件还原
- 以规则 + 统计模型判断偏离
- 结果可解释、可审计，便于交付
- 每个空间需要少量适配
行为基线学习
- 为每个个体与空间自动建立基线
- 从人工设定阈值走向自学习阈值
- 跨房间、跨昼夜的模式识别
- 正在真实设备数据上验证
学习型空间模型
- 在大量真实空间数据上训练
- 对未见过的空间直接泛化
- 预测下一状态而非解释当前状态
- 成为 Physical AI 的共享上下文
路径是确定的：先用引擎换来真实空间，再用真实空间训练模型。
真正的价值在于：和他自己比
不是用统一阈值判断所有人，而是把每个人和自己的历史常态比较。
事件
一次离床、一次进入卫生间、一次开门
事件序列
离床 → 卫生间 → 返回床位，以及各段持续时间
行为基线
这个人平时夜间起身几次、每次多久、走多久
偏离与预判
今晚明显偏离自身常态，给出风险等级与建议动作
说明：系统输出的是空间状态与风险提示，用于提醒与处置流程，不用于医学诊断。
同一件事，对一个人正常，对另一个人就是风险信号。
已经完成的，与正在验证的
这一页只写我们自己验证过的事实，不写未发生的结果。
- 真实设备数据接入验证：多类感知设备接入同一管道，时间戳对齐后可稳定产出事件流
- 事件还原链路打通：离散信号可组合成有先后关系的空间事件序列
- 空间状态可持续输出：在床 / 离床 / 卫生间占用 / 无人等状态连续更新
- 端侧运行验证：推理在本地完成，无需上传原始数据
- 个体行为基线自学习，替代人工设定阈值
- 多房间、多楼层同时运行下的稳定性与误报率
- 夜间长时段真实场景的连续运行观察
- 护理站实时大屏与处置闭环的现场打磨
引擎已经跑通；本轮要拿到的是真实空间里的连续运行数据。
一个核心，两端开放
左边换设备不影响核心，右边换应用也不影响核心。
任意设备接入，协议与时间对齐
实体 · 空间 · 时间 · 状态
事件还原 · 基线 · 偏离 · 预判
事件、状态、风险等级、建议动作
硬件与应用都会变，空间理解层是长期沉淀的部分。
从一个高价值空间开始：养老与照护机构
不是因为只能做养老，而是因为这里最能验证空间理解层的价值。
价值高
夜间跌倒与卫生间滞留一旦发生，后果与责任成本都极高
频次高
每天每夜都在发生，系统价值持续被感知
隐私敏感
卧室与卫生间不能装摄像头，非视觉方案是唯一选择
强依赖上下文
同一个信号是否是风险，完全取决于这个人的常态
在这里跑通的能力，可以直接搬到其他空间。
AI 空间照护系统
客户买到的不是传感器，而是一块说得清“现在这栋楼里发生了什么”的大屏。
- 3F · 12 间
- 2F · 12 间
- 1F · 10 间
- 3F · 12 间
- 302卫生间异常滞留 2h00m
- 304夜间离床未返回 6 分钟
- 307卫生间使用中，正常范围
夜间卫生间停留 > 15 分钟 → 关注；> 30 分钟 → 告警
通知路径：值班人员大屏 → 小程序推送 → 5 分钟未响应升级为短信 · 感知 → 理解 → 提醒 → 处理
卖给谁、谁签字、怎么进
先在一个楼层证明夜间处置闭环，再扩楼、扩院区。
目标客户
- 中大型养老与照护机构
- 医养结合与康复机构
- 高端社区与居家照护服务商
决策人
- 院长 / 运营负责人：责任与口碑
- 护理主管：夜班人力与响应效率
- 信息化负责人：能否接入现有系统
进入路径
- 单楼层试点，按房间计价
- 跑通夜间处置闭环与误报率
- 扩到整栋、再扩到集团多院区
目标客户画像清晰；这一轮要拿下的是第一批可署名的试点。
Project → Product → Platform
先用项目换真实空间，再把能力做成产品，最后把产品做成平台。
项目交付
- 按机构部署，按房间数计价
- 一次性部署费 + 年度服务费
- 换来真实空间与真实数据
标准产品
- 标准化硬件套件 + 软件订阅
- 交付周期缩短，毛利上升
- 可被渠道与集成商复制
能力平台
- 空间理解能力以 API 输出
- 机器人、楼宇、安防按调用付费
- 收入与部署人力解耦
每一个阶段都在为下一个阶段积累数据与复用能力。
一个核心，多个空间
换的是场景与阈值，不换核心能力：都是事件还原、状态、基线与偏离。
- 事件还原
- 空间状态
- 行为基线
- 偏离与预判
照护空间
夜间离床与卫生间滞留 · 跌倒风险提醒与查房调度 · 长期活动能力变化
楼宇与能耗
按真实占用调节空调照明 · 空间使用率与工位分析 · 无人区域自动收敛能耗
安防与工业
非授权区域滞留与徘徊 · 作业区人员安全状态 · 异常路径与异常时段
场景越多，同一个核心越强 —— 这才是平台的定义。
两个轮子，汇合在同一个地方
商业轮换来空间，智能轮把空间变成能力 —— 两个轮子都指向 More Real Spaces。
商业引擎
- 01部署一个空间
- 02跑通处置闭环
- 03客户续费与扩点
- 04拿到更多空间
智能引擎
- 01真实空间数据
- 02基线与模型迭代
- 03误报下降 / 预判变准
- 04交付更容易
数据使用说明：所有客户数据在明确授权与最小化原则下用于模型改进，原始信号默认不出场地。
先有空间，才有模型；有了模型，更容易拿到空间。
机器人需要的，是它自己看不到的那部分
我们不做机器人，我们给机器人提供它缺失的环境上下文。
机器人自己的视野
- 只看得见眼前一小片区域
- 看不到墙后与隔壁房间
- 没有这个空间的历史
环境级空间上下文
- 整层楼的实时状态
- 谁在哪里、刚刚发生过什么
- 哪些区域现在不该进入
空间上下文会成为具身智能的公共基础设施。
市场分三级，护城河分三层
不做自下而上的 TAM 推导；只写方向明确、可被公开数据支撑的锚点。
- IoT Analytics物联网连接数持续增长，设备侧不再是瓶颈
- IFR服务机器人装机上升，环境上下文需求出现
- IEA建筑能耗占比高，按真实占用调控是方向
跨设备的事件还原工程能力
把不同厂商、不同采样率的信号对齐成可用事件流。
真实空间的连续行为数据
长时段真实数据无法采购，只能靠部署换来。
被应用与机器人依赖的上下文接口
成为多方共同调用的上下文层后，替换成本极高。
壁垒不是某一个算法，而是真实空间数量本身。
团队、路线图与本轮计划
本轮的目标很具体：把引擎变成在真实空间里连续运行的系统。
负责产品定义、空间理解方案与商业化落地
13611909946 · contact@physense.world
具备空间感知、异构传感器融合与时序智能背景的技术负责人，负责从多源物理信号到事件重建、空间状态与行为推理的核心技术体系，并推动其从原型走向真实场景与可学习模型
- NOW
引擎跑通，真实设备数据接入验证完成
- 0–6 月
首批机构楼层试点，夜间处置闭环上线
- 6–12 月
行为基线自学习上线，误报率与响应时间成为可交付指标
- 12–18 月
标准产品化，跨场景第二条线（楼宇或安防）验证
- 40%研发与模型
推理引擎、基线学习、端侧部署
- 35%落地与交付
试点部署、现场打磨、交付工程
- 25%团队与运营
核心技术与交付人员补齐
本轮要交付的，是在真实空间里连续运行、可被验收的第一批系统。
让 AI 理解物理空间正在发生什么
我们不是在增加更多传感器，而是在建立让 AI 理解物理空间的能力。