导语：在科技前沿的浪潮中，物理AI正从实验室走向大规模产业落地。深度智控（DeepCtrls）近日宣布完成数亿元人民币B轮融资，由光伏巨头晶科能源战略投资，国投创新、招银国际联合领投，红杉中国、源码资本等老股东跟投。这家专注于机电能源系统物理AI模型的科技公司，用“物理机理+AI”的技术路线，在工业控制领域实现了从L2到L5的代际跨越，成为全球少数实现规模化盈利的物理AI企业。本轮资金将用于核心算法迭代、标准化产品DeepBot的规模化拓展，以及东南亚、中东、欧美等海外市场的进一步布局。
物理AI：让机器真正理解物理世界
当生成式AI在数字世界大放异彩时，物理AI正在悄然改变工业与能源的底层逻辑。深度智控的自研“PhyAI”物理AI引擎，将物理机理与深度学习深度融合，让AI不再是“黑箱”——它能够理解设备底层的水力、热力、力学特性，做出可解释、可追溯、可迁移的决策。相比于大多数仍停留在“诊断建议”阶段的工业AI，物理AI实现了从“看懂问题”到“动手解决”的质变。
深度智控创始人李辉博士拥有二十余年跨领域积累：从清华大学物理模型研究，到美国劳伦斯伯克利国家实验室从事AI与能源交叉研究，他最终将“物理+AI”技术路径落地为产品。在半导体、新能源、智算中心等高复杂度场景中，设备运行数据超过30万台，模型泛化误差低于3%，逼近系统理论最优极限。这种能力让物理AI成为解决工业节能与温控痛点的“终极武器”。例如，在数据中心中，物理AI可以实时调节制冷系统，在保证芯片温度的同时将能耗降低15%-30%，这是传统PID控制或纯数据驱动AI难以实现的。
值得注意的是，物理AI与生成式AI并非对立，而是互补。深度智控COO张雨馨指出：“DeepSeek代表数字世界的‘深度求索’，让AI拥有思考能力；DeepCtrls代表物理世界的‘深度控制’，让AI拥有动手能力。二者共同构成AI从认知到执行的完整闭环。”这种战略定位吸引了不少AI创业公司开始布局物理模拟与控制赛道，但真正跑通商业闭环的，目前仍属少数。
从L2到L5：能源控制系统的代际跨越
工业控制系统长期依赖专家规则（L2级），即工程师根据经验编写IF-THEN逻辑，系统无法自主适应环境变化。少数先进企业实现了模型预测控制（L3级），但模型构建成本高、迁移性差。深度智控的物理AI直接跨越到L4/L5级——AI不仅自主寻优，还能在真实环境中做出决策并闭环执行，无需人工干预。
这种代际跨越的核心在于“物理机理深度嵌入”。传统AI模型在遇到新场景时往往需要重新积累海量数据，而物理AI借助物理定律的约束，天然具备强泛化能力。以空调系统控制为例，纯数据模型在换一台不同型号的机器后，预测准确率可能下降50%；而物理AI因为内置了热力学方程，只需少量现场参数就能快速适配。这使得深度智控的标准化产品DeepBot可以“即插即用”，大幅降低了部署门槛。
在智算中心场景中，物理AI的价值尤为突出。随着AI算力爆发，数据中心单机柜功耗从10kW飙升至100kW以上，传统温控方案捉襟见肘。深度智控的物理AI引擎可以在毫秒级响应热负荷变化，同时协调冷机、水泵、冷却塔等设备，实现全局最优。据测算，一座50MW的数据中心采用物理AI后，每年可节约电费超2000万元。这一技术优势也吸引了包括腾讯、字节跳动在内的多家科技公司成为其客户。
资本为何重注物理AI赛道？
本轮融资阵容堪称豪华：既有产业资本晶科能源，又有国投创新、招银国际等知名机构，红杉中国、源码资本等老股东继续跟投。这背后反映出资本对物理AI商业前景的高度认同。
从市场空间看，全球能源基础设施（包含工业节能、数据中心、建筑空调、新能源微电网等）是一个万亿级市场。传统节能方案以设备替换为主，投资回报周期长；而物理AI通过软件定义优化，投入产出比可达1:5以上。更重要的是，随着全球碳中和目标推进，企业不仅需要节能，还需要碳足迹追踪与绿电调度，物理AI恰好能同时满足这些需求。
另一方面，生成式AI的投资热度居高不下，但商业化落地面临算力成本高、应用场景有限等挑战。物理AI直接切入“高能耗、高控制精度”的刚需场景，客户付费意愿强，商业模型更稳健。深度智控自2023年商业化以来，连续多年营收翻倍，去年实现规模化盈利，这在AI创业公司中极为罕见。一位投资人在访谈中表示：“我们看重的是物理AI的技术壁垒——不仅需要AI算法能力，更需要深厚的物理建模与系统工程经验，这种复合门槛让后来者很难短期模仿。”
深度智控的商业闭环：服务360+头部企业
与许多仍停留在概念验证阶段的同行不同，深度智控已建立起实实在在的客户群。其客户名单涵盖台积电、长鑫存储、工业富联、宁德时代、腾讯、字节跳动等360余家头部企业，覆盖半导体、新能源、数据中心、智能制造等领域。这些场景的共同特点是：系统复杂、能耗巨大、对控制精度和稳定性要求极高。
深度智控的商业模式并非简单的项目制，而是“标准化产品+行业解决方案”双轮驱动。其核心产品DeepBot是一个物理AI控制模块，可以嵌入到任何已有的楼宇自控系统或工业控制网络中。客户无需改造硬件，只需接入数据，即可在2-4周内看到能效提升效果。这种轻量级部署方式大大缩短了销售周期，也为后续的运维服务订阅收入打下基础。此外，深度智控还提供系统级优化方案，例如源网荷储一体化调度，实现从单设备到全厂的能源协同。
海量真实数据成为深度智控的“护城河”。基于超过30万台设备的实时运行数据，PhyAI引擎持续迭代，模型泛化误差低于3%。相比之下，国外同行由于缺乏类似的复杂工业场景，往往只能在实验室或少部分站点验证。这种“以数据养模型、以模型拓场景”的正循环，让深度智控在物理AI领域形成了难以复刻的先发优势。
值得一提的是，深度智控还积极与AI创业公司生态合作，例如通过AI工具导航为中小企业提供能源管理API，降低使用门槛。同时，其技术也可应用于AI图片生成中的渲染计算优化——数据中心在为AI图像生成服务提供算力时，物理AI可帮助降低PUE（电能利用效率）。
全球化布局：东南亚、中东、欧美齐头并进
2024年，深度智控正式启动全球化战略。目前其产品已落地东南亚、中东、北美等十余个国家和地区，2025年海外业务直接切入海外本土高端制造与智算中心核心场景。
在海外市场，深度智控的竞争优势明显：首先，技术代差。海外绝大多数能源系统控制仍停留在L2级专家规则阶段，而深度智控的物理AI产品已具备L4/L5级自主闭环控制能力，这种跨越式的技术优势让客户几乎无法拒绝。其次，海外智算中心建设浪潮正盛，但能源与温控成为增长瓶颈。物理AI恰好能解决这个问题，帮助数据中心在有限电力容量下承载更高密度的算力。
具体策略上，深度智控采取“巩固东南亚、主攻中东、布局欧美”的路径。东南亚是半导体与电子制造重镇，客户对成本敏感度高，物理AI带来的节能收益直接转化为利润。中东地区正在大力发展光伏与数据中心产业，对能源优化需求迫切。而欧美市场虽然门槛高，但对新技术接受度强，且碳税政策推动企业主动减排。深度智控计划在2026年前设立欧洲与美洲区域总部，并通过与当地能源服务公司合作快速铺开。
在全球化过程中，物理AI的可迁移性再次成为利器。不同国家的气候条件、电价结构、设备品牌差异巨大，但物理AI内置的物理定律保证了模型能够在参数调整后快速适应。这使得深度智控无需为每个新市场从零开发算法，边际成本极低。
未来战略：重塑全球能源基础设施
深度智控的愿景是成为“物理AI全球能源基础设施重塑者”。围绕这一定位，公司制定了清晰的“纵向深耕、横向拓展、全球加速”战略。
纵向层面，持续迭代PhyAI物理AI引擎，从目前的L4级向L5级全自主智能迈进。目标是在所有覆盖场景中，实现AI完全自主决策、自适应优化，无需人工干预。横向层面，能力从设备级控制延伸到系统级优化，再到算电协同与源网荷储一体化的全域能源调度。这意味着未来深度智控不仅管理单个工厂的空调冷机，还能协调光伏发电、储能电池、电网负荷，在园区级别实现能源最优配置。
全球化层面，深度智控将重点布局中东、北美等高价值市场，并将物理AI技术适配到更多类型的能源基础设施中，例如区域供冷供热、大型水处理厂等。随着AI算力需求的爆发式增长，智算中心将成为其最重要的增长引擎。据估计，2025年全球数据中心用电量将超过1000 TWh，物理AI的节能潜力可达20%-30%，相当于数百亿美元的价值空间。
在技术生态上，深度智控也在探索与生成式AI的融合。例如，利用大模型解析建筑图纸与设备手册，自动生成物理AI模型；或者通过AI诗词生成式界面，让运维人员用自然语言与系统交互。此外，其技术也可应用于抠图类图形处理工具的云端加速——通过在边缘端部署物理AI控制芯片，降低图像渲染任务的功耗。这些跨界尝试表明，物理AI不仅是能源领域的工具，更有望成为未来数字孪生与工业元宇宙的基础支撑。
对于行业而言，深度智控的案例证明：当AI真正“理解”物理世界时，其商业价值将远超简单的数据预测。中国完整且复杂的工业体系为物理AI提供了全球独有的训练场，那些最早抓住这一趋势的AI创业公司和科技公司，将有望在全球能源变革中占据核心位置。正如张雨馨所说：“AI产业的下半场，是让AI从思考走向动手。深度智控要做的，就是给世界一个更聪明、更绿色的能源大脑。”