当AI写作的爆火让大众惊叹于大模型在数字世界的创造力时，一个更底层的技术方向正在悄然改变物理世界的运行方式——物理AI。它不再满足于“写诗作画”，而是试图让AI真正理解并控制机器、能源和工业系统。近日，物理AI企业深度智控（DeepCtrls）完成数亿元人民币B轮融资，由晶科能源战略投资，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。这笔AI融资不仅体现了资本对“AI+能源”赛道的长期信心，更标志着AI从“认知”向“控制”的产业跃迁正加速到来。
物理AI：从“思考”到“动手”的产业跃迁
AI写作、AI绘画等生成式AI的爆发，让人们看到了AI在理解、推理和创造上的巨大潜力。但正如深度智控COO张雨馨所言，生成式AI代表的是“AI的上半场”——让AI拥有思考的能力；而物理AI则开启“下半场”——让AI拥有动手的能力，即自主识别、决策、优化并控制物理世界中的真实系统。
这种“动手”能力并非简单的自动化。传统工业控制系统依赖专家规则，属于L2级辅助控制；而深度智控的PhyAI引擎将物理机理与AI深度耦合，使AI能够“理解”设备底层物理特性，从根源上解决工业AI“黑箱不可信”的痛点。其核心是通过物理定律约束AI的决策边界，让模型具备可解释、可追溯、可迁移的能力，最终实现L4/L5级自主闭环控制。
这一技术路线并非凭空而来。创始人李辉博士在清华大学深耕物理模型，后在美国劳伦斯伯克利国家实验室从事AI与能源交叉研究，二十年的积累才炼出这一“物理+AI”的独特路径。值得注意的是，深度智控的名称早在2018年公司成立时就已确定，与DeepSeek在数字世界的“深度求索”形成呼应——一个专注思考，一个专注控制，共同构成AI从认知到实体的完整闭环。
融资背后：资本为何押注“控制世界”的AI？
本轮融资的阵容堪称豪华：晶科能源作为战略投资者，直接切入新能源场景；国投创新、招银国际等国家队领投，红杉、源码等老股东持续跟投。这反映出资本市场对物理AI商业化前景的高度认可——尤其是在能源基础设施领域，AI融资正从“讲故事”转向“看业绩”。
不同于大多数停留在概念验证阶段的工业AI公司，深度智控自2023年商业化以来已连续多年营收翻倍，去年实现规模化盈利。其客户清单包括台积电、长鑫存储、中际旭创、工业富联、腾讯、字节跳动、宁德时代等超360家头部企业。海量高复杂度场景的打磨，使PhyAI引擎基于超过30万台设备的实时运行数据持续迭代，模型泛化误差低于3%，逼近系统理论最优极限。
资本之所以押注，核心在于物理AI解决了工业领域“不敢用”的信任问题。传统AI模型在工业场景中常因缺乏可解释性而被拒绝，而物理机理的嵌入让AI的每一步决策都有物理定律作保，这在能源、半导体等高精度、高可靠性领域至关重要。此外，物理AI的强泛化能力使其能跨设备、跨系统、跨场景迁移复制，天然具备规模化商业闭环的基因。
技术壁垒：物理机理与AI的深度耦合
要理解深度智控的技术壁垒，不妨先看一个对比：大多数工业AI产品仍停留在“诊断建议系统”阶段——它们能发现异常，但无法自主干预。而深度智控的PhyAI引擎直接输出控制指令，让AI在真实环境中自主寻优、决策并闭环控制。这种代际差异源于其独特的“物理+AI”架构。
具体来说，PhyAI将机电能源系统的物理模型（如热力学、流体力学方程）与深度学习网络融合。AI通过学习物理规律，不仅知道“该做什么”，还知道“为什么这么做”，从而避免了纯数据驱动模型在边界条件下的不可靠性。例如在数据中心温控场景中，模型能基于服务器负载、室外温度、冷却塔效率等物理参数，实时计算最优的冷水机组运行策略，能耗降低可达15%以上。
这种技术路线也带来了极高的护城河。首先，物理模型的构建需要跨学科知识（能源、控制、AI），人才稀缺；其次，模型需要大量高精度真实场景数据持续迭代，而深度智控已积累30万台设备的海量运行数据，形成数据飞轮；最后，物理AI的迁移能力使其在海外市场同样具备竞争力，2024年已落地东南亚、中东、北美等十余个国家和地区。
值得注意的是，技术壁垒并非一成不变。随着大模型训练成本的下降，越来越多的企业开始尝试用Transformer架构建模物理系统。但深度智控的优势在于，它将物理机理直接嵌入模型结构，而非仅仅作为后处理约束，这种“先验知识”的注入使得模型在样本量不足时依然可靠。此外，公司也在探索将AI Agent技术与物理AI结合，让AI Agent自主调度多个能源系统，实现更高层级的智能化。
商业化落地：从实验室到全球市场的跨越
物理AI的商业化之难，在于它需要同时满足“高可靠性”和“低成本”两个看似矛盾的要求。深度智控的破局之道是“先做头部，再做标准”。
在早期，公司聚焦半导体、新能源、数据中心等高价值、高能耗场景，用服务头部客户打磨技术。这些客户不仅对控制精度要求极高，而且愿意为“节能降碳”买单。例如台积电的晶圆厂对温湿度控制有严格标准，深度智控的物理AI系统在满足工艺要求的同时，实现了显著的能耗优化。这种“灯塔效应”带来了复购和口碑，进而推动标准化产品DeepBot的规模化推广。
从2024年开始，公司启动全球化布局。海外市场对物理AI的需求更为迫切：欧美数据中心能耗占比持续攀升，中东地区对能源效率有刚性需求，而东南亚的制造业正在升级。深度智控的竞争优势在于，其产品已在全球最复杂的工业场景中验证成熟，具备“降维打击”的能力。海外智算中心的高速增长成为新的爆发点，能源与温控正成为瓶颈，而物理AI恰好能提供即插即用的解决方案。
在具体落地中，深度智控采用“AI控制模块+系统级优化+全域调度”的三层架构。从设备端的AI控制模块，到系统级的优化控制，再到源网荷储一体化的全域能源调度，逐步拓展价值。这种分层策略既降低了初期部署门槛，又为后续升级留出空间。目前，公司已与多家海外本土企业合作，企业数字化转型的浪潮正在为物理AI创造巨大的市场空间。
未来展望：AI下半场的能源基础设施重塑
“AI产业的发展，正在将能源问题推向前所未有的重要位置。”张雨馨在采访中表示。随着大模型训练和推理的算力需求爆发，数据中心的能耗将以指数级增长。据预测，到2030年全球数据中心用电量可能占全球总发电量的8%以上。物理AI作为能源基础设施的“智能调度员”，其战略价值不言而喻。
深度智控的愿景是成为“全球能源基础设施重塑者”。未来，公司将持续纵向深耕PhyAI引擎，实现全场景覆盖，所有产品最终达到L5级自主智能；横向拓展能力，从设备级控制到系统级优化，再到算电协同和源网荷储一体化；同时加速全球化布局，重点巩固东南亚，进击中东和北美。
这一趋势也引发了更广泛的思考：当AI写作、AI绘画等生成式AI满足人类“创作”需求后，物理AI将满足人类“控制”世界的需求。两者并非替代关系，而是互补。例如，在智能工厂中，AI写作可以自动生成生产报告，而物理AI则实时优化产线能耗；在设计领域，AI画图可以快速生成建筑方案，而物理AI则确保建筑暖通系统高效运行。甚至，AI工具导航可以帮你找到最适合的AI写作、物理AI等各类工具，形成完整的AI应用生态。
当然，物理AI的普及仍面临挑战：物理模型的构建成本高、跨设备迁移的通用性有待提升、行业标准尚未统一。但深度智控的案例证明，只要技术路线正确、商业化路径清晰，物理AI完全有能力率先跑通规模化闭环。对于科技公司而言，这一赛道既是技术制高点，也是未来十年最重要的增长引擎之一。
行业启示：中国工业场景如何成就物理AI？
深度智控的成功，离不开中国独特的工业土壤。中国拥有全球最完整的工业体系，半导体、新能源、数据中心等行业不仅系统复杂、能耗高，而且对控制精度和稳定性要求极高。这些场景既是过往技术路线难以突破的“硬骨头”，也成为物理AI最早实现规模化商业闭环的“最佳试验场”。
例如，在半导体制造中，洁净室的温湿度、气压、颗粒物控制需要毫秒级响应；在数据中心，PUE（能源效率）每降低0.1，就能节省数百万电费。这些高要求的场景倒逼物理AI技术不断迭代，而海量设备数据又为模型训练提供了得天独厚的条件。相比之下，海外工业场景往往更分散、要求更标准化，反而难以快速积累数据。
这种“先难后易”的路径，使得中国物理AI企业在全球竞争中具备天然优势。深度智控的模型基于超过30万台设备数据训练，泛化误差低于3%，这在海外市场几乎不可能在短期内复制。此外，AI工具箱中越来越多的物理AI工具正在涌现，但真正能实现L4/L5级自主控制的仍属凤毛麟角。
对于其他科技公司而言，深度智控的启示在于：AI创业不能只追逐热点，更要扎根于真实物理世界。AI写作虽然热闹，但物理AI才是解决“双碳”目标、能源安全等硬核问题的关键。未来，随着AI图片生成、文生图等工具在创意领域持续进化，物理AI将作为“基础设施大脑”默默支撑整个数字世界的运行。这不仅是一场技术革命，更是一场产业哲学的重塑——AI的终极价值，不是替代人类思考，而是让物理世界更高效、更可持续地运转。