当生成式AI在数字世界掀起狂潮，另一股力量正在悄然改写物理世界的底层规则。近日，物理AI企业深度智控（DeepCtrls）宣布完成数亿元人民币B轮融资，由晶科能源、国投创新、招银国际等联合投资，红杉中国、源码资本等老股东跟投。这则AI新闻背后，折射出的不仅是一家创业公司的融资里程碑，更是一个产业从“AI理解世界”迈向“AI控制世界”的关键转折。
物理AI：从“思考”到“动手”的产业跃迁
AI产业的发展路径正变得越来越清晰。如果说以DeepSeek为代表的生成式AI完成了“深度求索”，让机器拥有了逻辑推理与内容创造的能力，那么深度智控所代表的物理AI，则是在攻克“深度控制”——让AI真正在真实物理世界中自主决策、自动优化、闭环控制。用深度智控COO张雨馨的话说：“前者让AI拥有‘思考的能力’，是AI的上半场；后者让AI拥有‘动手的能力’，开启AI的下半场。”
这种划分并非刻意命名巧合。深度智控在2018年成立之初就确立了“DeepCtrls”这一路线，聚焦工业能源系统的自主闭环运行。而如今，随着全球数据中心的能源消耗急剧攀升，以及工业领域对节能降碳的迫切需求，物理AI正从概念验证走向规模化落地。这则AI新闻的关键意义在于，它标志着AI从“数字世界的认知工具”向“物理世界的优化引擎”的实质性跨越。
与许多停留在“诊断建议”阶段的工业AI不同，深度智控的物理AI模型已经实现了L4/L5级自主控制——意味着系统可以直接执行操作，而非仅仅给出建议。这种代际跃迁，直接解决了工业场景中“黑箱不可信、不敢用”的痛点。当AI能够理解设备底层的物理特性，其决策过程就具备了可解释性和确定性，这让包括半导体、新能源、数据中心在内的苛刻行业开始真正接纳AI。
技术壁垒：物理机理与AI的深度耦合
物理AI的难点不在于算法本身，而在于如何将物理机理与AI模型无缝融合。深度智控自研的“PhyAI”引擎，核心思路是让AI“学习”物理定律，而不是仅仅从数据中挖掘相关性。传统工业AI往往需要大量标注数据，且泛化能力差——换一个场景、换一套设备，模型就得重新训练。而物理AI模型因为底层有物理规律约束，天然具备跨设备、跨系统、跨场景的迁移能力。
据张雨馨介绍，深度智控的模型基于超过30万台设备的实时运行数据持续迭代，最终炼出的PhyAI引擎，模型泛化误差低于3%，逼近系统理论最优极限。这种精度在工业控制领域极为罕见。例如，在数据中心温控场景中，传统专家规则系统只能根据预设阈值做出反应，而物理AI可以实时预测热负荷变化，提前调整制冷策略，从而在保证芯片温度安全的前提下，将能耗降低15%至30%。
这种技术路线也吸引了产业链上下游的密切关注。晶科能源作为本轮战略投资方，其背后逻辑并不难理解——光伏电站的运营效率高度依赖精确的能源调度，而物理AI恰好能提供从设备级到系统级的全局优化。事实上，深度智控已经服务了台积电、长鑫存储、宁德时代、腾讯、字节跳动等超过360家头部企业，覆盖半导体、新能源、智算中心等核心场景。这些客户不仅贡献了真金白银的营收，更提供了海量高复杂度场景的打磨机会，形成了难以复刻的竞争壁垒。
值得注意的是，在AI产业中，技术路线往往决定商业模式的边界。深度智控选择了一条比纯数据驱动更重、更难的路，但一旦走通，护城河也更深。正如张雨馨所言：“物理定律打底，让AI的决策过程具备可解释性与可靠性，这是工业场景敢用、愿用的前提。”
商业化闭环：营收翻倍背后的“三驾马车”
如果说技术是物理AI的“骨架”，那么商业化就是它的“血肉”。深度智控自2023年正式商业化以来，已连续多年保持营收翻倍增长，并在去年实现规模化盈利。这在物理AI赛道中极为稀缺——多数同行仍处于概念验证或试点阶段，而深度智控已经率先跑通了商业闭环。
支撑这种高速增长的，是“三驾马车”驱动结构。第一驾马车是头部客户的复购与增购。半导体、新能源等行业的龙头企业一旦验证了物理AI的价值，往往会快速扩大部署范围。例如，台积电在多个工厂引入深度智控的系统后，能效提升效果显著，继而带动了更多产线接入。第二驾马车是标准化产品“DeepBot”的放量。这款即插即用的设备端AI控制模块，降低了客户的使用门槛，让中小规模企业也能快速落地。第三驾马车则是智算中心与海外市场的爆发——随着全球AI算力需求暴涨，数据中心的能源与温控成为新的增长瓶颈，物理AI恰好切中这一痛点。
这种商业化节奏，也映射出AI创业公司从“技术驱动”向“市场驱动”的典型进化路径。最初，深度智控依靠创始人李辉博士在清华大学和劳伦斯伯克利国家实验室的学术积累，获得了红杉中国、源码资本等一线机构的早期投资。随后，通过在中国这种拥有全球最完整、最复杂工业体系的国家进行反复打磨，产品成熟度不断提升，最终形成了“国内复杂场景验证→产品标准化→海外复制”的扩张逻辑。
对于任何一家AI创业公司来说，商业化能力都是决定其能否穿越周期的核心指标。深度智控的例子表明，物理AI并非遥不可及的未来技术，而是可以在当下产生真实经济效益的成熟工具。当AI不再只是“锦上添花”的辅助，而是“雪中送炭”的必需品，市场的爆发只是时间问题。
全球化布局：从中国场景到世界舞台
2024年，深度智控正式启动全球化布局，产品快速落地东南亚、中东、北美等十余个国家和地区。2025年，海外业务已直接切入海外本土高端制造与智算中心核心场景。这种扩张速度，与其在国内积累的技术代差优势密切相关。
“海外绝大多数能源系统控制仍停留在L2级专家规则阶段，我们的物理AI产品具备自主寻优和闭环控制能力，因此进入全球市场时天然具备技术优势。”张雨馨点明了竞争格局。在欧美市场，许多数据中心和工业设施依然依赖上世纪80年代建立的PID控制逻辑，或是简单的规则引擎。而深度智控的物理AI系统能够实时感知环境变化，动态优化参数，节能效果往往比传统方案高出10%到20%。
更重要的是，海外智算中心市场正在高速爆发。随着AI大模型训练和推理需求的指数级增长，数据中心的电力消耗和散热压力达到了前所未有的水平。例如，中东地区已投入巨资建设超大规模智算中心，但当地高温干燥的气候使得温控成本极高。物理AI可以精确调配制冷资源，将PUE（电能利用效率）从1.4降至1.1以下，每年节省的电费数以亿计。
深度智控的全球化战略也十分清晰：巩固东南亚市场，重点布局中东、北美等高价值市场。在东南亚，依托中国制造业出海浪潮，许多半导体工厂和新能源项目需要配套的能源管理系统；在中东和北美，则直接切入智算中心这类高附加值场景。这种“先易后难、高维打低维”的节奏，也符合大多数AI创业公司出海的规律。
值得注意的是，中国本土的复杂工业场景为物理AI提供了全球独有的训练与验证环境。正如张雨馨所言：“中国完整且复杂的工业体系，让物理AI能够接触到最苛刻的需求，从而打磨出海外企业难以复刻的产品能力。”这种“内循环”打磨出的竞争力，正在成为深度智控在全球市场攻城略地的核心武器。
未来图景：重塑全球能源基础设施的“大脑”
深度智控的战略愿景，是成为“物理AI全球能源基础设施重塑者”。这并非一句空洞的口号。在技术层面，其PhyAI引擎正在向全场景覆盖迈进，目标是所有产品最终实现L5级自主智能——即完全不需要人工干预，系统能够自主应对各种异常工况。在能力边界上，深度智控正在从设备端的AI控制模块，扩展到系统级优化控制，再到算电协同与源网荷储一体化的全域能源调度。
这种拓展路径，与全球能源基础设施的转型趋势高度吻合。一方面，光伏、风电等可再生能源的波动性，要求电网具备更强的调度能力；另一方面，AI算力中心成为新的“能源黑洞”，如何将算力与电力协同优化，成为行业难题。深度智控的物理AI恰恰提供了一种底层解决方案：让AI不仅理解能源系统的物理规律，还能实时、安全地控制它们。
从更宏观的视角看，这则AI新闻揭示了AI产业正在经历的从“数字认知”到“物理控制”的能力跃迁。正如DeepSeek代表了大模型时代的“深度求索”，深度智控代表的则是在真实世界中“深度控制”的终局形态。当AI能够安全、可靠地优化控制电力系统、数据中心、工业产线，它所释放的价值将远超任何数字世界的内容生成。
对于科技公司和投资者而言，物理AI正在成为下一个必争之地。无论是传统能源巨头如晶科能源的战略投资，还是红杉中国、源码资本等头部机构的持续押注，都表明市场已经开始为“物理世界AI化”买单。而对于普通用户而言，虽然物理AI并不像AI画图那样直接可见，但它正在通过降低每一度电的消耗、提升每一台设备的效率，悄然改变着我们的生活。
未来，随着深度智控等AI创业公司不断突破技术边界，全球能源基础设施的“大脑”将越来越聪明。而这场始于数字世界的AI革命，最终将在物理世界中开花结果。
（注：文中内链占位符为模拟展示，实际发布时需替换为真实链接。）