当人们热衷于用AI写作生成文案、用AI画图设计海报时，另一股AI力量正在悄然改造真实的物理世界。深度智控（DeepCtrls）——一家专注物理AI的技术公司，近期完成数亿元B轮融资，投资方包括晶科能源、国投创新等。他们要做的，是让AI成为全球能源基础设施的“大脑”，实现对机电设备的自治控制。这标志着AI产业正从“会思考”走向“会动手”，从数字的内容生成跨越到实体的系统控制。
一、AI写作之外：物理AI为何成为资本新宠？
过去两年，AI写作、文生图等生成式AI应用大幅降低了内容创作的门槛，也催生了多家独角兽企业。但与此同时，资本的目光开始向更硬核的方向转移。深度智控本轮融资的豪华阵容——晶科能源、国投创新、招银国际，以及红杉中国、源码资本等老股东——揭示了新的趋势：AI融资正在从纯软件层向“软件+物理系统”的融合方向分流。
为什么物理AI获得如此青睐？答案藏在工业领域的核心痛点里。传统工业自动化依赖专家规则系统，在简单场景下足够可靠，但面对半导体工厂、数据中心、大型商业建筑等复杂机电系统时，规则难以穷举所有工况，导致能源浪费高达30%以上。而纯粹的机器学习模型又因“黑箱”问题让工程师不敢信任——模型给出的控制策略可能在某一个异常时刻导致设备损坏。
深度智控的物理AI路线恰好填补了这一空白。它将物理机理（如热力学定律、流体力学方程）深度嵌入神经网络，让AI不仅“知道”怎么做，还“理解”为什么要这么做。这种可解释、可溯源的特点，正是工业场景最稀缺的能力。
有意思的是，深度智控创始人李辉给公司取名时，与后来声名鹊起的DeepSeek形成了“巧合”的对照——一个追求数字世界的“深度求索”，一个追求物理世界的“深度控制”。这背后是同一波AI浪潮的不同分支：AI写作代表的上半场让机器学会了思考，而物理AI代表的下半场让机器获得了动手能力。
二、PhyAI引擎：让AI从“黑箱”变成“白箱”
深度智控的核心壁垒是自研的PhyAI物理AI引擎。与传统工业AI依赖大量历史数据进行“拟合”不同，PhyAI在模型结构中嵌入了物理方程作为先验知识。这意味着AI在训练时就内置了物理世界的“常识”——比如冷机蒸发温度不可能低于冷凝温度、水泵扬程与流量必须遵循泵特性曲线。
这种设计带来了三个关键优势：
第一，可解释性。每一次AI输出的控制指令都能追溯回物理原理。工程师可以清晰地看到：“AI之所以提高冷却塔风机转速，是因为根据湿球温度计算，当前冷却效率有2%的提升空间。”信任因此建立。
第二，泛化能力。传统AI模型在工厂A训练后，迁移到工厂B往往需要重新采集大量数据。而PhyAI因为内置物理规律，只需少量现场参数即可跨设备、跨系统迁移。据报道，深度智控的模型泛化误差低于3%，逼近系统理论最优极限。这在逻辑上很好理解：物理定律是普适的，不同建筑的水冷系统虽然管道布局不同，但热力学方程是相同的。
第三，闭环控制。绝大多数工业AI产品停留在“诊断建议系统”阶段——给操作员发告警、推荐策略，但最终是否执行由人决定。而PhyAI支持L4/L5级自主控制，即AI直接向PLC发送调节指令，整个过程无需人工干预。这就像从“导航推荐路线”升级到了“自动驾驶”，实现真正的AI自治。
据深度智控COO张雨馨介绍，目前其模型基于超过30万台设备的实时运行数据持续迭代，在半导体、数据中心等高要求场景中经受住了长期考验。这种在真实复杂环境中磨炼出来的技术能力，正是AI创业公司最难以被模仿的护城河。
三、商业化破局：从头部客户验证到标准化产品放量
相比许多物理AI企业仍停留在概念验证阶段，深度智控自2023年商业化以来，已连续多年保持营收翻倍增长，并在去年实现规模化盈利。这一成绩在AI创业公司中实属罕见。
其商业路径遵循了典型的“高打低”策略：先啃最难啃的骨头——台积电、长鑫存储、中际旭创、工业富联、腾讯、字节、宁德时代等头部集团企业。这些客户的机电系统复杂度极高（一个半导体工厂可能有上万台设备参与温湿度控制），对控制精度和稳定性要求极苛刻。一旦产品在这些场景中跑通，再降维应用到商业建筑、数据中心等场景时，几乎是“碾压式”的优势。
标准化产品DeepBot的推出是规模化放量的关键。此前物理AI项目往往需要大量定制化开发，成本高、交付周期长。DeepBot将核心控制能力封装为即插即用的模块，现场工程师只需完成参数配置即可上线。这使得深度智控能够快速覆盖超过360家头部客户，并实现从“项目制”向“产品制”的转变。
在收入结构上，深度智控形成了“头部客户复购 + 标准化产品放量 + 智算中心与海外市场爆发”的多轮驱动。尤其值得关注的是智算中心领域：算力需求井喷，数据中心的电费已占运营成本的60%以上，而物理AI恰好擅长通过优化制冷系统节能20%-30%。这一场景正在成为该公司增长最快的业务板块。
四、全球化棋局：中国物理AI逆势出海
2024年，深度智控启动全球化布局，产品快速落地东南亚、中东、北美等十余个国家和地区。在欧美对中国AI政策收紧的背景下，这一动向显得尤为突出。
海外市场的核心竞争力是什么？张雨馨在采访中给出了两点：技术代差与市场需求。
技术代差方面，海外大多数能源系统控制仍停留在L2级专家规则阶段，即工程师手动编写 if-then 规则。而深度智控已经实现L4/L5级AI自主控制。这种代差并非临时的领先，而是源于中国制造业的独特优势——中国拥有全球最复杂、最多样的工业场景，从电子厂的恒温恒湿到光伏车间的微正压控制，每一类场景都迫使物理AI模型不断进化。当一个模型在苏州的芯片制造厂、深圳的数据中心和合肥的光伏工厂都验证稳定后，它进入全球市场时自然具备很强的适应性。
市场需求侧，海外智算中心建设正在爆发。中东、东南亚国家纷纷投入巨资建设AI算力基础设施，而这些地区往往高温高湿、水资源匮乏，对高效温控系统的需求极为迫切。物理AI产品天然匹配这一需求。
值得注意的是，深度智控并非单纯输出软件，而是提供从设备端AI控制模块到系统级优化控制、甚至算电协同的一体化方案。这种“软硬结合”的打法，也在倒逼海外合作伙伴加快采用中国标准。
五、AI融资新范式：从C端爆款到B端基础设施重塑
深度智控的融资案例，折射出AI融资周期的结构性变化。2023年以前，AI融资的热点集中在生成式AI（AI写作、AI绘图）领域，涌向数十亿美元估值的独角兽。而2024年以来，资本开始更务实——关注AI能否解决真实物理世界的刚需，能否形成商业闭环。
物理AI恰好同时满足了这两个条件。能源基础设施是万亿级市场，且长期存在“节能与控制”的刚需。根据国际能源署数据，建筑和工业能源消耗占全球总能耗的40%以上，其中至少20%可以通过优化控制节省。每年数千亿的市场空间，足以支撑多家AI创业公司成长为百亿级企业。
从投资逻辑看，晶科能源的战略投资很有代表性。光伏组件制造商正在面临竞争加剧、毛利率下降的压力，向“能源服务”转型成为必然。将物理AI嵌入光伏电站运维，可以实现更精准的预测调度、提升发电效率。这种产业资本与AI公司的结合，正在成为新的趋势。
同时，国投创新、招银国际等国有资本的介入，也暗示了国家对物理AI的战略认可。在“双碳”目标与“新质生产力”政策的推动下，能够提升能效、降低能耗的AI技术，将会获得更多资源倾斜。
六、AI创业公司的终局：让AI理解并控制物理世界
深度智控的愿景是“重塑全球能源基础设施”，而实现这一愿景需要跨越多个技术台阶。短期来看，该公司将纵向深耕PhyAI引擎，实现全场景覆盖——从设备级到系统级再到源网荷储一体化的全域能源调度。中期目标则是加速全球化布局，在东南亚、中东、北美等多个市场建立本地化服务能力。
长期来看，深度智控的路线图指向AI产业的终极形态：AI不仅能在数字世界中生成文章和图片，还要能在物理世界中安全、可靠地控制真实的设备与系统。这与DeepSeek所代表的数字智能形成了完整的产业闭环——AI写作负责创造内容，物理AI负责执行操作。
当然，挑战依然存在。物理AI的落地需要大量现场工程支持，全球化的本地化团队建设需要时间和资金；不同国家的电网标准、设备接口差异也会带来适配成本。但正如张雨馨所说：“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与验证环境。”这种先发优势一旦巩固，后来者将很难追赶上。
在AI写作让文字创作“降本增效”的同时，物理AI正在让能源基础设施变得更聪明、更绿色。或许不久后，当人们谈论AI时，脑海中浮现的将不只是生成文章、图片的工具，还有那个在数据中心里默默调节空调、在工厂里自主优化生产流程的“AI大脑”。
AI融资的流向总是预示下一个风口，而这一次，风正吹向物理世界。