在人工智能的浪潮中，生成式AI让机器学会了“思考”，但真正让AI“动手”解决问题，才是产业落地的终局。近期，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。这一消息再次将“物理AI”这一科技趋势推至聚光灯下——当AI开始理解物理世界的底层规律，能源基础设施这类传统行业正迎来根本性变革。
物理AI：从“黑箱”到“可解释”的代际跨越
传统工业AI大多停留在“诊断建议系统”阶段，就像一个只会“纸上谈兵”的顾问——它能分析数据、给出建议，却不敢真正动手操作设备。原因很简单：工业场景对安全性和可靠性要求极高，而绝大多数AI模型是“黑箱”，工程师无法理解模型为何做出某个决策，自然不敢让AI闭环控制昂贵的设备。
深度智控（DeepCtrls）的解法是构建“物理AI”引擎。其自研的PhyAI模型将物理机理与深度学习深度耦合，让AI“理解”设备底层的热力学、流体力学等物理定律。当AI的决策建立在物理定律之上，结果就具备了可解释性、确定性和可追溯性——工程师可以清晰地看到AI每一步判断的依据，从而放心地把控制权交给机器。
这种代际跨越直接体现在控制级别上。行业主流仍处于L2/L3级（人工辅助或部分自动化），而深度智控已实现L4/L5级自主闭环控制。这意味着，在数据中心、半导体工厂等场景中，AI能够根据实时负荷变化，自动调节冷却系统、优化能耗，无需人工干预。这一进步与AI Agent技术的演进逻辑一脉相承——AI正在从信息处理工具，变为能自主决策、执行任务的智能体。
数亿融资背后的产业逻辑：为什么是晶科能源？
本轮融资最引人注目的亮点之一是晶科能源的战略投资。作为全球光伏龙头，晶科能源为什么选择投资一家AI公司？答案藏在能源行业的深层痛点中。
光伏电站、储能系统、数据中心等新型能源基础设施，本质上是一个“机电能源系统”——风机、光伏板、逆变器、冷却塔、电池组等设备相互耦合，运行状态瞬息万变。传统控制方式依靠专家规则，应对复杂工况时效率低下，能耗浪费严重。而物理AI能够实时感知系统状态，在毫秒级时间内做出最优控制决策，实现系统能耗降低10%-30%。
对于晶科能源而言，投资深度智控不仅是财务行为，更是战略卡位。随着全球“双碳”目标推进，新能源资产的管理能力成为核心竞争力。通过物理AI技术，晶科能源可以为其客户提供“发电+储能+智能运维”的一体化解决方案，提升资产收益率。这恰恰印证了科技趋势正从“单点技术”向“系统级解决方案”演进。
值得注意的是，这一轮AI融资的领投方还包括国投创新、招银国际等国有资本，显示出国家对“硬科技”与工业深度融合的支持。在AI创业公司普遍面临商业化困境的当下，深度智控的融资案例释放了一个积极信号：真正解决行业痛点、具备技术壁垒的AI创业公司，依然能获得资本青睐。
L4/L5级AI自治：工业能源系统的“自动驾驶”
如果将物理AI类比为自动驾驶，那么L2级相当于“定速巡航”，L4/L5级则是“全无人驾驶”。在工业能源领域，实现这一跨越的难度甚至高于自动驾驶——因为系统容错率更低，且必须7×24小时稳定运行。
深度智控COO张雨馨在采访中强调：“DeepSeek代表AI的上半场，让AI拥有‘思考的能力’；DeepCtrls则代表AI的下半场，让AI拥有‘动手的能力’。”这种“思考+动手”的闭环，正是物理AI的核心价值。
在实际部署中，深度智控的产品包括即插即用的设备端AI控制模块、系统级优化控制软件，以及面向智算中心的“算电协同”解决方案。其中，针对数据中心温控场景，物理AI模型能够根据IT负载、室外温度、电价波动等多维变量，实时优化冷却塔、冷水机组、空调末端等设备的运行参数，在保证设备安全的前提下，将PUE（电能利用效率）降低0.1-0.3。
这一能力在智算中心爆发式增长的背景下格外珍贵。随着AI大模型训练需求激增，单个智算中心的年耗电量可达数亿度，温控系统能耗占比高达30%-40%。企业数字化转型的深入推进，使得能源效率成为企业竞争力的关键变量。深度智控的物理AI技术，相当于为这些高能耗设施装上了“智能大脑”。
中国工业场景：物理AI的全球最佳试验场
为什么是中国的物理AI企业率先跑通商业闭环？张雨馨给出了一个关键视角：中国拥有全球最完整、最复杂的工业体系。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。这些场景正是物理AI的“天然训练场”。
深度智控已服务超过360家头部企业，包括台积电、长鑫存储、宁德时代、腾讯、字节跳动等。基于超过30万台设备的实时运行数据，其PhyAI模型的泛化误差低于3%，逼近系统理论最优极限。这种在海量复杂场景中打磨出来的技术能力，形成了难以复刻的壁垒。
相比之下，海外大多数工业AI企业仍停留在概念验证阶段，缺乏大规模真实场景的验证数据。而深度智控的物理AI模型具备强泛化性——跨设备、跨系统、跨场景迁移复制时，无需从零积累数据。这意味着一套模型可以在半导体工厂、数据中心、光伏电站等不同场景中快速部署，规模化效应显著。
这种“从中国出发，服务全球”的路径，在AI创业公司中并不多见。它揭示了一个更深层的科技趋势：中国在智能制造、新能源等领域积累的产业优势，正在与AI技术形成“化学反应”，催生具有全球竞争力的创新企业。
商业闭环：从头部客户到全球化布局
物理AI的落地难点在于：既要技术过硬，又要让客户“敢用”。深度智控的破局之道是“先啃硬骨头”——从半导体、数据中心等对控制精度要求最高的行业切入，用头部客户的标杆案例建立信任，再向通用工业领域扩展。
2023年商业化以来，公司连续多年营收翻倍增长，并于去年实现规模化盈利。这在AI创业公司中极为罕见——大多数工业AI企业仍处于亏损烧钱阶段。张雨馨将成功归因于物理AI的“可解释性”：当客户看到AI的每一个决策都有物理定律支撑，且能通过实际能效数据验证效果时，从“不敢用”到“抢着用”的转变就自然发生了。
2024年，深度智控启动全球化布局，产品已落地东南亚、中东、北美等十余个国家和地区。其核心竞争力在于“技术代差”：海外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产品已在复杂的中国场景中验证成熟，具备明显的领先优势。
这种“向下扎根，向上生长”的策略，让深度智控在海外市场迅速打开局面。AI工具导航中收录的各类AI应用，大多是面向C端用户或通用场景，而深度智控选择了一条更难的B端基础设施之路——这条路壁垒更高，但一旦建成，护城河也会更深。
未来展望：AI的下半场是“动手能力”
“AI产业的发展，正在将能源问题推向前所未有的重要位置。”张雨馨的这句话，点出了物理AI的战略意义。从深度学习到深度推理，再到深度控制，AI正在完成从数字认知向物理闭环的能力跃迁。
深度智控的未来战略围绕“物理AI能源基础设施重塑者”的定位展开：纵向持续深耕PhyAI引擎，实现全场景覆盖，所有产品最终达到L5级自主智能；横向拓展能力边界，从设备端AI控制模块，到系统级优化，再到“源网荷储”一体化的全域能源调度；同时加速全球化，重点布局中东、北美等高价值市场。
值得注意的是，物理AI的兴起意味着AI产业的竞争焦点正在从“数据规模”转向“物理理解”。这也给AI创业公司带来了新的启示：与其在通用大模型的红海中内卷，不如深入垂直领域，用物理知识+AI建模解决真问题。
当然，挑战依然存在。物理AI需要大量跨学科人才（既要懂物理建模，又要懂深度学习），同时需要与工业设备供应商深度绑定，生态建设周期较长。但正如AI工具箱中各类专业工具的出现，细分领域的深耕者往往能获得更持久的生命力。
当AI开始“动手”改造真实世界，能源基础设施的智能化升级就不再是科幻电影中的桥段。深度智控的案例证明，物理AI这一科技趋势正在从概念走向规模化应用，而率先拥抱这一趋势的企业，将在未来十年占据先机。
结语
物理AI的崛起，本质上是AI从“数字世界”向“物理世界”的渗透。深度智控的融资与商业化实践，为AI创业公司提供了一条可借鉴的路径：找到技术壁垒高、客户支付意愿强的垂直场景，用“物理+AI”的深度融合建立不可替代性，再通过规模化复制实现商业闭环。
对于关注科技趋势的从业者而言，物理AI的下半场才刚刚开始。当AI学会“动手”，能源、制造、交通等基础设施行业将迎来一场静悄悄的革命。
---
声明： 本文基于公开信息与行业分析撰写，不构成投资建议。