首發｜融資數億元，清華博士用AI“重塑”AI

7月9日，投中網獲悉，物理AI公司深度智控（DeepCtrls）（以下簡稱“深度智控”）已完成戰略輪與B輪融資，合計融資金額數億元，本輪資金將用于核心產品研發、商業化拓展及國際化布局。

兩輪融資的股東陣容堪稱“全明星”：戰略輪由全球光伏龍頭晶科能源領投，B輪則由國投創新、招銀國際聯合領投，紅杉中國、源碼資本、招商局創投、光遠資本等老股東持續加碼。

深度智控成立于2018年，定位為物理AI能源基礎設施服務商。其核心路徑是：用物理AI技術為智算中心和先進工業場景中的機電能源系統打造自主智能中樞，實現系統的自動識別、自主決策、自主優化到自動閉環控制的全鏈路閉環。

這恰好切中AI產業最緊迫的痛點：大模型與算力指數級擴張，能耗同步暴漲。從芯片制造到智算中心，能源與溫控已成為制約AI持續增長的的關鍵基礎設施瓶頸。

另值得關注的是公司的商業化表現。目前，臺積電先進制程工廠、字節智算中心、國家超算中心等對穩定性與控制精度近乎苛刻的AI算力核心場景，均采用了深度智控的系統。

“AI越強，能源約束越突出”

當前，AI產業正陷入一個自反式悖論：算力越強，能耗越大，最終能源與散熱反過來限制算力擴張。

這一矛盾在產業鏈核心環節尤為突出。在上游，3nm、2nm制程產線工藝復雜，潔凈室恒溫恒濕、工藝冷卻系統能耗極高，控制精度直接影響良率。在下游智算中心，高功率GPU集群帶來高密度熱負荷，冷卻、電力、算力調度高度耦合，負載變化快，響應要求高。任何一個環節出現滯后，都可能導致能源浪費、GPU降頻，甚至帶來運行安全風險。

能否用AI反過來優化支撐AI運行的能源系統，實現“AI for AI”的自優化閉環？這正是AI從數字世界走向物理世界的必然延伸。

如果說以DeepSeek為代表的生成式AI，大幅提升了AI在數字世界的理解與推理能力；那么深度智控所深耕的物理AI，則正推動AI從數字世界走向真實物理系統。二者之間的關鍵差異在于：生成式AI主要回答“如何理解和推理”，物理AI則進一步落地“如何優化控制真實物理系統”。

“在工業和基礎設施場景中，真正有價值的AI不能只停留在分析、預測或建議層面，還必須進入控制閉環，實現對物理系統的感知、自主決策、動態優化和可靠閉環控制?！鄙疃戎强谻OO張雨馨表示，這也是深度智控（DeepCtrls）這個公司名字的起源——從數字世界的Deep Learning、走向物理世界的Deep Controls。

深度智控是全球最早提出并錨定“物理AI”路線的團隊之一。創始人李輝，清華大學博士，曾在美國勞倫斯伯克利國家實驗室從事AI與能源交叉研究，探索出AI與物理模型結合的方法，即如今“物理AI”的雛形，2018年他創立深度智控。

經過近8年發展，深度智控基于自研物理AI引擎，構建了融合底層物理定律的機電能源系統物理AI模型，實現實時仿真與優化控制。區別于純數據驅動的“黑箱AI”，這套物理AI模型讓控制結果可解釋、可預測、可驗證以及高可靠執行，從根源上解決了工業場景對AI應用的最核心要求：高確定性、可解釋性與安全可靠性。

換言之，深度智控所做的，不是給傳統系統“加一層AI外衣”，而是用物理AI重新定義能源控制的底層架構，讓物理AI真正成為系統智能控制中樞。

累計完成6輪融資，已實現規模化盈利

比技術路線更具說服力的，是實打實的商業化進展。

截至目前，深度智控產品已應用于臺積電、長鑫存儲、中際旭創、工業富聯、騰訊、字節、寧德時代等數百家頭部集團客戶。

在半導體產業鏈中，公司產品覆蓋了晶圓制造、存儲、光模塊等AI產業關鍵環節；在智算中心領域，已形成從設備控制模塊、系統優化到園區調度的全棧產品能力，客戶涵蓋頭部互聯網大廠、數據中心運營商及三大運營商等，并已進入東南亞、中東等海外市場。

這些場景的共同特點是：系統復雜度高、控制精度要求苛刻、可靠性要求極高，同時能源系統與核心生產工藝深度關聯。在保障系統穩定性和控制精度、輔助提升生產良率的基礎上，深度智控產品可實現機電能源系統效率提升10%至30%。

業績方面，公司營收連年保持100%以上年化增長，并已實現規?；?。

目前，絕大多數物理AI或工業AI企業仍處于概念驗證、項目試點的探索階段，而深度智控已經初步證明：物理AI不僅是一條技術路線，也可以形成可復制、可規?；纳虡I閉環。

這一成績也贏得了資本市場的持續認可。成立至今，公司已完成六輪融資，股東矩陣涵蓋紅杉中國、源碼資本等頭部財務機構，匯川產投、晶科能源等產業資本，以及深創投、招商局創投、國投創新等國資背景機構。

AI for AI：從能效優化走向算電協同

如果說AI能效優化是“AI for AI”的1.0階段，那么算電協同則是這一路徑的更高階形態——不再孤立地優化冷卻系統，而是讓算力需求與能源供給實現全局動態匹配，真正形成AI產業的能源閉環。

這一趨勢已進入國家政策視野。今年上半年，國家連發兩份重磅文件：4月27日，國家能源局將算電協同列為“十五五”重點任務；5月15日，四部門聯合發文，點名綠電直連和算電協同是AI發展的能源底座。政策信號明確：算力與電力必須協同演進。

而在這一方向上，深度智控已建立起屬于自己的護城河。張雨馨分析稱，公司核心壁壘主要有三層：

一是物理AI技術底座。完全自研的PhyAI物理AI引擎可高精度構建算力-電力-冷卻耦合模型，在滿足安全、可靠性和服務等級約束的前提下，動態實現系統全局最優運行控制；

二是數據與控制閉環。依托30萬臺工業設備的實時運行數據與毫秒級控制能力，實現算力負荷、能源價格、冷卻能力、儲能狀態的高精度預測與快速響應控制；

三是全棧產品體系。從DeepChip設備端控制模塊、到DeepSYS系統級優化、再到DeepOS園區級調度的完整產品矩陣，可落地從設備、系統再到園區的、全層級算電協同調度與閉環優化控制。

“在算電協同的愿景下，AI算力系統將實現真正的智能自治。”張雨馨分析稱，算力可結合預測電價、綠電出力、冷卻能力以及儲能狀態等多元因素，實現靈活調度；冷卻系統則能提前預判算力負載變化，快速響應并精準調控。通過源網荷儲與算力系統的全鏈路聯動，不僅能保障算力穩定輸出，還能實現全生命周期用能成本最優、綠電消納最大化，讓AI算力的增長不再受限于能源供給的剛性約束，同時使AI算力成為非常寶貴的柔性調度資源。”

這意味著，算力基礎設施與能源系統之間的關系將發生根本變化：從能源單向支撐算力，轉向算力與能源雙向協同。

當全球都在比拼大模型的參數規模時，一個更深層的邏輯已經緩緩浮現：AI的終極競爭，終將回歸基礎設施的競爭。誰先筑牢能源底座、實現算電協同的全局最優，誰就能掌握AI產業長期發展的主動權。

而深度智控正在做的，就是用物理AI的"DeepControls"，重新塑造AI算力基礎設施的未來，這或許就是其成為AI算力時代"賣水人"的真正含義。