一句话点破AI产业的核心矛盾：AI能力越强，能源瓶颈就越突出。

近日，投中网获悉，物理AI公司深度智控（DeepCtrls）宣布完成战略轮与B轮融资，累计融资金额达数亿元。本轮融资将主要用于核心产品研发、商业化拓展及海外市场布局。

此次投资阵容堪称“全明星”级别。战略轮由全球光伏龙头晶科能源领投，B轮则由国投创新、招银国际联合领投，红杉中国、源码资本、招商局创投、光远资本等老股东持续加码。

深度智控成立于2018年，定位为物理AI能源基础设施服务商。其核心路径是利用物理AI技术，为智算中心和先进工业场景中的机电能源系统构建一个“自主智能中枢”，实现从自动识别、自主决策、自主优化到自动闭环控制的全链路闭环。

这一方向精准切中了AI产业当前最紧迫的痛点。随着大模型和算力呈指数级扩张，能耗同步暴涨。从芯片制造到智算中心，能源与温控已成为制约AI持续增长的关键基础设施瓶颈。

更值得关注的是公司的商业化成果。目前，诸如台积电先进制程工厂、字节智算中心、国家超算中心等对稳定性和控制精度要求极高的AI算力核心场景，均已采用深度智控的系统。

“AI越强，能源约束越突出”

当前，AI产业实际陷入了一个自反式悖论：算力越强，能耗越大，最终能源与散热反过来制约算力扩张。

这一矛盾有多严峻？向下游延伸更为明显。上游，3nm、2nm制程产线工艺极其复杂，洁净室需恒温恒湿，工艺冷却系统能耗极高，控制精度直接决定良率。下游的智算中心，高功率GPU集群带来高密度热负荷，冷却、电力、算力调度高度耦合，负载变化快，响应要求高。任何环节的滞后都可能导致能源浪费、GPU降频，甚至引发运行安全风险。

那么问题来了：能否用AI反向优化支撑AI运行的能源系统，实现“AI for AI”的自优化闭环？

这正是AI从数字世界向物理世界延伸的必然趋势。如果说以DeepSeek为代表的生成式AI大幅提升了AI在数字世界的理解与推理能力，那么深度智控深耕的物理AI则推动AI从数字世界迈向真实物理系统。二者关键差异在于：生成式AI侧重“如何理解和推理”，而物理AI进一步落地“如何优化控制真实物理系统”。

深度智控COO张雨馨表示：“在工业和基础设施场景中，真正有价值的AI不能仅停留在分析、预测或建议层面，必须进入控制闭环，实现对物理系统的感知、自主决策、动态优化和可靠闭环控制。”这段话点明了公司名称DeepCtrls的起源——从数字世界的Deep Learning，走向物理世界的Deep Controls。

深度智控是全球最早提出并锚定“物理AI”路线的团队之一。创始人李辉为清华大学博士，曾在美国劳伦斯伯克利国家实验室从事AI与能源交叉研究，探索出AI与物理模型结合的方法，即如今“物理AI”的雏形。2018年，他创立了深度智控。

经过近8年发展，深度智控基于自研的物理AI引擎，构建了融合底层物理定律的机电能源系统物理AI模型，实现实时仿真与优化控制。区别于纯数据驱动的“黑箱AI”，这套模型使控制结果可解释、可预测、可验证，且高可靠执行。从根源上解决了工业场景对AI应用的核心要求：高确定性、可解释性与安全可靠性。

简而言之，深度智控并非给传统系统“加一层AI外衣”，而是用物理AI重新定义能源控制的底层架构，让物理AI真正成为系统智能控制中枢。

累计完成6轮融资，已实现规模化盈利

比技术路线更具说服力的是扎实的商业化进展。

截至目前，深度智控产品已应用于台积电、长鑫存储、中际旭创、工业富联、腾讯、字节、宁德时代等数百家头部集团客户。在半导体产业链中，覆盖了晶圆制造、存储、光模块等AI产业关键环节；在智算中心领域，已形成从设备控制模块、系统优化到园区调度的全栈产品能力，客户涵盖头部互联网大厂、数据中心运营商及三大运营商等，并已进入东南亚、中东等海外市场。

这些场景的共同特点是：系统复杂度高、控制精度要求苛刻、可靠性要求极高，且能源系统与核心生产工艺深度关联。在保障系统稳定性和控制精度、辅助提升生产良率的基础上，深度智控产品可实现机电能源系统效率提升10%至30%。

业绩方面，公司营收连年保持100%以上年化增长，并已实现规模化盈利。目前，绝大多数物理AI或工业AI企业仍处于概念验证、项目试点阶段，而深度智控已初步证明：物理AI不仅是一条技术路线，更能形成可复制、可规模化的商业闭环。

这一成绩也赢得了资本市场的持续认可。成立至今，公司已完成六轮融资，股东矩阵涵盖红杉中国、源码资本等头部财务机构，汇川产投、晶科能源等产业资本，以及深创投、招商局创投、国投创新等国资背景机构。

AI for AI：从能效优化走向算电协同

如果说AI能效优化是“AI for AI”的1.0阶段，那么算电协同则是这一路径的更高阶形态——不再孤立地优化冷却系统，而是让算力需求与能源供给实现全局动态匹配，真正构建AI产业的能源闭环。

这一趋势已进入国家政策视野。今年上半年，国家连发两份重磅文件：4月27日，国家能源局将算电协同列为“十五五”重点任务；5月15日，四部门联合发文，明确绿电直连和算电协同是AI发展的能源底座。政策信号非常明确：算力与电力必须协同演进。

在这一方向上，深度智控已建立起自己的护城河。张雨馨分析，公司核心壁垒主要有三层：

第一层，物理AI技术底座。完全自研的PhyAI物理AI引擎，能够高精度构建算力-电力-冷却耦合模型，在满足安全、可靠性和服务等级约束的前提下，动态实现系统全局最优运行控制。

第二层，数据与控制闭环。依托30万台工业设备的实时运行数据与毫秒级控制能力，实现算力负荷、能源价格、冷却能力、储能状态的高精度预测与快速响应控制。

第三层，全栈产品体系。从DeepChip设备端控制模块、DeepSYS系统级优化到DeepOS园区级调度，形成完整产品矩阵，可落地从设备、系统到园区的全层级算电协同调度与闭环优化控制。

张雨馨进一步解释：“在算电协同的愿景下，AI算力系统将实现真正的智能自治。”算力可以结合预测电价、绿电出力、冷却能力及储能状态等多元因素，实现灵活调度；冷却系统则能提前预判算力负载变化，快速响应并精准调控。通过源网荷储与算力系统的全链路联动，不仅能保障算力稳定输出，还能实现全生命周期用能成本最优、绿电消纳最大化，让AI算力增长不再受限于能源供给的刚性约束，同时使AI算力成为宝贵的柔性调度资源。

这意味着，算力基础设施与能源系统之间的关系将发生根本性转变：从能源单向支撑算力，转向算力与能源双向协同。

当全球都在比拼大模型参数规模时，一个更深层的逻辑已然浮现：AI的终极竞争，终将回归基础设施的竞争。谁先筑牢能源底座、实现算电协同的全局最优，谁就能掌握AI产业长期发展的主动权。

而深度智控正在做的，就是用物理AI的“Deep Controls”，重新塑造AI算力基础设施的未来。这或许，就是其成为AI算力时代“卖水人”的真正含义。