深度智控获宁德时代与沙特阿美战投数亿元融资，聚焦物理AI在能源与算力场景落地

融资背后：产业资本押注物理AI落地能力

深度智控（DeepCtrls）最近完成了B+轮数亿元融资。这轮融资由宁德时代领投，沙特阿美旗下的风险投资部门Aramco Ventures、太平创新投资、广发信德、复星创富共同跟投，老股东源码资本和光远资本也继续追加投资。

值得注意的是，这已经是深度智控在过去两个月内完成的第三轮融资。密集的资本动作反映出一个明确信号：产业方不再只关注大模型或算法层面的AI创新，而是开始把资源投向能真正“动手”的AI——也就是能在真实物理环境中感知、决策并执行控制的系统。

宁德时代作为全球动力电池龙头，本身也是深度智控的长期客户。双方此前已在储能系统热管理、电池产线能效优化等场景合作。此次从客户变为战略投资者，意味着宁德时代希望更深度参与物理AI在能源基础设施中的技术演进。

而Aramco Ventures的加入，则带有明显的全球化意图。沙特阿美正在推动能源转型，其投资组合近年明显向低碳技术、数字化和AI倾斜。对深度智控的投资，很可能是看中其在高能耗工业系统中实现节能与稳定运行的能力，未来或在中东地区的数据中心、炼化厂或新能源项目中落地。

什么是物理AI？不是给设备贴个AI标签

深度智控从2018年就开始做一件事：让AI真正理解物理规律，而不是仅靠数据拟合。

当时“物理AI”这个概念还没流行，但团队已经意识到，纯数据驱动的AI在工业、能源这类高安全要求的场景里行不通。比如控制一个数据中心的液冷系统，如果AI只知道“过去温度高时开大水泵”，但不懂热传导方程、流体力学或设备极限，一旦工况突变，就可能引发停机甚至设备损坏。

于是他们开发了PhyAI引擎——核心思路是把物理机理模型（比如热力学方程、电路定律、机械动力学）嵌入AI训练过程。这样，AI的决策不仅基于历史数据，还受物理规律约束。结果是：控制动作可解释、边界可预测、异常可拦截。

举个例子，在某半导体工厂的洁净室温湿度控制项目中，传统PID控制器需要人工反复调参，且难以应对外部天气突变。深度智控的系统上线后，通过融合空气流动模型和实时传感器数据，自动调整送风量和除湿功率，在保证工艺环境稳定的前提下，整体能耗下降了18%。

这种“机理+数据”的混合范式，正是物理AI区别于通用AI的关键。它不追求通用智能，而是针对特定物理系统做深度优化，目标是让机器在真实世界里“既聪明又靠谱”。

从工业到算力：物理AI的新战场

早期，深度智控主要服务制造业、电力、化工等传统工业客户。但随着AI算力需求爆发，他们发现一个新的高价值场景：数据中心和智算中心的能源管理。

AI训练动辄消耗兆瓦级电力，配套的冷却系统又占总能耗的30%以上。如何让算力、电力、冷却三者高效协同，成为行业痛点。深度智控推出的“液冷智控”和“算电协同”产品，正是为解决这个问题。

在某大型智算中心的试点中，他们的系统实时监测GPU负载、芯片温度、冷却液流量和电价波动，动态调整液冷泵速、阀门开度和任务调度策略。结果是在保障算力性能的前提下，PUE（电源使用效率）从1.35降至1.22，年节省电费超千万元。

这种能力之所以重要，是因为未来的AI基础设施不能再靠“粗放堆硬件”来解决问题。算力增长必须与能源效率同步提升，而物理AI恰好提供了连接两者的智能中枢。

目前，深度智控已服务全球数百家企业，覆盖中国、东南亚、欧洲和中东。客户包括头部芯片厂、电池制造商、电网公司和云服务商。他们不做通用平台，而是针对每个客户的物理系统定制控制策略，这也解释了为何能快速实现商业闭环。

物理AI不是新瓶装旧酒

有人可能会问：这不就是工业自动化+AI吗？其实不然。

传统工业控制依赖预设规则和固定模型，适应性差；而纯AI方案又缺乏安全边界。物理AI的突破在于，它用AI学习系统动态特性，同时用物理方程兜底安全。比如在电池储能电站中，系统既要最大化充放电收益，又要确保电池温度不超过安全阈值。PhyAI引擎会在线生成多个可行控制路径，并基于物理模型评估每条路径的风险，最终选择最优且最安全的方案。

这种能力在极端工况下尤其关键。例如在电网频率骤降时，储能系统需在毫秒级响应。传统方法靠硬编码逻辑，而物理AI可以基于当前电池状态、线路阻抗和负荷分布，实时计算最佳放电功率，既支撑电网又保护设备。

深度智控CEO李辉曾提到：“AI的下半场不是谁的模型更大，而是谁能真正控制物理世界。”这句话听起来像口号，但从他们的项目来看，确实在往这个方向走——不追求炫技，而是解决真实系统中的效率、安全与成本问题。

资本为何此时重仓？

这轮融资的时间点值得玩味。2026年，全球AI竞赛已从模型层转向基础设施层。各国都在建智算中心，但电力供应和散热瓶颈日益突出。与此同时，能源系统也在智能化转型，需要更灵活的调节手段来消纳可再生能源。

物理AI恰好卡在这两个趋势的交叉点上。它既能帮算力设施省电，也能帮电网调峰，还能优化工业流程。这种跨领域的协同价值，正是产业资本看重的。

宁德时代投它，不只是为了自家工厂节能，更是想探索“AI+储能”的下一代产品形态——比如具备自主优化能力的智能储能柜。沙特阿美则可能看中其在油气田、炼厂等复杂系统中的控制潜力，未来结合碳捕集或绿氢项目使用。

对深度智控来说，这笔钱不会用来烧模型或打营销战，大概率会投入三件事：一是扩展PhyAI引擎对更多物理系统的支持（如氢能、核能）；二是加强边缘部署能力，让控制单元更轻量化；三是加速海外项目交付，尤其是中东和东南亚市场。

真正的挑战还在后面

尽管融资顺利、客户众多，但物理AI的规模化仍面临现实障碍。

首先是工程复杂度。每个工厂、每个数据中心的物理结构都不同，控制策略几乎无法完全复制，这意味着交付成本高、周期长。深度智控的做法是把共性模块标准化（如热管理核心算法），再针对现场做参数适配，但离“开箱即用”还有距离。

其次是行业信任门槛。能源、电力等领域对新技术极其谨慎，一个控制失误可能导致重大事故。因此，他们往往先从小系统试点，验证数月甚至一年才敢推广。这种节奏与互联网式的快速迭代完全不同。

最后是人才稀缺。既懂AI又懂物理建模的工程师凤毛麟角。深度智控的核心团队来自清华、MIT等高校，在控制理论和机器学习交叉领域有多年积累，但要快速扩张，仍需解决人才瓶颈。

不过，这些恰恰也是护城河。正因为门槛高，竞争对手难以短期模仿。而随着AI基础设施对“可控性”的需求上升，物理AI的价值只会越来越清晰。

结语：AI终要落地

当大模型在比拼谁更能“说人话”时，另一群人正在默默让AI学会“动手干活”。深度智控的故事提醒我们：AI的终极价值不在对话框里，而在工厂车间、数据中心、电网节点这些真实场景中。

算力和能源是AI时代的两大命脉，而物理AI可能是连接它们的神经系统。宁德时代和沙特阿美的联手投资，或许正是看到了这一点——未来的智能，不仅是思考的智能，更是行动的智能。