7月9日，投中网获悉，物理AI公司深度智控（DeepCtrls）（以下简称“深度智控”）已完成战略轮与B轮融资，合计融资金额数亿元，本轮资金将用于核心产品研发、商业化拓展及国际化布局。
两轮融资的股东阵容堪称“全明星”：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：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打造自主智能中枢，实现系统的自动识别、自主决策、自主优化到自动闭环控制的全链路闭环。
这恰好切中AI产业最紧迫的痛点：大模型与算力指数级扩张，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持续增长的的关键基础设施瓶颈。
另值得关注的是公司的商业化表现。目前，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与控制精度近乎苛刻的AI算力核心场景，均采用了深度智控的系统。
“AI越强，能源约束越突出”
当前，AI产业正陷入一个自反式悖论：算力越强，能耗越大，最终能源与散热反过来限制算力扩张。
这一矛盾在产业链核心环节尤为突出。在上游，3nm、2nm制程产线工艺复杂，洁净室恒温恒湿、工艺冷却系统能耗极高，控制精度直接影响良率。在下游智算中心，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。任何一个环节出现滞后，都可能导致能源浪费、GPU降频，甚至带来运行安全风险。
能否用AI反过来优化支撑AI运行的能源系统，实现“AI for AI”的自优化闭环？这正是AI从数字世界走向物理世界的必然延伸。
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；那么深度智控所深耕的物理AI，则正推动AI从数字世界走向真实物理系统。二者之间的关键差异在于：生成式AI主要回答“如何理解和推理”，物理AI则进一步落地“如何优化控制真实物理系统”。
“在工业和基础设施场景中，真正有价值的AI不能只停留在分析、预测或建议层面，还必须进入控制闭环，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。”深度智控COO张雨馨表示，这也是深度智控（DeepCtrls）这个公司名字的起源——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，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年他创立深度智控。
经过近8年发展，深度智控基于自研物理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”，这套物理AI模型让控制结果可解释、可预测、可验证以及高可靠执行，从根源上解决了工业场景对AI应用的最核心要求：高确定性、可解释性与安全可靠性。
换言之，深度智控所做的，不是给传统系统“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，是实打实的商业化进展。
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，公司产品覆盖了晶圆制造、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，同时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、项目试点的探索阶段，而深度智控已经初步证明：物理AI不仅是一条技术路线，也可以形成可复制、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，真正形成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，点名绿电直连和算电协同是AI发展的能源底座。政策信号明确：算力与电力必须协同演进。
而在这一方向上，深度智控已建立起属于自己的护城河。张雨馨分析称，公司核心壁垒主要有三层：
一是物理AI技术底座。完全自研的PhyAI物理AI引擎可高精度构建算力-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；
二是数据与控制闭环。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；
三是全栈产品体系。从DeepChip设备端控制模块、到DeepSYS系统级优化、再到DeepOS园区级调度的完整产品矩阵，可落地从设备、系统再到园区的、全层级算电协同调度与闭环优化控制。
“在算电协同的愿景下，AI算力系统将实现真正的智能自治。”张雨馨分析称，算力可结合预测电价、绿电出力、冷却能力以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算力的增长不再受限于能源供给的刚性约束，同时使AI算力成为非常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变化：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的参数规模时，一个更深层的逻辑已经缓缓浮现：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。
在这过程中，深度智控坚持的，就是做好AI算力时代“卖水人”的角色。