《科创板日报》9月8日讯（记者 杨小小）一家互联网大厂曾经花了两年时间，试图解决数据中心的能源系统优化难题。

它拥有自己的AI实验室和设施专家，但仍然没能获得理想结果。此后，该大厂转向外部寻找供应商，接触了海内外将近二十个团队。多数团队在勘察后认为，该大厂的数据中心运维水平已经较高，节能优化空间有限；三家愿意试做的企业中，一家中途退出，另一家半年未能完成交付。

最后只有一家叫深度智控的公司完成了试点。深度智控COO张雨馨在采访中告诉《科创板日报》记者，公司当时在17天内完成了从系统对接、建模调试到闭环控制的全流程，并将能耗进一步降低超过20%。随后这家互联网大厂对深度智控进行了战略投资。

如今，类似的“客户变股东”再次发生。深度智控近日宣布完成数亿元规模的B+轮融资，由宁德时代领投，阿美投资(Aramco Ventures)，太平创新投资、广发信德、复星创富等跟投，源码资本、光远资本等老股东持续追加。

其中，宁德时代在投资前同样也已是深度智控的客户。张雨馨对《科创板日报》记者表示，公司从宁德时代首个空调站房试点起步，后来已经复制至十余个基地。

从腾讯的数据中心到宁德时代的工厂，深度智控瞄准的是同一个问题：在设备已经实现自动控制之后，如何利用AI进一步挖掘整个系统的能效空间。

从自动运行到动态优化

一座大型工厂或数据中心，通常并不缺少控制系统。冷机、水泵、风机、空压机和除湿机等设备各有控制器，站房还会部署群控、楼宇自控或能源管理平台，按照预设规则完成设备启停和参数调节。

但自动运行只是第一步。在保障生产和设备安全的前提下，根据实时工况持续寻找系统能耗相对更低的运行方式，已经成为了工业能效管理进一步升级的方向。

这一需求首先来自制造业持续存在的降本和减碳压力。半导体、新能源和电子制造等行业对温度、湿度及生产环境要求较高，制冷、空压和除湿等公辅系统需要长期运行。相比直接更换设备，在既有设备基础上继续提高系统效率，投入相对可控，也更容易形成可以量化的成本收益。

AI算力扩张，则进一步带来了需求增量。

国际能源署预计，全球数据中心用电量将从2025年的约485太瓦时增至2030年的约950太瓦时，其中AI数据中心用电增速远超传统数据中心。高功率服务器和液冷系统加速部署，不仅推高了冷却和供电系统的运行压力，也让算力、电力与冷却之间的协同变得更加复杂。

对数据中心而言，能源效率已经不只是后台运维问题，也越来越直接地影响算力基础设施的运营成本。

但在复杂的公辅能源系统中，各种设备可能来自不同厂商，投运时间、性能参数和效率曲线也各不相同；天气、生产负荷和设备性能又在持续变化。单台设备运行在高效区间，并不意味着整个系统能耗最低，而基于固定规则和人工经验形成的控制策略，也很难随工况变化不断调整设备组合。

深度智控进入的正是复杂公辅能源系统的优化控制环节。公司提供的解决方案是，在既有控制体系之上，对设备进行系统级建模，预测它们在不同工况和组合下的能耗，再根据实时负荷调整设备启停、运行参数和群控策略。

把实验室模型变成工程产品

深度智控的技术路线，最初来自创始人兼CEO李辉对机电能源系统模型的研究。公开资料显示，他早期在清华从事系统模型研究，此后又前往美国劳伦斯伯克利国家实验室，研究如何将人工智能与物理机理模型结合，于2018年回国创立深度智控。

所谓机理模型，是根据设备运行所遵循的热力学、流体力学等物理规律建立的数学模型。以冷机为例，机理模型相当于先用设备的工作原理，计算不同温度、流量和负荷下可能产生的能耗。相比主要依靠历史数据学习规律的AI模型，它对数据量和历史工况的依赖更小。

不过，直接把实验室里的系统模型搬到工业现场并不容易。

“很多系统模型涉及的参数、输入和输出，在实际工程环境中是不可得的。”张雨馨在采访中告诉《科创板日报》记者，复杂模型首先需要在不明显影响精度的情况下被简化；不同品牌、不同使用年限的设备，其实际性能也可能偏离设计数据。

即使模型能够使用，如果进入每个项目后都要逐台设备测量和重新建模，交付时间和人力成本仍然难以支持规模化。

创始人李辉此前参与美国达拉斯机场相关项目时，就曾带领四名博士花费了半年时间才完成了系统建模。这种方式可以解决单个工程的问题，却很难直接变成能够批量销售的产品。

深度智控的做法，是将AI与物理机理框架结合：机理框架提供设备运行的基本物理规律，AI则结合具体项目的数据进行适配，以减少重复建模所需的工作。

公司把这套设备性能预测模型称为“物理AI模型”。它聚焦工业能源场景，主要用于预测设备在不同工况下的性能表现，为实时控制提供依据。

从站房控制走向算电协同

从行业情况来看，围绕能源系统的AI优化，科技企业与传统设备厂商都在展开探索。DeepMind于2016年披露了利用机器学习降低谷歌数据中心冷却能耗的案例，2018年进一步介绍了在安全约束下直接执行控制的系统。设备厂商也在补充相关能力：2025年，特灵科技完成对BrainBox AI的收购，后者利用深度学习预测建筑能源需求，并自动调节暖通空调系统。

从算法研发企业到设备厂商，这些实践也反映出，AI能源控制需要同时解决预测与执行两类问题：模型不仅要估算不同运行策略下的能耗，还要在设备安全和生产要求的约束下，将优化结果转化为可执行的控制指令。而当方案从单个项目走向更多现场，设备差异、工况变化以及异常情况下的控制切换，都需要在实际运行中验证。

围绕自研的物理AI模型，目前深度智控已布局覆盖大型复杂系统、中小型站房和设备端的三层产品体系，对应产品分别为DeepSYS、DeepBot和DeepChip，应用范围也在由制冷、空压等站房系统向液冷CDU、除湿机等单台设备延伸。

记者在采访中了解到，深度智控的客户包括台积电、宁德时代、中芯国际、比亚迪、腾讯、字节跳动和工业富联等。部分项目已经由单个试点进入客户内部的多基地复制：工业富联项目从2024年的一个站房扩展至2025年的30余个站房，宁德时代项目也由首个空调站房试点复制至十余个基地。

随着设备与系统模型与数据的不断积累，深度智控希望进一步将优化范围延伸至储能与算力能源协同。

宁德时代此次战略领投，对应的正是这一阶段的业务扩张。张雨馨表示，双方计划在AI+能源有更多的产业协同探索，为物理AI在能源领域的实际应用提供更多场景。

记者在采访中还了解到，受全球智算中心建设浪潮驱动，2025年深度智控的数据中心业务规模同比数倍增长。公司目前还进一步瞄准了算电协同，希望将算力负载与电力供应、储能和冷却系统进行联动优化，提升算力基础设施整体的能源利用效率与运行弹性。

不过，从制冷、空压等公辅系统走向储能和算电协同，深度智控需要接入的数据、设备和控制系统都将明显增加，对模型适配、设备兼容与运行安全也会提出更高要求。

为此，深度智控也开始联合产业链不同环节梳理相关技术路径和工程方法。2026世界人工智能大会期间，公司联合中国信息通信研究院、工业富联、秦淮数据集团和上海联通，启动《面向绿色算力的人工智能》白皮书编制，围绕液冷智控、算电协同、AI节能优化及预测性运维等方向展开研究。

可以看到，算力扩张正在让AI与能源形成更紧密的双向关系：AI的发展需要更多电力，也让能源系统的运行效率变得更加重要；而从工厂站房到数据中心，AI也开始参与支撑自身发展的基础设施运行。

随着这种联系加深，衡量AI产业进步的尺度，或许也应包括它能否帮助现实世界更有效地使用能源，以及这些效率提升能否跟上不断增长的算力需求。