打入宁德时代、台积电的供应链：这家公司凭什么价值数十亿

出品｜虎嗅科技组

作者｜陈伊凡、刘煊琦

编辑｜苗正卿

头图｜AI生成

“AI原生100″是虎嗅科技组推出针对AI原生创新栏目，这是本系列的第「66」篇文章。

全球智算中心，进入了一场前所未有的建设狂潮。

根据高盛报告，亚马逊、微软、谷歌等大型云服务商2025年AI资本支出为‌3000亿至3800亿美元‌，2026年可能超过‌5000亿美元‌。

但上千亿的美元投资，却困在了能耗里。

“智算中心本质上是一座把能源转化为算力和智能的工厂。”深度智控创始人兼CEO李辉说，未来不能只考虑算力如何调度，也要同时看电力供给、价格和效率。

这是一个极难的能源管理项目。训练任务能排期，却会在开跑时瞬间拉高功率；推理负荷跟着请求走，几秒内就可能剧烈跳动；热量又高度集中，逼着机房改用液冷，把冷却液的压力、温度和流量都盯住。更棘手的是，供电与冷却的响应速度本就不同，而算力与电力又分属两套管理体系、考核目标不一致，算电协同还得先跨过组织这道墙。

深度智控，正是在解决这样的问题，这也是李辉自企业成立以来，第一次接受媒体的独家交流。

2020年，成立仅两年的深度智控，经某国际工控巨头进入了一家头部新能源企业的工厂。

按李辉的说法，当时国际巨头为这家客户在全球考察了 40多家模型与 AI 算法公司，最终选中了他们。当时，深度智控还没有自己的销售团队。它先为大公司提供底层算法和模型，直到 2023 年才开始组建商业化团队、直接拓展终端客户。

这段经历提供了观察这家公司的一个好角度：在学会独立销售之前，它已开始进入工业巨头的供应体系，为其中的能源与设备控制环节提供产品和解决方案。新能源工厂之后，半导体客户也给了它机会。

据李辉介绍，公司于2025年进入某头部半导体晶圆厂的验证体系，正式接入前经历了约一年的安全性、稳定性和可靠性测试，第一期效果得到验证后，双方又计划在更多项目上展开长期合作。对一家年轻的技术供应商来说，这类客户关系的分量，在于对方愿意让它实际参与生产环境中的控制。

如今，产业巨头也出现在它的股东名单上。2026年9月披露的融资消息显示，深度智控完成数亿元B+轮融资，由宁德时代领投，阿美投资等机构跟投，源码资本、光远资本等老股东追加投资。

宁德时代同时被披露为公司的长期集团客户。

此前，7月公布的数亿元B轮融资已有晶科能源战略投资，国投创新、招银国际联合领投，红杉中国等老股东继续出资。客户与股东的身份在这里重叠，使这家公司的融资故事与工厂里的使用效果有了更直接的联系。

这些工厂购买的能力相当具体。电池制造的部分环节需要极低的相对湿度，为此，几百台设备、几十种处理过程必须协同工作。控制系统既要维持生产环境，又要实时处理设备之间复杂的相互影响。工厂原有的控制器和工程师经验已经能让设备稳定运转，留给新供应商的任务更苛刻：在不干扰生产的前提下，继续提高效率。节省下来的能源有价格，失误造成的生产风险同样有价格。

深度智控采用的办法，是把物理机理与AI模型结合。机理为模型提供约束，数据帮助模型适应不同工况，计算结果再转化为下发给设备的控制指令。

李辉从2009年开始研究AI，早期的机理建模可能需要四名博士忙上大半年；纯数据驱动的方法又容易在陌生工况下失准。到2017年，他才找到将两者结合的路径，次年成立公司。技术研发之后，还有漫长的工程工作：2018年至2023年，公司花了近五年打磨真实现场中的自主控制产品。

长验证周期让订单来得慢，也可能让已有客户留得更久。

不过，赢得大客户与建立一门容易扩张的生意，仍有距离。

可以把深度智控的工作理解为：让AI学会管理控制一群相互影响的设备。以电池工厂的除湿为例，车间必须保持足够干燥，除湿、制冷等设备又彼此关联。一台设备调了参数，其他设备的负担也可能跟着变化。深度智控的系统要根据现场情况，计算这些设备怎样配合，在满足生产要求的前提下尽量少用电，并把调整指令直接发给设备，持续跟踪效果。

难点在于，每座工厂的设备组合、连接方式和运行条件都有差别。系统进厂后，需要先配置这些关系，才能自主优化和控制。因此，多拿一个项目，往往也意味着多一份现场配置和交付工作，生意很难像复制一份软件那样扩张。

深度智控正在把这些项目积累的模型装入单台设备的控制器，尝试让除湿机、液冷设备等标准产品接线通电后就能自主运行。

智算中心为这条产品路线提供了新的试验场。

过去两年的建设热潮，已经可以在具名项目上看到。仅以明确服务AI的Stargate项目为例，OpenAI公布了美国五个新站点，加上得克萨斯州阿比林的旗舰园区，美国这一批便有六个；挪威和阿联酋又各有一个项目。

这些机房给设备控制带来的变化，首先是热量变得高度集中。英伟达DGX GB200 NVL72一个机架装有72块GPU，官方标示功耗约120千瓦。如此集中的发热，让单靠空气带走热量愈发困难。这就像，一个功耗约120千瓦的AI机架，相当于60台2000瓦的电热水壶同时工作，热量却集中在一个机柜里。

这套系统采用贴近CPU、GPU的冷板，让液体直接带走热量，其他部件仍由风冷散热。液冷早已用于高性能计算，AI建设潮扩大了它的应用范围，也让更多商业机房需要管理一套直达芯片的液体循环系统。

控制的对象因此更细了。过去常见的风冷机房，要把合适温度的空气送到服务器；采用冷板液冷后，还要保证每组设备得到合适温度、压力和流量的冷却液。负责这项工作的冷却液分配单元，简称CDU，连接芯片侧循环与机房侧散热系统。流量不足可能使芯片过热，供液温度低于露点又有凝露风险，泵和管路还需要冗余与漏液监测。冷却能力开得越大，泵等设备自身的耗电也可能越多，控制系统要在散热安全与能源消耗之间持续调节。

另一个变化是，计算任务与供电、散热的关系更紧了。传统数据中心也有负荷波动，大规模AI集群则让集中变化的用电需求更值得警惕：大量GPU一起进入计算阶段，或在不同任务阶段之间切换，都可能改变功率需求。

供电系统要应对快速的电气变化，冷却系统要跟踪随后变化的热负荷，两者的响应速度并不相同。更上层的调度还可以考虑，在不影响服务和任务期限的前提下，错开部分可延迟的训练任务，或利用储能缓冲负荷。运营者需要同时知道服务器准备做什么、电力还有多少余量、冷却系统能否承受，而仅看机房平均能效已不足以回答这些问题。

这给深度智控带来了两类需求：在设备层，控制液冷系统怎样随热负荷调整；在系统层，协调计算任务、供电、储能和冷却。

2024年前后，某AI巨头带来了液冷控制器需求，深度智控的产品随后进入国际芯片巨头相关项目测试，随着计算负荷变化，供电和冷却也要及时响应，公司希望进一步把计算任务、电力供给与冷却成本纳入统一优化调度与控制。但算力部门与电力部门各有考核目标，算法还得适应组织之间的边界。

深度智控已经有了进入高要求客户现场的经验。

在这次交流中，李辉解释了几个具体问题：半导体和新能源巨头为何给一家初创公司试点机会，又经过怎样的验证才继续采购？大型工厂里积累的模型，如何装进单台设备的控制器，哪些环节仍需人工配置？当业务延伸到智算中心，液冷控制与算电协同各自要解决什么，落地又受到哪些限制？

以下为虎嗅与李辉的对话，虎嗅进行了精选和编辑：

技术：AI 不只要看懂，还要敢于下指令

虎嗅：现在各类公司都在讲物理AI。你们所说的物理AI，和大模型、具身智能有什么区别？

李辉：物理AI可以粗略分成两类。一类解决空间结构和交互问题，比如自动驾驶、机器人，它们要识别并预测在物理空间里行动；另一类解决系统内在的性能和机理问题，设备本身不一定移动，但要预测它在不同工况下怎么表现。我们做的是后一类。

大模型目前更适合人机交互和上层调度，底层控制还做不了。工业控制要求确定性、可靠性和可解释性，纯黑箱模型即使98%的时候是对的，剩下1%—2%的错误也可能让产线出问题。我们的做法是让大模型负责交互和调度，底层设备控制仍使用受物理机理耦合引导与约束的模型。

虎嗅：你反复提到”闭环”。从给出建议到闭环控制，中间差的到底是什么？

李辉：可以类比自动驾驶，从人需要盯着方向盘随时准备干预AI，发展到车没有方向盘没有刹车，完全交给AI判断与闭环执行。如果系统只是诊断问题、给出建议，仍然需要工程师审核，再去操作设备，它就没有真正闭环。闭环意味着AI做完判断后，AI必须足够安全可靠，即物理AI，才可以把控制命令直接下发，不需要人持续干预。

过去的工业控制主要依赖规则和专家经验。工厂里可能有几千台设备、几万个控制变量，每个时刻都要同时考虑控制精度、效率和安全。规则可以让系统正常运行，但很难从几百万种可能路径里实时找到最优方案。AI要做的不只是计算出一条路线，还要持续判断、持续调整，并把结果真正执行下去。

虎嗅：如果也用自动驾驶的分级来衡量，你们现在做到哪一级？

李辉：不同产品不一样。大型多系统联合优化仍然需要一到两周完成拓扑结构和关联关系的配置，配置完成后可以自主决策和控制，我们把它看作接近L4。中小系统需要的人工配置更少，大概接近L4.5。

到了嵌入单一标准设备的即插即用硬件，线接上、电插上，就能自己识别、学习、优化和控制，不需要编程和配置，我们希望它接近L5。场景越标准，越容易做到完全无人干预；系统越大、关系越复杂，现阶段越需要人先完成配置。

验证：先进入最难的现场，再让客户复购

虎嗅：为什么一开始就选择半导体、新能源这类最复杂的工业场景，而不是先做更容易的楼宇控制？

李辉：这是主动选择。复杂工业系统对控制精度、稳定性和可靠性的要求最高，别人做不了，我们能做，才有价值。楼宇等场景相对简单，区域里可能有成千上万家公司都能做一部分，很难体现模型能力。

以电池工厂为例，有些环节要求极低的相对湿度。普通建筑可能一台设备就能处理，工厂为了达到同样的指标，要让几百台设备、几十种处理过程协同工作。只有在这样的系统里，模型的差异才会被放大。

虎嗅：公司最重要的三个转折点是什么？

李辉：第一个是2021年底。国内某互联网大厂当时已有一支百人左右的团队做数据中心优化，希望在原有系统上效率再提升10%以上。我们先在物理AI仿真平台上给出约21%的结果，随后试点验证，现场从数据接入、清洗、建模到优化控制用了17天，测试结果提升约为22%—28%。结果出来后，该互联网大厂在2022年初投资了我们。

第二个是2023年开始商业化。公司在2023年之前主要是站在品牌巨头公司背后，为他们提供底座算法与物理AI模型产品；2023年公司开始商业化，直接面向系统最复杂、要求最严苛的工厂与数据中心场景头部集团客户，通过试点价值验证，集团客户不断增购复购，支撑公司形成可持续的商业模式。

第三个是2025年形成标准化的物理AI产品。我们把复杂系统里打磨沉淀的模型，降维解耦下沉到更小、更标准的场景，形成我们标准化的物理AI控制产品，即插即用实现最优控制，并进一步拓展到工业里各种类型设备与场景。标准产品应用空间很大，支撑公司走向规模化复制发展。

虎嗅：第一次把AI接进真实产线，最难的工程问题是什么？

李辉：一是如何和已有控制系统无缝连接。工厂不会因为用了AI就推倒原来的系统，我们要同时提高控制精度，并保证原有生产不受影响。二是重新定义产品本身：它怎样与现场人员交互，怎样展示判断，发生异常时如何保障安全与处理，行业里都没有现成答案。

我们从2018年一直打磨到2023年，花了接近五年，才逐步形成可以在真实产线里自主决策、优化和控制的产品体系。做产业和做互联网不一样，试点、验证、复制都需要时间；但一旦通过验证，客户会持续复购和增购。

虎嗅：你提到2025年进入某头部半导体晶圆客户的验证体系。头部半导体客户为什么最终会给一家初创公司机会？

李辉：据我们了解，他们此前与一家国际工控巨头合作了两年，对方能做预测和分析，但无法达到闭环控制的要求。后来他们在全球寻找方案，看到我们已有多项落地案例，也认同物理AI在可解释性、确定性和可靠性上的路线。

正式接入之前，对方用了大约一年测试产品的安全性、稳定性和可靠性，并要求通过严格认证。第一期效果验证后，才继续做第二期。这是我们面对头部客户的典型路径：先用别人做不了的能力获得试点，再用价值换取复购。

生意：用定制项目训练，再把能力装进标准设备

虎嗅：很多项目一开始需要现场配置，标准产品是怎么长出来的？

李辉：大型系统有很多子系统，拓扑结构、关联关系和前后影响不同，现阶段AI还不能完全自动识别，所以必须经过人工配置。它更像配置化产品，而不是纯定制项目。

我们先在大型、多系统的复杂场景里理解设备特性、沉淀模型，再把能力下沉到更小、更标准的场景。应用边界越小，越容易标准化。例如CDU、除湿机、MAU或循环水系统，设备类型和控制变量相对固定，就可以把模型做进控制器，实现不需要现场配置的即插即用。路径是从大到小、从多系统到单设备。

虎嗅：客户使用产品后，能效到底能提升多少？

李辉：结果取决于工厂与智算中心原有的运营水平和系统状态，一般常见提升在10%—40%。如果原来的管理很粗放，换设备或靠专家经验也可能做到一部分；真正困难的是客户已经把专家经验做到极致后，AI还能继续提升。

例如头部新能源工厂本身有很专业的运营团队，传统规则已经反复优化。在这种基础上，如果模型还能带来10%以上的提升，才体现物理AI的价值。

虎嗅：这个行业为什么没有出现一家通吃的工业大模型？

李辉：互联网可以由少数基座模型服务大量应用，但工业控制高度依赖行业know-how。半导体、电池、数据中心的物理过程、设备和安全边界完全不同，原始数据又彼此封闭。做解释和交互，也许可以用通用模型；真正做控制时，很难用一个模型覆盖所有行业。

未来更可能是千行百业各自形成垂直模型。竞争者需要同时具备工业控制经验、机理研究、AI能力和长期现场验证，只做传统控制，或者只做通用AI，都很难跨过这道门槛。我们的优势主要是一直在四个领域里做研究、实践与沉淀，并且早些年在复杂场景里多走了几年弯路，目前很多市场上的做法，我们在十多年前就试过行不通。

虎嗅：工业AI是一门验证周期长、交付很重的生意，深度智控近年的增长主要由什么驱动？

李辉：可以概括为”一个基本盘、三个增长引擎”。

基本盘是头部客户的复购和增购。工业项目的验证周期虽然很长，但一旦产品通过验证，客户通常会继续复制和推广。三个增长引擎分别是标准化产品、智算中心和海外市场。标准产品可以实现更大规模的复制；智算中心仍处于快速建设阶段，对能效和液冷控制的需求持续增长；海外市场，特别是海外智算中心，也在带来新的业务机会。

下一站：智算中心的瓶颈

虎嗅：这一轮智算中心建设，对深度智控意味着什么？

李辉：智算中心本质上是一座把能源转化为算力和智能的工厂。它的能耗高，负荷又可以调度：训练任务可以延时、排期或中止，推理负荷则会快速变化。未来不能只考虑算力如何调度，也要同时看电力供给、价格和效率。

另一方面，新能源越来越多，光伏和风电具有随机性；算力负荷也具有动态性。两边如果各自运行，就会互相冲击。算力和电力必须协同：在电力充裕、价格较低时安排更多训练；在电力紧张时，让部分可延迟任务参与调节。对我们来说，这既是新的产品场景，也是未来最核心的命题之一。

虎嗅：传统数据中心也做能源优化，智算中心的新难点在哪里？

李辉：传统数据中心更多承担存储，负荷相对稳定，重点是让系统效率更高。智算中心尤其是推理场景，负荷会快速波动，除了PUE，还要解决动态响应：算力突然增加时，供电和冷却系统必须及时跟上。

技术上并非完全不能做，真正的挑战是算力与电力仍属于两个管理体系。算力部门只对算力KPI负责，电力部门只对供电安全和成本负责，双方很难互相调度。算电协同要落地，必须先在公司内部甚至更大的政策和市场机制层面，把两套目标拉通。

虎嗅：你们做的液冷控制器，和算电协同是什么关系？

李辉：液冷控制器解决的是底层问题：GPU产生热量后，冷却系统要快速响应，把热及时散掉，同时保持较高效率。算电协同在更上层，它考虑训练和推理任务、电力供给、冷却与储能如何统一调度。

这类项目对产品验证的要求非常高。一般工业场景可能需要半年到一年，头部算力客户往往要用两到三年覆盖不同工况，验证适配性、稳定性和可靠性。