文｜《科創板日報》

一家互聯網大廠曾經花了兩年時間，試圖解決數據中心的能源系統優化難題。

它擁有自己的AI實驗室和設施專家，但仍然沒能獲得理想結果。此後，該大廠轉向外部尋找供應商，接觸了海內外將近二十個團隊。多數團隊在勘察後認為，該大廠的數據中心運維水平已經較高，節能優化空間有限；三家願意試做的企業中，一家中途退出，另一家半年未能完成交付。

最後只有一家叫深度智控的公司完成了試點。深度智控COO張雨馨在採訪中告訴《科創板日報》記者，公司當時在17天內完成了從系統對接、建模調試到閉環控制的全流程，並將能耗進一步降低超過20%。隨後這家互聯網大廠對深度智控進行了戰略投資。

如今，類似的「客戶變股東」再次發生。深度智控近日宣佈完成數億元規模的B+輪孖展，由寧德時代領投，阿美投資(Aramco Ventures)，太平創新投資、廣發信德、復星創富等跟投，源碼資本、光遠資本等老股東持續追加。

其中，寧德時代在投資前同樣也已是深度智控的客戶。張雨馨對《科創板日報》記者表示，公司從寧德時代首個空調站房試點起步，後來已經複製至十餘個基地。

從騰訊的數據中心到寧德時代的工廠，深度智控瞄準的是同一個問題：在設備已經實現自動控制之後，如何利用AI進一步挖掘整個系統的能效空間。

從自動運行到動態優化

一座大型工廠或數據中心，通常並不缺少控制系統。冷機、水泵、風機、空壓機和除溼機等設備各有控制器，站房還會部署群控、樓宇自控或能源管理平台，按照預設規則完成設備啓停和參數調節。

但自動運行只是第一步。在保障生產和設備安全的前提下，根據實時工況持續尋找系統能耗相對更低的運行方式，已經成為了工業能效管理進一步升級的方向。

這一需求首先來自製造業持續存在的降本和減碳壓力。半導體、新能源和電子製造等行業對溫度、溼度及生產環境要求較高，製冷、空壓和除溼等公輔系統需要長期運行。相比直接更換設備，在既有設備基礎上繼續提高系統效率，投入相對可控，也更容易形成可以量化的成本收益。

AI算力擴張，則進一步帶來了需求增量。

國際能源署預計，全球數據中心用電量將從2025年的約485太瓦時增至2030年的約950太瓦時，其中AI數據中心用電增速遠超傳統數據中心。高功率服務器和液冷系統加速部署，不僅推高了冷卻和供電系統的運行壓力，也讓算力、電力與冷卻之間的協同變得更加複雜。

對數據中心而言，能源效率已經不只是後台運維問題，也越來越直接地影響算力基礎設施的運營成本。

但在複雜的公輔能源系統中，各種設備可能來自不同廠商，投運時間、性能參數和效率曲線也各不相同；天氣、生產負荷和設備性能又在持續變化。單台設備運行在高效區間，並不意味着整個系統能耗最低，而基於固定規則和人工經驗形成的控制策略，也很難隨工況變化不斷調整設備組合。

深度智控進入的正是複雜公輔能源系統的優化控制環節。公司提供的解決方案是，在既有控制體系之上，對設備進行系統級建模，預測它們在不同工況和組合下的能耗，再根據實時負荷調整設備啓停、運行參數和群控策略。

把實驗室模型變成工程產品

深度智控的技術路線，最初來自創始人兼CEO李輝對機電能源系統模型的研究。公開資料顯示，他早期在清華從事系統模型研究，此後又前往美國勞倫斯伯克利國家實驗室，研究如何將人工智能與物理機理模型結合，於2018年回國創立深度智控。

所謂機理模型，是根據設備運行所遵循的熱力學、流體力學等物理規律建立的數學模型。以冷機為例，機理模型相當於先用設備的工作原理，計算不同溫度、流量和負荷下可能產生的能耗。相比主要依靠歷史數據學習規律的AI模型，它對數據量和歷史工況的依賴更小。

不過，直接把實驗室裏的系統模型搬到工業現場並不容易。

「很多系統模型涉及的參數、輸入和輸出，在實際工程環境中是不可得的。」張雨馨在採訪中告訴《科創板日報》記者，複雜模型首先需要在不明顯影響精度的情況下被簡化；不同品牌、不同使用年限的設備，其實際性能也可能偏離設計數據。

即使模型能夠使用，如果進入每個項目後都要逐台設備測量和重新建模，交付時間和人力成本仍然難以支持規模化。

創始人李輝此前參與美國達拉斯機場相關項目時，就曾帶領四名博士花費了半年時間才完成了系統建模。這種方式可以解決單個工程的問題，卻很難直接變成能夠批量銷售的產品。

深度智控的做法，是將AI與物理機理框架結合：機理框架提供設備運行的基本物理規律，AI則結合具體項目的數據進行適配，以減少重複建模所需的工作。

公司把這套設備性能預測模型稱為「物理AI模型」。它聚焦工業能源場景，主要用於預測設備在不同工況下的性能表現，為實時控制提供依據。

從站房控制走向算電協同

從行業情況來看，圍繞能源系統的AI優化，科技企業與傳統設備廠商都在展開探索。DeepMind於2016年披露了利用機器學習降低谷歌數據中心冷卻能耗的案例，2018年進一步介紹了在安全約束下直接執行控制的系統。設備廠商也在補充相關能力：2025年，特靈科技完成對BrainBox AI的收購，後者利用深度學習預測建築能源需求，並自動調節暖通空調系統。

從算法研發企業到設備廠商，這些實踐也反映出，AI能源控制需要同時解決預測與執行兩類問題：模型不僅要估算不同運行策略下的能耗，還要在設備安全和生產要求的約束下，將優化結果轉化為可執行的控制指令。而當方案從單個項目走向更多現場，設備差異、工況變化以及異常情況下的控制切換，都需要在實際運行中驗證。

圍繞自研的物理AI模型，目前深度智控已佈局覆蓋大型複雜系統、中小型站房和設備端的三層產品體系，對應產品分別為DeepSYS、DeepBot和DeepChip，應用範圍也在由製冷、空壓等站房系統向液冷CDU、除溼機等單台設備延伸。

記者在採訪中了解到，深度智控的客戶包括台積電、寧德時代、中芯國際、比亞迪、騰訊、字節跳動和工業富聯等。部分項目已經由單個試點進入客戶內部的多基地複製：工業富聯項目從2024年的一個站房擴展至2025年的30餘個站房，寧德時代項目也由首個空調站房試點複製至十餘個基地。

隨着設備與系統模型與數據的不斷積累，深度智控希望進一步將優化範圍延伸至儲能與算力能源協同。

寧德時代此次戰略領投，對應的正是這一階段的業務擴張。張雨馨表示，雙方計劃在AI+能源有更多的產業協同探索，為物理AI在能源領域的實際應用提供更多場景。

記者在採訪中還了解到，受全球智算中心建設浪潮驅動，2025年深度智控的數據中心業務規模按年數倍增長。公司目前還進一步瞄準了算電協同，希望將算力負載與電力供應、儲能和冷卻系統進行聯動優化，提升算力基礎設施整體的能源利用效率與運行彈性。

不過，從製冷、空壓等公輔系統走向儲能和算電協同，深度智控需要接入的數據、設備和控制系統都將明顯增加，對模型適配、設備兼容與運行安全也會提出更高要求。

為此，深度智控也開始聯合產業鏈不同環節梳理相關技術路徑和工程方法。2026世界人工智能大會期間，公司聯合中國信息通信研究院、工業富聯、秦淮數據集團和上海聯通，啓動《面向綠色算力的人工智能》白皮書編制，圍繞液冷智控、算電協同、AI節能優化及預測性運維等方向展開研究。

可以看到，算力擴張正在讓AI與能源形成更緊密的雙向關係：AI的發展需要更多電力，也讓能源系統的運行效率變得更加重要；而從工廠站房到數據中心，AI也開始參與支撐自身發展的基礎設施運行。

隨着這種聯繫加深，衡量AI產業進步的尺度，或許也應包括它能否幫助現實世界更有效地使用能源，以及這些效率提升能否跟上不斷增長的算力需求。