宁德时代投的Physical AI，先在工厂里兑现

一个存在了几十年的工业命题，能不能借AI长成一门新生意？

2026年8月，宁德时代旗下问鼎投资进入南京深度智控股东名单，持股约9.84%。

注册资本变更显示，问鼎投资几乎对应此次全部净新增股本。对一家已有腾讯、红杉中国、源码资本和晶科能源等股东的公司，这很难算一次象征性入股。

投资标的深度智控，2022年还被称为“AIoT深度节能公司”；到了2026年，公司开始用Physical AI介绍自己。

今天最受关注的Physical AI，通常长着机器人的样子，但它并非人形机器人的专属概念。按照较宽的定义，它包括能够感知、推理并作用于物理世界的自主系统；具身智能则更强调一个具有具体身体的智能体，通过身体与环境持续互动。

按这个口径，深度智控可以被归入Physical AI，但不是典型的具身智能。它借助工厂已有的传感器、控制器和机电设备作用于现实世界，更接近一种工业能源系统中的专用Physical AI。

标签之外，真正值得追问的是，一项存在多年的系统优化能力，是否正在借助AI，从专家项目变成可以复制的产品？

01 一座厂房省下750万度电之后

深度智控披露过一个新能源电池客户案例。

合作最初只在一个厂房试点。确认年节电约750万度后，客户将项目扩展到园区近80套机电能源系统和8万多个监控点位。

一座高度自动化的电池工厂，为什么还能省下这么多电？这是不是也意味着所谓的工业节能，仍是一块没有被做“透”的市场。

每台设备都完成了自己的任务，但当不同品牌、不同效率曲线的制冷机、水泵和冷却塔同时运行，设备组合未必最优。

深度智控根据温度、压力和流量等物理关系建立系统模型，再用实时数据修正。模型推演不同设备组合，生成新的温度、流量或设备频率，交给现场控制器执行；运行结果又进入下一轮计算。

向设备发送指令本身并不新。传统PID、楼控系统和模型预测控制早已能够自动调节设备。这一轮工业AI真正增加的，是把固定规则和专家经验难以完成的全局调优，交给能够结合机理与实时数据持续推演的模型。

关键变化不是机器开始听从程序，而是系统开始根据全局目标持续改变自己的运行方式。

不过，一个项目能够省电，只能证明技术有用。如果进入下一座工厂仍要重新派出一批专家，它仍然是一门工程服务生意。

工业Physical AI真正要跨过的商业门槛，是把一次有效的控制，变成可以反复销售的产品。

02 四个博士做项目，怎样变成一件产品？

深度智控创始人李辉曾在美国劳伦斯伯克利国家实验室工作。

他回忆，自己从2008年开始研究能源系统优化。当时为一座机场能源站建立机理模型，需要四个博士工作大半年。此后团队也走过纯AI路线，直到2018年前后，才找到将AI与物理模型结合的方法。

这不意味着AI不再学习数据，而是不能把过去的人工操作直接当成标准答案。

历史数据记录了工程师过去怎样开机器，其中既包含安全经验，也包含固定习惯和保守余量。物理模型则告诉AI，温度、压力、流量和设备性能之间存在什么关系，哪些运行状态可以达到，哪些边界不能突破。

历史数据告诉AI机器过去怎样运行，物理规律告诉AI机器还可以怎样运行。

从理解物理系统，到生成决策、影响设备并接收反馈，这条闭环，是深度智控使用Physical AI概念的技术依据。

四个博士可以做出一个好项目，却无法复制一千次。

按照公司的产品定位，DeepChip尝试把算法嵌入空调、储能柜或液冷设备；DeepBot连接一组制冷机、水泵或空压机，完成本地计算和控制；DeepOS则向上连接多个能源站，以及电力、冷却、储能和负荷。

这套产品矩阵指向同一个商业任务：把设备识别、协议接入、模型搭建和安全调试，逐步沉淀成可以复用的产品。

03 Physical AI为什么先在公辅系统跑出来？

按照公司口径，深度智控已经服务390多家客户，覆盖电池、半导体、汽车、医药、数据中心，以及医院、轨交和商业综合体。

行业会变，设备背后的物理关系仍然存在。能够复用的是，相似设备的机理模型、协议接口和控制经验。

这让公辅系统同时具备Physical AI较早商业化的四个条件：

设备现成、规律清楚、价值可量、场景可复制。

机器人Physical AI需要同时解决身体、感知、运动和开放环境适应；公辅系统已经具备感知与执行基础，可以直接从决策和系统优化开始。

如果只有深度智控开始使用Physical AI，这可能只是一次标签升级。真正值得注意的是，三条原本分开的产业路径正在汇合。

一股力量来自工业物联网。

工业物联网首先解决机器能不能被看见。设备持续联网之后，数据开始用于故障诊断、能源优化和自动控制。蘑菇物联就是沿着这条路径发展。华润三九披露，其参与的空压站项目节能率超过15%，年综合收益约54.4万元，后续合作又从空压站延伸至制冷站和集团公辅系统。

传统自动化企业从另一侧接近。

江森自控、霍尼韦尔等厂商早已拥有控制器、楼宇管理系统和客户入口，其产品也能读取天气、电价、负荷和设备数据，自动优化能源站运行。

这本身不是新市场，但产业生态正在收敛。

模型公司向下连接设备，IoT企业从联网走向决策，传统自动化厂商向更高层的动态寻优延伸。

Physical AI正试图让一组机器根据整个系统的变化协同行动。

04 AIDC把“省电”变成算力问题

如果说工厂证明这项能力可以降低成本，AIDC则抬高了它的价值上限。

数据中心的一部分电供给GPU、网络和存储，另一部分消耗在配电、制冷等基础设施中。PUE就是数据中心总用电与IT设备用电之比。

Uptime Institute的2025年调查显示，受访数据中心平均PUE约为1.54。假设总功率为100兆瓦，约有65兆瓦供给IT设备，其余消耗在制冷和配电等环节。

在普通工厂，降低能耗主要意味着少交电费；在电力容量固定的AIDC，基础设施少消耗一部分电，还可能为更多GPU腾出空间。

英伟达已经把目标从PUE推进到“每瓦产出多少Token”。其2026年公布的DSX MaxLPS方案，同时协调GPU功率、工作负载与数据中心基础设施。英伟达预计，这套方案结合电力规划，可以在100兆瓦固定功率下增加最多40%的Rubin GPU容量。

工厂节能算的是少花多少钱；AI工厂开始计算每兆瓦能支撑多少GPU、产出多少Token。

AIDC因此成为深度智控既有能力可以延伸的场景。按照其公开方案，它要在建设前模拟全年工况；运行中联合优化制冷机、水泵和冷却塔；进入液冷系统后，根据芯片热负荷调节温度、压力和流量；再通过DeepOS连接算力负荷、供电、储能、冷却与电价。

目前公开案例验证了其冷却优化的能力。公司称，国家超级计算无锡中心的PUE从1.28降至1.21，年节电超过400万度。

更上层的算电协同产业方向已经出现。西门子称其AI冷却优化方案已用于500多个项目；施耐德电气开始连接楼宇、配电系统与英伟达Mission Control；英伟达DSX则把算力、供电、冷却和电网信号纳入同一套架构。

AIDC能效控制正在从后台节能工具，变成决定每兆瓦算力产出的系统工程。

05 近10%的持股，是答案还是门票？

再看宁德时代，这笔投资并不是“缺一套节能系统”那么简单。

宁德时代自身已经拥有厂务管理系统CFMS、能源数据采集和全局寻优能力，也有向多个电池基地复制的经验。但建设服务自身工厂的平台，与向外部客户交付兼容不同品牌设备和控制系统的方案，是两种能力。

宁德时代并未公开解释投资深度智控的具体原因。能够确认的，是双方的业务方向正在靠近。

宁德时代在2026年半年报中提出，要为AI数据中心提供能源和供电全场景方案，并“通过投资合作等方式整合先进的电力电子、算电协同技术与资源”。

这与深度智控从工厂能源优化走向液冷控制和算电协同高度吻合。

双方关系也不是从资本开始。早在2022年，深度智控已将宁德时代列为项目客户。

方向对应、客户关系和近10%的持股共同提供了一条清楚线索：这不是一次没有产业背景的泛AI投资。但在合作协议公开之前，仍不能替宁德时代断言它具体购买了哪项能力。

在宁德时代之前，晶科能源也完成了对深度智控的战略投资。能源企业正在把目光从生产设备，移向设备之上的系统优化与控制。

Physical AI在能源系统里的竞争，才刚刚开始。

储能企业增长新范本：净利暴涨10倍后的技术鹏辉