2018 成立
南京 · 清华+伯克利团队
深度智控的融资节奏、标杆客户、专精特新资质都是实的，但"生意成色"（收入是卖软件还是卖工程、能效算法能不能跨场景复制、单客户经济）几乎全是问号；深度在于把"跑得快的表象"和"未验证的根基"分开。
事实深度智控成立于 2018 年、创始团队来自清华与美国伯克利国家实验室、B 轮数亿元由晶科能源战略领投、服务台积电/宁德时代/工业富联/腾讯等标杆客户、系国家级专精特新"小巨人"，均有多信源交叉印证。缺口但它的收入到底靠 SaaS 订阅还是节能工程分成、毛利率、单客户续费与复购、"物理 AI"引擎跨场景（暖通↔数据中心↔工业）的真实复制率、以及节能效果的第三方审计口径均未公开或未独立核实。因此本文"事实"集中在产品定位、融资、客户、赛道，对"赚不赚钱、护城河深不深"更多是基于赛道结构的判断 + 追问。信息越薄，第 12 章追问清单越重要。
判断深度智控是一家赛道踩得准、标杆客户实、融资强，但"AI 引擎能不能跨场景规模复制"这个核心成色还没被验证的能效智控公司。它赌的是一个正在被 AI 算力爆发放大的真红利——数据中心和工业的电费/散热正成为最硬的成本，谁能实时把机电能源系统调到最优，谁就直接从电费里省出钱。它最漂亮的地方是把台积电、宁德时代、腾讯这些最挑剔的客户跑成了标杆。但它的生死不在"有没有客户"（有），而在它这套"物理 AI"到底是一个能一次开发、到处复用的软件引擎，还是每进一个新厂/新数据中心都要重新调半年的定制工程。前者是能规模复制、越做越轻的平台生意；后者是靠人堆、越大越重的项目公司。这个问题答不好，标杆客户再亮，也只是"精品项目"而非"可复制的产品"。
| 决定性变量 | 为什么是胜负手 | 兑现的观察信号 |
|---|---|---|
| "物理 AI"引擎的跨场景复制率 | 能效优化是老生意，AI 只有在"一套引擎能自适应不同场景、边际交付成本递减"时才形成壁垒。若每个新客户都要长周期定制建模，它就退化成高级工程外包，护城河很浅。 | 同一引擎复用到新客户的部署周期是否缩短；标准化产品收入占比；从暖通到数据中心的迁移是不是同一套技术。 |
| 收入结构：卖软件还是卖工程 | SaaS/订阅（软件卖点）和 EMC 合同能源管理/节能工程（项目卖点）的商业弹性完全不同——前者高毛利可复制、后者重资产靠垫资。收入结构决定它是"科技公司"还是"节能工程公司"。 | 软件/订阅 vs 工程/分成的收入占比；毛利率；单客户续费率与年度复购。 |
| AIDC 能效窗口能否转成规模化复购 | AI 数据中心（AIDC）电耗与 PUE 监管是它最大的顺风，但也是所有人的顺风。红利真实，独占性存疑——它必须证明标杆客户能转成规模化、可复制的复购，而不是几个明星案例。 | 数据中心客户数量与复购；PUE 改善的第三方审计数据；标杆客户是否从试点扩到全量部署。 |
先看它站在能效产业链的哪一层，这决定了它理论上最轻、现实中最需要证明复制性。
判断深度智控站在第 ③ 层——"能效智能决策层"：它不造第 ① 层的冷机水泵，而是坐在硬件和自控之上，用"物理 AI"实时算出"此刻怎么调最省电"，赚"优化算法"的钱。推导这层理论上最轻（不用卖设备）、最高价值（直接省电费）；但它现实中的风险是它必须往下深度打通设备与自控数据、往上贴合每个场景的工艺，一旦这层贴合无法标准化，"决策层"就从软件退化成定制工程。
判断所有"决策/优化层"公司都活在同一个焦虑里：算法很性感，但价值兑现要深度嵌入千差万别的物理现场——每个工厂的管路、每个数据中心的气流都不一样。深度智控的护城河只能是"物理 AI 引擎足够通用、迁移足够快"——这是纯做项目的节能工程公司做不出的复用能力。缺口但这个引擎到底多通用、迁移多快，缺乏可验证的部署周期与标准化收入数据。深度智控的全部价值，押在"这套引擎能不能一次开发、到处复用"这一个赌注上——它够不够通用、够不够快，就是它的命。
| 本质 4 问 | 答案（含证据） |
|---|---|
| ① 本质在做什么 | 判断把"实时最优的能源调控决策"，用物理 AI 算出来并落到机电系统上，让客户少烧电。卖的是省下来的电费和碳，不是硬件、也不是通用大模型。 |
| ② 行业红利在哪 | 事实AI 算力爆发让数据中心电耗与散热成为最硬成本，叠加"双碳"与 PUE 监管——能效优化的付费意愿和刚性正在系统性抬升。判断红利真实，但红利是所有能效玩家共享的，不是深度智控独占的。 |
| ③ 哪层赚钱 / 谁掌握话语权 | 判断话语权正从"卖设备"向"卖优化效果"迁移——谁能把节能效果做实、做可验证，谁就有议价权。推导决策层要赚钱，取决于"引擎复用带来的边际成本递减"是否跑通；否则议价权会被"每个项目都要定制"的交付重量稀释。 |
| ④ 深度智控的位置 | 事实它是能效智能决策层里较早提出"物理 AI"、且拿下台积电/宁德/腾讯等标杆、融资跑到前列的一家（company alpha）。判断优势是"标杆背书 + 学院派物理 AI 基因 + 资本加持"；隐忧是"决策层要长期对抗现场碎片化"，且收入结构与复制率都未证实。 |
判断它的叙事是"物理 AI 重塑全球算力与能源"。推导但真正要问的不是"它客户牛不牛"（牛），而是"它的收入有多大比例来自可复制的软件/订阅，多大比例来自一次性的节能工程/垫资项目？"——如果绝大多数收入靠项目制交付，那它对"AI 平台"的估值叙事就站不住，规模越大越重，毛利天花板低。这一问答不清楚，"物理 AI 平台"更像是"一家会用 AI 的高端节能工程公司"，而不是有复制壁垒的科技生意。
在信息普遍稀薄的情况下，团队的"物理 + AI 交叉背景"是深度智控敢讲"物理 AI"、也拿下顶级客户的关键解释。
| 维度 | 情况 |
|---|---|
| 核心能力 | 事实创始团队来自清华大学与美国伯克利国家实验室，创始人兼 CEO 为李辉博士。推导这套"物理建模 + AI 算法"的交叉背景，正是"物理 AI"叙事的可信度来源——把能源系统当成有物理规律的对象来建模优化，而不是纯数据拟合，这在能效场景里是稀缺能力，也解释了它为什么能进台积电/宁德这类对确定性要求极高的客户。 |
| 组织与资质 | 事实公司系国家级专精特新"小巨人"、科技型中小企业，2018 年成立至今完成 A、A+、B 多轮融资。缺口但核心工程/交付团队规模、关键技术高管稳定性、以及"研究能力"与"规模化交付能力"是否匹配（学院派公司常见的落地断层）均未公开。 |
判断"学院派物理 AI 基因"是深度智控最实的资产，也是它区别于传统节能工程商的地方：它是一家"用物理规律 + AI 做能效优化"的公司，这在一个长期靠经验和人工调试的行业里是稀缺能力。缺口但也有待观察点：① 学院派的研究能力能否转化为大规模、标准化的交付能力（这是很多技术型公司规模化时的断点）；② 标杆客户的确定性要求极高，交付一旦出问题对品牌是重创。研究强不等于交付强，这是它下一阶段最需要证明的（见第 12 章）。
事实能效行业常见的变现方式有三类：软件/订阅授权、节能效果分成（EMC 合同能源管理）、系统集成工程。缺口深度智控具体以哪类为主、各占多少，未公开。判断这恰恰是判断它"是科技公司还是工程公司"的分水岭——同样是"帮客户省电"，卖软件（高毛利、可复制）和做 EMC 工程（垫资、重资产、回款慢）是两种完全不同的生意。推导真正决定它成色的，是软件/订阅收入占比能不能持续提升、单客户能不能从"单点试点"扩到"全量复购"。
缺口决定生意成色的核心数据——软件/订阅 vs 工程/分成的收入占比、毛利率、单客户续费与复购率、"物理 AI"引擎跨场景复制的真实部署周期、节能效果的第三方审计口径——全部未公开。"客户很牛"和"生意很好、能复制"是两回事，这正是追问清单第 1、2 组的核心。
深度智控的命运系于三个真正有分歧的命题。每题给 Bull / Bear / Reality，再下裁决。
深度智控把自己定位成"用物理 AI 重塑算力与能源"的平台。用这个叙事成立的四个前提逐条拷问它。
| "物理 AI 平台"成立的前提 | 深度智控的现状 | 是否满足 |
|---|---|---|
| 有真差异化的技术内核（非纯数据拟合） | 事实清华+伯克利团队、物理建模+AI 交叉背景，物理 AI 叙事有可信基础 | ✅ 大体满足 |
| 引擎能跨场景标准化复制（越做越轻） | 缺口部署周期、标准化/订阅收入占比、复用率均未验证 | ⚠ 存疑（关键） |
| 收入以可复制软件/订阅为主而非项目工程 | 缺口软件 vs 工程/分成的收入结构未披露 | ⚠ 未证实 |
| 在 AIDC 窗口有别人复制不了的差异化 | 事实已切入且有标杆，缺口但相对云厂/设备厂的效果领先未公开 | ⚠ 存疑 |
判断"物理 AI 平台"这个叙事只在"技术内核有差异"一条上大体成立，其余三条恰恰是它待证的软肋：引擎跨场景复制性、软件收入占比、AIDC 差异化都还没有公开数据支撑。判断所以更公允的定位是——深度智控是"能效智控赛道里较早提出物理 AI、拿下顶级标杆、融资跑到前列，但收入结构与规模复制性都待证"的技术型公司。它真正要证明的不是"能不能做能效"（能，且做进了最难的客户），而是"这套物理 AI 能不能从精品项目，长成一次开发、到处复用、越做越轻的软件平台。"这个定位现实得多。
看清它周围站着谁，就明白它的空间在哪、突破口在哪。
| 玩家 | 类型 | 打法 / 现状 | 对深度智控的意义 |
|---|---|---|---|
| 深度智控 DeepCtrl | 物理 AI 能效决策层 | 物理 AI 引擎优化机电能源系统；标杆客户+B 轮数亿元 | 本体 |
| 云厂商自建能效团队 | 数据中心自有场景方 | 自研 PUE 优化+自有数据中心+海量数据 | 在 AIDC 场景最强的"自研替代"威胁 |
| 传统楼宇自控（BA）厂商 | 自控设备与集成 | 硬件+控制系统绑定，客户存量大 | 存量渠道深，但 AI 优化能力弱，是被颠覆对象也是竞争者 |
| 暖通/机电设备巨头 | 上游硬件 | 自带设备+叠加数字化服务 | 可用硬件绑定捆绑能效服务，挤压决策层 |
| 其他能效 AI / EMC 节能服务商 | 同层竞争 | AI+节能，或合同能源管理模式 | 同层直接对手，比拼引擎通用性与商业模式 |
| 标杆客户（台积电/宁德/腾讯） | 需求方 | 对确定性要求极高，部分自建能力 | 既是背书来源，也可能反向自研 |
判断① 它在 AIDC 场景最强的对手是云厂自己——云厂有场景、有数据、有工程团队，一旦自研能效方案够好，就会绕过第三方决策层，这是决策层最典型的危险结构。② 它唯一真正独特、对手难复制的资产是"物理 AI 引擎的通用性 + 顶级标杆积累的场景知识"——护城河只能建在这里，所以把引擎磨得越通用、把标杆做成可复制模板，是它的生命线。③ 它的顶级客户既是背书也是潜在自研者——大客户一旦决定自建，既拿走收入又变成对手。深度智控的生存空间，就在"物理 AI 够不够通用、够不够比客户自研更省"这条窄路上。
判断五个断点里，断点 1（复制性）和断点 2（收入结构）最致命：前者决定它是软件公司还是工程公司，后者决定它的毛利天花板。它的团队、客户、融资都已经证明过了，接下来要证明的是"引擎能复用"和"收入能变轻"——而这两样，恰恰都是它至今没拿出可验证数据的地方。
| 风险 | 说明 | 观察信号 |
|---|---|---|
| 复制性不足（母题） | 物理 AI 引擎若无法跨场景标准化，交付重、周期长，退化为项目外包。 | 新客户部署周期是否缩短；标准化/订阅收入占比。 |
| 收入结构偏工程 | 若收入以 EMC/工程为主，则重资产、垫资、回款慢，毛利天花板低。 | 软件 vs 工程/分成占比；毛利率；现金流与应收账款。 |
| 大客户反向自研 | 台积电/腾讯等有能力自建能效团队，一旦自研既失收入又成对手。 | 标杆客户是否扩量续约；数据中心场景云厂自研进展。 |
| 标杆≠规模化 | 灯塔项目可能重投入、强定制，不代表可规模复制盈利。 | 客户总数增长；单客户从试点到全量的扩展比例；复购率。 |
| 节能效果验证 | 节能量若无第三方审计口径，效果承诺与实际可能有落差，影响信任与结算。 | PUE/能耗改善是否经第三方审计；效果纠纷记录。 |
| 组织与交付 | 学院派研究能力向大规模标准化交付转化时易出断层，影响口碑。 | 交付/工程团队规模；关键技术高管稳定性；规模化期质量事件。 |
判断六类风险的母题是同一个：深度智控这套"物理 AI 能效引擎"，能不能在现场碎片化、收入结构待证、大客户可自研的三重压力下，被证明是能复制、能变轻、能规模盈利的软件生意，而不是一家会用 AI 的高端节能工程公司。这个问题答清楚之前，顶级客户 logo 更多是能力证明而非护城河。
信息越薄，这份清单越重要——它就是把"叙事"逼回"事实"的工具。★ 是我认为最锋利、最能戳破叙事的问题。
判断① 引擎复用到新客户的部署周期是否随规模下降、软件收入占比多少（复制性与成色）？② 标杆客户能否规模化复购、扩量部署（规模化）？③ 在 AIDC 场景相对云厂自研有没有可验证的差异化（护城河）？——这三问答清楚，就知道它是"能效 AI 平台",还是"客户很牛、但靠项目定制交付、护城河待证的高级节能工程商"。
基于公开信息（企业官网、工商登记、财经媒体报道、投融资披露）的深度梳理，主要维度（节选）：
· 公司与团队：成立于 2018 年、总部南京江北新区、创始团队来自清华大学与美国伯克利国家实验室、创始人兼 CEO 李辉博士、国家级专精特新"小巨人"（企业官网、企查查/爱企查、36氪）
· 产品：PhyAI 物理 AI 能效智控引擎、"L5 能效智控"表述、覆盖工业/数据中心/建筑（企业官网、媒体报道）
· 客户：服务台积电、宁德时代、工业富联、腾讯等标杆客户（企业官网口径、多篇报道）
· 融资：2026-07 完成数亿元 B 轮，晶科能源战略领投、国投创新与招银国际联合领投，红杉中国/源码资本/光远资本/招商局创投等老股东加注；2023 年曾完成 A 轮及 A+ 轮（21财经、中华网、同花顺、36氪等多信源）