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

上千亿的美元投资智算中心，却困在了能耗里 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？