物理AI如何落地？广州隐形冠军用36亿度电验证商业闭环
近年来，人工智能赛道陷入一种奇特的悖论：一边是技术狂飙突进，大模型参数动辄千亿；另一边却是商业化举步维艰，多数企业困在‘项目制’泥潭，难以实现规模化盈利。然而，在广州，一家名为蘑菇物联的企业却悄然走出了一条截然不同的路径——它不追逐通用对话能力，而是将AI深深嵌入工厂的能源站房，接管超过26万台设备的运行控制，累计为客户节省36亿度电，相当于减少二氧化碳排放约288万吨。
这种‘动手干活’而非‘写PPT’的AI，被业内称为‘物理AI’（Physical AI）。其核心特征并非是否具备机械臂或轮子，而在于能否完成‘感知—决策—执行’的完整物理闭环。蘑菇物联的实践表明，真正的物理AI必须直面工业现场的复杂性、安全性和实时性要求，而这恰恰构成了极高的技术与数据壁垒。
十年打一口井：从设备连接到垂类大模型的三阶跃迁
蘑菇物联的创业历程，堪称中国工业智能化演进的缩影。创始人沈国辉出身数学与管理科学背景，曾在大型制造企业深耕十年，亲历了从传统产线到智能家居的转型过程。他敏锐地意识到：相比消费端几百元的智能家电，工业现场动辄百万级的能源设备一旦实现智能化，其价值密度和节能潜力将呈指数级放大。
2016年，他毅然创业，选择了一条看似‘枯燥’但根基扎实的道路——设备连接。前三年，团队专注于物联网关开发、能源设备通讯协议解析和基础数据采集。这一步看似缓慢，实则为后续发展埋下关键伏笔。正如沈国辉所言：‘打井的逻辑，就是选一个方向，一直往下挖。挖到地下河，一通百通。’
第二个三年，公司顺势推出工业SaaS产品，覆盖空压站、制冷站等公辅能源系统，服务范围从单一设备扩展至整站能效管理。这一阶段不仅积累了海量客户，更重要的是确立了‘公有云优先’的战略——所有数据汇聚云端，而非散落在客户私有服务器中。这一决策在当时颇具争议，却为日后训练垂类大模型奠定了不可替代的数据基础。
2022年ChatGPT浪潮席卷全球，蘑菇物联并未盲目跟进通用模型竞赛，而是迅速判断：大模型将成为‘知识型劳动者’，尤其适用于需要经验沉淀的工业控制场景。于是，团队启动‘灵知AI’多源垂模研发，融合文本、时序、图形三类数据，构建能源领域的多模态理解能力。
这种‘自下而上’的发展路径，被云晖资本合伙人李星评价为‘准确把握工业互联网发展规律’。正是前期在设备层和数据层的深厚积累，使得公司在AI时代能够快速响应，将十年沉淀转化为模型优势。
能效AI为何成为物理AI的最佳入口？
在众多工业AI赛道中，蘑菇物联为何独钟能效领域？答案藏在其独特的‘能源二分法’中：将用能主体划分为‘能源侧’（供能端）与‘生产侧’（用能端）。生产侧高度依赖具体工艺，如制药与汽车制造逻辑迥异，难以标准化；而能源侧则具有极强的跨行业通用性——无论是空压机、水泵还是冷却塔，其核心运行指标（压力、流量、温度、功耗）在全球范围内高度一致。
这一洞察极具战略价值。综合能源系统通常占企业总用电量的30%–60%，覆盖工厂、数据中心、商业综合体、高校等海量场景。仅粗略估算，中国工业能效市场的年节能价值空间就高达2400亿元。更重要的是，随着AI算力需求激增，数据中心能耗飙升，AI自身正成为新增电力消耗的主要来源，而能效AI恰好提供了对冲这一趋势的技术方案。
沈国辉进一步指出，每一次能源革命都伴随一次控制革命：煤炭时代依靠离心调速器，电气时代依赖PLC，而新能源时代的核心控制工具，正是物理AI。但市场上充斥着大量‘伪物理AI’——仅在传统自动化系统上叠加一层大模型对话界面，数据与执行脱节，无法真正干预设备运行。
为此，蘑菇物联提出两个‘验货’标准：一是必须具备类似自动驾驶SR（Surround Reality）的可视化界面，实时映射物理状态并驱动控制动作；二是垂类模型需完成国家网信办备案，接受国家级安全审核。这两条红线，划清了概念炒作与真实落地的界限。
数据飞轮与三层安全架构：构建不可复制的护城河
在物理AI时代，最稀缺的资源并非算法或算力，而是‘暗数据’——那些从未被互联网收录、仅在设备与传感器间流动的真实运行数据。这些数据蕴含设备老化趋势、工况波动规律、异常耦合关系等隐性知识，是模型理解物理世界的关键。
蘑菇物联的灵知AI之所以定位‘多源垂模’，正是因为它‘吃’下了三类异构数据：设备操作手册等文本资料、秒级采集的时序运行数据、以及设备拓扑与热力分布图。目前，其数据库已覆盖30余类能源设备、8个维度的数据特征，背后是26万台实时在线设备构成的数据飞轮。
这种数据积累具有极强的马太效应。早期坚持公有云部署的战略，使得数据持续回流、模型不断进化；而采用私有化部署的竞争对手，即便今日愿意付费购买数据，也因数据孤岛问题难以整合。正如沈国辉所说：‘有些壁垒是钱买不来的。’
但仅有数据还不够。工业控制对安全性要求极高，任何失控都可能引发停产甚至安全事故。为此，灵知AI构建了独有的三层融合架构：
- 表达融合层：统一多源异构数据的语义表示；
- 预测融合层：结合物理机理模型与数据驱动模型进行状态预判；
- 决策执行融合层：设置独立安全约束机制，执行前需通过规则校验、边界验证、仿真试运行等多重关卡。
在此基础上，公司自研LingX智能体，集成两大工业级控制模块：一是安全与可靠性门控系统，包含设备联锁保护、操作边界校验等功能；二是数据支撑框架，实现异构数据标准化接入、高效存储与语义索引。这套体系确保AI‘干活’时100%安全、可验证、可追溯。
商业闭环已跑通：从节能分成到无人值守的价值跃迁
商业化能力是检验AI企业成色的终极标尺。蘑菇物联通过两种模式实现收入：一是产品化收费（初装费+年度运维费），二是服务化收费（按节能效果分成或AI托管）。后者尤其体现其信心——若无法稳定节电，公司便无法获得收益。
目前，公司已服务超6000家企业，其中包括130家世界500强。典型案例是华润三九制药：在引入蘑菇物联的无人值守系统后，原本需两人通宵值班的能源站房实现全自动运行，不仅年节能率达15%以上，更显著提升员工幸福感。该案例随后被写入企业ESG报告，并入选国资委国企改革案例汇编。
值得注意的是，AI的价值正从‘节能’向‘无人化’延伸。在劳动力成本上升、夜班招工难的背景下，‘凌晨三点只有AI在岗’成为极具吸引力的卖点。未来，公司计划探索基于Token的API调用收费模式，让客户按实际使用量付费，进一步降低采用门槛。
元禾原点合伙人朱斌评价道：‘蘑菇物联构建了完整的工业物理智能闭环，使Physical AI首次以可测量、可信任的方式融入新质生产力。’
全球化破局：为何日本三菱选择中国AI？
在国内AI内卷加剧的背景下，出海被视为第二增长曲线。但沈国辉直言：‘服务东南亚不算真正出海，本质仍是做国内市场。’真正的试金石，是能否赢得发达国家企业的认可。
2026年7月，蘑菇物联与日本三菱集团旗下核心上市公司RYODEN达成战略合作，共同开发能效领域物理AI控制技术。这是中国AI企业首次与全球顶级自动化巨头在该领域展开联合研发。据悉，三菱在对比中美多家科技公司后，最终选择蘑菇物联，核心原因在于其‘模型扎实、数据基础雄厚、落地案例丰富’。
面对西门子等国际巨头的潜在竞争，沈国辉并不担忧：‘再大的公司要做能效AI，也绕不开设备协议打通和现场Know-how积累——这些脏活累活，我们花了十年才做完。’他认为，大厂的最佳策略是合作而非重复造轮子，‘像拼乐高一样，各自发挥所长’。
时间，已成为最长的护城河。全品类能源设备通讯协议的打通，是蘑菇物联十年深挖的‘井’，即便投入十倍人力也难以短期复制。这种基于时间沉淀的壁垒，远比资本堆砌更为牢固。
回望创业十年，沈国辉总结出十二字箴言：‘尊重常识、尊重规律、持续迭代。’在他看来，企业没有永恒的成功，只有顺应时代的进化。展望未来五到十年，他预见：生产侧将由具身智能机器人接管，而能源侧，则属于蘑菇物联的灵知AI与LingX智能体。这场静悄悄的能源控制革命，或许才刚刚拉开序幕。