十年连接26万台设备，蘑菇物联让Physical AI先在能源系统里跑了起来

这才是Physical AI的真实落地。

Physical AI的身体，不一定是一台机器人。

过去两年，Physical AI几乎成了人形机器人的同义词。让AI长出手脚，学会走路、搬运、操作机器，当然足够性感。但如果把视线从人形机器人身上移开，会发现Physical AI的另一种形态，已经更早进入了真实商业世界。它没有手脚，甚至不会移动。它存在于工厂和数据中心的能源系统里，控制着空压机、冷机、水泵、冷却塔等大量供能设备。这些设备不直接生产产品，却可能占到一座工厂30%到60%的用电。对于企业来说，如果AI能够替代老师傅接管能源系统，不仅意味着减少对人工经验的依赖，更意味着每一次运行优化，都有可能直接转化成能源成本的下降。

这也指向了一个容易被忽略的问题：Physical AI真正的本质，并不是“AI有没有一副像人的身体”，而是AI能不能在现实世界里完成感知、决策、执行和反馈的物理控制闭环。从这个角度看，能源系统反而天然适合Physical AI。它有大量实时传感器，有明确的控制对象，也有可以被量化的结果：压力有没有稳定、冷量够不够、设备有没有故障，以及最终到底省了多少电。

所以当人形机器人还在回答“什么时候能够大规模落地”，另一种Physical AI已经开始回答一个更直接的问题：今天能不能给企业省下真金白银。成立于2016年的蘑菇物联，就是较早进入这条路径的企业之一。从工业物联网起家，目前蘑菇物联已经将这套Physical AI控制闭环应用到2000多家大型工厂的能源系统。它走的并不是“先做一个大模型，再寻找应用场景”的路径，而是先进入工厂，长期积累通信协议、真实数据以及行业Know-how，再将AI逐渐加入控制环节。某种意义上，这是一条和今天很多AI创业公司完全相反的路线：不是先有AI，再找场景；而是先扎进能源场景十年，再把AI做成熟。

让AI真正控制机器，比接入一个大模型难得多

如果只是让AI回答一个设备问题，今天已经不算困难。但如果让AI真正坐进能源系统的“驾驶室”，事情就完全不同了。工业级的Physical AI至少存在三道门槛：数据、安全和泛化。

其中最底层的一道，是数据。今天基础模型的能力可以购买、调用甚至快速追赶，但真实工业数据很难凭空获得。工业级AI真正需要的并不是一本设备说明书。它需要知道机器在某一个时刻是什么状态，系统随后执行了什么动作，以及这个动作最终产生了什么结果。比如压力突然下降之后，哪台空压机提高了频率？开启另一台设备之后，供气缺口有没有补回来？能耗又增加了多少？这些连续的“状态—行动—结果”，才构成了AI真正理解工业设备运行规律的基础。这也是为什么随着基础大模型逐渐普及，企业内部无法从公开互联网获得的专有数据开始变得越来越重要。

对于工业级AI而言，这种稀缺性更明显。因为真正有价值的数据，并不是静态文件，而是成千上万台物理设备在不同工况、不同季节和不同生产节奏下长期运行形成的动态记录。截至目前，蘑菇物联已经连接26万+设备，覆盖30+类设备以及8类数据维度。

但数据解决的只是“AI懂不懂机器”。第二个问题，是AI敢不敢动机器。

互联网世界里的AI答错一道题，可以重新生成一次答案。但PhysicalAI下错一个控制指令，影响的可能就是设备安全甚至生产过程。所以工业级AI不能“想到什么就做什么”。AI给出的策略真正下发到设备之前，还必须经过规则和安全边界校验，同时保留必要的人工介入机制。这也是Physical AI和普通生成式AI之间最重要的区别之一：它的输出最终会改变物理世界，因此必须对结果负责。

30秒接管老师傅30分钟的工作

这种“感知—决策—执行—反馈”的闭环，在能源站房里已经变得相当具体。蘑菇物联的系统中，灵知AI（垂直大模型）主要负责预测和决策，LingX智能体（AI Agent）则负责将策略变成真正的设备动作。

以制冷站为例，系统会根据天气变化和实时冷负荷，对冷机、水泵、冷却塔进行联动控制，在满足供冷需求的同时寻找更低能耗的运行组合。

空压站面对的则是另一种问题。一旦生产线突然增加用气需求，整个空压系统就可能出现供气缺口。此时，灵知AI首先会结合实时压力、流量、设备负载以及历史工况，判断当前哪些机组仍有余量，再制定兼顾供气与能耗的运行策略。随后，LingX智能体将策略转化为整个设备组合的变频、启停以及负载调整，并在控制指令下发之前进行规则和安全边界校验。设备状态改变之后，新的数据再次反馈给AI，进入下一轮调整。

传统依赖老师傅操作，需要约30分钟才能让整个供能系统逐渐接近供需平衡，而AI智控可以在约30秒内完成匹配。这也是工业Physical AI价值最容易被理解的一刻。它并不是在屏幕上给工程师多生成一份分析报告，而是在真实机器上作出决策，最终改变设备的运行状态。

一个站房跑通只是项目，跨工厂跨行业复制才是产品

然而，如果Physical AI只能在一座工厂里运行，它仍然很难成为一门规模化生意。

不同工厂使用的设备品牌、拓扑结构和运行工况都可能完全不同。一个空压站里训练出来的控制逻辑，换到另一座工厂，很可能就要面对全新的设备组合。这也是工业Physical AI的第三道门槛：泛化。

真正重要的不是“这个项目能不能做成”，而是进入新的场景之后，系统能否快速适应，而不是重新开发一遍。蘑菇物联目前通过灵知AI、LingX以及云—边—端标准化产品体系，来降低进入不同工厂不同行业之后重复开发的成本。目前，公司已经服务6000+产业链客户，覆盖电子半导体、新能源、汽车、冶金、医药、食品等先进制造行业。

当部署规模扩大之后，另一重优势也开始出现：客户越多，能够积累的数据越多；数据越多，模型对于工业世界的理解越深；模型能力越强，又能够进一步服务更多客户。由此形成一套“客户—数据—模型”的商业飞轮。这也解释了为什么对于工业级Physical AI而言，过去十年看起来并不性感的设备物联网积累，反而在大模型时代重新变成一道壁垒。

资本开始为这条“慢路线”重新定价

近期，蘑菇物联完成C轮C1、C2系列融资，累计融资规模近2亿元，云晖资本等多家老股东继续加码。如果单独看融资，这只是今年AI赛道众多资本事件中的一笔。但投资人的关注点，恰好与蘑菇物联这条发展路径高度相关。

云晖资本合伙人李星认为，蘑菇物联几年前选择从公辅能源这一通用场景切入，并长期积累能源数据，使公司能够在人工智能时代快速向垂类工业大模型与智能体延伸。

元禾原点合伙人朱斌博士则将蘑菇物联定义为能源控制领域的Physical AI代表企业。在他看来，公司在IoT时代积累的空压站、制冷站等海量实时物理数据，是今天建立“感知—决策—执行”工业物理智能闭环的基础。

这背后实际上对应着AI时代两种完全不同的创业路径。一种是先拥有最前沿的模型能力，再寻找场景。另一种则是先花很多年进入一个足够深的行业，连接设备、积累数据、理解流程，然后等待AI技术成熟。在过去，后一条路往往显得更慢。但当基础模型本身越来越商品化，真正无法通过API买到的东西——设备连接能力、行业Know-how以及长期积累的真实世界数据——反而重新成为竞争壁垒。

从中国工厂，走向国际化工业体系

工业级Physical AI的泛化也不只发生在不同工厂之间。今年7月，蘑菇物联与三菱集团旗下核心上市公司RYODEN达成战略合作。日本制造业对工业系统的稳定性、能源效率以及精益生产长期保持着全球最严苛的要求。因此，这次合作的意义并不仅仅在于增加一个海外合作伙伴，更意味着一套首先在中国工厂中运行起来的能源控制AI，开始进入成熟工业体系接受验证，并向发达市场复制。技术上的泛化，是换一家工厂还能用；商业上的泛化，则是换一个国家还能落地。

与此同时，这套能力也不只局限于制造业。数据中心、学校以及政府楼宇等公共机构，同样存在大量水、电、冷、热能源系统，它们面对的本质仍然是同一道题：如何在满足实际用能需求的同时，让大量物理能源设备以更高效率运行。随着Physical AI进入更多国家和更多能源系统，标准化以及合规的重要性也开始上升。目前，灵知AI已率先完成国家网信办生成式AI服务备案，蘑菇物联也参与了多项工业AI相关标准起草。这些动作看起来不像一次具体的商业签约，却是在为Physical AI进入更多工厂、更多公共机构以及更多国家提前铺设基础设施。因为当AI真正开始控制物理世界，决定它能走多远的，就不只是模型能力，还有一整套关于安全、责任和行业信任的规则。

Physical AI的身体，不一定是一台机器人

过去十年，蘑菇物联做的是连接设备；到了Physical AI时代，它开始让AI理解、决策，并真正控制这些机器。AI算力的背后，本身就是电力。AI正在带来更多电力消耗，而Physical AI又开始降低能源系统的消耗，为AI算力释放更多电力空间。从这个意义上说，这就是AI for AI。对蘑菇物联来说，Physical AI的身体不是一台机器人，而是已经连接起来的26万+设备，和它们背后组合而成的一个个能源系统。