系统

可以看到，算力扩张正在让AI与能源形成更紧密的双向关系：AI的发展需要更多电力，也让能源系统的运行效率变得更加重要；

高功率服务器和液冷系统加速部署，不仅推高了冷却和供电系统的运行压力，也让算力、电力与冷却之间的协同变得更加复杂。

深度智控的技术路线，最初来自创始人兼CEO李辉对机电能源系统模型的研究。

随着设备与系统模型与数据的不断积累，深度智控希望进一步将优化范围延伸至储能与算力能源协同。

“很多系统模型涉及的参数、输入和输出，在实际工程环境中是不可得的。

不过，直接把实验室里的系统模型搬到工业现场并不容易。

公开资料显示，他早期在清华从事系统模型研究，此后又前往美国劳伦斯伯克利国家实验室，研究如何将人工智能与物理机理模型结合，于2018年回国创立深度智控。

创始人李辉此前参与美国达拉斯机场相关项目时，就曾带领四名博士花费了半年时间才完成了系统建模。

深度智控COO张雨馨在采访中告诉《科创板日报》记者，公司当时在17天内完成了从系统对接、建模调试到闭环控制的全流程，并将能耗进一步降低超过20%。

不过，从制冷、空压等公辅系统走向储能和算电协同，深度智控需要接入的数据、设备和控制系统都将明显增加，对模型适配、设备兼容与运行安全也会提出更高要求。

相比直接更换设备，在既有设备基础上继续提高系统效率，投入相对可控，也更容易形成可以量化的成本收益。