首发|蘑菇物联完成2亿元C轮融资，广州AI隐形冠军崛起
放眼望去，大多数物理AI公司，都把目光聚焦于让具身机器人如何摆脱遥控器；而一家广州的公司，却已让AI接管了能源站房超26万台能源设备。
什么才是 接管？
是凌晨3点，制药厂的消毒设备启动，AI在能源站房里盯着仪表，代替原本需要通宵值班的两名工人把气压稳住；是电子工厂的末端冷负荷还没爬升，AI已算好并调整好曲线，冷机、水泵、冷却塔排成最省电的参数队形；是AI看着几十列、上万行的能耗数据，智能识别出各个跑冒滴漏的浪费点，然后发出整改工单。
这背后浮现一个共同的名字——蘑菇物联。投资界获悉，蘑菇物联近期已完成C轮C1、C2系列融资，融资规模累计近2亿元，云晖资本等多家老股东持续加码。
在AI赛道普遍面临商业化验证难题的当下，这轮融资被市场视为对“物理AI商业闭环”最硬核的一次资本投票：最懂公司的一批人，再一次选择了重仓。
老股东加码背后
十年，三阶迭代
这无疑是一笔具有风向标意义的融资。
在AI公司普遍“增收不增利”、资本从“投概念”转向“投落地”的当下，这轮融资释放出两个明确信号：
其一，物理AI的商业闭环被验证——服务超6000家企业、累计省电超36亿度、可释放近20%节能空间。“AI从数字世界走向物理世界”不再是一句口号，而是一份可以审计的电费单；
其二，内部人看多——多家老股东持续加码，他们见过公司研发费用居高不下却难以规模化的最艰难阶段，比任何外部尽调报告都更了解这家公司的成色。老股东的继续重仓、老客户的高比例复购，是比融资额本身更有份量的信任票。
当然，投资即是投人。翻看蘑菇物联创始人沈国辉的简历，前半段写满了“不性感”三个字。
他1982年出生，学数学，保研读管理科学与工程，研究水利电力工程的运筹优化——枯燥，但管用。2006年硕士毕业进大型工厂，3年做到冰箱洗衣机事业部副总经理，后又负责落地集团智能家居建设。
在工厂十年期间，他悟到一个道理：几百、几千元的家电设备都能智能化，生产现场几十万、上百万一台的大型设备，一旦智能化，价值体量不可同日而语。
2016年，沈国辉决心投身创业，创立了蘑菇物联。第 一个三年，做的是更“无聊”的事——设备连接：物联网关、能源设备通讯协议、数据应用。别人觉得苦，他说这是在打井， “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。”
回看创业这十年，蘑菇物联的迭代进化清晰的分为三个阶段：第1个三年是“设备连接期”，第2个三年开辟设备产业链的“工业SaaS”业务；第3个三年遇到了2022年汹涌袭来的ChatGPT浪潮，团队意识到大模型会成为“知识型劳动者”，随即就启动了灵知AI多源垂模的研发。
目睹蘑菇物联一路崛起的历程，云晖资本合伙人李星同样感触颇深。在他看来，蘑菇物联管理层几年前准确把握工业互联网发展规律，确立了自下而上的发展路径、选择了公辅能源这个通用场景、采取了FSU三端客户同时发力的市场策略，实践证明是正确的。随着人工智能时代来临，上述正确的发展战略使得蘑菇物联可以顺势而为，利用全世界独有的公辅能源大数据优势，迅速开发出垂类工业大模型和智能体，形成了独特的竞争优势和业务壁垒。携这一优势，公司得以顺利引领和切入境内外市场，参与国内国际两个大循环，成为业界公认的工业和能源人工智能领军企业之一。
“战略方向选择的正确凸显了蘑菇物联管理团队的睿智，迅速把握大模型时代的机遇证明了管理层的机警、灵活及果决。这样的团队和公司值得长期持续加码。”李星评价道。
为何是能效AI
为何要专注于能效AI？
这要从蘑菇物联独特的二分法说起：站在能源视角， 一切用能主体都可以划分为能源侧（供能端）与生产侧（用能端）。
背后的逻辑不言而喻——生产侧太“挑”：制药和造车的生产逻辑完全不同，有很强的产品与工艺属性；能源侧却很“统一”：空压机、制冷机、水泵、风机，核心指标全世界都一样，跨行业通用性极强，覆盖工厂、数据中心、商业综合体、院校等海量场景。
用沈国辉的话来说，“做某一行的‘状元’，自然要比精通三百六十行容易得多。”
更重要的是，综合能源系统通常占企业总用电量的30%-60%，是物理AI落地最通用化、标准化的入口——仅粗略计算，年节能价值空间就高达2400亿元。而富有哲学韵味的是，AI正在成为新增能耗的最 大诱因，同时AI也带来了全新的节能空间。
沈国辉看到一个关键趋势：从煤炭时代到新能源时代，每一次能源革命，都伴随着一次控制革命。煤炭时代的控制革命，是离心减速器；这一次，控制革命的名字，正是物理AI。
众所周知，物理AI的本质特征，不是有没有手脚，也不是能不能移动，而是能否 完成“感知-决策-执行”的物理闭环。 眼下AI赛道真伪难分，不少厂商打着物理AI旗号，实际只是在传统PLC自动化系统上套了一层通用大模型对话外壳。对此，沈国辉很形象给出了 两个区分真伪的“验货”标准 ：
第 一，是否有AI可视化界面。类似无人驾驶的SR界面，能实时识别旁边有车、有人、有雪糕桶，并且真实操控方向盘、油门、刹车——数据与执行一一对应。而伪物理AI，界面可能炫酷，但数据与执行脱节。
第二，垂类模型是否完成了国家网信办备案。“必须经得住国家级审核机构的验证，这是做物理AI最基础也是硬性要求。”
能写PPT的AI很多，敢动手控制能源设备的AI很少。毋庸置疑，能效物理AI是一场长期工程，真正的竞争并不只是模型能力有多强，而是专业领域的高质量数据、是模型的泛化能力、是安全控制能力。是通过Agent实现“经验回流”，把每一次真实世界的反馈转化为下一轮模型能力的提升。
用钱买不到的数据壁垒
物理AI时代，最稀缺的不是模型，而是“暗数据”——那些只在设备与传感器之间流动、从未被互联网大规模收录的真实运行数据，它们可以被向量化、编码压缩到隐空间，成为模型理解物理世界的隐变量。
灵知AI之所以定位“多源垂模”，原因在于“吃”下的三类数据：文本、时序、图形。这背后是一个能源领域的多模态数据库： 30+类设备、8类数据维度、26万台云端实时在线的能源设备 ——数据飞轮转起来，马太效应越滚越大。