AI的尽头是算力，算力的尽头是电力——而电力的主角，正是新能源与储能。
当大模型的“Chat”时刻席卷全球，一群清华人在思考另一个问题：语言模型能写诗、能写代码，但它读不懂一座储能电站凌晨三点的电流曲线。
织算智能，一家专注于工业时域多模态大模型的“物理AI”公司，正在给出自己的答案。目前，公司正在进行B轮融资，非凡资本担任财务顾问。
一、从一颗电芯开始：让储能场站“心中有数”
凌晨两点，广东佛山，一家工商业储能场站里，上万个电芯仍在静默地充放循环。
没有人值班，也没有人察觉到某簇电池正在悄悄偏离它的健康基线——直到系统发出一条三级预警：该电池簇存在析锂风险，建议调整充放电策略。
一场可能的热失控，被消弭在毫秒级的信号偏移里。
这不是想象。这正是织算智能的“电池健康诊断平台”每天在全国数十个储能场站上演的日常。
储能行业有一个公认的秘密：电池是“黑箱”。
一颗314AH的磷酸铁锂电芯，其内部状态无法直接测量，只能通过电流、电压、温度等外部信号去推断。
SOC估不准，电站就不敢满充满放；SOH算不清，资产估值就是一笔糊涂账；热失控防不住，一次事故就可能让整个行业倒退一年。
织算智能的做法，是把整个储能场站当作一个“会说话的生命体”来对待。
边缘智能体以毫秒级延迟捕获电流、电压、温度、SOC、SOH、PCS工况等九大类多维度数据，对280AH/314AH磷酸铁锂乃至钠离子电池进行精确的本体建模，再用时序大模型从海量波形中捕捉人眼无法察觉的微偏差。
热失控、析锂、内短路、自放电，这些传统BMS“看不见”的隐患，被拆解为可量化、可预警、可追溯的三级风险体系，并自动生成日报、周报、月报。
目前，织算智能已实现实时监控采集超过300万颗储能电芯的数据，位居全国头部。
安全的另一面，是收益。
在新疆某集中式光伏场站，传统功率预测依赖单一气象模式，预测偏差大、弃光严重、电网考核压力大。
织算智能将风云四号、向日葵卫星的遥感云图与数值天气预报（NWP）融合，把4D卫星云图“Token化”后与地面时序数据一起送入多模态Transformer，让模型“看云识天”。
结果是：预测达标天数增加，弃光电量下降明显，整体上关键节点预测准确率总体提升3%以上，场站收益增长9.2%，经济效益显著提升。
在广东某光储荷一体充电站，光伏、储能、充电桩三方“各顾各”的调度让收益始终上不去。
织算智能基于强化学习生成最优充放电策略，实现光、储、荷协同优化——每日收益提升24%，弃光量下降62%，管理效率大幅提升。
从某能源央企的“无人化储能站”标杆项目里，这套技术路径得到了更极致的验证：运营成本降低8.5%，收入提升10%。
这场收益革命的另一重推力，是电力市场化。
2026年是中国电力市场化改革的加速期，电价开始像股市一样波动，储能资产必须从过去“建成即赚”的静态投资套利，转向极度复杂的动态市场化运营——峰谷价差、现货套利、需量管理、电网调度指令，交织着物理约束、气象与用户行为等海量变量，复杂度不亚于金融量化交易。
而绝大多数场站，恰恰缺乏一个“智能调度的灵魂”。
从“看住安全”到“算好收益”，再到为电力交易提供辅助决策——织算智能让每一颗电芯、每一度绿电都“心中有数”。
这套能力的背后，是一条完整的技术链路：边缘网关负责毫秒级采集与数据清洗，本体建模负责把“冷冰冰的设备”翻译成“可理解的语义”，时序大模型负责在波形中捕捉长时依赖与交叉关联，多模态融合则把传感器曲线、现场图像、维修日志、电价政策放进同一个认知框架。
当多数同行还在用单点算法解决单点问题时，织算智能已经把“感知—认知—决策—执行”的闭环跑通。
更值得玩味的是这些案例的“小”。
它们不是论文里漂亮的实验室数据，而是佛山工业园区的屋顶、深圳龙华的光储充一体站、新疆疏勒的光伏配储电站——是削峰填谷省下的真金白银，是少弃一度电多收一分钱的朴素账本。
工商业储能的业主算的是投资回收期：安全多一分保障，寿命多一年，收益多一个百分点，资产估值就完全不同。
织算智能的软件订阅与效果分成模式，正是把自身收益与场站收益绑在一起——公司已实现综合服务毛利率超90%，客户粘性来自最朴素的逻辑：好用，才续费。
小事不小，这些一个个场站的百分比提升，累积起来就是储能资产价值的重估，也是“数据—模型—收益”飞轮的第一圈转动。
二、当通用大模型尘埃落定，工业大模型方兴未艾
过去三年，通用大语言模型（LLM）的格局已基本尘埃落定：OpenAI、Anthropic、谷歌、Meta，加上DeepSeek、智谱、Kimi等中国力量，千亿美金级的资本、算力与人才已经完成卡位。
文本、代码、图像的“智能底座”之争，事实上已不再是创业公司的战场。
但工业世界是另一回事。
一座化工厂、一个储能电站、一台燃气轮机，每天产生的不是文本，而是海量、高频、连续的传感器时序信号。
这些数据强结构化、容错率要求极高（≥99.9%，零容忍错误）、封闭且涉密——它无法从互联网爬来，也无法被语言模型有效表征。
“通用大模型博学如通才，工业现场需要的却是‘老师傅’。”
用少量但极其精准的现场数据，训练出懂机理、懂工艺、能决策控制的专用智能，这是一条完全不同的技术路线。
而工业界过去十年的AI实践，则陷入了“小模型陷阱”：异构设备、海量协议造成数据孤岛；“一机一模”，千万个定制AI小算法难以复用，运维成本指数级上升；每个模型只做局部优化，无人考虑全局最优。
工业现场的数据还普遍存在低质、碎片与隐匿的特征——故障样本极少、标注门槛极高，中小企业望而却步。
更要命的是，连续型工业的生产过程24小时不间断，像人体血液循环一样不容停歇，容错率为零，这与互联网世界“试错、迭代、快速上线”的文化截然相反。
工业界苦“碎片化小模型”久矣——行业需要的，是一个像语言模型统一文本世界那样、统一工业时序世界的基座模型。
两种范式的分野，可以列成一张清晰的对照表。
通用大模型吃的是互联网公开文本，万亿级Token海量易得、容错性强、以量补质，训练出的是博学的“通才”；工业大模型吃的是传感器时序、设备状态、工艺参数、质检记录，样本稀缺、获取困难、封闭涉密、容错率极低，训练出的是深谙现场的“老师傅”。
前者的竞争焦点是智能上限与开源生态，后者的竞争焦点是商业闭环验证、行业Know-how与全栈整合能力。
数据禀赋完全不同，决定了这是两个几乎不重叠的市场——也决定了语言模型的胜利，并不自动等于工业智能的胜利。
这就是织算智能的赛道：工业时域多模态大模型。
它原生处理传感器波形、视觉图像、文本手册等多源异构数据，将连续的物理波形降维映射为Token，在抽象的潜在空间中预测物理世界的演变——为工业互联网提供一个理解异构复杂业务的“通用基础设施层”。
用创始人的话说：
“万物皆在时域中。”
这并非织算智能一家的小众判断。
过去十年，人工智能主要学习人类记录的语言和符号；而真实工业世界由原子、分子、力学结构、热力学梯度和材料疲劳等物理规律主导——AI正在从“语义理解”迈向“物理推演”，从“信息生成”迈向“实体创造”，从虚拟数字空间进入工厂、车间与实验室。
工业AI圈有一个朴素的共识：流程工业“多时序、少文本、缺图像”，工厂里发生的任何一个事件，都可以被追溯为一段时间序列数据；理想的工业大模型，应当像一位“读过世界上所有设备操作手册和历史记录的超人工程师（Artificial General Engineer）”，从数字序列中洞察规律、推演未来。
这个圈子还有一句行话——
“工业不接受幻觉。”
物理AI与工业基座大模型的赛道共识，正在全球范围内加速形成。
更宏大的时代背景，是AI、算力与电力的大汇流
英伟达创始人黄仁勋把AI产业比作一块“五层蛋糕”：最底层是能源，其上才是芯片、基础设施、模型与应用。
他提出“算力的尽头是电力”，“电力是新的货币”，并在2026年GTC大会上给出新指标——“每瓦词元数”（Tokens per Watt）：在AI工厂里，每一个Token都是可计量的盈利单位，而Token价格的核心锚点是电力。
马斯克同样预警：“AI部署的根本限制因素是电力。”
国际能源署测算，全球数据中心用电量2024年约415TWh，到2030年将升至约945TWh，翻一倍以上。
与此同时，算力正在向边缘蔓延。
随着AI应用从训练侧走向推理与执行侧，边缘算力已成为承接AI落地“最后一公里”的刚需底座，预计2026年中国边缘计算市场规模将超1300亿元。
2026年中央政治局会议更首次将算力网与水网、新型电网、新一代通信网、城市地下管网、物流网并列为国家重点基建的“六张网”。
这恰是织算智能“云-边-端”协同架构的顺风之处——它的边缘智能体，正部署在离数据最近、离电机与阀门最近的地方。
AI的尽头是算力，算力的尽头是电力——而电力的主角，正是新能源与储能。
2025年，中国新型储能装机较上年增长84%，累计达到1.36亿千瓦/3.51亿千瓦时，较“十三五”末增长超40倍。
新型储能已成为新型电力系统的第一大调节性资源，全国等效利用小时数提升至1195小时；中国更是全球首个年用电量突破10万亿千瓦时的“电力王国”，工业产值占全球超30%。
潮水的方向清晰可见：储能安全与运维AI市场预计每年50-100亿元，储能电力交易AI市场则是千亿级。
谁能让这3.5亿千瓦时的储能资产更安全、更聪明、更赚钱，谁就站在了时代的交汇点上。
这场“算电协同”的浪潮也已写入中国的政策语言：2026年《政府工作报告》明确提出“实施超大规模智算集群、算电协同等新基建工程”，“十五五”规划纲要提出构建全国一体化算力网，四部门联合发布促进人工智能与能源双向赋能的行动方案。
在西部，风电光伏高峰时一度仅售0.3-0.5元的绿电，正通过算力转化为“词元”——电力从未出境，价值已完成出口；而在储能场站，同样的绿电通过削峰填谷、电力现货套利被重新定价。
一度电的价值，正在被AI重写。
这场判断正在被全球资本市场验证。
Palantir凭借Ontology本体论+FDE前置工程师+AIP大模型平台，市值已突破4500亿美元。
贝索斯筹划的普罗米修斯（Prometheus）其核心目标正是打造“通用人工智能工程师”（AGE），2026年6月完成B轮120亿美元融资，估值410亿美元，同时成立1000亿产业战略基金，策略直白而激进——直接收购制造业企业获得数据。
工业AI，已成为全球科技巨头公认的下一条主航道。
三、清华基因，与一场必须赢的竞赛
织算智能的创始团队，源自清华大学计算机系。
几名核心联创，均是连续创业者，来自清华大学不同院系，具备多年工业产业化经验。
其他核心团队成员分别来自北京大学、复旦大学、中国科学院大学、日本芝浦工业大学等众多知名高校，同时有来自京东工业、云天励飞、中国移动、中国联通等行业知名央民企核心高管加盟，科研力量与产业资源互补。
依托深圳清华大学研究院下一代互联网研发中心，织算智能公司团队科研力量扎实，与诸多央国企共建联合实验室，团队整体研发人员占比超70%，硕博比超过50%。
累计参与国家科技重大专项10余项，获得知识产权50余项。
团队在IEEE TC、TMC、TMM、TVT、TNSM、TNSE、TII、Computer Communications Computer Networks和IEEE INFOCOM、ICDCS、IWQoS、ICCCN等知名期刊和会议上共发表高水平学术论文50+篇。
产学研之间，只隔一条走廊的距离：实验室负责下一代互联网、边缘计算与面向新能源的大模型技术的源头创新，产业化团队负责把它变成客户愿意付费的产品。
在产业侧，织算智能已经与中石油、中海油、中国华电、中电建、中国能建、华润电力、招商局、深圳能源、中国移动等十余家央国企形成稳定合作。
2020年成立以来，公司先后获得线性资本、英诺资本等专业机构投资，并在2023年获得深圳市科学技术奖科技进步二等奖。
织算智能的产品体系，有一套完整的“沙丘宇宙”命名：
顶层是物理AI工业基座大模型Melange——从Melange1.0的工业时序多模态大模型，到Melange2.0的工业因果时序大模型，再到Melange3.0融合因果、空间与物理规律的工业物理大模型。
中间是沙丘Dune工业决策平台/能源智能体，以储能（Energy Storage）、水务（Water）、燃气（Gas）等行业版本快速复制。
底层是Hulud系列边端智能体——工业智能传感器、智能网关与智能采集器，负责采集数据、占据数据门槛。
“基座大脑—行业智能体—边端硬件”三层架构，构成从感知、决策到控制的完整闭环，目标是取代工业老师傅与工业厂长的经验判断，把数字化、智能化推进到连续型工业最坚硬的核心。
公司选择从“行业需求强、标准化程度高”的储能切入——这正是其行业象限分析中性价比最高的起点——随后向新能源功率预测、电力交易、充电场站扩展，并陆续在燃气轮机（1967个并发特征测量点、仿真精度超95%、提前48小时预警重大故障）、物流、水务等场景完成验证。
技术路线图同样清晰：2026年打造十亿级参数工业大模型，2027年百亿级基座，2028年迈向千亿/万亿级参数的工业基座大模型，最终成为泛行业的工业大模型基座提供商。
而在太平洋对岸，美国的布局已经展开：先靠底层芯片和算力，再靠通用大模型领先世界，如今又在世界模型、物理AI、AGE工业智能工程师等方向持续加码，希冀保持全球领先。
Palantir把自己定位为“全球决策与集成的核心操作系统”，是“西方世界的护盾与武器”，服务国家安全与实体生产力；贝索斯的普罗米修斯则以千亿美元级基金直接收购制造业企业，目标直指“理解物理世界的AI模型”。
工业AI在硅谷的叙事里，早已不只是生意，而是国力之争。
中国的答卷是什么
改革开放后，我们靠人口红利成为世界工厂，又靠工程师红利领跑制造与创新；今天，我们拥有全球最复杂、规模最大的能源与工业体系，积累了海量却尚未被有效利用的工业数据。
全球超过30%的工业产值，全球首个10万亿度电的电力系统，以及“算电协同”的结构性优势——当美国数据中心电价屡创新高，中国西部绿电成本优势正在转化为AI产业的竞争力。
芯片的“窄沟”或许存在，但电力与工业的“护城河”更深更宽。
“中国的工业AI，不应该落后——也输不起。”
这场竞赛的胜负手，不在办公室，而在工业现场。
工业大模型的核心能力体系，说到底是三件事：懂现场、懂工艺、懂数据的场景获取能力；懂设备、懂部署、懂算力的边缘管理能力；懂分析、懂机理、懂模型的数据分析与建模能力。
“专属数据 × 专业模型 × 专家场景”，构成了工业智能化的闭环——而这恰恰是中国企业最熟悉的战场。
织算智能的路线选择，恰是对这场竞赛的回应：不与通用大模型争锋，而是让通用大模型提供“智能底座”、工业大模型注入“行业灵魂”，构建“云-边-端”协同的工业智能体系，打造高毛利、高留存、高定价、深客户关系的工业智能平台。
这台“工业大脑”的几大能力坐标清晰可见：
工业本体认知——深刻理解产品结构、材料机理、工艺约束与质量标准，把碎片化的工业经验重构为可计算的工程知识图谱。
物理规律推演——融合多物理场仿真与深度学习，对力、热、声、光、电与流体过程进行毫秒级精准预测。
人机共生创造——深度嵌入研发与运营全流程，成为人类工程师的自主智能伙伴。
企业协同连接——打破巨头与中小企业之间的技术壁垒，让工程智能在开放平台上无缝流动。
用比特（Bit）改变瓦特（Watt），用工程智能重写工业文明——这正是AGE的分量。
四、从一度电到万千产线：用算力“编织”工业的底层基座
储能是起点，不是终点。
方法论可以迁移，因为连续型工业共享同一套“数据基因”。
无论是电解铝车间、造纸机、水泥回转窑、精细化工反应釜、生物发酵罐，还是城市供水管网、燃气管网、集中供热站，它们的数据禀赋高度同构：多时序、少文本、强物理约束、生产连续不可停顿。
温度、压力、流量、振动、电流……任何一次异常，都可以被追溯为一段时间序列。
这正是“万物皆在时域中”的真正含义——织算智能在储能场站里练成的那套本事：毫秒级采集、本体建模、时序Token化、跨模态语义对齐、物理因果推演，迁移到另一条产线时无需从零开始。
换的是行业，不变的是方法。
公司名字里，其实早就写好了答案。
“织算”——把“织”与“算”放在一起：经线是时间，纬线是模态（电流波形、现场图像、运维日志、气象云图、电网指令），织机是算力。
边缘智能体是穿梭往来的梭子，把散落在设备末端、阀门与电机旁的算力与数据织回同一张网；工业本体（Ontology）是统一的“花样图纸”，保证不同车间、不同行业织出的布，最终能拼成同一匹锦。
单台设备的算力像一根丝，脆弱而孤立；成千上万根丝按同一套经纬交织，才能成为既能承重、又能透气的工业“织物”——这正是“云-边-端”协同的本质，也是工业AI理解世界的另一种语言：不是把工厂拆成无数个孤立的算法，而是把工业重新编织成一个整体。
行业地图的推进次序同样清晰。
织算智能从需求最强、标准化程度最高的储能与新能源功率预测出发，锻造并验证方法论；随后向水务、供热、燃气管网、通信网等基础设施领域横向铺开；再向石油炼化、精细化工、钢铁冶炼、有色金属电解、水泥与玻璃熔炉、制浆造纸、制药与食品发酵、多晶硅提纯、煤化工等更复杂的连续型工业纵深挺进。
这条路径不靠“多铺人力”，而靠“一节一节地编织”：先在最难被信任的地方（安全、容错率为零）建立信誉，再顺着机理相近、数据同构的方向延展。
跨行业基座的价值，来自数据飞轮
每多交付一个场站，就多一份别人拿不到的现场时序样本；数据越密，基座越强；基座越强，新场景上线越快、边际成本越低。
这是工业AI独有的复利——它不发生在互联网的公域数据里，而发生在真实的管道、阀门与产线之间。
目标因此明确：打造跨行业的工业底层基座大模型，从十亿、百亿参数走向千亿乃至万亿参数，统一支持语言、时序、图像与视频输入，成为连续型工业可被各行各业调用的“通用基础设施层”。
说到底，织算智能做的不是一万个定制小模型，而是让一套基座模型读懂所有工厂。
让每一条产线不再依赖稀缺的老师傅经验，让工业智能像水电煤一样成为公共能力——这才是“织算”二字的完整含义：用算力织网，让工业的每一个节点都能被理解、被预测、被优化。
智造世界，创造美好——要织的，是一张覆盖整个工业世界的智能之网。
故事的终点，指向公司的愿景——打造工业通用人工智能工程师AGE（Artificial General Engineer），让工业智能成为全人类共享的公共品。
到那一天，每一座化工厂、每一个储能电站、每一台燃机，都将拥有自己的“超级大脑”；连续运转了数百年的工业机器，将被真正唤醒。
智造世界，创造美好（Building a Smarter and Better World）。
这既是使命，也是这场竞赛的意义所在。
