在硅谷和华尔街，人工智能的狂热大多围绕着生成式 AI 在办公自动化、内容创作领域的应用展开。然而，在伦敦的一间办公室里，Applied Computing 正在做一件截然不同的事——他们试图教会 AI 理解炼油厂里的每一次温度波动与压力变化。
近日，这家总部位于伦敦的工业 AI 初创公司宣布完成 2000 万美元 A 轮融资，由工程巨头 KBR 领投，Databricks Ventures 参投。在工业 AI 这一被视为“难啃的硬骨头”领域，这笔资金的注入，不仅是对 Applied Computing 技术路线的认可，更折射出全球能源行业在面对生产效率天花板时，对 AI 的迫切需求与战略调整。
一、被“锁死”的 92%：能源工业的效率悖论
石油、天然气和石化设施是人类文明的能源基石，也是人类制造最复杂、最昂贵的工业设备之一。在这些设施中，成千上万个传感器每秒钟都在测量着温度、压力、速度和粘度。
然而，这背后隐藏着一个巨大的悖论：根据 Applied Computing 联合创始人兼首席执行官卡勒姆·亚当森（Callum Adamson）的调研，运营商目前在制定关键运营决策时，仅利用了不到 8% 的传感器数据。
这意味着，超过 92% 的宝贵生产数据被当作“无用信息”锁在了数据库的深处。
为何这些数据无法被利用？这并非因为数据收集能力不足。工业环境的核心矛盾在于：传感器产生的只是零散的数字，而运营决策需要的是对物理规律、工程文档、设备寿命、化学约束以及复杂的连锁反应的综合判断。传统工业软件往往将这些要素孤立处理，导致“有数据，无洞察”。
Applied Computing 推出的核心产品 Orbital，试图通过一种全新的架构——基础模型（Foundation Model）——来弥合这一差距。
二、Orbital：AI 从“写作文”到“管工厂”的跨界
如果说 ChatGPT 的逻辑是“预测下一个词”，那么 Orbital 的逻辑则是“预测设施的状态”。
Orbital 并不是单一技术维度的产物，它将时间序列模型（处理数据波动）、基于物理的模型（处理工程约束）以及语言模型（处理工程文档与操作规程）进行了深度整合。这种“三位一体”的模型架构，使其能够像一名经验丰富的资深工程师一样，在分析传感器读数的同时，自动参考设备的额定限制与安全约束。
这种模式的商业应用极具吸引力。据亚当森介绍，Orbital 的核心价值在于“极速归因”：
- 异常诊断：它能在几分钟内识别工厂运行中的异常情况，并追溯根本原因。
- 模拟预测：它不仅能发现问题，还能模拟“如果我调整这个阀门，会发生什么”。它可以预测某种修复方案是否会在系统中引发连锁反应，避免盲目操作。
- 时间坍缩：原本需要工程团队花费数天甚至数周的调查工作，通过 Orbital 可以被压缩到秒级处理。
这种效率的提升对于能源公司而言意味着真金白银——既要在安全边际内保持最大产量，又要尽力降低能源损耗。
三、竞争与护城河：工业界的“非对称竞争”
Applied Computing 并不是第一个进入工业 AI 赛道的玩家。事实上，这是一片群雄逐鹿的红海。
在该领域，既有 AspenTech 和 AVEVA 这种垄断工业仿真与控制多年的传统软件巨头，也有 Cognite 和 Seeq 这类专注于工业大数据分析的 AI 初创公司。
面对强敌，Applied Computing 的生存逻辑是什么？
亚当森认为，护城河的核心在于“数据闭环”。工业场景的一个特殊性在于：炼油厂的运营数据属于极度私密的商业核心资产，绝不可能对外公开。而公网上现有的仿真数据，往往无法完美复刻真实的、极其复杂的物理工厂环境。
Applied Computing 通过与多家大型上游油气、下游炼油和石化公司建立合作，在实际部署中积累了大量真实的专有数据。这使得其模型的训练样本具备了传统软件供应商无法比拟的“现场感”。
数据显示，Applied Computing 业务增速惊人，在不到 18 个月的时间里，从默默无闻到实现了年经常性收入（ARR）数千万美元的跨越。目前，除了与 Wipro 和 KBR 建立长期合作关系外，公司还预计将在未来几周内宣布与某欧洲顶级石油巨头的深度合作。
四、AI 工业落地的启示：寻找技术的“锚点”
从 Applied Computing 的融资与扩张路线中，我们可以看到工业 AI 落地的一个重要趋势：技术不再追求“通用”，而是极度追求“垂直”。
在过去几年，资本市场曾对“大模型万能论”抱有幻想，但随后发现大模型在专业工业领域的幻觉问题（Hallucination）是致命的。像 Applied Computing 这样，将物理模型（Physics-based models）作为约束条件引入 AI 模型，实际上就是为 AI 设置了“防线”。这种做法确保了输出结果符合科学定律，而非仅仅是基于概率的胡乱猜测。
这 2000 万美元的后续规划，也清晰地指向了市场拓展。休斯顿办事处的设立，意味着公司决心扎根全球能源的心脏地带，缩短与北美客户的磨合距离；而对中东市场的布局，则看中了那片对能源效率优化有着巨大需求的蓝海。
五、从“数字化管理”到“自主化运行”
Applied Computing 的崛起，是能源行业试图摆脱效率低下困局的一个缩影。
工业革命的本质是能源与工具的结合，而 AI 工业革命的本质，则是“认知与资产”的结合。尽管目前还很难判断 Orbital 是否能最终击败 AspenTech 或 AVEVA 等传统巨头，但可以肯定的是，能源行业对于“无法利用大部分运营数据”这一痛点的容忍度已经降至冰点。
对于 Applied Computing 而言，融资仅仅是一个起点。它正在将自己置于一个危险但回报巨大的风暴中心：一方面是保守的工业客户对于可靠性的苛刻要求；另一方面是瞬息万变的 AI 底层技术演进。它必须在“保持差异化优势”的同时，持续证明自己不仅是一个好用的工具，更是一个能带来可持续财务回报的系统。
随着 A 轮融资的到位，这场关于如何激活“数据幽灵”的实验，已经进入了关键的规模化扩张阶段。在这个赛道上，最终获胜者可能不一定拥有最前沿的文字生成模型，但一定拥有最懂工业物理真相的 AI 引擎。
