Applied Computing完成2000万美元A轮融资：为工业造物理智能

当通用大模型还在比拼参数规模时，一家伦敦AI初创公司却选择了一条更“硬核”的道路——为石油、天然气和化工等重工业构建专属的物理智能。Applied Computing今日宣布完成1740万欧元（约2000万美元）A轮融资，并正式进军美国市场。这笔融资背后释放了一个明确信号：在工业AI领域，理解物理世界的模型比理解人类语言的模型更具商业价值。

AI的“物理世界”之战：为什么能源巨头KBR要投一家伦敦AI初创公司？

2026年7月，伦敦的夏天闷热而潮湿。在Shoreditch一栋不起眼的办公楼里，Applied Computing的联合创始人Callum Adamson正在向董事会展示一份令人振奋的邮件——来自KBR的领投确认函。这家成立仅三年的AI初创公司，刚刚完成了1740万欧元（约2000万美元）的融资，领投方不是传统的风投机构，而是全球能源工程巨头KBR。更令人意外的是，Databricks Ventures也以新投资者的身份加入。

这笔交易在能源和AI两个圈子都引发了不小的震动。KBR——这家拥有百年历史、年收入超过70亿美元的工程、采购和建筑（EPC）公司，为何要投资一家伦敦的AI初创公司？更关键的是，KBR不是简单地做LP，而是亲自下场领投，并签署了多年的独家合作协议。这背后的逻辑，远比表面上看起来复杂。

KBR的焦虑与赌注

KBR的转型压力并非秘密。作为全球最大的能源工程公司之一，KBR的核心业务是为石油、天然气和化工项目提供设计和建造服务。但这个行业正在经历深刻的结构性变化：一方面，全球能源转型迫使传统油气公司削减资本支出，转向可再生能源和低碳技术；另一方面，工程服务的利润率持续走低，KBR的毛利率在过去五年从18%下滑至14%左右。

“KBR需要找到新的增长引擎。”一位接近KBR高层的消息人士告诉RecodeX。在内部，KBR的管理层已经意识到，单纯依靠工程服务无法支撑未来的增长。他们需要一个能够将数据转化为竞争优势的数字化平台。但自研AI的尝试并不顺利——KBR内部曾组建了一个约50人的数据科学团队，试图开发通用的工业AI工具，但两年下来，成果寥寥。

问题出在哪里？通用AI模型在能源场景中几乎“水土不服”。以OpenAI的GPT-4为例，它在处理自然语言任务时表现出色，但面对炼油厂复杂的化学反应过程、管道压力波动预测、设备故障诊断等物理世界问题时，表现堪称灾难。一个典型的案例是：某欧洲石油巨头曾尝试用GPT-4分析炼油厂的实时传感器数据，结果模型生成的优化建议导致能耗反而上升了15%。原因很简单——大语言模型不理解物理世界的因果关系，它们只是在预测下一个token，而不是在模拟分子如何反应、流体如何流动。

“能源行业的AI需求，本质上是对物理世界的高精度建模。”Applied Computing的CTO兼联合创始人Dr. Sam Tukra在采访中解释道，“你需要模型理解热力学、流体力学、化学反应动力学，而不仅仅是文本和图像。”这正是KBR在内部自研失败后，转而寻求外部合作的根本原因。

Databricks跟投的信号

Databricks Ventures的加入，为这笔交易增添了另一层含义。作为全球领先的数据和AI基础设施公司，Databricks的投资通常聚焦于能够与其平台深度集成的垂直AI应用。Applied Computing的Orbital平台正是基于Databricks的Lakehouse架构构建的，这意味着Orbital可以直接利用Databricks的数据治理、MLflow模型管理和实时推理能力。

“Databricks的投资，本质上是对‘数据基础设施+垂直AI’模式的认可。”一位熟悉Databricks投资策略的VC合伙人分析道。在能源行业，数据孤岛问题尤为严重：一家典型的炼油厂可能拥有超过10万个传感器，每天产生TB级的数据，但这些数据分散在不同的系统中，格式各异，质量参差不齐。传统方法只能利用其中约8%的数据，而Orbital声称可以利用100%的数据。这背后的技术突破，部分得益于Databricks提供的实时数据湖和流处理能力。

但Databricks的投资还有另一层战略考量：防止垂直AI公司倒向竞争对手。Snowflake和Google Cloud都在积极布局工业AI领域，而Databricks需要确保其平台成为垂直AI应用的默认选择。投资Applied Computing，相当于在能源这个关键垂直领域钉下了一颗钉子。

能源行业AI渗透率的残酷现实

McKinsey在2025年发布的一份报告显示，尽管AI在能源行业的应用潜力巨大（预计可带来高达1.2万亿美元的价值），但仅有12%的能源公司规模化部署了AI，远低于金融（45%）和零售（38%）等行业。更令人担忧的是，在已经部署AI的能源公司中，超过60%的项目在试点阶段就失败了。

为什么传统AI在能源领域如此“水土不服”？原因可以归结为三点：

第一，数据质量与标注成本。能源行业的传感器数据通常带有大量噪声，且缺乏标注。例如，一个炼油厂的压缩机故障数据，可能需要工程师花费数周时间手动标注。通用AI模型无法处理这种脏数据，而定制化的标注成本又高得惊人。

第二，可解释性要求。在能源行业，一个错误的AI决策可能导致数亿美元的损失，甚至引发安全事故。因此，工程师和监管机构要求AI模型必须“可解释”——即模型不仅要给出预测结果，还要说明为什么。通用深度学习模型通常是“黑箱”，无法满足这一要求。Orbital的差异化在于，它结合了物理模型（如热力学方程）和机器学习，使得输出结果可以追溯到物理原理。

第三，实时性与可靠性。能源设施需要7×24小时不间断运行，AI系统必须能够处理毫秒级的实时数据，并在极端条件下保持稳定。通用AI模型通常是为离线批处理设计的，无法满足这种实时性要求。

这三点，恰恰是Applied Computing试图解决的痛点。但问题在于：这家成立仅三年的公司，真的能打破能源行业“AI落地难”的魔咒吗？KBR和Databricks的押注，究竟是看到了真正的技术突破，还是仅仅在赌一个可能性？答案，或许藏在Orbital平台的技术细节和实际部署效果中。

Orbital的“反常识”设计：为什么只用了8%的数据，却声称比传统方案好90%？

“我们的模型能利用100%的数据，但关键指标比传统软件好90%。”这句话如果出自一个AI销售之口，大概率会被能源行业的工程师们嗤之以鼻。在工业领域，数据量和模型性能之间并非简单的正相关关系——这是任何一个有经验的工程师都明白的道理。但Applied Computing的Orbital平台，却将这个看似矛盾的命题变成了其技术路线的核心卖点。

通用大模型的“物理盲区”

要理解Orbital的“反常识”设计，首先需要明白传统AI方法在能源场景中为何失败。2024年，一家欧洲石油巨头曾做过一个实验：他们用GPT-4分析一座炼油厂的实时传感器数据，试图优化催化裂化装置的能效。结果令人沮丧——模型给出的建议不仅没有降低能耗，反而导致装置在24小时内出现了两次异常波动，最终被工程师紧急叫停。

“大语言模型本质上是一个‘统计预测器’，它擅长的是在文本空间中寻找模式，而不是理解物理世界的因果关系。”Applied Computing的CTO Sam Tukra在采访中解释道。GPT-4可以将“温度升高”和“压力增大”关联起来，但它无法理解为什么温度升高会导致压力增大——因为它不懂理想气体状态方程（PV=nRT）。在能源场景中，这种“不理解”是致命的：一个错误的优化建议可能导致设备损坏、生产中断，甚至安全事故。

更具体地说，通用AI模型在三个核心维度上表现糟糕：

• 时间序列预测：能源设施的核心数据是传感器采集的时间序列（温度、压力、流量等）。但通用模型（包括Transformer架构）在处理长序列时存在“注意力衰减”问题——它们更关注最近的几个时间点，而忽略了长期的周期性规律。例如，一个炼油厂的压缩机振动数据可能呈现出24小时的周期性模式（受环境温度影响），但GPT-4很难捕捉这种模式，因为它没有“时间感知”能力。

• 物理约束建模：能源过程必须遵守物理定律——质量守恒、能量守恒、热力学第二定律等。但通用模型不会自动遵循这些约束。一个典型的例子是：模型可能“预测”出一个反应器的出口温度高于入口温度，但根据能量守恒定律，在没有外部加热的情况下，这不可能发生。这种“物理幻觉”在通用模型中屡见不鲜。

• 可解释性缺失：能源行业的工程师需要知道“为什么”。如果模型建议降低反应器的进料速度，工程师需要知道这是基于哪个物理原理——是热力学限制，还是催化剂活性下降？通用深度学习模型是典型的“黑箱”，无法提供这种解释。

Orbital的“多基础模型”架构：不是一个大模型，而是一群模型

Orbital的解决方案，在AI圈内被称为“多基础模型”（Multi-Foundation AI）架构。简单来说，它不是训练一个超级大模型，而是构建一组专门化的模型，每个模型负责一个领域，然后通过一个“协调层”将它们整合在一起。

具体来说，Orbital包含四种核心模型类型：

1. 语言模型：用于处理文本数据——操作手册、维护记录、安全报告等。但它不是通用的GPT-4，而是基于能源领域语料微调的专用模型，能够理解“催化裂化”、“加氢脱硫”等专业术语。

2. 时间序列模型：专门处理传感器数据。与通用Transformer不同，Orbital的时间序列模型采用了“物理信息神经网络”（PINN）架构，将时间序列的周期性、趋势性和季节性特征显式编码到模型中。例如，它会“知道”炼油厂的蒸汽消耗量在夏季通常比冬季高15%，因为环境温度影响冷却效率。

3. 物理模型：这是Orbital的核心差异化所在。团队将热力学、流体力学、化学反应动力学的基本方程（如Navier-Stokes方程、Arrhenius方程）以“可微分”的形式嵌入到神经网络中。这意味着模型在训练过程中会自动遵守物理定律——任何违反能量守恒的预测都会被惩罚。

4. 化学工程模型：专门针对化工过程建模。例如，对于氨合成反应（N₂ + 3H₂ → 2NH₃），模型会内置反应动力学方程、催化剂活性衰减模型、以及不同温度和压力下的平衡转化率计算。这使得模型能够准确预测反应器的性能，而不仅仅是“学习”数据中的模式。

这四种模型通过一个“协调层”进行整合。协调层的作用包括：数据路由（将不同类型的数据发送到对应的模型）、结果融合（将各模型的输出进行加权组合）、以及冲突解决（当不同模型的预测不一致时，优先遵循物理模型的约束）。

氨生产案例：物理定律如何防止“AI幻觉”

Orbital与KBR合作的首个落地案例——氨生产优化——清晰地展示了这种架构的优势。

氨是化肥和化工原料的核心产品，全球年产量超过2亿吨。KBR是氨生产技术的主要专利商之一，其开发的KBR Purifier™工艺被全球数百家工厂采用。但氨生产是一个高能耗、高碳排放的过程——每生产1吨氨，大约排放1.8吨CO₂。优化能效和降低碳排放，是行业的核心痛点。

传统的优化方法依赖“数字孪生”技术——即用物理方程构建一个工厂的数学模型，然后通过模拟寻找最优操作参数。但这种方法有两个局限：第一，物理模型的计算速度很慢，一个完整的工厂模拟可能需要数小时；第二，物理模型难以处理不确定性——例如，催化剂活性会随着时间衰减，但衰减速率很难精确建模。

Orbital的解决方案是：用物理模型提供“骨架”，用机器学习模型填充“血肉”。具体来说，团队首先将KBR的氨合成工艺的物理方程（包括反应动力学、热平衡、物料平衡）编码到物理模型中。然后，用工厂的实时传感器数据训练时间序列模型和化学工程模型，让它们“学习”物理模型无法捕捉的细节——例如，某个特定批次催化剂的衰减曲线、或者环境温度变化对冷却效率的影响。

关键的设计决策是：物理模型的约束优先级高于机器学习模型。这意味着，如果时间序列模型预测出反应器的出口温度会超过物理模型允许的上限，协调层会自动调整预测结果，使其符合物理定律。这种设计从根本上杜绝了“物理幻觉”——Orbital永远不会给出违反能量守恒或热力学定律的建议。

在KBR的测试中，Orbital将氨工厂的能效提升了约12%，同时将碳排放降低了约8%。更关键的是，模型给出的优化建议都是“可解释的”——例如，它会告诉工程师：“建议将反应器压力从150 bar降低到145 bar，因为根据Arrhenius方程，当前催化剂活性下降导致反应速率降低，降低压力可以避免过度压缩造成的能量浪费。”

“100%数据利用率”的真正含义

回到最初的问题：为什么Orbital声称能利用100%的数据，但关键指标却比传统软件好90%？

答案在于“有效数据”的定义。传统的工业AI方法（如SCADA系统的数据分析模块）只能处理结构化的、标注好的传感器数据——这通常只占工厂总数据的8%左右。其余92%的数据包括：非结构化的操作日志、维护记录、供应商报告、以及低质量或缺失的传感器数据。传统方法会直接丢弃这些数据。

Orbital的“多基础模型”架构允许它处理这些“脏数据”。例如：

• 操作日志中的文本记录（“压缩机在下午3点出现异常振动”）可以被语言模型处理，提取关键信息。
• 低质量的传感器数据（存在噪声或缺失值）可以被时间序列模型通过“物理约束”进行补全——如果温度传感器在某个时间点失效，模型可以根据热力学方程和相邻传感器的数据推断出合理的值。
• 供应商报告中的设备参数（如压缩机的额定功率、效率曲线）可以被化学工程模型吸收，用于更精确的建模。

但“利用100%的数据”并不意味着所有数据都有同等价值。Orbital的协调层会动态评估每个数据源的质量和相关性，对高质量数据赋予更高权重，对低质量数据施加更严格的物理约束。这实际上是一种“数据质量感知”的AI架构——它不会盲目信任数据，而是用物理定律作为“过滤器”。

可复制性的疑问：Orbital能否走出能源行业？

Orbital的架构在能源场景中表现优异，但它能否扩展到其他重工业？这是一个悬而未决的问题。

从技术角度看，“多基础模型”架构本身具有通用性——任何需要遵守物理定律的工业场景（钢铁、化工、水泥、造纸）都可以采用类似的设计。但关键在于“物理模型”的构建成本。对于氨生产，KBR提供了数十年的工艺数据和物理方程，这使得Orbital团队能够快速构建高质量的物理模型。但对于一个全新的行业（如钢铁冶炼），Applied Computing需要重新构建物理模型，这可能需要数月甚至数年的投入。

“我们不会试图成为所有行业的AI公司。”CEO Callum Adamson在采访中坦言，“我们的策略是聚焦能源行业，与KBR这样的行业巨头深度合作，逐步建立壁垒。”这种策略的好处是：在能源领域，Orbital已经积累了足够的数据和行业知识，形成了“飞轮效应”——越多工厂使用Orbital，模型就越精准，客户粘性就越高。

但风险同样明显：如果能源行业的需求出现波动（例如，全球能源转型导致传统油气项目减少），Orbital的增长空间可能会受到限制。此外，竞争对手也在快速跟进——西门子、ABB等工业巨头都在开发类似的“物理信息AI”平台，它们拥有更丰富的行业数据和客户关系。

Orbital的“多基础模型”架构，本质上是对工业AI“通用性vs专用性”这一经典矛盾的一种折中方案。它试图用物理定律的“通用性”来弥补领域知识的“专用性”，用数据驱动的“灵活性”来弥补物理模型的“刚性”。这种设计在能源场景中已经证明了其有效性，但能否在其他行业复制，还需要时间来验证。

从伦敦到休斯顿：一家欧洲AI公司的“美国梦”与能源地缘政治

2026年7月，当Applied Computing宣布在休斯顿开设新办公室时，CEO Callum Adamson在LinkedIn上发布了一张照片：一栋位于Woodland Heights区的三层办公楼，距离KBR总部仅15分钟车程。配文简洁有力：“Orbital正式登陆全球能源之都。”

这条动态在48小时内获得了超过2000次点赞，但评论区并非一片喝彩。一位自称在ExxonMobil工作了20年的工程师留言写道：“又一个欧洲AI公司来休斯顿卖梦想。祝你好运。”

这种质疑并非毫无根据。休斯顿是全球能源行业的神经中枢——超过5000家能源公司在此设有总部或区域中心，包括ExxonMobil、Chevron、ConocoPhillips等超级巨头。但这里也是美国本土AI公司的腹地：C3.ai在2019年就与Shell签署了数亿美元的合同，Uptake（后被收购）曾声称其AI平台能为油气公司节省数十亿美元。更不用说，西门子、ABB、GE等工业巨头都在休斯顿设有庞大的数字化团队。

欧洲AI公司进入美国市场的“三重诅咒”

“欧洲AI公司在美国能源市场失败，通常不是因为技术不行，而是因为三个问题没解决。”一位曾帮助三家欧洲AI公司进入美国市场的咨询顾问告诉RecodeX。这三个问题被他称为“三重诅咒”：

第一，客户关系。能源行业是一个极度依赖信任的行业。一家炼油厂的技术总监不会轻易相信一个来自伦敦的AI初创公司——他们需要看到至少3-5年的成功案例，需要知道你的模型在类似工况下运行过。欧洲AI公司通常缺乏这种“信任背书”。

第二，合规审查。美国外国投资委员会（CFIUS）对涉及关键基础设施的外国投资和技术合作审查日趋严格。2024年，一家德国AI公司试图与一家美国管道运营商合作，结果项目因CFIUS审查而搁置了18个月，最终终止。能源行业被视为“关键基础设施”，任何涉及数据共享和AI模型部署的合作都可能触发审查。

第三，本地化。美国能源行业的操作规范、监管标准、数据格式与欧洲存在显著差异。例如，美国炼油厂普遍采用API（美国石油学会）标准，而欧洲则更多采用ISO标准。一个在欧洲训练好的AI模型，直接部署到美国工厂可能会因为数据格式差异而表现不佳。

Applied Computing的应对策略，可以概括为“借船出海”——通过KBR这个“引路人”绕过上述障碍。KBR在美国能源行业拥有超过60年的历史，与几乎所有主要油气公司都有合作关系。更重要的是，KBR本身就是美国公司（总部在休斯顿），其客户关系、合规经验和本地化能力，都可以被Applied Computing直接复用。

KBR的“引路人”角色：从合作伙伴到投资者

KBR与Applied Computing的合作，并非始于2026年的投资。早在2024年底，KBR的数字化团队就在寻找能够解决“物理世界AI”问题的合作伙伴。当时，KBR内部评估了至少15家AI公司，包括C3.ai、Uptake、以及几家欧洲初创公司。

“C3.ai的问题在于太贵，而且他们的模型在物理场景中表现不稳定。”一位参与评估的KBR前员工透露。C3.ai的通用AI平台在金融和零售领域表现不错，但在能源场景中，其模型经常给出违反物理定律的建议。Uptake则过于聚焦于预测性维护，无法覆盖优化、减排等更广泛的场景。

Applied Computing的Orbital平台在2025年初的测试中脱颖而出。测试场景是KBR的一个氨工厂模型——这是KBR最核心的技术资产之一。Orbital不仅准确预测了工厂的性能，还给出了可解释的优化建议。更关键的是，Orbital的“多基础模型”架构允许KBR将其数十年的工艺数据直接嵌入到模型中，这相当于让KBR的技术资产“活”了起来。

“KBR意识到，他们不是在投资一家AI公司，而是在投资一种能够放大自身技术优势的工具。”一位接近交易的投行人士分析道。KBR的工艺技术（如氨合成、乙烯裂解）是其核心壁垒，但这些技术通常以“设计手册”的形式存在，难以被数字化和规模化。Orbital可以将这些工艺知识编码到AI模型中，使得KBR能够以“软件+服务”的形式向客户提供优化方案，而不仅仅是卖设计图纸。

这种模式在2026年3月结出了第一个果实：KBR发布了INSITE 3.0，这是其数字交付平台，核心引擎正是Applied Computing的Orbital。INSITE 3.0的目标客户是KBR现有的200多个工艺技术授权客户——这些客户遍布全球，每年为KBR贡献超过10亿美元的收入。通过INSITE 3.0，KBR可以向这些客户提供AI驱动的优化服务，而无需自己开发AI模型。

休斯顿办公室的战略意义：不只是“开个门”

休斯顿办公室的选址并非随意。Applied Computing选择的是休斯顿的“能源走廊”——Woodland Heights区，这里聚集了KBR、Halliburton、Baker Hughes等公司的总部。办公室距离KBR总部仅15分钟车程，这意味着团队可以随时与KBR的工程师进行面对面交流。

但更重要的战略意义在于“人才获取”。休斯顿拥有全球最大的能源技术人才池——Rice University、University of Houston每年培养大量石油工程和化学工程毕业生，而ExxonMobil、Shell等巨头则训练了大量具备行业经验的AI工程师。Applied Computing计划在休斯顿招聘约30人，包括AI工程师、解决方案架构师和客户成功经理。

“我们不会在休斯顿建一个纯研发团队。”Applied Computing的CTO Sam Tukra在内部会议上明确表示。休斯顿团队的核心职能是“最后一公里”的本地化适配——将Orbital模型部署到美国客户的系统中，处理数据格式转换、合规审查、以及客户培训。

地缘政治背景下的“双重红利”

Applied Computing的国际化扩张，恰好踩中了两个地缘政治红利。

第一个红利来自俄乌战争后的欧洲能源危机。2022年以来，欧洲能源价格飙升，迫使欧洲能源公司大幅削减成本、提高效率。Applied Computing在欧洲的早期客户——包括一家未具名的欧洲石油巨头——都是在2023-2024年间签约的。这些客户的需求高度一致：用AI优化现有设施，在不增加资本支出的情况下降低能耗和碳排放。

第二个红利来自美国的《通胀削减法案》（IRA）。IRA于2022年签署，为清洁能源技术提供了数千亿美元的税收抵免和补贴。但IRA的一个关键条款是：只有在美国本土部署的技术才能享受补贴。这意味着，任何希望从IRA中获益的AI公司，都必须在美国有实际业务。Applied Computing的休斯顿办公室，正是为了满足这一条件。

“IRA对AI公司来说是一个巨大的机会，但前提是你必须在美国。”一位熟悉IRA政策的律师告诉RecodeX。例如，一个AI优化方案如果能够帮助炼油厂降低碳排放，炼油厂就可以申请IRA的碳捕获税收抵免（45Q条款）。但AI公司必须证明其技术是在美国本土开发和部署的，否则炼油厂无法获得补贴。

印度班加罗尔：低成本AI研发的“秘密武器”

在休斯顿办公室之外，Applied Computing还有一个不太为人知的运营中心——印度班加罗尔。这个成立于2024年的团队，目前约有40人，主要负责数据标注、模型训练和基础研究。

班加罗尔的选择并非偶然。印度拥有全球最大的AI工程师储备之一，但成本仅为伦敦的1/3到1/2。更重要的是，印度在能源AI领域积累了独特的人才优势——许多印度工程师曾在Reliance Industries、Indian Oil等本土能源公司工作，具备行业知识。

“我们的班加罗尔团队负责处理最‘脏’的数据——低质量传感器数据、非结构化的操作日志、以及多语言的技术文档。”Sam Tukra解释道。这些数据经过清洗和标注后，会被送到伦敦的研发团队进行模型训练。这种“数据清洗+模型训练”的分工模式，使得Applied Computing能够以较低成本处理海量数据。

但班加罗尔团队也有其局限性。由于时差和文化差异，班加罗尔团队与伦敦、休斯顿团队的沟通效率并不高。一位前员工透露，团队之间经常因为需求理解不一致而返工。此外，印度的人才流动性较高——Applied Computing的班加罗尔团队在过去一年中流失了约15%的成员，这对于需要长期积累的AI研发来说是一个挑战。

悬而未决的问题：能否复制“KBR模式”？

Applied Computing的国际化战略，目前高度依赖KBR这一个“锚点客户”。但问题是：这种合作模式能否复制到其他客户？

从技术角度看，Orbital的“多基础模型”架构允许与不同的工艺技术供应商合作。但关键在于，每个工艺技术供应商都拥有独特的数据和知识，需要定制化的模型训练。KBR愿意投入资源与Applied Computing合作，是因为它看到了Orbital能够放大其工艺技术优势。但其他公司（如Lummus、Technip）是否也有同样的动力？

“如果Applied Computing只能与KBR合作，那它本质上就是KBR的AI外包团队。”一位竞争对手的CEO直言不讳。这种评价虽然刺耳，但点出了Applied Computing面临的核心风险：过度依赖单一合作伙伴。

Applied Computing的应对策略是“多线布局”。据知情人士透露，公司正在与至少两家其他工艺技术供应商进行谈判，计划在2027年前签署类似的合作协议。此外，公司也在尝试直接与大型能源运营商（如Shell、BP）建立合作关系，而不通过中间商。

但直接合作面临更大的挑战。大型能源运营商通常有自己的AI团队，且对数据共享极为谨慎。一位Shell的AI部门前员工表示：“Shell内部有超过200人的AI团队，他们不会轻易信任一个外部模型。你需要证明你的模型比他们内部开发的更好，而且还要通过严格的安全审查。”

休斯顿的赌注

休斯顿办公室的开设，标志着Applied Computing正式进入“深水区”。这里不仅有强大的竞争对手，还有复杂的监管环境和挑剔的客户。但Applied Computing的优势在于：它有一个强大的“引路人”——KBR，以及一个经过验证的技术平台——Orbital。

“我们不是来休斯顿‘试水’的。”Callum Adamson在休斯顿办公室的开幕致辞中说，“我们是来‘扎根’的。”这句话背后，是Applied Computing对北美市场的野心。根据Grand View Research的数据，北美能源AI市场预计将从2025年的45亿美元增长到2030年的120亿美元，年复合增长率超过20%。如果Applied Computing能够在这个市场中占据哪怕1%的份额，其估值就将达到数十亿美元。

但赌注同样巨大。如果KBR的合作模式无法复制，如果CFIUS审查导致项目搁置，如果美国本土竞争对手推出类似产品——任何一个风险都可能让Applied Computing的“美国梦”变成“美国噩梦”。在休斯顿这个能源之都，每一天都在上演着类似的创业故事：有的成功，有的失败，更多的则无声无息地消失。Applied Computing能否成为那个例外，时间会给出答案。

前Shell AI掌门人挂帅：Applied Computing如何从“技术公司”蜕变为“行业标准制定者”？

2026年7月，当Applied Computing宣布任命Dan Jeavons为总裁时，伦敦科技圈的反应颇为微妙。这位前Shell AI负责人，在能源行业拥有超过20年的经验，曾主导Shell的全球AI战略，管理着超过200人的AI团队。但更引人注目的是，Jeavons选择离开Shell——这家每年在AI上投入数亿美元的能源巨头——加入一家成立仅三年的初创公司。

“Dan的加入，标志着Applied Computing从‘卖软件’向‘定标准’的转型。”一位接近公司董事会的消息人士告诉RecodeX。在能源行业，标准制定者的地位远高于软件供应商——前者定义规则，后者只是规则的执行者。而Jeavons的履历，恰好为这种转型提供了关键背书。

Dan Jeavons的Shell岁月：从“AI实验”到“AI工业化”

Jeavons在Shell的职业生涯堪称传奇。2018年，Shell成立了全球AI中心，Jeavons被任命为负责人。彼时，Shell的AI战略还处于“实验阶段”——团队只有30多人，主要任务是探索AI在勘探、生产、炼油等环节的应用。但Jeavons很快意识到，Shell面临的核心问题不是“AI能不能用”，而是“AI如何规模化”。

“Shell内部有超过100个AI试点项目，但真正进入生产环境的不到10%。”一位前Shell AI团队的核心成员回忆道。原因很简单：每个试点项目都是“孤岛”，缺乏统一的数据标准、模型管理平台和部署流程。Jeavons主导的变革，正是将AI从“项目制”转向“平台化”——他推动Shell采用了统一的AI基础设施（基于Databricks和AWS），建立了全球性的数据治理框架，并制定了AI模型的评估和部署标准。

到2023年，Shell的AI团队已扩张到200多人，每年在AI上的投入超过3亿美元。但回报同样惊人：Shell声称，AI优化帮助其上游业务降低了约15%的运营成本，每年节省超过10亿美元。Jeavons最引以为傲的项目之一，是Shell在北海的FPSO（浮式生产储卸油装置）优化——通过AI模型实时调整生产参数，将石油采收率提升了约5%，相当于每年多产原油超过100万桶。

但Jeavons的野心不止于此。他曾在内部会议上多次强调：“Shell不应该只是AI的使用者，而应该是AI的规则制定者。”这种想法，与Applied Computing的愿景不谋而合。

为什么离开Shell？

2025年底，Jeavons做出了一个令许多人意外的决定：离开Shell，加入Applied Computing。外界猜测纷纷，但据多位知情人士透露，核心原因有三：

第一，Shell内部的创新瓶颈。Shell的AI团队虽然庞大，但受限于公司层级结构和风险规避文化，创新速度正在放缓。“在Shell，一个AI项目从立项到部署，平均需要18个月。而在初创公司，这个周期可以缩短到3个月。”一位前Shell同事解释道。Jeavons渴望更快的迭代速度和更大的影响力。

第二，对“物理世界AI”的信仰。Jeavons在Shell的实践中深刻体会到，通用AI模型在能源场景中存在根本性局限。“我们尝试过用GPT-4优化炼油厂，结果灾难性。”他曾在一次内部分享中坦言。Applied Computing的“多基础模型”架构，正是他多年来梦寐以求的技术路线——将物理定律嵌入AI模型，从根本上解决“AI幻觉”问题。

第三，个人挑战。Jeavons在Shell已经做到了AI领域的最高职位，但“大公司高管”的标签让他感到厌倦。“他想证明自己不仅是一个管理者，更是一个创业者。”一位与Jeavons私交甚密的人士透露。加入Applied Computing，意味着他可以从零开始构建一家公司，而不是在巨人的肩膀上继续前进。

从“软件供应商”到“标准制定者”

Jeavons的加入，为Applied Computing带来了一个关键资源：行业信任。在能源行业，信任是商业模式的核心——没有客户会轻易将核心运营数据交给一个没有“出身”的初创公司。但Jeavons的Shell背景，相当于为Applied Computing提供了一份“信任背书”。

“当Dan Jeavons告诉你，Orbital模型在Shell的测试中表现优异，你会更愿意相信。”一位正在与Applied Computing洽谈合作的欧洲石油巨头高管表示。这种信任，是任何技术文档都无法替代的。

但Jeavons的真正价值，在于帮助Applied Computing从“卖软件”转向“定标准”。具体来说，他正在推动三个关键战略：

第一，嵌入行业标准流程。 能源行业的运营高度依赖标准流程——从工程设计（如KBR的工艺包）到运营维护（如API的推荐做法）。Applied Computing的目标，是将Orbital嵌入到这些标准流程中，使其成为“默认选项”。KBR的INSITE 3.0就是一个典型案例：Orbital不再是独立运行的AI平台，而是KBR数字交付平台的核心引擎，直接服务于KBR的200多个工艺技术授权客户。

“我们的目标不是让客户购买AI软件，而是让客户在购买KBR的工艺包时，默认包含Orbital的优化能力。”Callum Adamson在一次内部战略会上解释道。这种模式类似于“能源行业的iOS”——Orbital成为底层操作系统，而KBR的工艺技术则是运行在上面的应用。

第二，定义数据标准。 能源行业的数据孤岛问题，根源于缺乏统一的数据标准。Applied Computing与Databricks的合作，正是为了解决这个问题。Databricks的Lakehouse架构提供了统一的数据存储和治理框架，而Orbital则定义了能源数据的“语义层”——包括传感器数据的命名规范、时间序列的采样频率、以及物理参数的表示方式。

“我们正在推动行业采纳一套通用的‘能源AI数据标准’。”Jeavons在休斯顿办公室的开幕致辞中表示。这套标准如果被广泛采用，将大幅降低能源公司部署AI的门槛——它们不再需要花数月时间清洗数据，而是可以直接将数据接入Orbital平台。

第三，构建生态系统。 标准制定者的另一个关键能力，是构建开发者生态。Applied Computing计划在2027年开放Orbital的API和SDK，允许第三方开发者在其平台上构建应用。例如，一家专注于压缩机预测性维护的初创公司，可以利用Orbital的基础模型和物理约束，快速开发出针对特定设备类型的优化应用。

“我们不想成为所有应用的开发者，而是想成为应用的‘土壤’。”Sam Tukra在采访中表示。这种平台化策略，与Databricks的商业模式如出一辙——后者通过提供数据基础设施，催生了数千个垂直AI应用。

与C3.ai、BHC3的“路线之争”

Applied Computing的“标准制定者”野心，不可避免地与现有玩家发生碰撞。在能源AI领域，最直接的竞争对手是C3.ai和Baker Hughes的BHC3。

C3.ai成立于2009年，是工业AI领域的先行者。其平台C3 AI Suite提供了通用的AI开发工具，客户包括Shell、ExxonMobil等能源巨头。但C3.ai的商业模式是典型的“项目制”——每个客户都需要定制化开发，导致交付周期长、利润率低。2024年，C3.ai的营收约为2.5亿美元，但亏损超过1亿美元。

BHC3是Baker Hughes与C3.ai的合资公司，成立于2021年，专注于能源行业的AI解决方案。BHC3的优势在于Baker Hughes的行业关系和设备数据，但其技术路线与C3.ai一脉相承——通用AI平台+行业定制化。BHC3的客户包括BP、Equinor等，但同样面临“项目制”的瓶颈。

Applied Computing的差异化在于：它不是提供AI工具，而是提供“物理世界AI”的基础模型。这意味着，客户不需要从零开始构建AI模型，而是可以直接使用Orbital预训练的物理模型，然后针对特定场景进行微调。这种“基础模型+微调”的模式，大幅降低了部署成本和时间。

“C3.ai和BHC3是‘卖铲子’的，而我们是‘卖地’的。”一位Applied Computing的产品经理形象地比喻道。卖铲子意味着每个客户都需要自己挖矿，而卖地意味着客户可以直接在已有的土地上耕种。这种模式的优势在于：一旦客户采用了Orbital，迁移成本极高——因为他们的数据、模型和流程都已经与Orbital深度绑定。

悬而未决的问题：能否说服石油巨头放弃自研？

但Jeavons面临的最大挑战，不是来自竞争对手，而是来自客户——尤其是那些拥有庞大AI团队的石油巨头。

Shell、ExxonMobil、BP等公司，都在AI上投入了数十亿美元，建立了自己的AI团队和数据平台。它们为什么要放弃自研，转而采用Applied Computing的Orbital？这个问题的答案，决定了Applied Computing能否真正成为“标准制定者”。

“石油巨头自研AI，本质上是一种‘防御性创新’——它们担心被外部供应商锁定，也担心核心数据泄露。”一位曾在Shell和BP工作过的AI专家分析道。但自研AI的问题在于：成本高、周期长、且难以规模化。一个典型的案例是：Shell内部开发的一个炼油厂优化模型，花了18个月才部署到第一个工厂，而Applied Computing的Orbital在KBR的测试中，只用了3个月就完成了同样的任务。

Jeavons的策略是“用数据说话”。他正在推动Applied Computing与Shell、BP等公司进行“盲测”——让Orbital与这些公司内部开发的AI模型在同样的数据集上进行对比测试。如果Orbital在关键指标上（如预测精度、优化效果、部署速度）显著优于内部模型，那么“放弃自研”就变成了一个理性的商业决策。

“我们不是要让石油巨头放弃自研，而是让他们意识到，自研不是最优解。”Jeavons在采访中表示。他的逻辑是：石油巨头的核心竞争力在于“运营”，而不是“AI开发”。将AI开发外包给专业公司，可以让他们更专注于核心业务。

但这一逻辑能否被接受，仍是一个巨大的问号。石油巨头的内部政治、对数据安全的担忧、以及对“技术主权”的执着，都可能成为Applied Computing的障碍。Jeavons的Shell背景，或许能帮助他打开一些门，但最终能否说服客户，仍取决于Orbital的实际表现。

标准制定者的“孤独”

标准制定者的道路从来都不容易。在能源行业，历史上成功的标准制定者——如API、ISO——都经历了数十年的积累和博弈。Applied Computing能否在几年内复制这种成功，是一个巨大的未知数。

但Jeavons的加入，至少让这个目标变得不再遥不可及。他带来的不仅是Shell的行业经验，更是一种“标准制定者”的思维方式——不是满足于解决单个客户的问题，而是试图定义整个行业的技术路线。

“我们不是在卖软件，我们是在写规则。”Jeavons在Applied Computing的第一次全员大会上说。这句话，或许是对这家公司未来十年最精准的概括。

2000万美元A轮之后的“生死时速”：Applied Computing的三大挑战与行业终局猜想

2026年7月，Applied Computing的A轮融资尘埃落定。1740万欧元（约2000万美元）的金额，在AI领域不算惊人——同期，欧洲AI初创公司的平均A轮融资额已超过3000万美元。但考虑到这家公司成立仅三年、团队规模不到100人，这笔钱足以支撑其未来18-24个月的运营。

然而，融资从来不是终点，而是新一轮“生死时速”的起点。在能源AI这个资本密集、客户保守、竞争激烈的赛道，Applied Computing面临着三大核心挑战。任何一个挑战处理不当，都可能让这家被KBR和Databricks看好的初创公司，在下一轮融资前陷入困境。

挑战一：技术落地——“实验室性能”与“现场性能”的鸿沟

Orbital在KBR的氨工厂测试中表现优异：能效提升12%，碳排放降低8%，预测精度比传统软件好90%。但测试环境与真实生产环境之间存在巨大差异——这是所有工业AI公司都必须面对的“最后一公里”问题。

数据质量的“魔鬼”藏在细节里。 在测试中，KBR提供的传感器数据经过了精心清洗和标注——缺失值被补全，异常值被剔除，时间戳被对齐。但在真实工厂中，数据质量往往惨不忍睹：传感器可能因老化而漂移，通信协议可能因干扰而丢包，不同供应商的设备可能使用不同的数据格式。一位参与过Shell AI项目的工程师告诉RecodeX：“在Shell，我们花了60%的时间在数据清洗上，只有40%的时间在模型训练上。Applied Computing声称能利用100%的数据，但前提是这些数据必须经过他们的协调层处理——而协调层的处理能力，取决于数据质量。”

物理模型的“边界条件”问题。 Orbital的物理模型基于热力学、流体力学等基本方程，但这些方程都有其适用范围和边界条件。例如，Navier-Stokes方程在湍流状态下需要额外的湍流模型，而Arrhenius方程在催化剂失活后需要修正。在测试环境中，KBR的工程师已经将这些边界条件预设好；但在真实工厂中，操作条件可能超出模型的设计范围——例如，当反应器温度异常升高时，模型可能因为缺乏对应的训练数据而给出错误建议。

实时性的“硬约束”。 能源设施需要毫秒级的实时响应。Orbital的“多基础模型”架构虽然精度高，但计算复杂度也高——一个完整的优化建议可能需要数秒才能生成。对于炼油厂的催化裂化装置来说，数秒的延迟可能意味着数百吨原料的浪费。Applied Computing正在通过模型蒸馏和边缘计算来优化实时性，但尚未在真实场景中验证。

“Orbital在实验室里是‘神’，但在工厂里能不能成为‘好用的工具’，还需要至少12个月的验证期。”一位不愿具名的能源行业AI顾问评论道。

挑战二：商业变现——如何让保守的能源巨头“掏钱”

能源行业是出了名的“慢节奏”行业。一家炼油厂从接触AI供应商到签署合同，平均需要18-24个月。更麻烦的是，能源公司的采购流程极其复杂——需要经过技术评估、安全审查、法律合规、预算审批等多个环节，每个环节都可能卡住数月。

合同模式：SaaS还是项目制？ Applied Computing目前采用的是“SaaS订阅+项目制”的混合模式。对于标准化程度较高的优化场景（如氨生产），公司提供SaaS订阅，年费在50万-200万美元之间。但对于需要深度定制的场景（如炼油厂的整体优化），则采用项目制，合同金额在500万-1000万美元之间。这种模式的问题在于：SaaS订阅的客单价较低，难以支撑公司的快速增长；而项目制虽然客单价高，但交付周期长、利润率低。

续费率：一个尚未回答的问题。 截至2026年7月，Applied Computing的客户数量不超过10个，且大部分客户的使用时间不到6个月。这意味着，公司还没有经历过完整的续费周期。在能源行业，AI项目的续费率通常低于SaaS行业的平均水平——因为许多项目在试点阶段就被终止了。一位C3.ai的前销售总监透露：“C3.ai在能源行业的客户续费率只有60%左右，远低于企业SaaS 90%的平均水平。原因很简单：AI项目如果不能快速产生可量化的ROI，客户就会放弃。”

客单价与客户获取成本（CAC）的失衡。 Applied Computing的客户获取成本极高——每个大客户的销售周期长达12-18个月，需要投入大量的售前工程师、行业专家和高管时间。据估算，Applied Computing的CAC在50万-100万美元之间，而客户第一年的平均合同金额约为100万美元。这意味着，公司需要至少18个月才能收回获客成本。如果客户的续费率低于预期，公司的现金流将面临巨大压力。

挑战三：竞争格局——巨头环伺下的“夹缝求生”

能源AI赛道并不空旷。除了C3.ai、Uptake等老牌玩家，还有一批欧洲和美国的初创公司正在快速崛起。

挪威的Cognite：数据中台的“地头蛇”。 Cognite成立于2016年，总部在挪威奥斯陆，估值超过15亿美元。其核心产品Cognite Data Fusion是一个工业数据中台，能够将分散的传感器数据、操作日志、维护记录整合到一个统一的数据模型中。Cognite的优势在于：它已经与Equinor、Aker BP等北欧能源巨头建立了深度合作，拥有超过100个工业客户的部署经验。Applied Computing的Orbital虽然技术更先进，但在客户基础和行业信任度上，远不及Cognite。

美国的Element Analytics：专注“数据治理”的差异化路线。 Element Analytics成立于2018年，总部在旧金山，专注于工业数据的治理和标准化。其产品Element Platform能够自动识别、清洗和标注工业数据，大幅降低AI部署的数据准备成本。Element Analytics的客户包括ExxonMobil、Chevron等美国巨头。Applied Computing的Orbital虽然声称能利用100%的数据，但数据治理并非其核心能力——如果Element Analytics与C3.ai或BHC3合作，可能会对Applied Computing形成“前后夹击”的态势。

KBR的“排他性”风险。 KBR既是Applied Computing的投资者，也是其最大的合作伙伴和客户。但这种“三位一体”的关系，可能带来一个潜在风险：KBR是否会要求排他性合作？如果KBR要求Applied Computing不得与其他工程公司（如Lummus、Technip）合作，那么Applied Computing的市场空间将严重受限。一位接近KBR高层的消息人士透露：“KBR的投资条款中确实包含了一些优先合作权，但并未明确排他性。不过，KBR肯定不希望自己的竞争对手也使用Orbital。”

行业终局猜想：能源AI会成为“新ERP”吗？

尽管挑战重重，但能源AI的长期前景依然诱人。一个关键问题是：能源AI是否会像ERP（企业资源计划系统）一样，成为行业的标配基础设施？

支持“标配论”的理由： 能源行业的数字化进程正在加速。McKinsey预测，到2030年，全球能源行业的AI支出将达到500亿美元，相当于行业总资本支出的5%。如果AI能够像ERP一样，成为能源公司运营的“必需品”，那么Applied Computing这样的基础模型提供商，将获得类似SAP在ERP时代的地位——高客户粘性、高续费率、高利润率。

反对“标配论”的理由： 能源行业的碎片化程度远高于企业软件市场。ERP之所以能成为标配，是因为企业的财务、人力资源、供应链等流程高度标准化。但能源行业的运营流程因工艺、设备、监管环境的不同而千差万别——一个炼油厂的优化方案，无法直接复制到化工厂。这意味着，能源AI很难像ERP那样实现“一次开发、全球部署”，而是需要大量的定制化工作。定制化意味着高成本、低利润率，以及难以规模化的商业模式。

云巨头的“降维打击”风险。 另一个不可忽视的变量是云巨头。AWS、Azure、Google Cloud都在积极布局工业AI。AWS的IoT TwinMaker和Azure的Digital Twins，都提供了构建工业数字孪生的基础工具。如果云巨头将这些工具与自己的AI平台（如Amazon SageMaker、Azure AI）深度集成，并推出针对能源行业的垂直解决方案，Applied Computing这样的初创公司将面临巨大的竞争压力。

“云巨头的优势在于规模和生态，但劣势在于缺乏行业深度。”一位AWS工业AI团队的离职员工告诉RecodeX。“AWS可以花10亿美元开发一个通用的工业AI平台，但它无法理解炼油厂的催化裂化装置需要什么样的物理模型。这就是Applied Computing的机会。”

如果经济衰退来临，Applied Computing能否扛过寒冬？

2026年的全球经济前景并不明朗。高利率、地缘政治冲突、以及潜在的衰退风险，都可能影响能源公司的IT预算。如果经济衰退导致能源公司削减资本支出和运营成本，AI项目很可能是最先被砍掉的“非核心支出”。

Applied Computing的“抗衰退能力”取决于三个因素：

1. 客户粘性：如果Orbital能够快速产生可量化的ROI（例如，帮助客户降低10%的能耗），那么即使在衰退期，客户也可能继续付费——因为AI优化带来的成本节省，本身就是一种“反周期”的投资。

2. 合同结构：如果Applied Computing能够与客户签署长期合同（例如，3-5年的SaaS订阅），并锁定最低消费金额，那么公司的收入将更具可预测性。但目前，公司的合同以1年期为主，面临续费风险。

3. 融资储备：2000万美元的A轮融资，按照目前的烧钱速度（团队规模约100人，年运营成本约500万美元），可以支撑公司运营2-3年。但如果公司需要加速扩张（例如，将团队扩张到200人），资金储备将迅速消耗。

“Applied Computing需要在18个月内证明自己的商业模式可行，否则下一轮融资将非常困难。”一位关注工业AI的VC合伙人总结道。“如果经济衰退在2027年到来，而公司还没有实现正向现金流，那么它很可能成为‘寒冬’的牺牲品。”

在休斯顿的能源走廊，Applied Computing的办公室灯火通明。Callum Adamson和Dan Jeavons正在为下一场硬仗做准备。他们知道，2000万美元只是入场券，真正的比赛才刚刚开始。

结语

Applied Computing 的 1740 万欧元 A 轮融资，表面上是一笔由产业巨头领投、云基础设施玩家跟投的典型“战略融资”，但其背后折射出的，是能源行业对“物理世界 AI”的迫切需求与通用 AI 模型的根本性局限之间的尖锐矛盾。KBR 和 Databricks 的押注，本质上是对“多基础模型”技术路线的一次豪赌——他们赌的是，在能源这个数据孤岛严重、物理约束苛刻、可解释性要求极高的行业，一个将物理定律“编码”进神经网络的专用基础模型，能够比通用大语言模型和传统数字孪生方法更高效地解决实际问题。

这家公司拥有清晰的差异化定位（物理世界 AI）、强大的产业背书（KBR 的工艺技术与客户网络）、以及关键的人才加盟（前 Shell AI 掌门人 Dan Jeavons）。其“借船出海”的国际化策略，通过 KBR 这个“引路人”绕过了欧洲 AI 公司进入美国市场的“三重诅咒”。但与此同时，Applied Computing 面临的挑战同样严峻：技术从实验室到真实工厂的“最后一公里”鸿沟尚未跨越；商业模式高度依赖 KBR 这一个锚点客户，存在“单点故障”风险；能源巨头自研 AI 的惯性、以及 C3.ai、Cognite 等竞争对手的围堵，使得市场拓展充满不确定性。

在 2026 年这个宏观经济前景不明、能源行业资本支出趋于谨慎的节点，Applied Computing 的故事才刚刚开始。它的成败，将不仅决定一家初创公司的命运，更将为“物理世界 AI”这一技术路线在重工业领域的可行性提供关键证据。

核心判断：Applied Computing 正处于从“技术验证”到“商业规模化”的关键转折点。未来 12-18 个月，三个指标将决定其生死：KBR 之外能否签下至少 2-3 个独立大型客户（证明“KBR 模式”的可复制性）；Orbital 在真实生产环境中的部署效果（能否在 6 个月内为客户带来可量化的 ROI 提升，且不出现重大安全事故）；以及团队能否在烧光 2000 万美元融资之前，将 ARR 提升至 1000 万美元以上。若成功，其有望成为能源 AI 领域的“新标准制定者”；若失败，则可能沦为 KBR 的“AI 外包部门”，或在下一轮融资寒冬中黯然退场。