凌晨三点的能源站房，AI正在替代值夜班的人
凌晨3点，制药厂的消毒设备按计划启动。按照过去十年的惯例，这个时间点至少需要两名工人守在能源站房，盯着空压机的气压曲线，随时准备手动调节阀门。但在华润三九的某个基地，站房里只剩传感器指示灯在闪烁。值班工人不再需要通宵盯表。
这个场景背后是一家广州公司——蘑菇物联。据投资界报道，蘑菇物联近期已完成C轮C1、C2系列融资，累计规模近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，这笔钱不算大，但投资方的身份和加仓动作，比金额本身更值得拆解。
大多数物理AI创业公司把叙事重心放在具身智能、机器人操作上，蘑菇物联选了一条看起来”无聊”得多的路：让AI控制空压机、制冷机、水泵和风机。这些设备构成了企业综合能源系统的核心。公司声称，综合能源系统通常占企业总用电量的30%—60%，年节能价值空间高达2400亿元；该数据在来源材料中标注为”粗略计算”，属于公司估算口径，未经独立验证。但数字越大，越需要回答一个朴素的问题——凭什么是一家2016年成立的创业公司，而不是西门子或施耐德，来切走这块蛋糕？
| 字段 | 内容 |
|---|---|
| 公司 | 广东蘑菇物联科技有限公司 |
| 轮次 | C轮（C1、C2系列） |
| 金额 | 累计近2亿元人民币 |
| 投资方 | 云晖资本等多家老股东 |
| 总部 | 广州 |
| 创始人 | 沈国辉 |
| 官网 | https://www.mogulinker.com/ |
融资轮次口径冲突：C轮、C+轮还是C2轮
在进入具体分析之前，需要先处理一个事实层面的口径冲突。投资界报道和网易号文章均表述为”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”；东方财富网标题为”蘑菇物联完成近亿元C2轮融资”；而天眼查APP信息经证券之星、股百科等渠道整理，显示为”C+轮融资，融资额2亿人民币”，其中证券之星7月8日信息显示”C+轮融资，融资额未披露”，9月2日信息显示”C+轮融资，融资额2亿人民币”。
验证边界：哪些数字可以复核，哪些只能视为公司口径
本文涉及的”首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
具体而言，以下关键数据均属于公司声称口径，未经独立验证：灵知AI接入超26万台云端实时在线能源设备、服务超6000家企业、累计省电超36亿度、可释放近20%节能空间、在500强企业中服务130家、华润三九制冷站15%以上节能率、灵知AI完成国家网信办备案。公开材料中未见第三方审计报告、可复核的设备接入清单、客户名录或备案编号。后续正文中再次出现这些数字时，将不再逐一重复标注，但读者应始终将其理解为公司声称。
可复核指标包括：技术侧应核验第三方测试条件、样本规模、稳定性及与可比方案一致口径的结果；商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
从”设备连接”到”灵知AI”：十年打了一口什么井
沈国辉的履历在AI创业圈里显得另类。他1982年出生，学数学出身，保研读管理科学与工程，研究的是水利电力工程的运筹优化。2006年硕士毕业后进入大型工厂，三年做到冰箱洗衣机事业部副总经理，之后负责集团智能家居落地。在工厂的十年里，他观察到一个反差：几百元的家电都能智能化，而生产现场几十万、上百万一台的大型设备，智能化程度却低得多。
2016年，沈国辉创立蘑菇物联。第一个三年，公司做的是设备连接——物联网关、能源设备通讯协议、数据应用。沈国辉把这比作”打井”：”选一个方向，一直往下挖。挖到地下河，一通百通。”第二个三年，公司切入设备产业链的工业SaaS业务。真正的转折发生在2022年ChatGPT浪潮之后，团队启动灵知AI多源垂模研发，把此前积累的设备数据接入大模型架构。
这条路径的特别之处在于，蘑菇物联不是先有模型再找场景，而是先有场景和数据，再反向构建模型。公司声称，灵知AI已接入超26万台云端实时在线的能源设备，覆盖30多类设备；该数字未经独立验证，公开材料中未见第三方审计或可复核的设备接入清单。沈国辉在多个场合强调一个观点：早年做工业SaaS时坚持公有云部署，而部分同行选择私有化部署换取短期营收，结果是”他们的数据散在各家客户手里，现在想花钱买都买不到”。这个说法来自创始人访谈，属于公司口径。
灵知AI被定位为”多源垂模”，核心差异在于同时处理三类数据：文本、时序、图形。文本数据来自设备手册、运维记录和工单系统；时序数据是设备传感器产生的实时运行曲线；图形数据则包括设备结构图和现场图像。这种多源设计对应的是能源设备控制的真实需求——只看文本理解不了设备状态，只看时序数据无法理解操作规范，只做图形识别则脱离了控制逻辑。但需要指出的是，公司并未披露这三类数据在模型训练中的具体权重、标注成本和质量控制方法，因此”多源垂模”的实际技术壁垒，外部难以独立验证。
物理AI的真伪之辨：从”说话”到”干活”的距离
沈国辉给物理AI划了一条硬标准：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。他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，数据与执行是否一一对应；第二，垂类模型是否完成了国家网信办备案。需要说明的是，这两个标准是沈国辉作为创始人的个人观点，并非行业共识或监管定义；公开材料中未见其他企业或行业组织采用同一验货标准。
关于备案，沈国辉在访谈中称”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”。该引语来自创始人访谈，属于公司口径。公司声称灵知AI已完成国家网信办备案，但未提供备案编号或官方链接，该备案无法独立核实。备案本身证明的是模型通过监管审核，并不等同于模型的控制能力或节能效果经过了独立第三方验证。沈国辉的第二个标准更像是一个必要而非充分条件。
更值得关注的是灵知AI的三层融合架构。第一层是表达融合层，第二层是预测融合层，第三层是决策执行融合层。公司声称，第三层设置了独立安全约束机制，在规则校验、边界验证之后才输出最终可落地的设备控制动作。在灵知AI之上，蘑菇物联自研了LingX智能体，叠加两个工业级控制模块：安全与可靠性门控（规则检查、仿真试运行、设备联锁保护、边界校验）和数据支撑框架（异构数据接入标准化、时序数据库、数据湖与语义索引）。
这套架构的叙事逻辑是清晰的：通用大模型负责”理解”，LingX智能体负责”决策”，安全门控负责”兜底”。但架构描述不等于工程实现。从已披露的信息看，蘑菇物联确实在控制链路中设置了独立于模型推理的规则校验层，这意味着即使模型输出异常，理论上仍有规则层可以拦截。然而，这套安全机制在真实工业场景中的失效概率、误拦截率和响应延迟，公司均未披露。对于一家声称”AI干活必须100%安全、可验证、可追溯”的公司而言，这些指标恰恰是客户最关心的。
沈国辉的表述——”别人在教AI说话，我们在教AI干活”——作为创始人话语足够锋利，但把它当作技术事实来引用需要谨慎。从公开材料看，蘑菇物联确实在能源设备控制这一垂直场景中积累了可观的设备连接数和客户案例，这是其与通用大模型公司的实质差异。但”教AI干活”的能力边界在哪里、在哪些设备类型上已经成熟、在哪些场景中仍需要人工介入，这些关键信息并未在融资报道中披露。
2400亿市场与两种收费模式：商业闭环的成色几何
蘑菇物联的商业模式分为两条线：产品化收费”初装费＋年度运维费”，以及服务化收费”按节能效果分成或AI托管”。前者是传统工业软件的逻辑，收入可预测但天花板有限；后者是AI公司偏好的叙事，直接绑定客户价值，但分成比例、基线测算和结算周期都直接影响收入质量。
公司声称，蘑菇物联服务超6000家企业，累计省电超36亿度，可释放近20%节能空间；上述数字均未经独立验证。这三个数字构成了其商业闭环的核心证据，但统计方法、基线设定和第三方审计情况均未披露。其中”可释放近20%节能空间”的对比基准在来源材料中未明确，无法判断是相对于非AI节能方案、人工运维基线还是其他参照系；”累计省电超36亿度”的统计周期、样本范围和换算方法同样未披露。在节能服务行业，基线作弊是常见的商业纠纷来源——如果基线定得过高，实际节能效果会被夸大。
从华润三九的案例看，投资界报道中明确提到”从深圳观澜基地的空压站试点，到制冷站15%以上的节能率”，该数据出自投资界报道，属于公司声称口径，未经独立验证。单一客户的试点数据能否推广到6000家企业的平均水平，仍是一个待验证的假设。报道还提到，华润三九在空压站和制冷站两轮验证后，决定采购集团级能源AI管理平台，并向枣庄、郴州等全国基地批量复制；该案例被写入华润三九ESG报告和国资委国企改革案例汇编。
沈国辉在访谈中提到，业内普遍遵循Project（项目制）→Product（产品化）→Platform（平台化）的发展路径，大量AI公司困在Project阶段，陷入”增收不增利”的困境。以下为编辑分析：这个判断放在工业AI赛道里是成立的——项目制意味着每个客户都需要定制化交付，收入增长与人力成本线性绑定，规模化无从谈起。蘑菇物联的应对是云—边—端一体化产品体系：云侧负责数据层和AI推理，边侧用边缘智能服务器保障低时延实时控制，端侧用物联网关和巡检机器人完成感知与执行。
以下为编辑分析：”交付标准化”在工业场景中是一个远比软件行业复杂的问题。不同工厂的能源站房设备品牌、型号、年限、管路布局差异巨大，即使产品本身标准化，现场调试和参数适配仍然需要大量人工介入。蘑菇物联声称已经跑通商业闭环，但从公开信息无法判断其交付成本是否已经下降到足以支撑规模化盈利的水平。公司未披露毛利率、交付周期、客单价分布和复购率，这些才是判断”产品化”是否真正成立的关键指标。
三菱选择蘑菇物联，但西门子们不会只做看客
2026年7月，蘑菇物联与三菱集团旗下核心上市公司RYODEN达成战略合作，双方围绕能效领域物理AI控制展开技术加市场双重合作。公司声称，这是中国AI科技企业与全球头部自动化巨头之间首个能效领域物理AI控制技术的联合开发合作；该”首个”表述未经第三方确认，公开材料中未见对合作排他性或首创性的独立验证。沈国辉的解释是：”因为我们的AI模型最扎实、数据最有基础、案例最多——在500强企业里蘑菇服务了130家。”该引语为公司创始人声称，其中”130家500强企业”的数字未经独立验证。
这个合作值得认真对待，但不宜过度解读。三菱RYODEN作为三菱集团旗下的上市公司，在工业自动化和能源管理领域有深厚的渠道积累和客户资源。选择蘑菇物联而非自研或选择其他供应商，至少说明蘑菇物联在能效AI控制这一细分领域的技术积累和落地案例通过了三菱的尽职调查。据沈国辉称，三菱面向中国、美国多家科技公司做了多轮对比筛选、深入现场核查落地案例；该描述来自创始人解读，属于公司口径。
以下为编辑分析：沈国辉对西门子等巨头的态度——”再大的巨头要做能效AI，也需要数据，也要完成设备通讯协议和现场Knowhow的积累——我们经历过的脏活累活，他们一个都少不了”——属于创始人单方面观点，公开材料中未提供独立证据支持或反驳。西门子在工业自动化领域的设备协议积累和现场工程能力并不弱，其数字化工业板块本身就拥有大量设备数据和行业Knowhow。
以下为编辑分析：从已披露的信息看，蘑菇物联的护城河建立在三个层面：公司声称的26万台云端实时在线设备构成的数据基础、十年积累的全品类设备通讯协议、以及公司声称的6000家企业客户形成的案例库。这三个要素中，通讯协议积累是最难被快速复制的——它需要大量现场调试和逆向工程，时间成本极高。但数据基础和客户案例则面临更大的竞争压力：如果西门子或施耐德利用其现有客户基础和硬件生态优势，推出深度绑定的能效AI方案，蘑菇物联的第三方中立定位可能从优势变为劣势。
老股东加码的逻辑：内部人看多，但C轮结构仍有未解之处
本轮融资最值得玩味的细节是：投资方为云晖资本等多家老股东持续加码，而非引入新的外部领投方。云晖资本合伙人李星在访谈中给出了明确的加仓逻辑：”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。”该表述为投资方口径。
以下为编辑分析：老股东加码在创投语境中通常被解读为积极信号——内部人比外部尽调更了解公司的真实状况，愿意追加投资说明对公司前景有信心。但反过来看，C轮融资没有引入新的战略投资方或产业资本，也可能意味着外部机构对公司的估值预期、商业化进度或竞争格局存在分歧。投资界报道中提到的”多家老股东持续加码”，具体名单除云晖资本外均未披露，C1、C2的具体金额分配也未公开。这种信息不透明在成长期融资中并不罕见，但确实限制了外部对交易结构的判断。
元禾原点合伙人朱斌的表述——”蘑菇物联是能源控制领域Physical AI代表企业，构建了’感知—决策—执行’工业物理智能闭环”——来自投资方声明，代表了股东立场。投资方声明的价值在于提供了判断其投资逻辑的窗口，但其对公司技术能力和市场地位的描述，需要与独立验证的事实区分开来。
以下为编辑分析：从资本结构看，本轮融资规模近2亿元，对于一家公司声称服务6000家企业、接入26万台设备的公司而言，这个金额并不算大。如果公司已经跑通商业闭环、具备自我造血能力，C轮融资的规模可能更多用于战略储备和市场拓展；如果商业化仍处于爬坡期，2亿元在工业AI的研发投入和交付成本面前，消耗速度会很快。公司披露的资金用途是”深化AI控制技术与市场拓展”，这个表述足够宽泛，没有透露研发与销售的具体分配比例。
出海叙事与Token收费：第二曲线的确定性有多高
沈国辉对出海有一个直白的判断：国内客户付费意愿较弱，日本、欧美等发达国家市场企业更愿意为AI支付溢价；服务东南亚市场”本质上等于做国内市场”。这个判断与三菱RYODEN合作的战略方向一致——借道日本自动化巨头的渠道进入发达国家市场，而非在东南亚打价格战。
以下为编辑分析：出海叙事的确定性需要打一个折扣。三菱合作目前仍处于战略合作阶段，双方围绕”技术＋市场双重合作”的具体条款、收入分成模式、目标客户和落地时间表均未披露。蘑菇物联在中国市场积累的设备协议和现场Knowhow，在多大程度上可以迁移到日本和欧美市场的设备生态中，是一个尚未被验证的问题。
另一个值得关注的信号是，公司声称，蘑菇物联未来将探索类似Token的API调用收费模式。沈国辉认为，”随着客户对无人值守价值的认知提升，这个收费模式的接受度会越来越高”。以下为编辑分析：这个方向在逻辑上是合理的——如果AI真的能替代人工值守，客户支付的就不仅是节能收益，还有人力成本的节省。但Token收费模式在工业控制场景中面临一个根本性挑战：工业客户对成本的可预测性要求极高，而Token消耗量取决于设备数量、数据频率和模型调用次数，波动性远大于固定的年度运维费。
风险与待验证假设：数据壁垒的真实厚度与安全承诺的兑现路径
以下为编辑分析。蘑菇物联的叙事中，最核心的假设是”数据壁垒会随时间持续加深”。这个假设的逻辑链是：更多设备接入→更多数据积累→模型能力提升→更多客户选择→更多设备接入。基于公司声称的26万台设备接入数和6000家企业客户数，这个飞轮确实在转动；但若该数据不实，分析可能失效。飞轮的转速和持续性取决于两个未披露的变量：客户流失率和设备数据的所有权安排。
以下为编辑分析：针对蘑菇物联的具体情况，数据所有权安排是一个关键风险点。如果客户合同约定设备数据归属于客户，蘑菇物联对数据的长期使用权可能受到限制；如果客户流失率较高，新增客户带来的数据增量可能被流失客户带走的数据抵消。公司未披露这两项指标，因此”数据壁垒”的实际厚度无法从公开信息中判断。可核验指标包括：客户合同中数据所有权与使用权的具体条款、客户流失率的历史数据、流失客户的数据留存安排，以及公有云部署模式下客户数据安全合规的第三方审计结论。
以下为编辑分析：安全承诺是另一个关键风险点。沈国辉强调”AI干活必须100%安全、可验证、可追溯”，但工业控制领域的”100%安全”是一个极高的标准。从已披露的架构看，蘑菇物联在决策执行层设置了规则校验和边界验证机制，这确实降低了模型失控的概率。但软件系统在工业控制中的失效模式、失效后的兜底机制——是自动切换到手动模式，还是设备停机保护，还是其他应急预案——这些工程细节公司未披露，而它们恰恰是工业客户在采购决策中最关注的问题。
以下为编辑分析：从竞争格局看，蘑菇物联目前处于一个相对有利的位置：在能效物理AI这个细分领域，它比通用大模型公司有更深的场景积累，比传统自动化巨头有更快的AI迭代速度。但这个位置是时间窗口而非永久壁垒。如果西门子、施耐德等巨头在未来两到三年内完成能效AI的产品化，凭借其客户资源和品牌信任度，蘑菇物联的第三方中立定位将面临严峻考验。沈国辉认为大厂的最佳策略是像三菱一样选择合作而非竞争，这个判断在短期内可能成立，但长期来看，巨头对核心控制技术的自研意愿不应被低估。
以下为编辑分析：从已披露的融资结构、客户案例和技术架构看，蘑菇物联确实在能效物理AI领域建立了可观的先发优势。但这个优势能否转化为可持续的盈利能力和不可替代的市场地位，取决于一系列尚未公开验证的变量：交付成本是否已随产品化下降、客户流失率是否可控、数据所有权安排是否稳固、海外收入能否在合理时间内形成规模。C轮近2亿元的融资为这些问题的回答争取了时间，但时间本身不构成答案。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：蘑菇物联把能源站房的设备连接做成了AI时代最稀缺的资产——真实运行数据。当大多数物理AI公司还在为机器人找场景时，这家公司已经在公司声称的6000家工厂的能源站房里跑了十年。但”数据壁垒”是一个需要持续付费才能维持的假设：如果交付成本降不下来，如果客户流失带走数据，如果巨头用硬件生态反制，这口井的深度可能没有叙事中那么确定。下一步真正值得观察的，不是它又签了多少战略合作，而是三个更具体的指标：付费客户中复购客户的实际占比、海外收入在总收入中的确认比例、以及Token收费模式在至少一个工业客户中的试点结算数据。这三个数字，比任何”首个”或”领先”的表述都更能说明问题。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。