Applied Computing获20亿美元Series A融资，推出全厂AI模型Orbital加速油气运营

背景

随着传感器、监控系统和数字孪生技术在油气、炼化等重资产行业的广泛部署，单个设施往往拥有上千种测量指标。然而，业界普遍只能利用不到8%的数据做出运营决策，数据碎片化和跨模态融合成为制约效率的核心瓶颈。Applied Computing在2023年成立，定位为为整个油气、石化生产链提供“一站式”AI模型的基础设施公司。

产品亮点——Orbital平台

Orbital并非传统的大语言模型，而是三大模块的深度融合：

• 时序模型：捕捉传感器数据的动态变化，预测关键工艺参数的趋势；
• 物理/化学模型：嵌入热力学、动力学等领域的机理方程，保证预测符合真实工艺规律；
• 语言模型：解析设备手册、操作日志等非结构化文档，实现人机对话式查询。

平台核心能力包括：

• 实时异常检测：在分钟级别发现偏离正常范围的工况；
• 根因分析：快速定位导致异常的传感器或工艺环节；
• “what‑if”仿真：在保持物理约束的前提下，模拟维修、调参或工艺改动对全厂的连锁影响。

据CEO Callum Adamson称，Orbital能够把原本需要数天甚至数周的调查压缩到数秒，从而显著降低能源消耗并提升产能利用率。

融资与合作

本轮Series A由工程巨头KBR领投，Databricks Ventures跟投，融资规模为2000万美元。资金将用于：

• 扩大伦敦总部团队，重点招聘AI研究员和工业工程师；
• 在美国休斯敦设立研发中心，贴近北美现有客户；
• 加速在中东和欧洲的市场拓展。

KBR已将Orbital嵌入其INSITE 3.0数字平台，并在氨生产项目中试运行。Applied Computing还与印度IT服务商Wipro合作，共同为当地油气企业提供模型部署和运维服务。公司透露，已在多家上市上游和下游企业内部署，具体客户数量未公开。

市场竞争与前景

工业AI领域目前由传统软件厂商主导：AspenTech、AVEVA等提供基于物理方程的仿真平台；Cognite、Seeq侧重数据湖和可视化分析。Applied Computing的差异化在于：

• 统一模型：一次训练即可覆盖时序、物理和语言三类任务；
• 数据安全：模型训练使用客户现场数据和高保真模拟数据，避免公开数据泄露风险；
• 研发壁垒：公司声称核心竞争力在于聚集顶尖AI科研人才，而非单纯的数据积累。

行业分析师认为，若Orbital能够在真实工厂中实现高可靠性，将为传统工业软件带来颠覆性冲击，也可能促使大型能源公司加速内部AI研发投入。

未来布局

短期内，Applied Computing计划在美国、欧洲和中东共计开设五个现场实验室，进一步验证模型在不同工艺流程中的适配性。长期目标是将Orbital打造为跨行业的“工业通用大模型”，并通过API化服务向更多能源子行业（如风电、储能）提供统一的预测与仿真能力。

“这不是数据问题，也不是能源问题，而是AI问题。”——Callum Adamson