Applied Computing 融资2000万美元，为油气全厂打造AI模型

背景

在石油、天然气和石化行业，一个典型的工厂往往配备数千个传感器，实时监测温度、压力、流速、粘度等参数。然而，这些海量数据并未被有效利用——据行业估计，运营商仅使用不到8%的可用数据来做出运营决策。传感器读数、工程文档以及物理化学原理这三类数据源各自为政，难以在短时间内整合分析并生成预测。这一碎片化问题长期困扰着能源企业，也为AI技术的介入提供了巨大的市场空间。

在此背景下，总部位于伦敦的初创公司Applied Computing于2023年成立，致力于为油气和石化行业构建专门的AI基础模型。近日，该公司宣布完成2000万美元的A轮融资，由工程巨头KBR领投，Databricks Ventures参与跟投。这笔资金将用于国际扩张、研发招聘以及拓展客户部署。

核心内容

Applied Computing的核心产品是其自研的基础模型Orbital。与预测下一个词的大语言模型不同，Orbital是一种多模态融合模型，它结合了时间序列模型、基于物理的模型和语言模型，共同预测工厂设施的未来状态。具体而言，Orbital通过分析传感器实时读数，同时将物理和化学原理纳入考量，并识别设备的运行约束条件以及操作员的活动行为。此外，技术人员还可以借助Orbital进行“what-if”模拟，即改变工厂某一部分的操作参数后，预测其对整个运营流程的影响。

CEO兼联合创始人Callum Adamson（上图右）表示，Orbital的核心价值在于速度。它能够在数分钟内完成三项关键任务：标记异常、调查异常根因、以及模拟建议的修复方案是否会在工厂其他环节引发新问题。Adamson声称，Orbital能把过去需要数天甚至数周的调查工作压缩到几秒钟内完成，从而帮助运营商降低能耗并维持产量。

这种对速度的承诺已获得市场验证。Applied Computing在隐身运营不到18个月后，实现了双位数百万美元的年度经常性收入（ARR）。该公司已在一些“大型上市”的上游油气、下游炼油及石化公司中部署Orbital（虽未透露具体客户数量）。其合作伙伴包括印度能源公司Wipro，以及领投方KBR——后者已将在其能源项目数字平台INSITE 3.0中整合了Orbital，用于氨生产场景。此外，Applied Computing正在与一家“美国大型上游运营商”合作，并计划在未来几周内宣布与一家欧洲石油巨头的合作。

关键要点

• 融资与投资方：2000万美元A轮融资由工程巨头KBR领投，Databricks Ventures参与。KBR不仅提供资金，还将其INSITE 3.0平台与Orbital集成，并为Applied Computing带来运营数据、行业专长和客户引荐。
• 模型架构：Orbital是专为工业设施设计的基础模型，融合时间序列模型（处理传感器实时数据）、基于物理的模型（保持物理化学约束）和语言模型（理解工程文档和操作日志），实现全厂状态预测。
• 核心能力：异常检测、根因分析、修复方案模拟，全部在数分钟内完成；将传统耗时数天或数周的调查压缩到几秒。
• 市场验证：18个月内从隐身状态达到双位数百万美元ARR；已部署于上游（油气开采）、下游（炼油、石化）的上市公司；合作伙伴包括Wipro和KBR；正在洽谈与美国及欧洲主要油气运营商的合作。
• 竞争格局：面临AspenTech（上游、炼油、化工的仿真与AI建模软件）、AVEVA（基于物理的流程仿真与优化）、Cognite与Seeq（工业数据层分析）等既有供应商的竞争。
• 护城河观点：CEO Adamson认为公司的护城河不在于工业数据或流程知识，而在于能够吸引顶级AI研究人员构建出Orbital这样的模型。他强调这是“AI问题”而非“数据问题”或“能源问题”，并指出一级AI研究者不会选择去壳牌这样的传统能源公司工作。
• 数据优势：Orbital部署后获得的真实运营数据（从炼油厂等设施中采集）通常不公开，而模拟数据无法完全复现实际工厂运行情况，这构成了另一层壁垒。
• 扩张计划：利用2000万美元进行国际扩张，招聘研究和工程岗位，探索更多能源客户部署。已在休斯顿开设办公室，加上伦敦总部和班加罗尔运营中心，同时正在拓展中东市场。

意义与影响

Applied Computing的出现，标志着AI在重工业领域的落地正在从“辅助分析”向“全厂级智能”进化。传统上，石油化工行业的数字化多集中在数据聚合和可视化层面，而Orbital直接构建了一个可以理解物理与化学规律、并能实时预测和模拟的AI大脑。这种“从数据到决策”的压缩，有望显著提升能源行业的运营效率、降低能耗和排放，同时减少因操作失误导致的停产风险。

从投资角度看，KBR（一家工程与建设领域的巨头）领投而非传统风投，说明工业客户对这类垂直AI工具的商业价值有直接需求。Databricks Ventures的参与则表明数据基础设施平台对这一工业AI赛道的看好。这种“战略投资者+数据平台”的组合，为初创公司提供了客户接入、行业背书和数据生态的协同效应。

不过，该市场并非蓝海。AspenTech、AVEVA等老牌工业软件厂商已经积累了深厚的用户基础和仿真能力，而Cognite、Seeq等AI创业公司也在数据层面发力。Applied Computing能否凭借模型架构的独特性和对顶级AI人才的吸引力持续扩大优势，将取决于其能否在更多大型客户中快速复制成功案例，并保持技术领先。

此外，该公司强调“这不是数据问题而是AI问题”的观点，也反映了工业AI新的竞赛逻辑：谁能构建出既懂物理又懂数据的通用模型，并让一线操作员真正信任其预测结果，谁就能在传统行业中撕开缺口。KBR的合作、与大型油气企业的试点，以及中东的拓展计划，都显示出Applied Computing正试图以“非传统”方式撬动一个体量巨大但数字化进程缓慢的市场。