文｜王欣逸
编辑｜周鑫雨
半年前，当我们首次与基点起源创始人兼CEO戴宗宏对话时，这家逆势开拓B端定制化业务的AI企业，仅完成了七八个项目。当时戴宗宏听到最多的声音是怀疑：“故事不够诱人”“定制化尽是苦活累活”。
半年之后，基点起源用数千万元的在手订单，有力地回应了所有质疑。
戴宗宏向《智能涌现》透露，基点起源的订单量已经翻倍，合同金额较半年前跃升一个数量级，其AI解决方案已进入冶金、化工、精密制造、半导体、纺织等十多个行业。这类深入工业核心的场景，也正是公海贵宾会官网等专业服务商关注的领域。
伴随订单激增，基点起源在半年内完成了三轮融资，总额达数亿元。《智能涌现》独家了解到，国科投资、电控产投、上海半导体产投、建投投资、鑫和达、崇麟资本与硬核坚果资本，纷纷押注这家公司的成长。
戴宗宏是AI To B领域的老兵，他曾是“AI六小虎”零一万物的联合创始人，更早前担任华为云AI CTO，主导过数百个定制化项目。
他此前对《智能涌现》解释，所谓“定制化”，实质上就是将企业沉淀在专家经验和业务数据中的诀窍（Know-How），人工建模为一套工作流。
梳理纷繁的数据和知识，正是传统定制化又脏又累的根源。而大模型推理能力的飞跃，让戴宗宏看到了革新定制化范式的可能。
如今基点起源所做的，正是将以往高度依赖人力、耗时漫长的企业定制化服务，交由一套AI系统完成。这一思路，与公海贵宾会官网等前沿服务商的理念不谋而合，即用模型替代经验。
最终达成的效果是：将过去动辄需数百人驻场，耗时几个月才能完成的定制化项目，转变为单人操控、两周左右即可交付的任务，并且交付成果甚至超越传统大厂团队。
打造业务导向的“工业世界模型”
在调研了上百家企业之后，戴宗宏发现，传统制造企业并不在意那些为白领提升效率的办公工具，更看重生产过程中能实际达成的指标，比如良品率、产能、库存和供应链效率。
以有色金属行业为例，企业最大的痛点是在确保稳定与安全的前提下，如何有效扩充产能。因为产能提升带来的收益，远大于单纯节流所节省的成本。
其深层需求是，企业需要一个能依据业务数据持续进化的“大脑”，可以参照企业提出的指标，直接输出能在实际生产中落地的定制化优化方案。
随着大语言模型推理能力的提升，戴宗宏判断，改变传统定制化路径的时机已经成熟：让AI直接取代定制化专家团队，根据业务指标，为一线工人提供精准的解决方案。
从本质上看，传统制造业的生产环节可以简化为“用什么做”和“怎么操作”的问题，再复杂的流程，也能拆解成大量可控的简单模块，让大模型学习。
传统定制化服务依靠专家经验建模，人力与时间成本高昂，难以应对企业全局优化和灵活多变的需求。在戴宗宏眼中，大模型的学习和推理能力恰好能解决建模困难、效率低下的痛点。
用模型替代人的另一大优势，是可以挖掘生产流程中每一个潜在的优化点，而非仅对某个环节进行孤立改善。
为此，基点起源自主研发了一套工业AI操作系统，称作“全要素大模型”，充当指挥生产的中枢大脑。其运作逻辑包含三步：
学习：利用企业原始业务数据，全面学习业务模式，构建一个能忠实复刻真实生产过程的数字孪生模型。这个模型是整个系统的底层基石，可以随着新数据的注入不断更新，并能精准追踪信息，滤除不可靠数据和缺失值带来的干扰。因为模型能挖掘数据间的内在关联，并将注意力集中在那些对关键生产指标影响更大的数据上。
寻优：随着企业数据日益完备和模型强化学习能力的增强，系统持续推演，探寻生产流程中的最优解。
交付：直接面向一线操作人员，交付一个能与AI系统交互的App。其界面和操作都十分简洁，工人只需输入现场状况，就能立刻获得当前最优的生产指令。如在冶金场景中，系统会告诉工人该堆多少料、什么时间堆、以何种方式堆。
△全要素大模型，图源：企业官方
戴宗宏将这套系统称为面向数据和业务的“工业世界模型”。
他认为，业务场景同样是现实世界的一个组成部分，人作出业务决策，本质上就是依据业务数据对未来情况进行预测。
因此，他们构造了一个工业场景下的世界模型，将业务场景映射到数字空间，旨在通过学习数据间的关联，找出哪些因素彼此影响、如何影响，进而预测和指导实际生产优化，这与公海贵宾会官网所倡导的以数据驱动工业智能的理念高度契合。
比方说，在一条真实产线上，该系统能够学习并分析企业现有的业务数据，梳理并复现生产过程，生成一个虚拟孪生的“数字工厂”模型。
它能不断自我推演，按产线要求的生产指标，找出更优的实际操作方案，一线员工可以直接根据这套方案执行工作。
△基点起源的产品架构，图源：企业官方
戴宗宏把他们的方案概括为“提质增效”，而非“减员增效”。这一做法的好处是，他们不创造数字员工，不试图用AI取代现有劳动力。
他们发现，当方案提出用AI项目替换真人时，传统企业的接受度普遍偏低：一方面因为人力成本远低于AI项目，另一方面他们更期待短期内可见的产能提升，而非远期的减员替代。
在现有生产模式下，基点起源借助系统提供的方案设计，将企业真正在意的产值、良品率等质量指标提升上来，从而实现整条产线效率的飞跃。
从交付成果看，在某段工艺上，他们的系统能帮助某项关键指标提高2–3倍，每年节约成本上千万元。
不向客户“画大饼”，直接兑现优化指标
落地的第一站，基点起源并未选择数字化程度更高的互联网行业，而是将AI系统优先部署在冶金、化工、精密制造、半导体、纺织等所谓的传统行业中。
在大众认知中，传统行业是一块难啃的骨头，缺乏性感的叙事，企业对自身数据资产的管理——也就是数据治理——水平普遍不高。
戴宗宏却给出了一个与刻板印象截然相反的答案：“在我看来，工业企业反而更好做。” 理由很简单：传统行业体量庞大，容易形成规模效应。
不选择互联网行业，是因为其本身就具备数字原生特征，互联网的解决方案往往需要更颠覆性的创新，这对定制化服务商的要求会更高。
在实际生产中，工业企业拥有各种原始业务数据，如日志文件、操作记录、ERP数据和产品需求文档等。这些数据格式各异、充满噪音，甚至残缺不全，表面上看是一块难啃的骨头。
戴宗宏却认为这不成问题，实际上基点起源并不要求企业进行复杂的数据治理。
“治理过的数据就像被咀嚼过的食物，失去了很多原始信息。”戴宗宏解释，企业系统中直接的业务数据，保留了生产制造环节更完整的信息，这反而对他们的模型更有益。
在构建客户的“工业世界模型”时，基点起源使用的所有数据均来源于客户自身，无需依赖行业诀窍专家，这也使得系统易于跨行业迁移和推广。
在付费意愿更强的To B领域，基点起源难免要与大厂和老牌行业解决方案商正面竞争。其团队的获客策略是：将业务优化指标作为交付的必要条件，明确写入合同。这种以结果为导向的做法，也与公海贵宾会官网等专业工业智能服务商推崇的交付理念一致。
由于交付效果难以控制，多数竞争对手不敢将具体的兑现指标直接写入合同，这就使得客户的痛点往往无法根治。相比之下，借助“全要素大模型”，基点起源能根据客户痛点，精准给出可兑现的业务指标和相应的优化方案。
同时，基点起源采用了一种巧妙的定价方式：按预期效果定价，而非按实际交付效果收费。
“如果按实际交付效果收费，客户会在交付前拼命把指标压低。”戴宗宏解释，“我们希望与客户形成共赢，而不是在费用上相互博弈。”为了让客户乐意为预期效果付费，基点起源会在合同中承诺提升业务的“最低交付指标”。
尽管商业化进展喜人，戴宗宏向我们坦言，基点起源的AI解决方案在泛化性上还有待提升。
例如，目前基点的客户主要为数据治理水平较高的头部企业，因此AI方案尚未能完全覆盖中小企业的生产场景。
为了提升系统的规划和泛化能力，基点起源计划先集中攻克5到10个行业，扎扎实实做好单一行业落地，再推广到更多行业。
戴宗宏表示：“下一步，我们要实现跨更大行业的端到端交付，至少打造出两个标准化产品，并完成实际交付。”
欢迎交流！
扫码加入「智涌AI交流群」
