半年前，基点起源创始人兼CEO戴宗宏面对外界“故事不够性感”“定制化都是累活”的质疑时，这家逆流入局B端定制化的AI公司刚刚推进了七八个项目。半年后，质疑声被数千万元的在手订单淹没。 戴宗宏向《智能涌现》透露，基点起源的订单数翻了一番，订单合同金额较半年前提升了一个数量级，AI解决方案已落地冶金、化工、精密制造、半导体、纺织等十多个行业。伴随订单而来的，是半年内完成三轮融资，融资金额达数亿元。据《智能涌现》独家获悉，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等机构纷纷押注。 戴宗宏是AI ToB领域的“老炮”，曾担任“AI六小虎”零一万物联创，此前在华为云担任AI CTO，落地过数百个定制化项目。在他看来，传统定制化就是将企业沉淀在专家和业务数据中的Know-How人为建模成工作流，而梳理复杂数据和知识正是其“脏”“累”所在。大模型推理能力的跃升，让他看到了改变范式的机会。 如今，基点起源正在做的事情，是将传统动辄几百人驻场、耗时数月的定制化项目，变成单人控制、两周左右即可交付的工程，且交付结果能超越传统大厂团队。这套方案的核心，是戴宗宏称之为“工业世界模型”的AI系统。 做关于业务的“工业世界模型” 在调研上百家企业后，戴宗宏发现，传统制造业企业并不关心白领提效的办公工具，而更关注良品率、产能、库存、供应链等生产指标。例如，有色金属行业最大的痛点是，如何在保证稳定与安全生产的前提下有效扩充产能——产能提升带来的收益远大于单纯节省成本。 企业需要一个能根据业务数据迭代的“大脑”，能参考业务指标给出可直接采用的定制化优化方案。戴宗宏认为，大语言模型推理能力的提升，让AI替代定制化专家团队成为可能：AI可根据企业给出的业务指标，直接向一线工人提出精确解决方案。 传统制造业的生产环节可以剥离出“用什么做”和“怎么做”的问题，再复杂的过程也能拆解为若干可控模块供大模型学习。传统定制化依赖专家经验建模，人力时间成本高，难以响应全局优化和灵活需求，而大模型的学习、推理能力恰好解决了建模难、效率低的问题。用模型替代专家还能挖掘每个潜在优化点，而非仅做单点优化。 基于此，基点起源自研了名为“全要素大模型”的工业AI操作系统，作为指导生产的中枢大脑，其运行逻辑分三步：
- 学习：利用企业原始业务数据，全要素学习业务模式，建立反映真实生产过程的数字孪生模型。该模型能随新数据持续更新，精准追踪信息，过滤不可靠和缺失数据的噪声，因为它能挖掘数据内在关联，将注意力集中在关键指标影响更大的数据上。
- 寻优：随着数据完善和模型强化学习，系统持续推演，寻找最优解决方案。
- 交付：直接面向一线工人，交付一个可与AI交互的App。工人只需输入现场环境，即可获得当前最优生产方案。例如在冶金场景中，系统会告诉工人该堆多少料、什么时候堆、怎么堆。
戴宗宏称这套系统为关于数据和业务的“工业世界模型”。他认为业务场景也是世界的一部分，人做业务决策本质上就是根据业务数据预测未来。因此，他们把业务场景投射在数字世界中，通过学习数据间的关联性，找出影响因素及其相互作用，进而预测和指导实际生产优化。 “提质增效”而非“减员增效” 戴宗宏将方案概括为“提质增效”，而非“减员增效”。基点起源不造数字员工，不用AI替代人力。他们发现，当厂商提出用AI项目取代真人时，传统企业接受度较低——人力成本比AI项目低得多，且企业更期待短期可见的产能提升。 在企业现有生产作业模式下，基点起源利用系统提供的方案设计，把产值、良品率等“质”的指标提上来，实现整条产线效率提升。从交付结果看，在某工艺段上，系统能帮助某项关键指标提升2-3倍，年节省成本达千万元。 不给客户“画饼”，直接兑现优化指标 落地的第一站，基点起源没有选择数字化程度更高的互联网行业，而是将AI系统先放在冶金、化工、精密制造、半导体、纺织等传统行业。外界普遍认为传统行业难做、故事不够性感、数据治理水平不高，但戴宗宏给出了相反答案：“工业企业反而会更好做。”理由很简单：传统行业规模大，容易形成规模效应；而互联网行业数字原生，需要更颠覆式创新，对定制化厂商要求更高。 工业企业拥有各种原始业务数据，如日志文件、操作日志、ERP数据、产品需求文档等，格式不同、充满噪音，甚至残缺。戴宗宏认为这不是问题，基点起源不太需要企业进行复杂的数据治理：“被治理过的数据像被咀嚼过的食物一样，失去了原本很多的信息。”企业系统里直接的业务数据保留了更完整的信息，更有帮助。 在搭建客户“工业世界模型”过程中，基点起源用到的所有数据都来自客户本身，无需依赖Know-How专家，这也让系统易于跨行业迁移和落地。 在付费意愿更高的ToB领域，基点起源难免直面大厂和老牌解决方案供应商。团队的获客策略是：将业务优化指标作为交付的必要条件直接写在合同中。由于交付效果不可控，大多竞争对手不敢将具体业务指标写进合同，导致客户痛点无法真正解决。而基于“全要素大模型”，基点起源能精准给出可兑现的指标和优化方案。 同时，基点起源采取按预期效果定价的模式，而非按实际交付效果定价。“如果按实际交付结果定价，客户在交付前会拼命把指标做低。”戴宗宏解释，“我们希望和客户形成共赢的关系，而不是为了钱相互对抗。”为了让客户愿意为预期效果付费，合同中会许诺提升业务的“最低交付指标”。 下一步：跨行业端到端交付 尽管商业化成绩不错，戴宗宏坦言，基点起源的AI解决方案还不够泛化。目前客户主要是数据治理水平较高的头部企业，方案尚未完全泛化到中小企业。为提高系统泛化性，基点起源计划先从5-10个行业切入，做好单一行业落地，最终泛化到更多行业。戴宗宏提到：“下一步，我们要实现跨更大行业的端到端交付，至少做出两个标准化产品，并达成实际交付。” 从被质疑“故事不够性感”到手握数亿元融资和数千万元订单，基点起源用“工业世界模型”证明，定制化“累活”也能干出效率。正如AI大狗（AIdadog.com）所观察到的，在AI落地产业的过程中，真正解决实际痛点的方案往往比“性感”的故事更具生命力。
文章来源：https://aidadog.com/news/zev9ehw5elbmv9npjom3gkmb
