文｜王欣逸

編輯｜周鑫雨

半年前，我們第一次和基點起源創始人兼 CEO 戴宗宏交流時，這家逆流入局 B 端定制化的AI公司，剛剛推進了 7、8 個項目。他從外界接受到最多的聲音是質疑：“故事不夠性感”、“定制化都是累活”。

半年后，基點對質疑聲的回應，是數千萬元的在手訂單。

戴宗宏對《智能涌現》透露，基點起源的訂單數翻了一番，訂單合同金額較半年前提升了一個數量級，AI 解決方案已經落地到了冶金、化工、精密制造、半導體、紡織等 10 多個行業。

伴隨訂單而來的，基點起源半年內完成3輪融資，融資金額數億元?！吨悄苡楷F》獨家獲悉，國科投資、電控產投、上海半導體產投、建投投資、鑫和達、崇麟資本與硬核堅果資本，押注基點起源發展。

戴宗宏，AI To B 領域的“老炮”。他曾是“AI 六小虎”零一萬物的聯創，此前曾擔任華為云 AI CTO，落地過數百個定制化項目。

他曾告訴《智能涌現》，所謂的“定制化”，就是將企業沉淀在專家、業務數據中的 Know-How，人為建模成一套工作流。

梳理復雜的數據、知識，也正是傳統定制化“臟”、“累”所在之處。而大模型推理能力的躍升，讓戴宗宏看到了改變定制化范式的機會。

如今基點起源在做的，就是將傳統的重人力、重交付時間的企業定制化服務交給一套 AI 系統。

最終能實現的效果是：將傳統動輒幾百人駐場、耗時數月的定制化案子，變成單人控制、2 周左右就能交付的項目。與此同時，交付結果還能超過傳統大廠團隊。

做關于業務的「工業世界模型」

在調研上百家企業后，戴宗宏發現，傳統制造業企業并不關心是否需要一個為白領提效的辦公工具，而更關注在生產過程中能真正實現的指標，如良品率、產能、庫存、供應鏈等。

例如，在有色金屬行業，企業最大的痛點是，如何在保證穩定與安全生產的前提下有效擴充產能。這是由于，產能提升所帶來的收益，遠遠大于單純節省成本所省下的開支。

其背后的需求是，企業需要一個能根據業務數據迭代的“大腦”，能參考企業提出的業務指標，給出企業在真實生產過程中可以直接采用的定制化優化方案。

隨著大語言模型推理能力的提升，戴宗宏認為，改變傳統定制化流程的時機到了：讓 AI 直接代替定制化專家團隊，根據企業給出的業務指標，給一線工人提出精確解決方案。

本質上，傳統制造業中的生產制造環節可以簡單剝離出“用什么做”和“怎么做”的問題，再復雜的生產過程，都可以拆解為若干可控的簡單模塊，供大模型學習。

傳統的定制化服務依賴專家經驗建模，人力、時間成本消耗大，難以響應企業全局優化和靈活多變的需求。在戴宗宏看來，大模型的學習、推理能力恰恰可以解決建模難、效率低的問題。

用模型替代專家的另一個好處在于，可以挖掘生產環節中每一個潛在的優化點，而不僅僅針對某一個環節進行單點優化。

因此，基點起源自研了一套工業 AI 操作系統，名為“全要素大模型”，作為指導企業生產操作的中樞大腦。其運行邏輯包括三個步驟：

學習：利用企業的原始業務數據，全要素學習業務模式，建立起一個能反映真實生產過程的數字孿生模型。

這一模型是整套系統的底層架構，能隨著后續新數據的注入而持續更新，也能對信息實現精準追蹤，過濾掉不可靠數據和缺失數據的噪聲。這是因為模型能夠挖掘出數據之間的內在關聯，并把注意力集中在那些對關鍵生產指標影響更大的數據上。

尋優：隨著企業數據的不斷完善和模型自身的強化學習能力，系統持續推演，尋找生產流程中的最優解決方案。

交付：直接面向一線工人，交付一個可以與 AI 系統交互的 App。這個 App 的頁面和操作都極為簡單，工人只需輸入現場環境，即可獲得當前最優的生產方案。比如在冶金場景中，系統會告訴工人該堆多少料、什么時候堆、怎么堆。

△全要素大模型，圖源：企業官方

這一套系統，戴宗宏稱其為關于數據和業務的“工業世界模型”。

戴宗宏認為，業務場景也是世界的一部分，人做業務決策本質上也是根據業務數據，對未來的業務情況進行預測。

所以，他們構建了一個工業場景下的世界模型，把業務場景投射在數字世界中，意在通過學習數據間的關聯性，找出哪些因素在互相影響、如何影響，進而預測和指導實際生產優化。

打個比方，在某個真實的產線上，這套系統可以學習并分析企業已有的業務數據，梳理并復刻出企業的生產過程，生成一個虛擬孿生的“數字工廠”模型。

它可以不斷進行自我推演，按照產線要求的生產指標，找出更優的實際操作方案，一線員工可以直接拿著這套方案開展工作。

△基點起源的產品架構，圖源：企業官方

戴宗宏將他們的方案概括為“提質增效”，而非“減員增效”。這一方案的好處在于，他們不造數字員工，不用 AI 替代原有的人力。

他們發現，當廠商提出用 AI 項目取代真人時，這些傳統企業實際的接受度比較低，一是由于人力相比 AI 項目的成本低得多，二是他們更期待短期可見的產能提升，而非長期的人力替代。

在企業現有的生產作業模式下，基點起源利用系統提供的方案設計，把企業真正關心的痛點問題，如產值、良品率等“質”的指標提上來，實現整條產線效率的提升。

從交付結果來看，在某一個工藝段上，他們的系統能幫助某項關鍵指標提升 2–3 倍，年節省成本達千萬元。

不給客戶「畫餅」，直接兌現優化指標

落地的第一站，基點起源沒有選擇數字化程度更高的互聯網行業，而是將 AI 系統先放在了冶金、化工、精密制造、半導體、紡織等所謂的傳統行業上。

在大眾的視野里，傳統行業是一條難做的賽道，故事不夠性感，企業對自身數據資產的管理，即數據治理，水平也不夠高。

戴宗宏卻給出了一個與刻板印象背道而馳的答案，“在我看來，工業企業反而會更好做?！彼睦碛珊芎唵?，傳統行業相當大，容易形成規模效應。

而不選擇互聯網行業，是因為其本身是數字原生化的，互聯網行業的解決方案需要更顛覆式的創新，這對定制化廠商的要求會更高。

在實際生產過程中，工業企業擁有各種各樣的原始業務數據，如 Log（日志文件）、Operation Log（操作日志）、ERP（企業資源管理數據）和 PRD（產品需求文檔數據）等。這些數據格式不同、充滿噪音，甚至還有殘缺的部分，看似是一塊難啃的骨頭。

戴宗宏認為，這并不是一個問題，實際上，基點起源不太需要企業自身進行復雜的數據治理。

“被治理過的數據像被咀嚼過的食物一樣，失去了原本很多的信息。”戴宗宏解釋道，企業系統里直接的業務數據，保留了生產制造環節中更完整的信息，這對他們來說更有幫助。

在搭建起客戶“工業世界模型”的過程中，基點起源用到的所有數據都來自客戶本身，無需依賴 Know-How 專家，因此，這也讓這套系統易于跨行業遷移和落地。

在付費意愿更高的 To B 領域，基點起源難免會直面大廠，以及老牌的行業解決方案供應商。而團隊的獲客策略是：將業務優化指標，作為交付的必要條件，直接寫在合同中。

由于交付效果的不可控，大多競爭對手不敢將兌現的具體業務指標，直接寫進合同中。這就導致客戶的業務痛點無法得到真正解決。相對的，基于“全要素大模型”，基點起源能夠根據客戶的痛點，精準給出可兌現的業務指標，以及相應的優化方案。

與此同時，基點起源采取了一種聰明的定價模式：按預期效果定價，而不是按實際交付效果定價。

“如果按實際交付結果定價，客戶在交付前會拼命把指標做低?！贝髯诤杲忉?，“我們希望和客戶形成共贏的關系，而不是為了錢相互對抗”。為了讓客戶愿意為預期效果付費，基點起源會在合同中，許諾提升業務的“最低交付指標”。

盡管在商業化上取得了不錯的成績，戴宗宏對我們坦言，基點起源的 AI 解決方案還不夠泛化。

比如，目前基點的客戶主要是數據治理水平較高的頭部企業，因此，AI 解決方案還未能完全泛化到中小企業的生產場景中。

為了提高系統的規劃水平和泛化性，基點起源計劃先從 5–10 個行業切入，做好單一行業的落地，最終泛化到更多的行業。

戴宗宏提到：“下一步，我們要實現跨更大行業的端到端交付，至少做出兩個標準化產品，并達成實際交付。”

歡迎交流！