文｜王欣逸
编辑｜周鑫雨
半年前，我们第一次和基点起源创始人兼 CEO 戴宗宏交流时，这家逆流入局 B 端定制化的 AI 公司，刚刚推进了 7、8 个项目。他从外界接受到最多的声音是质疑：" 故事不够性感 "、" 定制化都是累活 "。
半年后，基点对质疑声的回应，是数千万元的在手订单。
戴宗宏对《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 解决方案已经落地到了冶金、化工、精密制造、半导体、纺织等 10 多个行业。
伴随订单而来的，基点起源半年内完成 3 轮融资，融资金额数亿元。《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，押注基点起源发展。
戴宗宏，AI To B 领域的 " 老炮 "。他曾是 "AI 六小虎 " 零一万物的联创，此前曾担任华为云 AI CTO，落地过数百个定制化项目。
他曾告诉《智能涌现》，所谓的 " 定制化 "，就是将企业沉淀在专家、业务数据中的 Know-How，人为建模成一套工作流。
梳理复杂的数据、知识，也正是传统定制化 " 脏 "、" 累 " 所在之处。而大模型推理能力的跃升，让戴宗宏看到了改变定制化范式的机会。
如今基点起源在做的，就是将传统的重人力、重交付时间的企业定制化服务交给一套 AI 系统。
最终能实现的效果是：将传统动辄几百人驻场、耗时数月的定制化案子，变成单人控制、2 周左右就能交付的项目。与此同时，交付结果还能超过传统大厂团队。
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是否需要一个为白领提效的办公工具，而更关注在生产过程中能真正实现的指标，如良品率、产能、库存、供应链等。
例如，在有色金属行业，企业最大的痛点是，如何在保证稳定与安全生产的前提下有效扩充产能。这是由于，产能提升所带来的收益，远远大于单纯节省成本所省下的开支。
其背后的需求是，企业需要一个能根据业务数据迭代的 " 大脑 "，能参考企业提出的业务指标，给出企业在真实生产过程中可以直接采用的定制化优化方案。
随着大语言模型推理能力的提升，戴宗宏认为，改变传统定制化流程的时机到了：让 AI 直接代替定制化专家团队，根据企业给出的业务指标，给一线工人提出精确解决方案。
本质上，传统制造业中的生产制造环节可以简单剥离出 " 用什么做 " 和 " 怎么做 " 的问题，再复杂的生产过程，都可以拆解为若干可控的简单模块，供大模型学习。
传统的定制化服务依赖专家经验建模，人力、时间成本消耗大，难以响应企业全局优化和灵活多变的需求。在戴宗宏看来，大模型的学习、推理能力恰恰可以解决建模难、效率低的问题。
用模型替代专家的另一个好处在于，可以挖掘生产环节中每一个潜在的优化点，而不仅仅针对某一个环节进行单点优化。
因此，基点起源自研了一套工业 AI 操作系统，名为 " 全要素大模型 "，作为指导企业生产操作的中枢大脑。其运行逻辑包括三个步骤：
学习：利用企业的原始业务数据，全要素学习业务模式，建立起一个能反映真实生产过程的数字孪生模型。
这一模型是整套系统的底层架构，能随着后续新数据的注入而持续更新，也能对信息实现精准追踪，过滤掉不可靠数据和缺失数据的噪声。这是因为模型能够挖掘出数据之间的内在关联，并把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：随着企业数据的不断完善和模型自身的强化学习能力，系统持续推演，寻找生产流程中的最优解决方案。
交付：直接面向一线工人，交付一个可以与 AI 系统交互的 App。这个 App 的页面和操作都极为简单，工人只需输入现场环境，即可获得当前最优的生产方案。比如在冶金场景中，系统会告诉工人该堆多少料、什么时候堆、怎么堆。
这一套系统，戴宗宏称其为关于数据和业务的 " 工业世界模型 "。
戴宗宏认为，业务场景也是世界的一部分，人做业务决策本质上也是根据业务数据，对未来的业务情况进行预测。
所以，他们构建了一个工业场景下的世界模型，把业务场景投射在数字世界中，意在通过学习数据间的关联性，找出哪些因素在互相影响、如何影响，进而预测和指导实际生产优化。
打个比方，在某个真实的产线上，这套系统可以学习并分析企业已有的业务数据，梳理并复刻出企业的生产过程，生成一个虚拟孪生的 " 数字工厂 " 模型。
它可以不断进行自我推演，按照产线要求的生产指标，找出更优的实际操作方案，一线员工可以直接拿着这套方案开展工作。
戴宗宏将他们的方案概括为 " 提质增效 "，而非 " 减员增效 "。这一方案的好处在于，他们不造数字员工，不用 AI 替代原有的人力。
他们发现，当厂商提出用 AI 项目取代真人时，这些传统企业实际的接受度比较低，一是由于人力相比 AI 项目的成本低得多，二是他们更期待短期可见的产能提升，而非长期的人力替代。
在企业现有的生产作业模式下，基点起源利用系统提供的方案设计，把企业真正关心的痛点问题，如产值、良品率等 " 质 " 的指标提上来，实现整条产线效率的提升。
从交付结果来看，在某一个工艺段上，他们的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 系统先放在了冶金、化工、精密制造、半导体、纺织等所谓的传统行业上。
在大众的视野里，传统行业是一条难做的赛道，故事不够性感，企业对自身数据资产的管理，即数据治理，水平也不够高。
戴宗宏却给出了一个与刻板印象背道而驰的答案，" 在我看来，工业企业反而会更好做。" 他的理由很简单，传统行业相当大，容易形成规模效应。
而不选择互联网行业，是因为其本身是数字原生化的，互联网行业的解决方案需要更颠覆式的创新，这对定制化厂商的要求会更高。
在实际生产过程中，工业企业拥有各种各样的原始业务数据，如 Log（日志文件）、Operation Log（操作日志）、ERP（企业资源管理数据）和 PRD（产品需求文档数据）等。这些数据格式不同、充满噪音，甚至还有残缺的部分，看似是一块难啃的骨头。
戴宗宏认为，这并不是一个问题，实际上，基点起源不太需要企业自身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。"戴宗宏解释道，企业系统里直接的业务数据，保留了生产制造环节中更完整的信息，这对他们来说更有帮助。
在搭建起客户 " 工业世界模型 " 的过程中，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，因此，这也让这套系统易于跨行业迁移和落地。
在付费意愿更高的 To B 领域，基点起源难免会直面大厂，以及老牌的行业解决方案供应商。而团队的获客策略是：将业务优化指标，作为交付的必要条件，直接写在合同中。
由于交付效果的不可控，大多竞争对手不敢将兑现的具体业务指标，直接写进合同中。这就导致客户的业务痛点无法得到真正解决。相对的，基于 " 全要素大模型 "，基点起源能够根据客户的痛点，精准给出可兑现的业务指标，以及相应的优化方案。
与此同时，基点起源采取了一种聪明的定价模式：按预期效果定价，而不是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，基点起源会在合同中，许诺提升业务的 " 最低交付指标 "。
尽管在商业化上取得了不错的成绩，戴宗宏对我们坦言，基点起源的 AI 解决方案还不够泛化。
比如，目前基点的客户主要是数据治理水平较高的头部企业，因此，AI 解决方案还未能完全泛化到中小企业的生产场景中。
为了提高系统的规划水平和泛化性，基点起源计划先从 5 – 10 个行业切入，做好单一行业的落地，最终泛化到更多的行业。
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。"
欢迎交流！
