文｜王欣逸

编辑｜周鑫雨

半年前，我们首次与基点起源创始人兼 CEO 戴宗宏深入对话时，这家逆势切入 B 端定制化赛道的 AI 公司，正同步推进 7 到 8 个客户项目。彼时外界最常抛来的疑问是：“故事不够亮眼”、“定制化就是苦活累活”。

半年后，基点起源用数千万元在手订单，回应了所有质疑。

戴宗宏向《智能涌现》独家透露：公司订单数量实现翻倍，合同总金额较半年前跃升一个数量级；AI 解决方案已覆盖冶金、化工、精密制造、半导体、纺织等十余个垂直行业。

伴随订单增长而来的，是密集的资本认可——近半年内，基点起源完成三轮融资，总额达数亿元。《智能涌现》确认，国科投资、电控产投、上海半导体产投、建投投资、鑫和达、崇麟资本及硬核坚果资本等多家一线机构联合加注。

戴宗宏，AI To B 领域公认的“实战派老将”。作为“AI 六小虎”之一零一万物的联合创始人，他此前还曾担任华为云 AI CTO，并主导落地数百个企业级定制项目。

他曾对《智能涌现》坦言：所谓“定制化”，本质是把沉淀在专家脑中、散落在业务系统里的 Know-How，人工提炼为一套可复用的工作流。

而梳理庞杂数据、萃取隐性知识，恰恰正是传统定制服务中最“脏”、最“重”的环节。如今，大模型推理能力的实质性突破，让戴宗宏笃信：重构定制化范式的窗口已经打开。

如今基点起源所践行的，正是将原本高度依赖人力、周期冗长的企业定制化服务，全面迁移至一套自主进化的 AI 系统之上。

其最终目标清晰而激进：把过去动辄数百人驻场、耗时数月的定制项目，压缩为单人主导、两周内交付的轻量化工程；更关键的是，交付质量不仅不打折扣，反而超越传统头部厂商团队。

打造面向真实业务的「工业世界模型」

在走访上百家企业后，戴宗宏得出一个朴素却关键的结论：制造业客户从不关心是否需要一款提升白领效率的办公工具，他们真正紧盯的，是生产现场的核心指标——良率、产能、库存周转、供应链韧性……

以有色金属行业为例，企业的核心诉求并非单纯降本，而是如何在保障安全与稳定运行的前提下，科学释放产能。因为产能提升带来的边际收益，远高于成本节约本身。

这背后的真实需求，是构建一个能随业务数据持续进化、并直接响应业务目标的“决策中枢”，为企业提供可执行、可验证、可复用的定制化优化路径。

随着大语言模型推理能力的跃迁，戴宗宏判断：定制化流程变革的临界点已然到来——让 AI 直接替代专家团队，基于客户提出的业务目标，为一线操作人员输出精准、即时、可落地的执行指令。

本质上，制造业的生产过程可被解构为两个底层命题：“用什么做”与“怎么做”。再复杂的工艺链路，亦可拆解为若干结构清晰、边界明确的可控模块，这正是大模型学习与泛化的理想对象。

传统定制严重依赖专家经验建模，人力投入大、周期长、响应慢，难以支撑企业对全局协同优化与动态业务变化的需求。在戴宗宏看来，大模型强大的模式识别与因果推演能力，恰好能破解建模门槛高、迭代效率低的长期困局。

用模型替代专家的另一重价值在于：它不再局限于局部环节的单点提效，而是能系统性扫描整条产线，挖掘每一个潜在优化节点，实现从“点优化”到“面协同”的跃迁。

为此，基点起源自研了一套工业级 AI 操作系统——“全要素大模型”，作为驱动企业生产决策的智能中枢。其运行逻辑分为三层：

学习层：基于客户原始业务数据（无需清洗预处理），自动解析人、机、料、法、环等全要素关联关系，构建高保真数字孪生模型。

该模型是整个系统的基石，具备持续学习能力：新数据注入即触发模型自更新；同时通过内在关联建模，主动识别并过滤噪声、缺失、异常数据，将算力聚焦于真正影响关键指标的数据维度。

寻优层：依托强化学习机制与实时业务反馈，系统持续推演不同工况下的最优策略组合，在虚拟空间中完成千万次仿真试错，锁定现实可行的全局最优解。

交付层：面向一线工人，提供极简交互 App。界面无冗余功能，操作零培训门槛——工人仅需输入当前环境参数（如温度、压力、物料批次），系统即刻返回对应场景下的最优操作指令。例如在冶金场景中，App 会精确提示：何时加料、加多少、如何分层堆叠。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

△全要素大模型，图源：企业官方

这套系统，戴宗宏将其定义为“关于业务与数据的工业世界模型”。

在他看来，业务场景本身就是真实世界的重要组成部分；人类做业务决策的过程，本质上也是依据历史数据，对未来的业务状态进行预测与干预。

因此，基点起源构建的，是一个扎根工业语境的世界模型——将物理产线完整映射至数字空间，通过学习海量数据间的隐性因果链，识别变量间的动态影响机制，从而实现对未来生产状态的精准预测与主动干预。

举个实例：在某条真实产线上，系统可自动消化企业多年积累的操作日志、设备传感数据、ERP 工单与质检报告，自主梳理出完整的工艺流与约束条件，生成一座高保真的“数字工厂”。

它能在虚拟环境中反复推演，按客户设定的KPI（如单位能耗下降5%、良率提升1.8%），反向生成最优作业序列，并由一线员工直接调用执行。

△基点起源的产品架构，图源：企业官方

戴宗宏将这套方法论凝练为“提质增效”，而非“减员增效”。其底层逻辑在于：不制造“数字员工”，也不替代原有岗位。

他们发现，当厂商提出“用AI取代人工”时，传统制造企业普遍接受度偏低——一方面，现有人力成本远低于AI项目投入；另一方面，客户更渴望立竿见影的产能提升，而非遥不可及的人力替代愿景。

因此，基点起源选择深度嵌入客户现有作业体系，以系统输出的优化方案为支点，直击企业最关切的“质”与“效”：产值、良率、OEE（设备综合效率）……最终推动整条产线的系统性升级。

实测数据显示，在某关键工艺段，其方案助力客户某项核心指标提升 2–3 倍，年化降本超千万元。

拒绝“画饼”，合同写死优化承诺

基点起源的首个落地战场，并未选择数字化基础更优的互联网行业，而是坚定切入冶金、化工、精密制造、半导体、纺织等典型“传统”领域。

大众认知中，这些行业故事不够性感、数据治理水平参差，是公认的难啃硬骨头。

戴宗宏却给出截然相反的判断：“工业企业反而更容易规模化落地。”理由直指本质：市场体量足够庞大，天然具备规模效应。

而避开互联网行业，则源于其“数字原生”属性——这类客户的解决方案需要颠覆性创新，对定制厂商的技术纵深与架构能力要求极高，反而抬高了早期验证门槛。

在真实产线中，工业企业拥有丰富多样的原始业务数据：设备日志（Log）、操作记录（Operation Log）、ERP 流水、PRD 文档等。这些数据格式混杂、噪声密集、字段残缺，表面看是巨大障碍。

戴宗宏却视其为优势：“经过人工清洗的数据，就像被嚼烂的食物，早已丢失大量原始信息。”他强调，企业系统中未经处理的原始业务流，恰恰保留了制造过程中最完整、最真实的上下文，这正是模型理解业务本质的关键燃料。

在为客户构建“工业世界模型”的过程中，基点起源全部数据均来自客户系统原生采集，全程无需依赖外部专家知识输入。这一特性，也为其跨行业快速复制提供了坚实基础。

在 To B 商业战场上，基点起源不可避免地直面巨头与老牌集成商。其破局策略极为务实：将可量化的业务优化结果，作为交付铁律写入合同条款。

由于效果不确定性高，绝大多数竞品不敢在合同中明示具体指标。这导致客户痛点长期悬置，项目沦为“技术演示秀”。而依托“全要素大模型”的强因果建模能力，基点起源可针对客户核心痛点，前置承诺可兑现的业务指标，并配套交付闭环验证路径。

更进一步，其采用创新的定价机制：按预期效果定价，而非按实际达成效果结算。

“若按最终交付结果收费，客户会在项目启动前刻意压低基线指标。”戴宗宏解释道，“我们追求的是与客户共建共赢，而非零和博弈。”为增强客户信心，合同中明确约定“最低交付保障值”，确保投入必有可见回报。

尽管商业化进展顺利，戴宗宏亦坦诚指出：当前方案尚未完全泛化。现阶段客户仍集中于数据治理成熟度较高的行业龙头，中小企业适配仍在攻坚中。

为提升系统鲁棒性与跨行业兼容能力，基点起源采取“深扎单点、横向拓展”策略：计划率先在 5–10 个重点行业实现深度落地，打磨出标准化能力，再向更广谱制造业渗透。

戴宗宏表示：“下一阶段目标，是实现跨更大行业范围的端到端交付，并至少推出两款真正经过量产验证的标准化产品。”

欢迎交流！

扫码加入「智涌AI交流群」