据 Woofun AI 消息，基点起源创始人兼 CEO 戴宗宏带领团队，在半年内将 AI 定制化解决方案落地至冶金、化工、精密制造、半导体、纺织等 10 多个行业，订单合同金额较半年前提升了一个数量级，并完成了 3 轮融资，融资金额达数亿元。

这一成绩直接回应了外界关于 B 端定制化 "故事不够性感" 及 "都是累活" 的质疑，标志着工业 AI 从概念验证迈向规模化商业交付的关键转折。

戴宗宏作为 AI To B 领域的资深从业者，曾担任华为云 AI CTO 及零一万物联创，拥有数百个定制化项目落地经验。他深刻洞察到，传统定制化服务的核心痛点在于将企业沉淀在专家与业务数据中的 Know-How 人为建模成工作流的过程，这一过程梳理复杂数据与知识，不仅耗时耗力，更难以响应企业全局优化和灵活多变的需求。随着大模型推理能力的跃升，戴宗宏看到了改变这一范式的契机：将传统重人力、重交付时间的服务，彻底交给一套 AI 系统。其最终目标是实现从传统动辄几百人驻场、耗时数月的定制化案子，转变为单人控制、2 周左右即可交付的项目，且交付结果能超越传统大厂团队。

这种效率的指数级提升，并非简单的工具升级，而是对生产决策逻辑的根本性重构。

在深入调研上百家企业后，戴宗宏发现传统制造业企业的核心诉求并非白领办公提效，而是生产过程中能直接量化的指标，如良品率、产能、库存及供应链稳定性。以有色金属行业为例，企业最大的痛点是在保证稳定与安全生产的前提下有效扩充产能，因为产能提升带来的收益远超单纯节省成本的开支。这背后的深层需求，是企业需要一个能迭代的'大脑'，能够参考业务指标，给出在真实生产中可直接采用的定制化优化方案。戴宗宏认为，大模型的学习与推理能力恰好能解决建模难、效率低的问题，让 AI 直接代替定制化专家团队，根据企业给出的业务指标，向一线工人提出精确解决方案。本质上，传统制造业的生产制造环节可剥离为'用什么做'和'怎么做'的问题，再复杂的生产过程均可拆解为若干可控的简单模块，供大模型学习。用模型替代专家的另一个关键优势在于，它能挖掘生产环节中每一个潜在的优化点，而非仅针对某一环节进行单点优化，从而实现全局效能的跃升。

为此，基点起源自研了一套名为'全要素大模型'的工业 AI 操作系统，作为指导企业生产操作的中枢大脑。该系统的运行逻辑严格遵循三个步骤：首先是学习阶段，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。

这一模型作为底层架构，能随新数据注入持续更新，并精准追踪信息，过滤掉不可靠数据和缺失数据的噪声。其核心在于模型能挖掘数据间的内在关联，将注意力集中在对关键生产指标影响更大的数据上。其次是寻优阶段，随着企业数据完善和模型强化学习能力增强，系统持续推演，寻找生产流程中的最优解决方案。最后是交付阶段，直接面向一线工人交付一个可与 AI 系统交互的 App。该 App 页面与操作极为简单，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，系统会明确告知工人该堆多少料、何时堆、如何堆。戴宗宏将这套系统定义为关于数据和业务的'工业世界模型'，认为业务场景是世界的一部分，人做业务决策本质上是根据数据对未来情况进行预测。通过构建工业场景下的世界模型，将业务场景投射至数字世界，系统通过学习数据关联性，找出互相影响的因素及影响方式，进而预测并指导实际生产优化。在真实产线上，这套系统能学习并分析企业已有业务数据，梳理并复刻生产过程，生成虚拟孪生的'数字工厂'模型，不断自我推演，按产线要求的生产指标找出更优实际操作方案，供一线员工直接执行。

戴宗宏将这一方案概括为"提质增效" 而非 "减员增效"。基点起源不造数字员工，也不主张用 AI 替代原有人力。调研发现，当厂商提出用 AI 项目取代真人时，传统企业接受度较低，原因一是人力成本远低于 AI 项目成本，二是企业更期待短期可见的产能提升而非长期的人力替代。在现有生产作业模式下，基点起源利用系统提供的方案设计，将企业真正关心的产值、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，在某一工艺段上，其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。落地的第一站，基点起源未选择数字化程度更高的互联网行业，而是将 AI 系统率先置于冶金、化工、精密制造、半导体、纺织等传统行业。在大众视野中，传统行业被视为难做赛道，数据治理水平不高，但戴宗宏却认为工业企业反而更好做，理由是传统行业体量大，易形成规模效应。不选互联网行业是因为其本身是数字原生化的，需要更颠覆式的创新，这对定制化厂商要求更高。在实际生产中，工业企业拥有 Log、Operation Log、ERP、PRD 等各种原始业务数据，这些数据格式不同、充满噪音甚至残缺，看似难啃的骨头。戴宗宏认为这并非问题，基点起源不太需要企业自身进行复杂的数据治理，因为 "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生产制造环节更完整的信息，这对系统更有帮助。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均来自客户本身，无需依赖 Know-How 专家，这使得系统易于跨行业迁移和落地。

在付费意愿更高的 To B 领域，基点起源直面大厂及老牌行业解决方案供应商的竞争。团队的获客策略是将业务优化指标作为交付的必要条件，直接写入合同。由于交付效果不可控，大多竞争对手不敢将兑现的具体业务指标写进合同，导致客户痛点无法真正解决。相对地，基于 "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及相应优化方案。

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，而非按实际交付效果定价。戴宗宏解释道："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。"他希望与客户形成共赢关系，而非为了钱相互对抗。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"。

尽管商业化成绩斐然，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，AI 解决方案尚未完全泛化到中小企业生产场景。为提高系统规划水平和泛化性，基点起源计划先从 5–10 个行业切入，做好单一行业落地，最终泛化到更多行业。戴宗宏提到，下一步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。这是继大模型在消费端爆发后，AI 技术在工业深水区的一次实质性突围，预示着工业智能化正从辅助工具向核心决策引擎演进。