據 Woofun AI 消息，基點起源創始人兼 CEO 戴宗宏帶領團隊，在半年內將 AI 定製化解決方案落地至冶金、化工、精密製造、半導體、紡織等 10 多個行業，訂單合同金額較半年前提升了一個數量級，並完成了 3 輪融資，融資金額達數億元。

這一成績直接回應了外界關於 B 端定製化 "故事不夠性感" 及 "都是累活" 的質疑，標誌着工業 AI 從概念驗證邁向規模化商業交付的關鍵轉折。

戴宗宏作爲 AI To B 領域的資深從業者，曾擔任華爲雲 AI CTO 及零一萬物聯創，擁有數百個定製化項目落地經驗。他深刻洞察到，傳統定製化服務的核心痛點在於將企業沉澱在專家與業務數據中的 Know-How 人爲建模成工作流的過程，這一過程梳理複雜數據與知識，不僅耗時耗力，更難以響應企業全局優化和靈活多變的需求。隨着大模型推理能力的躍升，戴宗宏看到了改變這一範式的契機：將傳統重人力、重交付時間的服務，徹底交給一套 AI 系統。其最終目標是實現從傳統動輒幾百人駐場、耗時數月的定製化案子，轉變爲單人控制、2 周左右即可交付的項目，且交付結果能超越傳統大廠團隊。

這種效率的指數級提升，並非簡單的工具升級，而是對生產決策邏輯的根本性重構。

在深入調研上百家企業後，戴宗宏發現傳統制造業企業的核心訴求並非白領辦公提效，而是生產過程中能直接量化的指標，如良品率、產能、庫存及供應鏈穩定性。以有色金屬行業爲例，企業最大的痛點是在保證穩定與安全生產的前提下有效擴充產能，因爲產能提升帶來的收益遠超單純節省成本的開支。這背後的深層需求，是企業需要一個能迭代的'大腦'，能夠參考業務指標，給出在真實生產中可直接採用的定製化優化方案。戴宗宏認爲，大模型的學習與推理能力恰好能解決建模難、效率低的問題，讓 AI 直接代替定製化專家團隊，根據企業給出的業務指標，向一線工人提出精確解決方案。本質上，傳統制造業的生產製造環節可剝離爲'用什麼做'和'怎麼做'的問題，再複雜的生產過程均可拆解爲若干可控的簡單模塊，供大模型學習。用模型替代專家的另一個關鍵優勢在於，它能挖掘生產環節中每一個潛在的優化點，而非僅針對某一環節進行單點優化，從而實現全局效能的躍升。

爲此，基點起源自研了一套名爲'全要素大模型'的工業 AI 操作系統，作爲指導企業生產操作的中樞大腦。該系統的運行邏輯嚴格遵循三個步驟：首先是學習階段，利用企業原始業務數據全要素學習業務模式，建立反映真實生產過程的數字孿生模型。

這一模型作爲底層架構，能隨新數據注入持續更新，並精準追蹤信息，過濾掉不可靠數據和缺失數據的噪聲。其核心在於模型能挖掘數據間的內在關聯，將注意力集中在對關鍵生產指標影響更大的數據上。其次是尋優階段，隨着企業數據完善和模型強化學習能力增強，系統持續推演，尋找生產流程中的最優解決方案。最後是交付階段，直接面向一線工人交付一個可與 AI 系統交互的 App。該 App 頁面與操作極爲簡單，工人只需輸入現場環境，即可獲得當前最優生產方案。例如在冶金場景中，系統會明確告知工人該堆多少料、何時堆、如何堆。戴宗宏將這套系統定義爲關於數據和業務的'工業世界模型'，認爲業務場景是世界的一部分，人做業務決策本質上是根據數據對未來情況進行預測。通過構建工業場景下的世界模型，將業務場景投射至數字世界，系統通過學習數據關聯性，找出互相影響的因素及影響方式，進而預測並指導實際生產優化。在真實產線上，這套系統能學習並分析企業已有業務數據，梳理並復刻生產過程，生成虛擬孿生的'數字工廠'模型，不斷自我推演，按產線要求的生產指標找出更優實際操作方案，供一線員工直接執行。

戴宗宏將這一方案概括爲"提質增效" 而非 "減員增效"。基點起源不造數字員工，也不主張用 AI 替代原有人力。調研發現，當廠商提出用 AI 項目取代真人時，傳統企業接受度較低，原因一是人力成本遠低於 AI 項目成本，二是企業更期待短期可見的產能提升而非長期的人力替代。在現有生產作業模式下，基點起源利用系統提供的方案設計，將企業真正關心的產值、良品率等 "質" 的指標提上來，實現整條產線效率提升。從交付結果看，在某一工藝段上，其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。落地的第一站，基點起源未選擇數字化程度更高的互聯網行業，而是將 AI 系統率先置於冶金、化工、精密製造、半導體、紡織等傳統行業。在大衆視野中，傳統行業被視爲難做賽道，數據治理水平不高，但戴宗宏卻認爲工業企業反而更好做，理由是傳統行業體量大，易形成規模效應。不選互聯網行業是因爲其本身是數字原生化的，需要更顛覆式的創新，這對定製化廠商要求更高。在實際生產中，工業企業擁有 Log、Operation Log、ERP、PRD 等各種原始業務數據，這些數據格式不同、充滿噪音甚至殘缺，看似難啃的骨頭。戴宗宏認爲這並非問題，基點起源不太需要企業自身進行復雜的數據治理，因爲 "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"。企業系統裏直接的業務數據保留了生產製造環節更完整的信息，這對系統更有幫助。在搭建客戶 "工業世界模型" 過程中，基點起源用到的所有數據均來自客戶本身，無需依賴 Know-How 專家，這使得系統易於跨行業遷移和落地。

在付費意願更高的 To B 領域，基點起源直面大廠及老牌行業解決方案供應商的競爭。團隊的獲客策略是將業務優化指標作爲交付的必要條件，直接寫入合同。由於交付效果不可控，大多競爭對手不敢將兌現的具體業務指標寫進合同，導致客戶痛點無法真正解決。相對地，基於 "全要素大模型" ，基點起源能根據客戶痛點精準給出可兌現的業務指標及相應優化方案。

與此同時，基點起源採取了一種聰明的定價模式：按預期效果定價，而非按實際交付效果定價。戴宗宏解釋道："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。"他希望與客戶形成共贏關係，而非爲了錢相互對抗。爲了讓客戶願意爲預期效果付費，基點起源會在合同中許諾提升業務的 "最低交付指標"。

儘管商業化成績斐然，戴宗宏坦言基點起源的 AI 解決方案還不夠泛化。目前客戶主要是數據治理水平較高的頭部企業，AI 解決方案尚未完全泛化到中小企業生產場景。爲提高系統規劃水平和泛化性，基點起源計劃先從 5–10 個行業切入，做好單一行業落地，最終泛化到更多行業。戴宗宏提到，下一步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並達成實際交付。這是繼大模型在消費端爆發後，AI 技術在工業深水區的一次實質性突圍，預示着工業智能化正從輔助工具向核心決策引擎演進。