前零一万物联创戴宗宏创业：20人团队，能干上百人的AI定制项目

文｜周鑫雨

编辑｜苏建勋

国内市场、ToB、定制化——每个词都踩到了当下AI创业的雷点上。

但这恰恰是前零一万物联合创始人戴宗宏，如今要做的事。

2025年3月24日，从零一万物离职后，他成立了新公司“基点起源”。不过，当下入局B端定制，戴宗宏想讲的，是与传统B端定制截然不同的新故事。

这个故事，如今在基点起源业务上的表现是：在7、8个定制化项目并行的情况下，基点起源的工程团队规模，维持在20人左右，且从未逾期交付。

其中的关键，在于用AI，自动化执行定制过程中的“脏活累活”。

传统的定制，需要AI企业组建数十人规模的专家团队，通过前期人工的访谈、数据采集，再人为对数据进行分析、建模，最后用数字化的形式复刻出业务流程——这一过程，相当于人为给真实业务，建了一个数字副本。

基于业务流的“副本”，企业才能根据自己制定的业务目标，进行解决方案的推演，最后找到最佳路径。

基点起源要做的，就是将前期专家走访、数据采集、分析、建模，以及刻画业务流的过程，全都交给AI。

为此，基点起源构建了一个可以自动化刻画企业业务流的AI操作系统：

•系统的底座，是多个基座模型和行业垂直大模型。基于来自企业的各类原始业务数据，底层模型可以自动梳理、理解业务的生产要素节点。

•系统内置的生产要素工具链，能够对生产要素进行逐一建模，形成业务节点。

•系统内的RL工具链，基于真实业务流的数字孪生，通过强化学习搭建业务定制化的企业大模型等AI软件。

采用AI操作系统后，戴宗宏告诉我们，企业数据采集和治理，加上构建企业业务流，只需要一天的时间，“我们的客户Review后，没有错误”。

如今，这套AI操作系统，已经在钢铁冶炼、环境治理、新能源管理等来自不同行业的企业中运转了起来，为企业实现降本增效、供应链优化等目标。

比如，当一家企业的业务目标，是将供应链成本优化15%，他们只需要将自己的供应链数据API，接入AI操作系统，就能在短时间内得到自己的业务模型。提出15%的优化目标后，业务模型就会基于业务知识，给出实现目标的路径。

近期，基点起源完成了天使轮融资，融资金额超亿元人民币。投资方包括创新工场、坚果资本、九合创投、普华资本、银侨基金、正阳恒卓、中科创星、追创创投等（按音序排列）。

当然，这段创业伴随着不少质疑——戴宗宏告诉《智能涌现》，融资的过程中，部分投资人的顾虑是：中国的B端客户，付费意愿很低。

的确，自大模型热潮以来，国内AI企业做行业落地的自信心，快速走向破灭。回款周期长、客户付费意愿有限，是老生常谈的难题。

不做定制，做标品，已经逐渐成为共识。百度创始人CEO李彦宏就曾直言：B端业务尽量不碰吃力不讨好的项目制，尽量推出标品。

作为AI ToB的老炮，戴宗宏对这一论断，有不同的看法。在此之前，他在阿里达摩院担任AI Infra总监，后在华为云成为AI CTO。

在华为云期间，他接触了上百个AI定制化项目。这让他意识到：“国内不是付费意愿不高，而是和海外的付费偏好不同。海外企业习惯为工具付费，国内企业习惯为效果付费。”

这意味着，国内B端市场，对AI定制化依然有庞大的需求。

△戴宗宏。图源：企业提供

创业后，戴宗宏近40%的时间，都放在客户走访上。他发现，这些客户并不愿意使用市面上的标品，理由是无法和原有业务直接结合，“他们仍然更愿意为端到端的定制化解决方案付费，而且给出的预算很高”。

比起焦虑竞争和融资的压力，戴宗宏更担心的，是没有玩家入局后，客户对B端定制化的信心会每况愈下。

在和客户交谈的过程中，他意识到，过去AI定制结果的不如人意，已经伤害了部分客户对AI技术的信心，直接影响了他们对AI的预算，“以往大多数AI企业只是给企业部署了一个大模型，但客户要的不是大模型，而是成果”。

因此，在获客阶段，基点起源并不急着直接让企业部署自己的AI操作系统，而是基于客户业务的目标，直接交付一套用AI操作系统跑出的解决方案。

戴宗宏对《智能涌现》总结，从整体上看，竞争对B端是一件好事，“一旦成功的案例多了，客户的信心会变强，我们获客就会变容易。”

以下是《智能涌现》和戴宗宏的对话，经整理编辑：

大语言模型，没有让我看到普遍行业落地的机会

《智能涌现》：你会怎么描述基点起源的业务？

戴宗宏：我希望能够提供称之为“AI操作系统”的一套技术平台。基于这套技术平台，可以弥合产业跟AI结合的鸿沟，让产业的核心业务链路能够快速借助现有的AI工具和AI手段，完成整个产业的AI改造，最终实现业务价值的提升。

《智能涌现》：有点抽象，能不能举个例子？

戴宗宏：比如，我们从某一个客户的各类系统原始数据上，，基于我们的模型和平台自去学习这套数据，这个学习过程完全是自动化的。

我们用几台机器，大概学习一天多，就能自动地把企业的整个业务流程写出来。

在传统的定制领域，大家想把企业业务刻画出来，一般需要各层的人员访谈、技术访谈，以及数据的梳理和治理。最后拿出成果，半年到一年的时间就过去了。

但我们现在一天就可以把整个业务清晰地梳理出来。而且经过客户详细的review，没有错误。

《智能涌现》：总结一下与传统的定制化的不同？

戴宗宏：之前几乎所有企业在服务产业的时候，内容是以定制化和手搓模型为主，绕不开数据治理的问题，也绕不开业务流学习的问题。

但我们现在的技术能够借助企业繁杂的数据，去自助的学习、理解这些东西，再去复现企业的工作流。这就是我们做的一套能够进行无监督的数据治理的技术体系。

《智能涌现》：这一套技术体系对定制化的好处是什么？

戴宗宏：第一是能够泛化。第二是能够深入到核心业务链路中，不仅作为办公辅助。第三其实跟第一个有关，就是能够形成规模化，而是不仅仅帮助一两家头部企业完成转型。

《智能涌现》：你在2024年的大模型浪潮成了零一万物的联创，也是第一批投身大模型创业的人。当时你有看到AI定制化的机会吗？

戴宗宏：从ChatGPT本身，我并不能看到赋能千行百业的机会，它更为突出的是语言性能力和逻辑性能力。只有当模型具有深度推理和思考能力，它才能去理解企业的业务流，辅助决策。

直到o1发布，我才觉得大模型落地到千行百业成了一个优化程度的问题，而不是行与不行的问题。

事实上当时我在零一万物的时候，我们也尝试去做了类似于ReAct（Reason+Act，一种用构建Agent的决策机制）之类的工作，而且也取得了一定的成果。

虽然没有o1那么惊艳。但我们也取得了长足的进步，这是在没有o1、o3引导下自己做出的成果。因为我们一直在探索这一层的基础技术。

《智能涌现》：你为什么选择从华为离职，在2024年和零一投身大模型领域？

戴宗宏：在华为，我就能够参与甚至主持一些AI赋能千行百业的工作，有了很多实践的机会，也接触了大量的企业和场景。所以这段经历对我来说是不可或缺的，包括我现在创业的一些雏形也是在华为中形成的。

但是在华为，我很难深入到大模型的技术细节中去。当时零一已经具备了初步的技术基础，也有了一定的资金基础，最后我肉眼可查，我能够在其中做很多事情。所以和开复、雪梅聊了之后，我就加入了。

在零一，我就系统观察和学习了大模型的一系列技术。因为之前我是作为AI的辅助，但和在零一这种深入其中去贯彻每一个指标，所得到的体验还是很不一样的。

《智能涌现》：哪些技术发展成了你创业的契机？

戴宗宏：其实我本人并不是大模型的技术专家，之所以我开始做大模型，是因为我认为大模型可以帮助我实现上面的这三点。

我认为深度Reasoning（推理）能力是一个关键的节点，就是2024年o1和o3（OpenAI的推理模型）发布的时候。我之所以在这个时间点开启“基点起源”这个项目，也是因为大模型达到了这个程度。

我觉得我本人不需要在大模型训练上做很多的工作了，我直接站在别人的肩膀上就可以。

20人团队，干完了传统AI公司上百人的活

《智能涌现》：你目前做的“AI操作系统”的结构是怎样的？

戴宗宏：算是一个模型和应用集成的平台。我们这套系统最底层是一组大模型，包括基础大模型、行业垂直大模型，作为理解业务数据和建模的工具。

系统的上层就是利用企业自身的业务数据进行建模，最终组合成的一个虚实融合的数字孪生环境。这些建成的模型是没有幻觉的，因为基于的就是企业的业务数据，所以它是懂企业的业务链的。

《智能涌现》：要实现“用AI刻画完整的业务流”，方法是什么？

戴宗宏：一家企业的数据是很繁杂的，数据的来源、存储的格式也不一样。我们首先要做的就是自动地、深入地去挖掘这些数据，包括挖掘它的潜在表现，并且能够做自动的数据分析。

紧接着我们需要基于这些已有的数据去挖掘我们所说的“生产要素全集”，然后将这些生产要素全集构建成业务。

接下来我们就需要对每个节点进行自动化建模。自动化建模又需要依托于数据。一些没有天然数据的节点，我们又要进行自动化的数据补齐。

简而言之，就是把一个企业的真实业务流程，用建模的方式呈现出来。

听上去整个过程非常简单，但如果要实现自动化，是很复杂的。因为一些企业里面有几万乃至上百万个节点，我们要把这些节点之间的关系，包括发展的关系和逻辑的关系，全部都自动学习出来，这还是比较有挑战的。

《智能涌现》：怎么确定补齐的数据符合真实的业务逻辑？

戴宗宏：我们不需要它精确，我们只需要它正确。因为我们后面还会通过强化学习，主动地收敛模型的精度。

本质上在AI 1.0时代，大家做的更多的工作，是通过标注数据去提升模型的精度。这需要大量的人工，并且不确定性、不稳定性是很强的。

我们现在不再使用人工标注的数据。我们要通过一些精巧的设计，形成天然的强化学习环境，通过实际的生产环境，源源不断地产出数据，来强化我们的模型。

本质上，这个过程可以实现人工数据标注同等的效果。

《智能涌现》：为什么要用AI对企业的业务流建模？这对企业客户的价值是什么？

戴宗宏：企业可以用这套刻画出来的业务流，去做业务的推演、决策。

你可以把我们复刻的业务流，当作真实业务流的一个数字转换环境、一个镜像。那你在这个数字环境中做各种推演是比较容易的。

基于数字环境的推演，也会给企业业务的实现带来很多可能性。比如除了帮助企业推演不同决策的效果之外，还能做降本增效、产能提升、产能平衡、供应链优化等等。

《智能涌现》：这个过程需要像传统定制那样投入大量人力吗？

戴宗宏：中间人工介入的程度几乎是0。相当于一个客户来了，我们只要获得了相应数据接口的权限，整个模型的学习理解过程全是自动化的。

《智能涌现》：这套系统最终实现的效果和传统人为定制一样吗？

戴宗宏：这套系统代替的其实不是企业内部的一些职能，而是AI企业的专家，去帮助一家企业做一些场景的智能化。

按照传统定制化流程，我们需要派大量专家去帮企业做相应的分析工作和建模工作。我们现在相当于用大模型，替代了这些AI企业专家，帮企业做全要素建模。

如果依靠人，10个人只能建10个模型，20个人只能建20个，如果企业中有1万个生产要素，全都要建模的话，就要有1万个模型，对应1万个人。

但有了这套系统后，我们现在不靠人力，靠的纯粹是算力。

《智能涌现》：不少做ToB定制化的企业，最终人员规模会变得臃肿。基点起源有多少人？

戴宗宏：我们现在同时在推进七八个项目，但负责的团队一共才20个人，原来可能要上百人。目前我们的交付时间从没不符合客户的期望。

这和传统定制化交付是完全不同的组织形态，原因很简单，我们通过技术解决掉了大部分问题。

《智能涌现》：目前这一套AI操作系统进展到了什么阶段？

戴宗宏：这个月初（8月初），我们刚刚完成第一版核心功能的交付。所以也经过了三四个月的搭建时间。

《智能涌现》：这套AI操作系统在企业中落地的实际效果怎样？

戴宗宏：现在我们的成果对企业已经很有帮助了。企业只需要让我们可读历史上所积累的数据，我们就可以快速将企业复杂的业务链刻画出来。

我们合作的企业案例，已经有用复刻的数字业务流做降本增效、供应链优化，还有企业做了能耗管理优化。

《智能涌现》：一个企业客户，该怎么操作这样一个平台，去实现我的业务目标？

戴宗宏：现在这部分产品，我们还没有完成端到端的自动化。我们现在是通过手工把不同能力节点串起来，因为我们的开发时间没有那么长。现在我们拿到客户的数据，手工把AI自动建模的各个节点串起来。

客户将自己设定的业务目标给我们，比如“实现最快的生产速度”“实现最大的产能”，我们的系统就自动化地帮助用户去寻优，找到实现最大目标的路径。

维护B端客户的信心，很重要

《智能涌现》：目前公司面向的是国内市场还是海外市场？

戴宗宏：以国内市场为主。毫无疑问，中国具有制造业全产业链的优势。像我们做的这个方案，未来产业链串得越长，其实优化空间就会越大。所以中国其实是有天然的场景优势的。

海外可能有一些企业，单点能力比较强，但是端到端全产业链，相比于中国还是薄弱一些。

《智能涌现》：现在你做ToB，又做国内。融资会有压力吗？

戴宗宏：我们遇到了理念相同的投资人。

在见投资人的时候，我会有很清晰的感受。如果投资人之前在工厂看过项目，甚至实操过一些东西的时候，他听我们讲业务，以及我们描述的技术路径，是非常容易理解的，应该算一次沟通就能成功的。

在我们实现这套技术之前，有些投资人对AI自动化刻画流程的实现将信将疑。这点我还是很理解的。

我们运气还不错，很快找到了能听懂我们的技术理念和一些哲学思想的投资人，很快就确定了融资。天使轮融得也很不错，我们的融资额已经过亿了。

《智能涌现》：你会担心国内企业对ToB软件的付费意愿不高吗？

戴宗宏：我觉得国内不是付费意愿不高，而是和海外的付费偏好不同。海外企业习惯为工具付费，这是海外比较优秀的地方，最终能把这些做工具的企业养活。

国内企业更愿意为效果付费。大部分企业都愿意为端到端的业务价值付费，他们的合作意愿非常强。

我们目前所做的这些项目，企业的付费意愿是非常明确的，他们的预算也很充足。产品能够帮他们全流程提效，然后帮客户省钱或增收，他们就一定会愿意抽出预算跟我们合作。

我们目前服务的客户都很明显体现这样的特点，他们有央国企，也有民营企业。

《智能涌现》：现在公司有多少客户？

戴宗宏：我们现在已经有快小10个项目在同步做了，而且还是千行百业的客户。他们付费的意愿也很强烈，主动预付款的金额非常高。

《智能涌现》：企业该怎么衡量AI OS产生的效果？该怎么计价付费？

戴宗宏：在传统定制化领域，其实软件说得更直接一点，就是一块数据大屏。数据大屏要依靠人去理解数据、做出决策，才能产生价值。这个时候数据大屏的价值是很难测算的。

但我们现在做的是全自动的AI，所以产生的价值是可以推演的。

第二点，之前大部分企业做的其实是单点的优化。单点优化放到全局里能产生多少效果，你要做出来后，放到里面执行，很多东西才能测算出来。所以之前很难定价。

现在我们做的是全要素模型，包含了端到端的每个节点，所以单点在全局中产生的价值，我们都能测算。

《智能涌现》：这样的商业模式能回本吗？

戴宗宏：如果不面向未来的研发去做投资的话，今年我们是有希望Break-even（盈亏平衡）的。

《智能涌现》：你会考虑先做一些很快有商业回报的业务养活公司，再用这些钱养活自己的理想吗？

戴宗宏：我觉得这个思想是不对的。我觉得商业化的核心应该是帮助客户创造他的价值，再从他的价值中分润出养活自己的部分。

一般情况下，我们希望能够帮客户达到10倍的收益，再去获得自己的收益，这样才是一个良性循环。否则只是一个随机的项目。

《智能涌现》：如果随机的项目能养活团队，是不是也算一种价值？

戴宗宏：我觉得这是对行业的伤害。比如我对客户许诺创造3000万的价值，但最后1000万都不到。本来这可能是一个愿意尝试新技术的客户，他的感情被伤害后，下一次可能连1000万都不愿意付出。

市场的信心是很重要的，尤其是B端，因为B端的记忆是很深刻的。今年的表现，会直接影响他们这几年在AI技术上的预算。

《智能涌现》：你有遇到过被伤害过的客户吗？怎么帮客户重建对市场的信心？

戴宗宏：有部分。很明显他的沉没成本容忍度要比没被伤害过的企业低得多。其他企业可以接受半年左右看到业务价值，这些企业如果没有在三个月左右看到，就不太愿意投入。

所以我们要把数据算得非常细致，对企业的业务价值判断经得起推敲。

《智能涌现》：之前没人做过这样一套复刻业务的AI操作系统，公司怎么让客户理解？

戴宗宏：很多传统AI公司很难突破客户的核心在于，大家讲的故事还是智能辅助，或者说给企业做个大模型。但企业并不关心我有没有大模型，而是我有大模型后能实现什么业务价值。

如果中国的AI企业能往前再走一步，能够非常清晰地帮企业梳理出加AI之后对他的业务价值的呈现，突破企业客户是比较容易的。

我们运气比较好，正好赶上了中国AI+转型的大潮流，加之我们这一套方案和技术路径能够呈现业务价值，所以我们突破客户也就没那么难。

《智能涌现》：这样一个AI OS，有落地效果比较好的一些行业或者企业吗？

戴宗宏：其实这个AI OS是全行业适用的，相当于一个通用的操作平台。

我们目前已经有几个企业客户了，交付还不错。他们有做金属冶炼和钢铁冶炼的，有做环境治理的，有做新能源管理的，还有做电子产品制造和组装的。你可以看到，跨度比较大。

我不担心竞争，这会让落地的成功案例变多

《智能涌现》：你觉得团队的业务有壁垒吗？

戴宗宏：第一我们对产业有深刻的理解，第二我们对模型本身的发展也有深刻的理解。第三，我们设计的这一套技术和产品具有前瞻性，并且我们前沿突破的能力还不错，能够按照我们的规划慢慢达成。

这意味着我们有很好的认知、有合适的设计，并且有很强的实践能力。

《智能涌现》：很多企业都提到自己的壁垒是“行业Know-How”。真正的“行业Know-How”是什么？

戴宗宏：在华为期间，我积累了上百个AI+产业赋能的项目经验。

那个时候我们用的还是传统的AI技术，但在那个过程中其实我们对于企业真正需要什么、产业的工作特点、产业现有系统的数据、价值链等，都有一些深刻的认知。并且这些认知通过几年时间，用一个个项目模拟出来。

所以我现在要做成这样一件事，有几个关键点：第一个我们对产业的工作模式、对企业核心管理者的想法有深刻的理解；

第二个，我们对于AI技术还要有深刻的理解。我们要知道今天AI的能力边界在哪儿，还要知道半年、一年、两年之后，AI大概会发展到什么状态。否则我们以今天的AI的能力，所上线设计的这套解决方案，未来可能整个都要推翻重做。

我们还要对成本、算力、业务布局、用户数据的敏感性，也要有深刻的理解。所以这是一个很复杂的体系。

《智能涌现》：你和团队怎么去预测一两年后AI的能力边界？

戴宗宏：其实不需要那么精准，只要大方向和大概的能力边界范围，我们能够有一个明确的判断就可以了。

首先我觉得明年大模型本身的能力，很难去突破数据的屏障。因为今天natural data已经被消耗得太多，现在更多的数据是利用左脚踩右脚的方式去进一步地迭代。

由于这一点，大模型在1-2年内很难形成根本性的突破。所以模型本身的通识的能力，会有线性的增加，但比较难有量级的增加。

其次是模型对特定场景反映出来的思维链的链接、自我纠错和自我迭代能力，以及通过强化学习的手段去自我进化的能力，我觉得接下来两年之内会有巨大的演进。

《智能涌现》：这两个判断，具体落实到现在基点起源的工作上，对于产品、业务的进展起到了怎样的作用？

戴宗宏：本质上会让我觉得，不能依托研究AI本身的能力，去解决行业的问题，因为AI本身能力迭代放缓了。问题必须要依靠业务布局去解决，而不是行业数据去解决。

如果我们想用业务数据去解决行业问题的话，那它本身的呈现形态就不是一个简单的垂直大模型，而是一个复杂的基于DAG的模型组合和一个逻辑关系图。这是我们建设全要素模型的一个基础。

《智能涌现》：从事大模型创业的两年以来，你在技术判断上有一些遗憾吗？

戴宗宏：我在零一的时候，其实零一团队还是很棒的。2024年6、7月，当时我们几个专家一起探索了深度思考的能力，当时模型就能够做出不错的推理。

但是当时一次推理要花十几分钟。我们认为一次简单的推理都要花这么长时间，复杂推理要花的时间就更长。我们原本可以在思维链和强化学习的投入和研究上更进一步。

《智能涌现》：这个错误判断给这次创业的经验是什么？

戴宗宏：我觉得最简单的事情就是跟现实的场景去结合，跟未来的场景去做联合判断。这对技术的价值是最直接的判断。

第二个就是更多从技术原理去做判断，而不是基于某一两个指标。

《智能涌现》：今年有一些技术进展对你来说十分重要吗？

戴宗宏：目前跟我们业务强结合的关键成果还没出现。我比较期待能看到模型不靠短期记忆，而是根据场景能够形成自我的反馈学习。这是有希望达成的，我们自己也在做这方面的工作。

《智能涌现》：那你会担心竞争吗？

戴宗宏：不担心。首先这些认知、理解，以及技术，我和团队过去快积累了十年。在单一能力上，不比我们差的大有人在，但是作为这样一个复合型团队，我们还是具有一定稀缺性的。

其次，我们面对的市场足够大。中国工业领域规上就有51.2万家企业，这些企业都有能力，也有意愿去做智能化转型。

其实在国内，全自动化地业务建模，我们是第一家企业。我也希望们看到更多像我们一样的企业出现，这会帮助更多的中国传统企业快速去做新质生产力的升级。

从整体上看，竞争是一件好事。一旦成功的案例多了，客户的信心会变强，我们获客就会变容易。

如果这个市场空间很小，一两家企业死掉，其他人就活不下去了。

欢迎交流！