开场0:00
欢迎收听 《 十字路口 》， 我们关注新一代 AI 技术浪潮带来的行业新变化和创业新机会 。 十字路口是乔布斯对苹果公司的一个比喻 ， 形容它站在科技与人文的十字路口 ， 伟大的产品往往诞生在这里 。AI 正在给各行各业带来改变 ， 我们寻找 、 访谈和凝聚新一代 AI 创业者和 AI 时代的积极行动者 ， 和他们一起探索 、 拥抱新变化 、 新的可能性
。
我是 《 十字路口 》 的 Koji， 联合创办了街旁 、 新世相和躺岛 ， 发起了 AI Hacker House 这个新一代 AI 创业者的社群空间 。
我相信科技 ， 尤其是 AI，是我们这一代人最大的价值创造机遇 。 欢迎大家找我聊天 ， 碰撞想法 ， 链接下一个可能性 。
我是 《 十字路口 》 的 Ronghui，在美元 VC 工作过 ，也做过 5 年的硅谷驻站记者 ， 关注科技发展和商业故事 。 也欢迎大家找我聊天 ， 和我交流 。
大家好 ， 欢迎收听本期的 《 十字路口 》。 今年我们关注了很多面向 ToC 用户的 Agent 产品 ， 今天我们来聊一聊面向 ToB 的 Agent。
很可能 Agent 创造最大的商业价值不是在 ToC，而是在 ToB。在刚刚过去的 8 月底 ，Agent 被写入了国务院印发的 《 关于深入实施人工智能 +》 行动的意见 。
有很多人认为 ， 这是继 10 年前提出 " 互联网 +" 并且我们的生活被外卖 、 打车等等互联网 + 服务改变了之后， 又一个前沿技术和各行各业结合的一个新的重要的机遇时刻 。
那 《 十字路口 》 也会做一系列相关的内容 ， 今天我们就来关注 Agent 与工业结合正在发生的变化 。
那我们今天的嘉宾是研发时序大模型以及工业智能体平台的初创企业极峰科技的创始人王筱圃 。
我们会来聊一聊什么是时序大模型 ， 它和大语言模型的区别和具体的案例 ，他们是如何训练一个 Agent 并且把它卖给企业投入到生产流程当中的 。
快问快答2:09
首先我们和筱圃来做一个快问快答 。 年龄 ？
88 年生人。
毕业院校 ？
中科大 。
MBTI 和星座 ？
MBTI 没有系统性测过 ，但是是 I 人是确定的 ， 后面不知道 。 然后星座是天蝎座 ， 对 。
一句话介绍一下现在的公司和产品 。
我们 Geegobyte-g1 就是向工厂的客户去派遣我们的 Agent 数字工人， 去替代人类的技术工人， 去管理和控制产线的生产过程 。
融资情况呢 ？
我们去年刚成立的时候就完成了天使轮的千万级的融资 ， 然后今年我们准备再做一轮 ， 准备一轮 。
收入和利润 ？
我们整体的订单是千万级的订单规模 ， 整个的利润来讲的话呢 ， 可以是 AI 企业相同的这种利润水平 ， 就是相对来讲还是比较高的 。
当然研发投入也一样很高 。
团队规模呢 ？
目前我们有将近 30 名全职员工 ，20 多个人。
创业之前你在做什么 ？
在企业做快乐的打工人， 之前是在带这个 R&D 的研发团队 ， 去做 AI 加工业数字化的产品的研发 ， 还有项目的交付 。
然后在那之前呢 ，也做过一段时间的基础的算法研究 ， 包括了一些计算神经科学和脑科学的研究 。
时序大模型3:21
那我们先来说一说这个时序大模型 ， 请筱圃先跟我们科普一下， 就是什么是时序大模型 。
时序嘛 ， 就是时间序列的意思 ， 就是随时间变化的这些记录 。 就是其实我们生活中有大量的时序信息 ， 比如说我们炒股的时候股票的价格随着时间波动 ， 跑步整个的跑步轨迹也是按照时间序列发生的 。
对于时序来讲 ， 就是前后有顺序 ，而且存在因果关系 ， 过去影响现在 ， 现在影响未来 。 如果要在 AI 领域去做时序的模型 ，其实它的目标就是根据已经发生的事去预测未来可能发生的事 ， 然后来帮助你去做最优或者接近最优的这种决策 。其实整个的时序模型的研究已经有非常多年了 ， 从上个世纪 70 年代开始就有相关的工作了 。
而且呢 ， 时序模型和我们的日常生活其实结合也是非常的紧密 。 开车导航到目的地大概需要多久 ， 它会帮你选路线 ， 避开拥堵 。
我不知道你们开车的时候有没有发现这个到达时间的估计还挺准的 ， 比如说你从某一地开到某一地 ， 它告诉你下午 3 点钟会到 ，不会误差很多 。
所以这就是时序模型在发挥这些相关的作用 。 今天其实大家对大语言模型都很熟悉了 ， 然后其实大语言模型的研发目标就是让这个整个模型的泛化能力变得非常好 ，因为大参数量 、 大数据量 、 大规模的训练 ， 它今天可以帮你翻译文本 ， 帮你写代码等等。
那其实时序大模型的研发也是这样的目标 ， 可以通过一个预训练的模型 ， 让它在各种领域中去完成一些时序方面的预测和决策能力 ， 使得通过这种大规模的训练得到这种预训练模型之后， 我们可以在各行各业各个场景去发挥作用 。
所以这也就是为什么我们要做时序大模型这件事情 。
它跟大语言模型还是有很多不一样的 。
那当然 ， 就是虽然它们都是一种基础模型 ，但实际上第一 ， 它们的训练的数据不一样 。 像大语言模型很多都是语料信息 、 文字呀 、 互联网的一些公开信息啊等等 ， 它的训练目标是 generation，是生成 ， 需要去生成语言图片 。
时序模型它的训练数据带有时序特征的数据 ， 它的训练目标是为了对将来进行这个预测 ， 那么对来生成一些更优的决策 。
所以它的训练目标呢 ，也是不一样的 。 所以我们经常说大语言模型是用来跟人去对话 ， 时序大模型呢 ， 可能更多的是跟未来去对话 ， 去让未来变得可预测 、 可管理和可优化 。
那你们看到它现在在哪些领域里面应用是比较广泛的 ？
其实时序大模型的领域应用其实是应该说是非常广泛了 。 你像这个刚刚说到的交通领域 ， 我们讲预测到达时间 ， 你比如说现在我们夏天了 ， 用电还是比较高峰期的 ， 通常居民用电的这个趋势是有时序的特征的 ， 比如说晚上回家的时候大家都开空调 ， 白天的时候基本上都是工作的场合用电比较高峰 。
所以在电网的能源调度层面上 ，也会让时序模型去发挥这个预测作用 ， 去帮助你去调度这些能源 ， 让能源去到该去的地方 ， 去让你的用电更加的稳定 。
更多的别的在医疗领域 ， 心电图的监测 ， 包括各个领域其实都有比较广泛的应用 。
这说的是时序模型的应用是吧 ？
对 ， 时序大模型的应用 ， 当下不管是我们在工业界的应用 ， 还是在市场营销领域 、 供应链管理领域 ， 都有相应的国外国内的一些企业去用到这个技术去完善他们的产品 ， 去用更多的功能 。
可以举一个例子吗 ？ 就是可能离普通的听众距离特别近的 ， 比如说你刚刚说到的营销 ， 它可以用在营销干什么 ？
比如说对于用户行为的分析 ，是需要对它的这个发展趋势做一个预估的 ， 比如说你的产品能不能更受欢迎 ， 那哪些产品会根据广告的投放 ， 它的相应的曝光 ， 它的这个整体产品需求会有进一步的提升 ， 哪些产品可能就没有 。
那这一点来讲的话 ， 就是要通过这种时序模型的分析 ，在营销层面上去帮助它更加的有针对性的去进行一些产品的宣传啊 、 市场的投流啊 ，也是用看未来的形式吧 ， 去支持当下的决策的一种模式 。
那这里面再往深处再讲 ， 那你对于未来的你的产品销售的这种整体订单量的预期 ， 那也会映射到你的工厂生产它的安排 。
比如说我某一款洗发水 ， 它的这个销量就是非常好 ， 未来我们可以认为它有非常多的这一款香味吧 ， 可能就薄荷味的卖的最好 ， 对吧 ？
然后我会增大对于薄荷味的这个生产的这个订单 ， 那么可能某些就卖的不好 ， 那我就减少相应的生产订单 。
那么这也就是从供应链的层面 ， 再去通过时序发展的方向去拉动生产的供给 。其实时序大模型做到的作用和时序模型是一样的 ， 只是说它在规模上会比时序模型更大 。
那它为什么要做的更大 ？ 刚刚说到了 ， 就实际上它希望它的这个大的这种参数量 、 大的规模 ， 能够使得它在各个领域发挥更好的作用 ，而不需要单独只根据一个领域去研发一个小模型 ，而是用一个通用型的大模型去泛化的解决各行各业的问题 。
这个是我们经常说要通往这个 AGI， 通用人工智能 ， 就是要往这种高泛化性质的这种方向去发展 。
所以这是大模型 、 大语言模型在做的事情 。 那当然也是时序模型和时序大模型正在发生的演变 。
那你们看到国内外现在有哪些公司在做类似的事 ？ 就是有哪些已经离普通人生活很近的一些成果 ？
就刚刚说到的 ， 可能在金融啊 、 教育领域都有应用 ，在工业 、 在制造业领域 ， 实际上也有很多在使用时序大模型技术去提供产品的这些 ，不管是初创企业还是非常成熟的这样的企业 ， 国内外的企业都有 。
你像国外的有一家企业是英国的一家初创团队 ， 它应该叫 Applied Computing， 那这个团队应该是帝国理工的一个团队 ，他们应该是刚刚也完成了种子轮的阶段 ， 整个种子轮规模也挺大的 ， 将近一个亿的人民币 。他们做的事情呢 ， 就是用一个我们它叫 Orbital 这样一个我们讲的基础模型 ， 那么去做面向于工业生产过程中， 像能源生产 ， 包括化工生产 、 石油生产 、 石化生产
这个领域的一系列的这个生产过程中的过程的管理和控制 ，以及辅助的优化 。 你像国内的话呢 ， 像这个我们非常熟悉的华为 ， 那么他们前段时间也是发布了非常多盘古大模型的产品和技术 。
那在盘古大模型的一个分支叫盘古 ， 叫预测大模型 ， 或者叫盘古时序大模型 ， 这个大模型呢 ， 会被华为这个应用在他们在像什么钢铁呀 、 有色金属啊 、 水泥啊 、 气象等等领域的这样的预测任务中去 。
所以这也是一个非常成熟的一个应用案例 。
种子轮融了 1 亿人民币 ， 这在时序大模型来讲是一个常规的金额吗 ？
应该是算是体量比较大的一个种子轮了 。 这几年应该是因为欧洲在英国这个整个的一个这个语境之下， 实际上工业生产不仅是只关注这个工业生产的效率 ， 更加关注于工业生产带来的一些污染的问题 。
不管是在我们国家吧 ， 还是欧洲国家 ，其实大家都在关注这个问题 。 如果能够使得工业生产生产出更多的产品的同时， 减少二氧化碳的排放 ， 减少对大气层的污染 ， 实际上是非常重要的一个衍生话题 。
所以我们讲可能对这些团队的工作中， 大家也更关注于在更低碳的层面上， 那么怎么把工业降碳这件事情给它做好 。
所以我觉得也是资本去重点关注这个方向的一个也是一个核心原因 。
OK， 这确实蕴含着很大的商业价值 。
那我们其实也看到一些媒体报道这个极峰科技的工业智能体平台河谷 ， 然后我们之前聊天其实你也说到你们核心在做的是做一个数字技术工人。
为什么做11:08
做一个数字技术工人， 把已经在工厂里的工人的这个能力复刻到一个 Agent 上， 这个过程还挺有意思的 。 不过你可以先跟我们的听众讲一讲你们所面向的这个工业场景 ， 它是什么吗 ？
就是让大家先有一个简单的一个画面看 。
我一般会跟别人去解释这个事情 ， 可能就是用别人比较熟悉的一个场景 ， 就是 AI 加工业的场景有点类似于什么呢 ？
就是我们讲的钢铁侠的这个这个智能助手 ， 叫贾维斯 。 贾维斯能帮我干啥 ， 对吧 ？ 干点这个 ， 像是一个非常全能的个人助手 。
但是在这个贾维斯的这个工作界面中， 有非常重要的部分就是帮钢铁侠去打造他的战甲 ，因为钢铁侠他就像我们老板一样 ， 会跟我们提需求嘛 ， 对吧 ？
就比如说 ， 哎 ， 贾维斯帮我设计一个在太空中可以抗低温 、 抗腐蚀 、 战斗的一款战甲 ， 还要配备什么样的武器等等 ， 这都是他的要求 。
然后贾维斯就说 ， 那好 ， 老板 ， 那我帮你去做这件事情 。他会首先设计这款战甲 ， 从它的外观的设计 ， 到它这个整个运动结构的设计 ， 到它本身的动力系统的设计 ， 软件系统的设计 ， 会进行一个非常完善的战甲设计 。
那么这种设计我们称之为就是 AI 辅助工业设计 。 现在大家非常多的这个行业的玩家在使用大模型技术 ， 再结合一些仿真的技术 ， 那么帮工业产品去进行一个由 AI 自动的去实现工业设计的这样一个过程 。
所以这个是我们讲的贾维斯的第一个工作界面 。 那贾维斯第二个工作界面是光是设计还不够 ， 我设计完了我还得给它生产出来 。
所以他会用这个去操控钢铁侠各种非常炫酷的生产设备 ， 然后帮他去打造马克三 、 马克四 、 马克五的这些战甲 。
所以在这个生产过程中， 钢铁侠是去出去玩去了 ，他不会自己在那去生产 ，他会让这个贾维斯帮他做这个事 。
所以贾维斯实际上正在做的事呢 ， 叫工业生产的过程管理和控制 。 所以这就是我们极峰科技使用 AI 去赋能的一个关键场景 ， 它去帮助你根据工业设计去形成工业产品 。
我们把它称之为一种过程控制的这种方式 。 那当下来讲 ，有非常多的巨型机器人的企业 ，他们会把做这个机器人的运动控制 ， 这个就很像贾维斯会这个有的时候钢铁侠他一个人他穿不了那么多套战甲嘛 ，他会让战甲自己参加战斗 。
这个过程是很多巨型机器人企业正在做的 ， 叫 Motion Control， 叫动作控制 。 所以这也是 AI 的另一个作用 ，但我们更加关注的是在它生产战甲过程中的管理和控制 。
所以这个就是我们面临的场景 ， 我们驱动产线 、 产线设备 ， 根据原材料去生产出企业要做的这样一个产品 。
这是我们的场景 。
就是连续性生产这个领域 ， 对吧 ？
对 ， 这里面又有一个比较有意思的事 ， 就是您刚刚说的连续性生产 ， 我们叫流程工业 ， 这种比较常见在什么冶金啊 、 化工啊 、 新能源啊 、 材料啊这些领域 。
那刚刚说的贾维斯这个例子呢 ， 它是我们工业的另一种生产形态 ， 叫离散性生产 。 比如说我们现在小米汽车 ， 然后蔚来汽车 、 理想汽车 ，他们在生产汽车的时候 ， 首先是车的底盘 、 四门两盖 ， 然后是发动机 、 电机等等这些组装 。
我们把这个称之为离散性生产 ，因为车的种类很多 ， 然后呢 ， 按照车的种类的要求 ， 我们把这个车给组装出来 、 焊接起来 、 装配出来 。
所以这种呢 ， 比较常见的叫离散性生产 。 它的特点就是说工序比较多样 ， 然后组织起来比较复杂 。
订单 、 计划 ， 然后 BOM 的管理 、 原材料的管理非常的复杂 ，但它的生产工艺呢 ， 相对来讲又简单一点 。
所以这个就是离散性生产 。 那我们极峰智能面对的呢 ，是刚刚您说到的这种流程型生产 。 它的生产计划就是一直生产 ， 从来不休息 ，而且产线一旦开了 ， 一般是不关的 ， 原材料不断的投入 ， 然后产品不断的冒出来 。
这是它的连续性生产的一种过程 。 那它就不在于计划的管理了 。 那它管理什么呢 ？ 它管理生产过程中的生产的稳定性 、 效率和它的质量 。
稳定 、 效率 、 质量 。
对 ， 所以我们其实呢 ，是在帮钢铁侠生产这些战甲的铁 、 铝 ， 然后这个铜这些基本的构成元素 。
所以这是我们的客户正在生产的东西 。
过去讲智能制造 ， 大家都在说 ，其实智能制造就是一个降本增效的一个过程 。 就是在之前整个的这个降本增效的过程中， 它有什么样子的问题是需要今天的这个技术来解决的 ， 或者是说之前没有解决好的 ？
我们就单论流程型制造 。 我刚刚提到了流程型制造 ， 它的这个工艺是非常复杂 。 这里面涉及到了我们经常说的就是说 ， 哎 ， 这个一会是物理反应 ， 一会是化学反应 ， 一会能源还得参与在里面 。
所以那里面反应是非常的 ， 相对来讲是不稳定 。 所以呢 ，在这个过程中， 我们原先的这种工业过程的一些解决方案和产品 ， 实际上面对这种场景的时候 ， 它就会显得有些力不从心 。
如果说我们完全依赖于自动化的设备产线去生产这样一个复杂工艺的产品 ， 会导致可能说 ，因为自动化很多是 rule based，是基于规则的 ， 那么一旦生产工况发生了变化 ， 那可能我的产品的质量就会变得不好 ， 或者我生产的能效能耗就会变得非常的高 ， 或者或原材料就会浪费等等这些一系列的问题 。
所以这个是我们讲的流程工业 ， 之前复杂工艺中原先的解决方案可能没有办法很好的去解决的问题 ， 这个是非常普遍的 。
那如果我们的这个产线是非常刚性的 ，但那怎么去补足它的这个柔性的部分呢 ？ 那就是人嘛 ， 人是很灵活的 。
就是我们讲的这个技术工人， 它是非常的灵活的 。 它每天 ， 对吧 ， 面对这种复杂的 ， 它有临场反应 ， 它也有知识 。
投入工作之后， 就是进入工作岗位之后呢 ， 它的师傅也会教给它很多经验 。 它结合这些知识 ， 结合它看见的 、 听见的 、 感受到的 ， 来进行一些临场的反应和决定 。
这样的话就补足了原先产线的这些一个不足 。 所以我们呢 ，在生产流程性生产过程中， 常年依赖于技术工人参与生产 、 管理生产 、 控制生产 。
做一个数字技术工人， 这也是一个难度很高的事情 。
当然 ， 我觉得做一个数字工人是 ， 首先我认为是一个非常必要的事情 ，因为大模型技术的发展 ， 我们有这个机会 ， 技术机会去解决这个问题 。
那为什么要去做一个数字技术工人 ？ 就刚刚说到的 ， 人的灵活性 、 人的善于使用工具 ， 然后他的知识的积累 ， 这都是他的优点 。
我们作为人类的优点 ， 包括了融会贯通 ， 包括了他还可以跟人交流 。 就雇一个技术工人进来 ，他可以每天跟我汇报工作 ， 我交给他 ，他还能听得懂 。
那这种方式是 ， 当然是我们讲人非常好的一个部分 。 我们想要把它给固化下来 ， 通过我们的 Agent， 我们的这种大模型技术 ， 把这些优点都留存下来 ，在产线上继续发挥它的作用 。
但是同时呢 ， 我们还要比人还要好 ，因为人本身也有局限性 。 第一点 ， 人会累 。 那我们平时干上班还想摸摸鱼呢 ， 人家师傅上班的时候连续七八个小时的当班 ， 生产是不能够走神的 。
有的化工生产的领域 ， 一个走神可能意味着甚至有非常严重的安全问题 。 所以我们讲的师傅是要高度集中精神力 ，但是讲句实在话 ， 人很难做到 。
所以我们去观测很多的生产过程 ， 低效的生产流这个情况 ， 大部分发生在比如说午休的时间段 ， 包括了这个凌晨值夜班的这个时间段 。
人他会疲劳 ， 这个是要去解决的问题 。 还有就是知识的传承 、 经验的传承 。 我们讲对于技术工人的培养是非常低效的 。
这是有点类似于一种师徒制的这种关系 ， 就是我进了工厂之后， 我会有自己的师傅 ， 我的师傅来培养我 。
那他把他的脑内建模 ， 对吧 ？ 他这么多年干了十几年了 ，他有自己的一套脑内建模 ， 通过他的语言传递给我 ， 然后我来学习 。
这个知识传递过程是非常低效的 ， 只能是单点的传递 ，而且传递效率也很低 ， 效果也不好 。 所以怎么去固化知识 、 固化经验 ， 这个也是赋予一个人要改善的一种问题 。
所以综合来讲 ， 就是我们讲 ， 我们不是否定一个人的价值 ， 我们反而是说人很有价值 。 人的价值把它固化下来 ，并且还放大它 。
那么超越原先的人， 这是我们数字工人的研发最重要的一个目标 ，也是一个基本的产品逻辑 。
这种数字工人它有更适合的领域吗 ？ 就是更细分到某个行业里面 ， 可能它的应用会更有效 。
我们工业的这个领域中 ，其实大家都在要在不同的环节上尝试去利用现在的人工智能技术进行替代 。
就刚刚我介绍的 ， 比如说工业设计 ， 原先工业设计的就是由我们讲设计院的专家对你的工业产品或者工艺包 ， 基于他的知识来进行设计 。
所以我们用人工智能技术去进行一个辅助设计到替代设计的过程 。 所以这种岗位 ， 设计岗位 、 工业设计岗位 ， 逐渐在在被这个人工智能去往这方面的技术工人进行替代 。
另一方面 ， 另外就是车间内的技术工人直接参与生产 ， 这就是我们现在在做的事情 。 从设备的操作人员 ， 到设备的运维人员 ， 到安全人员 ， 到计划人员 ， 到能源的调度人员 ， 各个环节 、 各个岗位 ， 我们都希望通过数字工人的方式把它给从辅助到替代 ， 从替代到超越 。
我能理解为就是它不是某针对某一个技术单点 ， 它是整个流程中的每一环 。
对 ， 解决工业的痛点问题 ， 原先的这种自动化的这种产品形态 ， 它就是一种单点优化 。 比如说我就解决产线中这一段的这个问题 ， 我把它在这一段中做到最好 。
但实际上我们知道 ， 这个局部优化不等于全局优化 。其实从全局来看 ， 如果你看得足够的宽广 ， 从原材料进入车间之后， 到成品离开车间之前 ， 整个的这样一个流程中， 有非常多需要协同优化的部分 。
所以这一点是不是说单点优化就能解决的问题 。
那这个河谷和你们的这个时序大模型之间是一个什么关系呢 ？
你可以把它简单的映射到这个现在的通用的 General Agent 平台和大基础大语言模型的关系 。 就是说在 Agent 赋予思考能力的这个情况下， 它是以大模型为一个思考智力的来源的 。
所以说河谷智能体平台是我们的 Agent 配置化的 、 整体的工作流的配置化的这样一个平台 。 我们的工业时序大模型是它在部分 Agent 的工作节点中可以去集成的这样一个关键的基础的这个时序大模型 。
那这个是它们的关系 。
这个平台也是开放给你们的客户 、 开放给工厂来使用的吗 ？ 还是你们去 ， 你们主要来使用 ，他们只需要用 Agent？
对 ， 这个是可能是我们跟当下这个 General 的 ToB Agent 的供应商一个思路上的不同 。 因为涉及到工业场景的工作流 ， 尤其是生产过程的直接干预 ， 实际上对于工作流本身的稳定性和它的配置过程中的专业性和相应参数的调试 ， 实际上需要一定的专业知识和经验积累 。
那我们从现阶段看来 ， 我的个人观点 ，ToB 的 Agent 更多的会是以智能体完成配置后之后的智能体应用 ， 提供给终端客户去直接使用 ，而很少会有让用户去主导这个智能体的一个配置过程 。
所以这个是我们当下对当下状态的一个判断 ，也是我们在产业实践过程中的一个现实的体感 。 首先你提供一款产品的时候 ， 你肯定会思考用户是谁 。
就是如果说你提供的是一个用户可去交互的智能体平台的话 ， 那到底谁来用 ？ 我们很难在工厂中找到这样一个特定的人员 ，是不是这个企业的总工 、 总工程师 ， 还是这个企业的工艺专家 ， 还是具体一线的技术工人， 我们很难去定位一个这样的角色 。
所以我们认为 ， 如果我们不能定位一个好的用户角色 ， 那么这个用户可能暂时不需要这样的一个功能 。 那么这个是我们自己去配置 。
那为什么我们要做一个这样的智能体平台呢 ？ 那实际上对于我们来讲 ， 刚刚说到了 Agent 本身的价值 ， 技术价值我刚刚也说到了 ， 比如说它对于流程的这个稳定性的 ， 包括可观测性的能力 ， 这个都不是一个单模型可以解决的问题 。
这个是现实技术情况 。 更重要的是对于我们团队来说 ，因为刚刚也介绍我们团队 23 个全职员工 ， 同时在支持 7 个不同的行业 、15 个不同的核心工艺工段的这样一个产品的研发和交付 。
对于人效这一块 ， 实际上要求是极高的 。 如果你对工业流程不能做一个原子化的快速的配置和排列 ， 包括了你在模型集成过程中不能够以非常好的泛化性能去集成模型 ， 你就不能很快的上线这款数字工人， 那一切就没有意义了 。
因为你会回归到一个面向于特定场景定制化交付的一个逻辑 。 所以一定要让配置化成为可能性 ， 让我们的工程师人效提升 。
所以这款 Agent 不仅是对于产品功能和技术功能 、 技术现实的这样一个符合它的逻辑 ， 更是符合我们自身的研发需求的逻辑 。
所以这个是河谷的一个价值 。
怎么做24:26
那我们来说一说就是你们做这个数字技术工人具体的过程吧 。 就是比如说整个这个训练的时间是多长时间 ？
我理解就是他要把整个生产过程要理解了 ，有经验的老师傅他脑子里的东西 ， 或者是他一些看到临时的一些情况的一些非常成熟的一些判断 ， 内化成他的能力 。
就是这个过程是什么样子的 ？
要复刻一个人类工人， 把他变成数字体或者叫智能体去担任他的这个工作岗位 ， 实际上是复刻他在工作岗位上的特质 。
所以他的特质 ， 人的特质就四个特质 。 第一个 ， 人会观察 。 咱们工人每天上班肯定是看着这个监看界面里面 ， 哎 ， 咱们的这个生产指标是怎么样了 ， 对吧 ？
不仅是看数据 。 现在有很多工厂啊 ， 很多这个产线和设备它很智能化了 ， 它是有很多的摄像头 。
你像我们的某些的这个设备里面 ， 还有很多的这种耐高温的 、 耐腐蚀的这种高清摄像头去直接拍摄这个反应过程 。
那么我们可能还会再去观察一下它的这些摄像头的数据的这个视频流 ， 那这也是他要看到的东西 。
所以它的第一个特点就是观察 、 感知 。 另一个就是他会思考 ，他看到了之后他也得响应啊 ， 比如说现在发生了一个什么工况 ， 温度急剧下降了 ， 或者说 ， 哎 ， 这里面感觉这个这个设备的运行速度变得 ， 哎 ，有点不太正常 ，有点慢了 ， 那我得想到底是因为什么原因 。
那他会调用什么呢 ？ 他会想起他上学时候的知识 ， 我们上学时候学的知识 ， 书本知识 ， 第一性原理 。
可能他会想起他师傅跟他说的话 ， 对吧 ？ 师傅曾经告诉他 ， 哎 ， 你遇到这个情况 ， 你就得这么干了啊 ， 对吧 ？
这是我们讲的就是经验啊 。 然后另外来讲 ， 就是说他把它综合判断下来 ， 来去判断我该干什么 ， 对吧 ？
这是思考的过程 。 然后就是决策 ， 就是这么讲 ， 该干嘛了 ， 该怎么干预这个过程 ， 我是该调这个还是调那个 ， 对吧 ？
还是停这个还是开动那个 。 最后他最重要的是什么呢 ？ 他会去干 。 我们讲人最大的特质叫敢想敢干嘛 ， 就是说你想到了不能敢想呀 ， 你得去干了 。
所以人的时候他会 ，他会去通过上位 ， 我们讲的上位级控制系统 、 软件系统啊 ， 包括了一些下位级的电气化控制系统 ， 去直接干预到这个每个设备的控制回路 ， 去影响它的生产动作 。
所以他他会去执行 。 所以这四大动作啊 ， 就是我们需要去复刻的认知流程和行为逻辑 。 这就是我们需要 。
那要做什么 ？ 其实我们讲复刻一个人， 人脑 ，他是每个脑区都负责一件事情 ，但实际上他的运作过程是各个脑区之间的这样一个配合 。
那就我就想赋予我们数字工人大脑嘛 ， 那需要有脑区之分 ，有的是负责理解语言 、 解析知识 、 分析知识 ， 然后转化生成语言 。
这个是人最重要的特质 。 我把这一块脑区交给大家非常熟悉的大语言模型去做 。 那么把大语言模型经过特定场景的微调啊 ， 或者再训练 ， 那么去符合工业场景对于知识解构啊 、 信息解析啊 、 文字生成的这方面的能力 。
那好 ，他是一个能说会道 、 能看得懂知识的人了 ，但是还不够 ，因为你还得根据产线去预测未来的工况 ， 来决定当下你要做啥 。
你的擅长于模式的识别 、 你的因果的推理 、 你的数值的响应啊 ， 这些东西呢 ， 我们交给时序大模型去做 。
所以他来承担这个脑区的工作 。 这是我们复刻的第二步 ， 就是让他拥有大脑 。 光是拥有大脑还不够 。
说句实在话 ，因为人的行为模式是一个闭环流程 ， 所以说我们需要把它形成一个所谓的神经回路的闭环 。
那怎么办 ？ 我们需要用到智能体啊 。 所以智能体在这里面做到的事情是 ， 首先是不是需要 memory， 需要状态的记忆 。
我原来干了啥 ， 我昨天干了啥 ， 或者长期的记忆 。 我可能上个月遇到过这个情况 ， 所以这个我们要形成一些记忆 。
然后另外来讲 ， 我要按照流程一步步走 ，因为我要让它变得可控 。 就如果我只交给模型去做这个事情 ， 它可能给你的 output 不是很可控 。
所以我们要把 Agent 引入进来 。 另外就是它形成一些可解释性的过程 ，因为 Agent 的每一个连接有 input output， 都是可观测的 。
你知道可能有一个环节可能会有问题 ， 你就可以定位它 。 所以我们需要用 Agent 来组织 ， 来封装这个工作流程 。
所以最终我们用智能体 ， 就用 agentic workflow 去表达一个数字工人的常规工作流程 。 所以我们就能得到一个数字工人。
你们在开发的过程中， 有跟老师傅做什么样子的碰撞吗 ？
我们讲老师傅 ，他是我们讲技术工人， 可能只占到整个工人队伍的 6.5%。他们通常啊 ， 受到过比较高等的教育 ， 通常都是不是工艺方向的专家 ， 就是这个电气自动化方向的专家 。
实际上他们的这个对于技术的认知是存在的 。 就是说你不需要跟他讲很多啊 ， 这个东西这个很先进或者很怎么样 ， 你可能不能理解 ， 这不存在这种问题 。他完全能感受 ，他能 ，他需要这款技术啊 ， 那他认可你的价值 。
所以我们讲老师傅们其实对于我们的产品 ， 只要我们给他解释了这个产品逻辑 ， 实际上他们都是抱着开放性的态度去做这件事情 。
那实际上人和人的沟通是有有一定的距离的 ， 就不是说他上来就会对你我们讲的掏心掏肺 ， 对吧 ？
所以我们要确保我们的产品在落地的时候 ，不会强依赖于与老师傅的访谈 。 因为人的语言 ， 大脑的信息通过语言表达出来 ， 会有信息的损失和偏差 。
我们如果依赖于这样一个方式 ， 很可能会做成一个操作手册 ， 就把他的脑子里面做的事 ， 我抄一个手册做出来 ， 用那个 rule based 的方式去表达 。
这个是不是我们要要的东西 。 所以我们更加关注于讲工艺本身的这个规律 。 所以我们在客户现场落地的切入点 ， 首先是第一性原理 ， 就是你是做燃烧的 ， 你是做电化学的 ， 你是做合成聚合的啊 、 加氢的 、 裂解的 。
那么我们往物理场和化学场的第一性原理去考虑这个事情 。 另外就是永远不会撒谎的数据 ， 你可以在表达上有信息偏差 ，但你曾经做过的事 ， 曾经产线给你的响应是不会有有偏差 。
我们会以数据的演变过程为一个非常强有力的支点 ， 去确保我们的数字工人可以得到他的第一个版本 。
回到讲老师傅的经验有没有价值 ，他是有价值的 ，但是这些价值会在数字工人上岗之后， 作为他的短期记忆和长期记忆逐步的去导入纠偏 ， 把这个过程植入到我们的 Agent 里面 ， 让他能学到老师傅的功夫 。
这个具体怎么做呢 ？
这里面我们讲的就是我们本身的这个 Agent 产品的成长性的问题 。在客户现场落地之后， 你是不是要有一个比较好的一个成长过程 ， 对吧 ？
你有长期记忆的积累 。 说句实在话 ， 我们现在的产品也经历了一个比较长的一个啊 ， 从一个比较嗯 ， 比较初步的阶段到现在也相对成熟的一个阶段 。
所以我们其实整个过程其实最开始的时候 ，有点类似于我们 2023 年以后左右刚开始的时候 ， 就当 Agent 这个概念还没被提出的时候 ， 很多的基础大模型公司在使用基础大模型直接做终端应用 ， 就是直接去交付相应的结果啊 。
比如这个 ， 我就直接跟大模型对话 ， 你帮我生成一个 PPT。 那通常来讲这个 PPT 质量不会很高 ， 你帮我翻译一段文字 ， 那可能翻译的结果也也不是很有文采 。
所以说我们一开始同样也走过这条路 ， 就是大模型思路 ， 就是现有的软件工这个信息化系统 ， 我就把我做好的时序大模型和大语言模型我就放进去 ， 然后直接通过多输入多输出的这种方式 ， 让模型直接给相应的结果 ， 然后去执行就可以了 。
但我们发现这条路逐渐发现在工程实践过程中和行业实践的过程中， 这条路跟所有的技术大模型这种面临的困境是一样的 。
它给出的结果第一不可控啊 ， 它质量不可控 ，因为它决策是黑箱化决策 ， 它没有一个工作流程 。 那我们在工业中对于不可控的事情是非常不接受的 。
另外它不可观测啊 ， 你的决策判断是什么 ？ 当然后来这个有 COT 了 ， 那之前还没有 COT 这个这个思维链可以去观测 。
所以一开始基础模型的时候也是很难去观测它 ， 最后一个很难去调整 ， 你给他什么 ，他给你什么 。在这个基础上我们要把 Agent 引入进来 。
那刚刚说到了第一个 ， 就是说我们讲的这个可观测性的提升 ， 就是 Agent 每一个过程你想到了什么 ， 你做了什么 ， 依据什么 ， 你未来你可能会做什么 ， 这些过程通过这种可观测性的自然语言交互 ， 把它给拎到明面上去体现 。
还有一个就是说刚刚说的成长问题 ， 现在 AI infra Agent infra 的公司很多在关注于我们讲 memory 这个事情 ， 对吧 ？
就是我们怎么样去存储一个 Agent workflow， 它的这个短期记忆和长期记忆 ， 那在工业场景实践中是非常重要的 。
因为我我的人到现场之后， 我不是他入职是啥样子 ，他就是啥样子 ，他人是会成长的呀 。 那我的数字工人同样也需要进步 ， 那他要根据他工作之后的这些短期记忆去选择留存下哪些短期记忆 ， 去影响近期的工作表现 。
同样他还要去选择我要把哪些短期记忆转化为长期记忆 ， 长期的指导我的工作 。
对这个你们怎么做的呀 ？
这个呢 ， 我们刚开始的时候想要用一些现在比较通用的 ， 比如包括 ToB 这个领域比较通用的一些 Agent memory 的一些解决方案 ， 包括一些开源的方案 ， 我们也会用 。
那用的过程中我们发现可能跟我们现在的一些需求 ，因为我们在时序数据的处理上， 我们对时序数据流的这个留存和向量化的表示啊 ， 这个可能跟语言模型也有一些区别 。
那怎么样去既适应啊我们的这个业务的需求 ， 又能够啊最大化的利用一些开源资源啊 ， 我们现在也在根据一些比较成熟的开源框架 ，在做自己的定制化研发啊 ， 那这个去解决这种短时记忆留存和长期记忆转化的问题 。
当然我们现在做的呢 ， 呃 ， 没有那么那么成熟 ， 我们团队不是很多 ， 我们是做 Agent 应用的 ，但是实际上我们够我们现在所用 ， 我们会留存下一些关键的近期的大事件 ，并且根据选择转化为一些长期继续指导这个工作流的一些表现 ， 这个我们会去做 。
但实际上未来我们可以做的工作还很多 ， 我们也想跟这个产业界 ， 包括行业界的一些技术 ， 一些比较权威的做 AI Agent infra 的公司去达成一些合作 。
因为我们对于 memory 的要求可能会大于像什么网络稳定性啊 ， 然后沙箱啊啊 ， 像这些我们会没有那么强的需求了 ， 包括那个并发等等 ， 就因为我们就就这一个场景 ，也是工业以太网内部没有这个 。
但关键我们最在意的就是记忆这件事情 。 那我们需要的是第一记忆是有效的在做短时记忆和长期记忆的转化 ， 还有一个就是记忆的显示化管理 。
现在很多大模型这个 Agent 产品 ， 它的记忆是有的时候是无法显示化管理的 ， 就我不知道他记住了啥 。
但是工业领域有个问题 ， 就是我怕他瞎记 ，因为有的时候我我怕他记录了一些不该记住的东西 ， 对吧 ？
那我们怎么对这个 Agent memory 做一个显示化的管理 ，也是未来我们在这块要做这件事情非常关注的一个方向 。
所以在这方面我们讲进一步的去优化我们的产品 。 然后还有一个就是对于大家现在很关注的多 Agent 协同的问题 。
那那是不是这个这个在工业场景中多 Agent 协同很重要 ， 就跟我刚刚讲的例子一样 ， 很重要 。 因为工人和工人之间他会打电话 ，他会沟通 ，他会共同产生一些决策 ， 协同处理一些工作 。
那对于 Agent 本身也是如此 。在工业领域又有一个问题 ， 就是多 Agent 协同 ， 它又有一个不稳定性的一个体现 。
比如说我不能说每种决策几个 Agent 一起投票啊 ， 那黄花菜都凉了 。 我产线需要毫秒级的响应 。 所以我们在多 Agent 协同层面上， 对于这种 Agent infra 的需求 ， 可能会在于一个以一个 centric Agent， 一个中心的这样一个协调的智能体为主 ， 和这个执行的这个 Agent 配合这种方式去达成工业生产对于时效性的需求 ， 对于决策优度和安全性稳定性需求 。
所以这个呢 ，也是我们未来可能会啊继续去迭代的一个这个方向 。
刚才想到一个问题是你说到这个 ， 就是这个 Agent 的成长 。 我觉得如果类比一下人的成长的话 ， 人是在实践跟学习中成长 。
对 。
但是你们交付之前他也没法实践呀 。
怎么说呢 ， 这个就是我们讲的这个第一性原理的价值 。 我们公司现在的这个交付模式 ， 我们的时序大模型 ， 为什么要做大模型 ， 对吧 ？
因为大模型是一个泛化性能极强的 ， 我们是面向于工艺级别的泛化 。 就是说这个去客户现场之前 ， 我先看看哎 ， 你这核心工艺是什么 。
我们现在能够 cover 的像啊燃烧工艺 、 冶金方向啊 、 新能源方向啊 ， 包括这个这个化工方向 ，有非常多的燃烧的反应啊 ， 那么我们可以去 cover 它 。
然后我们还有电化学的这个机械模型去做电化学方向 ， 像有色金属电解和电解水之氢都是属于电化学的方向 。
还有就是合成和聚合 ， 这个在材料领域 ，在化工领域都有非常多的应用 。 所以我们的工人去现场之前 ，他的长期记忆是什么啊 ？
不是我们去这个厂的长期记忆 ，他是打过仗的长期记忆 ，他是其他的其他的类似场景或者相同场景的长期记忆 。
这是第一点 。 第二 ，其他不同场景 、 不同行业的相同工艺的长期记忆 。 所以这个是啊 ， 到现场之前他要做的一个基础培训 ， 就像上大学一样 。
如果学医的人知道我读书的时候我会什么科都学 ， 进入医院实习的时候我会什么科室都待啊 ， 那这个过程就实际上就是我们在我们讲在第一性原理层面上， 让他在同工一间有这种比较好的泛化性 。
这也是时序大模型本身的意义 ， 对吧 ？ 就是让你在去客户现场之前做好一个准备 ， 这个是他的第一层的意义 。
那第二层的意义就是工业界一个非常大的痛点问题 ， 就是数据的稀缺性 。 就是我们讲今天的大语言模型 ， 我可以通过爬虫在互联网上爬取大量的语料 ， 这些大量的语料可以帮助我们从中汲取知识 。在工业领域 ， 凡是获取这些知识的这种数据都是非常稀缺的 ， 你不可能通过爬虫去爬取 。
好比说今天你要做垃圾焚烧 ， 你要做这个化工合成胺 ， 那你是不是就要针对这一个厂去做大量的数据积累才能做这种事呢 ？
那明显不性价比嘛 ， 就是你得要积累个六个月 、 八个月的数据 ， 再去做定向的数据训练啊 、 模型训练才能做这个事 。
所以这个经济性很差 ， 那我们长期会面临着数据缺失的问题 。 那怎么样去最大化的利用数据 ， 就把它归纳到一个第一性原理层面去应用 。
也许今天我是从冶金方向获取的燃烧数据 ，但明天我又从垃圾焚烧方面获取了燃烧数据 ， 都可以为这样一个基线模型 、 这样一个基础模型而服务 。
这样的话 ， 我们可以最大化的去利用这些非常稀缺的数据 。 这也是我们要做这件事情的一个核心原因 。
但是老师傅真的愿意把他的经验交给一个模型吗 ？ 我如果带入他们的话 ， 我觉得接受这个新的技术 ，并且它还存在一种可能是它有可能要替代我的工作 。
我跟他合作 ， 或者是我教他的动力是什么 ？
啊 ， 首先刚刚我也说了 ， 就是我们不依赖于啊他去告诉他脑内建模的结果给我 。 这是我们的一个基基本的一个逻辑 。
而且老师傅说的可能会冲突 ， 就你同样的场景 ，A 老师傅说的 ，B 老师傅说的 ，C 老师傅说的可能还都不一样 ， 对吧 ？
所以这个这个就是如果你依赖于一个人的口述和转述 ， 基于你作为一个这种啊模型的一个驱动力的话 ， 你的原点本身就是错的 。
所以我们觉得这个第一点 ， 我们不强依赖于这种师傅的这种啊口传身受 ， 这个是啊更重要 。 我们依赖于第一性原理和实际数据 ， 这个是一个一个 basic 的论调 。
但是就说你最终你要给他用啊 ， 你这个产品得得他才去用啊 ，他是你的用户啊 ， 对吧 ？ 你不能说他对你很抵触 ，他说你别来 ， 你别弄 ， 对吧 ？
嗯 ， 你你你们来就是来抢我饭碗的 ， 我们就就不合作了 。 所以这点要从不是从技术层面考量问题 ，而是从产品层面 。
就我发现现在很多的大模型产品 ， 比如说 ToB 大模型产品 ， 它很多是带有一种教育的这种方式在跟用户沟通 。
比如说我今天给你用个知识库啊 ， 我会告诉你你的平时你要怎么怎么用我这个产品 ， 你要输入什么 prompt 啊 ， 你得要哎搭建一个什么智能体工作流 ， 哎你让他去学 。
那对于我们讲的这个 ，不管是工厂的一线工人， 还是我们讲的管理者 ， 实际上都是有非常高的学习成本的 ， 对他来讲 。
所以说一个产品如果一上来摆出一副需要花费很高的使用门槛和很长的这个这个学习周期 ， 那实际上大部分的用户是不会接纳这种产品的 。
所以真正好的 ToB Agent 产品是能够自然的这个嵌入这个原先的工作人员的工作流当中去 ， 让他不会产生不适 。
举个比较实际的例子 ， 比如说我们一开始的时候 ， 比如刚上线的时候 ， 我们会有一个这个影子陪跑的过程 ，他不会直接的去控制设备 ，他会在旁边看到的是老师傅看到的一样 ， 然后听到了也一样 ， 然后他做跟老师傅一起想 ， 一起我去做这个事 ，但我不不实际去干预你的动作 。
这个时候对像实习生一样站在师傅旁边 ， 对吧 ， 听师傅教导 。 所以师傅会在这个时间段中去看你的这个表现啊 ，在决策的同向性上 ，在决策的绝对值上 ，他会给你一个评价 。在这种情况下 ，他会有一定的心理接纳 ，他会觉得嗯 ， 基本靠谱 ，他觉得基本靠谱 ， 对吧 ？
他觉得哎 ， 大差不差 ， 那肯定没我好 ，但是基本基本靠谱 ， 对吧 ？ 好 ， 然后呢 ， 这个实习生终有一天要头切 ， 我们叫头切啊 ， 就切换到这个咱们的实际生产中去了 。
这个时候师傅一般开始的时候会跟原先的工作模式一样 ， 只是不动手了 ， 手放在底下 ，但是他非常专注的看着屏幕 。
这里面他会观测我们的思维链 ， 我们的 Agent 思维链 ，Agent 根据什么想到了什么要做什么 ，他会去看 。 另外他会去看他的调控结果和实际的工况 ，他会去他会价值他 ，他会觉得哎 ， 我看看你这个小师傅做的怎么样啊 。
所以这是第一步 ，但他不用动手了啊 ，他从原来的使用 ，但是也很自然啊 ，他也是坐在这 ，他也是跟他的平时工作没有什么区别 。
慢慢的他会因为这是人的惰性 ， 如果这个事情自动化的智智能化的做的很好 ， 我没有必要保持这么高的注意力了 。
所以这种情况下他会慢慢的放松下来 ，他会可以做点别的事情 ， 甚至离开工作岗位啊 ， 去在现场做一些呃其他的一些工作 。
慢慢的慢慢的他就粘性 ， 用户粘性就会越来越高 ，他顺利的就融入了这个老师傅的日常工作流程中去了 。
所以这个过程就不会有那种说教的过程 ， 没有那种学习大量的培训啊 ， 这样一个复杂的过程 ，而是很自然的融入他的使用流程 。
所以我们没有出现过老师傅会觉得给我带来了麻烦这些情况 ，而是说哎 ，他让我变得更轻松更高效了 。
我觉得这也是所有的 ToB Agent 产品的一个真正的价值 。
对 ， 我刚想到 ， 比如说你说第一个阶段的那个里面 ， 就是他刚刚投入正式使用的这个阶段里面 ， 如果出了差错 ， 这是算谁的 ？
哦 ， 这就是一个责任归口的一个问题 。 工业场景中啊 ， 决断的失误和偏离会造成不同等级的后果 。 那我们讲这个工业现场的管理 ，是这种非常严格的管理体系去支撑的 。
它不像是我们做自动驾驶 ， 交给自动驾驶的时候出了车祸了 ， 那这里面规则就很复杂 。 比如说是不是这个路况太复杂了 ， 或者说呢 ， 出了交通事故的对方他先违反交通规则了 ，不管我 ， 对吧 ？
或者说呃 ， 我让你手扶方向盘 ， 注视前方 ， 你没干 ， 你去这个睡觉去了啊 。 这些都是在规则上会有非常模糊的责任边界 。
但在工业场景中， 规则是非常明确的 。 首先第一点 ，Agent 在工作过程中有非常完善的流程记录啊 ， 这个流程记录的思考过程和思考结果和相应的工业执行器的执行结果都会被完善的 log 记存下来 。
这跟那个自动驾驶的那个 log 是一样的 。 那另外来讲 ， 就是生产端的规则会有严格的管理体系啊 ， 你因为原料的问题出问题了 ， 还是设备控制的问题出问题了 ， 还是说啊其他的问题出问题了 ， 那我们会有一个明确的责任边界 。
所以在我们讲的这个前期的工作过程中， 这个数字工人参与工作的过程中， 我们会完善的问 log 记录 ， 然后包括了事后的归因分析啊 ， 相应的应急处理啊 。
工业现场我们有安全仪表系统 ， 然后设备本身有熔断的这种安全兜底措施 。 所以这一系列的安全措施保障了我们目前为止啊 ， 没有一次是因为数字工人当班过程中造成的比较严重的这种生产问题 ， 这个是没有过 。
如果未来可能万一出现了 ，他有一个非常明确的责任边界的划分 ，以及非常好的追溯机制 ， 我们可以进一步的去优化 。
还有你前面提到的一点 ， 我觉得很有意思 ， 就是老师傅是用你们这个数字技术工人的终端用户 。
嗯 ，但你们其实是把这个产是把这个产品是要卖给工厂 。
对的 ， 这是 ToB 企业一个非常经典的问题 ， 就是你卖的人 ，他不是最终使用的使用这个产品的人。 没错 ， 你要怎么卖给他们呢 ？
其实卖给这个您刚刚说的就是非常现实的一个情况 ， 就是决策人不是使用者 。 对 ， 呃 ，因为 2025 年春节的时候 ，DeepSeek 非常的火 ， 大家都在讨论大语言模型的能力 。
呃 ， 同样工业界的这些客户们都会关注这个新闻 ， 然后都会呃被这个我们讲的这些出圈的这些信息包裹 。
所以在 2025 年年初的时候 ， 大量的这种工厂企业在寻求基于大语言模型 、 国产大语言模型去解决生产问题的这样一个呃一个风潮 。
所以当时呢 ， 呃有一段时间呃我们可能从业者都会知道 ， 那个时候一体机卖的很火 ， 就是呃我们把那个呃华为的生成计算平台 ， 然后加上 DeepSeek， 或者说是呃可能当时也有一些其他的解决方案吧 ， 我们的很多客户在找到我们之前 ， 实际上已经采购了啊这种一体机产品 。
但是在这个真正上线之后， 会发现就是基于企业的知识图谱的构建啊 ， 甚至说啊 ， 比如说在办公过程中的这种会议纪要的自动记录啦 ， 或者说我会做一些财务人员一些比较机械性重复性的一些图表呃生成的工作呀 。
那这些过程中呃虽然用了 ，但是真正产生这个直接的经营化收益 ， 暂时还没有感觉到啊 。 所以呃我们的很多客户在我们跟他们接洽之前 ， 把我们定位为大模型的供应商之一 。
所以我们的形象在他们眼中约等于卖一体机的这种形象 ， 或者卖知识图谱的这种供应商的形象 。
哎 ， 都是搞 AI 的 ，他们都是搞 AI 的 ， 都是搞大模型的 。 所以他们认为我们是给他们去呃解决这个问题 。
所以实际上一开始的时候呃我们不能说抵触嘛 ， 所以对于这个东西实际的功效都抱有一点稍微一些怀疑的态度 。
嗯 ， 就是这个东西是不是是一个样板工程 ， 是一个领导工程 ，而不是说真正的跟生产结合 。 所以我们到现场最重要的事情不是告诉他我们对企业的决策人和管理者 ， 我不是告诉你我们是大模型公司 ， 我们是 Agent 公司 ， 我告诉你是我是来解决你实际的生产问题 ， 我要把你的技术采购的逻辑转化为一个投资逻辑 。
就是我投资了这个数字工人这款产品 ， 我什么时候能够收回这个投资成本 ，不仅能收回成本 ， 我还能继续的盈利 。
所以大部分的企业决策者真正的这种思维 ， 就我们讲的这种投入产出比的这种思维 ，是他的一个基本的经营管理逻辑 。
所以如果说你跟他们去沟通的过程中， 可能更多的是要啊以这种模式去啊跟他们沟通 。
哎 ， 刚才提到 DeepSeek， 你们用的机模是什么呀 ？
我们用过 DeepSeek，也用千问 ， 然后这个我们会根据大语言模型这个本身 ，因为我们对大语言模型的期望是对非结构化的文档 ， 比如工作日报啊 ， 比如说是个包括这个工艺包的一些文档信息 ， 做知识的解构啊 ， 包括把它转化为结构化信息去支撑我们的产线决策和推理 。
所以我们对他的希望是在这个方面 。 另一方面就是自然语言生成的自然度上啊 ， 那么专业性上， 比如说你不能我跟客户沟通突然 hallucination 了 ， 我说了一些跟你的生产无关的话 ， 这个客户的体感就会很差 。
所以对于这种中文语义的这个理解和语料的输出的质量 ， 我们会非常的关注 。 同时呢 ， 就是小参数量的这个大语言模型的性能 ， 这个我们非常关注 。
因为刚刚说了我们的端侧端侧 ， 我们的显存 ， 我们只能支持量化版本的这个大语言模型的表现 。
就是我们可能是以 4 比特或者 8 比特这种量化版本去进行运行 。 我们在这种小参数量 ， 比如千问我们的是 14 比的参数量 ， 然后这个 DeepSeek 可能是个位数 ， 这个小参数量的量化版本运行过程中， 它的虽然我们让它做的事不多 ， 至少我让你做的这个事你能做的很稳定 ， 做的很好 。
所以这是我们对于大语言模型的期待啊 ，也是我们现在在也在做的事情 。
所以在生产过程中， 就是最关键的那个时序大模型 ， 它是你们完全从头训的吗 ？ 还是它是基于什么开源模型出来的 ？
时序大模型的研究从这个 2021 年啊开始 ，在学界已经大家广为关注啊 。 当时最早的 Informer 就是一款啊时序模型啊 ， 那之后可能像这个 Google 他们的叫 Times FM 啊 ， 是一款针对于零售电力啊 ， 这种零样本迁移的这个基线模型啊 ， 基础模型是谷歌的一些工作 ， 像呃 Llama 也是啊同样的工作 。
所以呃大家基于 Transformer 贝斯网络模型去做各种变种啊 ， 去做这种相应的时序预测和优化决策 ， 实际上大家都有相应投入 。
你像今年年初 2025 年， 刚刚啊应该是清华的团队啊 ， 一个叫 Timer XL 的一个模型啊 ，是在天气啊 ， 还有这个能源领域也有非常好的应用 。
所以呃大家对于这个时序模型 ， 基于 Transformer Base 的时序模型 ， 大家都在在做时序大模型的研究 。 那我们呃也必须要这么做 ， 就实际上如果我们去应用一个非常成熟的开源的模型 ， 会面临非常大的挑战 。
因为工业数据相对于金融数据和交通数据 ， 还有能源数据 ， 它有自己的一个特点啊 。 它的特点就是说 ，因为工业大部分的复杂工艺的物理场反应是一个大滞后系统 。
怎么理解大滞后系统呢 ？ 就比如说你去开空调 ， 你给它设定 24 摄氏度 ，不代表你刚设定完这个温度一下就是 24 摄氏度了 ， 它会从 26 慢慢变成 25， 再慢慢变成 24。
那可能到了 24 你已经觉得冷了 ， 你又得往回调 ， 它又慢慢往回走 。 所以这个滞后性是非常常见于工业场景的这种数据特征 。
所以你的模型怎么在跨时间序列中寻找它的特征和关联关系啊 ， 去做这方面的分析 ， 包括了呃多变量和斜变量交织在一起之后， 它的性能会怎么样 。
这些现实的情况会使得我们对于这一款模型的需要会变得呃更加的垂直 ， 就是更加要适应工业的需求 。
所以当然我们肯定要站在巨人的肩膀上， 没有人呃可能说 out of nowhere 突然弄出来一个新的东西 ， 那当然我们会跟呃这种学界的这些成熟的时序模型去参考他们的设计设计逻辑 。
我们自己的这个机构外的记忆的模型也在不断的成长 ，也在不断优化它的网络设计和模型结构啊 。
那但是呢 ， 实际上来讲 ， 我们还是需要做一些工作去从头训练这个模型的 。 所以这也是我们模型的一个由来 。
垃圾焚烧案例52:02
你刚才提到那个垃圾焚烧电厂 ， 可以用他们来举个例子吗 ？ 就是你们比如说是怎么跟他们签单的 ， 然后他们是怎么应用你们的产品 ， 之前是什么样 ， 然后用了你们的产品之后是什么样 ？
变成什么样 。 对 ，OK， 我觉得就是这个行业实际上呃可能跟有些人的生活也有点远 ， 所以我可能想解释一下他们是做什么的 。
实际上我们国家的城市居民垃圾啊 ， 已经基本不再填埋了 ， 这个基本上所有的居民生活垃圾都会被呃燃烧焚烧 ， 然后用它本身的热值卡路里啊 ， 转化为电能 ， 从温度然后到电 ， 从这个蒸汽到这个蒸汽机发电啊 ， 成为这个我们每天用的这个能源 。在我们国家现在有个现实情况是垃圾它不够烧 ， 我们讲电网嘛 ， 啊这个供电嘛 ， 对吧 ， 能源
。 所以对他们来讲 ，他们一个驱动力就是说我怎么把我这些垃圾给它烧的足够的好 ， 把它里面的一丁点的热值都榨出来 ， 然后转化为能源 ， 就是它的一个驱动力 。
所以呢 ， 它会收各种各样的垃圾回来烧 。 但我们也知道我们国家的垃圾分类说是有这个先驱的城市 ，但是不是所有的城市都在非常严格的进行垃圾分类 。
所以呢 ， 大部分垃圾是混在一起烧的 ， 就比如说那个厨余垃圾 ， 它热值很低 ， 没有什么燃烧价值 ，但是呢 ， 这个建材垃圾它热值就相对要高一点 。
所以每天我投入炉排式垃圾焚烧炉进行燃烧的这个重量可能是相同的 ，但它的热值是波动非常的大 。
所以对于垃圾焚烧企业来讲 ， 它有非常大的痛点问题 ， 就是我怎么根据每天的波动的热值情况去组织和控制整个生产的燃烧过程 ， 让它烧净烧透 ， 转化为更多的能源 。
我们的这个客户呢 ， 啊包括这个行业的大部分的客户在呃垃圾焚烧工段 ，因为垃圾焚烧它是其中一个工段嘛 ， 烧出来还有蒸汽 ， 蒸汽还得发电 ， 后面的工段在这个工段中会啊有非常多的呃设备操作员啊 ， 然后能源管理员或者安全员 ， 这样人力密集型的这样一个班组去投入每天的生产过程中 。
四班三倒啊 ， 一个一个对应的工位上就有四位工人师傅轮流接棒 。 所以对于这个行业来讲 ，因为波动的生产过程跟我们服务的其他的像化工啊 ， 像这个新能源方向 ，他们所面临的痛点是一样的 ， 就是说我的人长期离不开这样一个生产管理和控制的岗位 。
所以这是他们的一个痛点 ，是怎么能把人换下来 ， 对吧 ， 就是我不需要那么多人了 ， 对吧 ， 或者说我把人的工时解放出来 ， 让他做更多的事情 。
另一方面就是我们讲的这个就烧净烧透的问题 ， 能不能把仅有的这些垃圾给它转化为更多的能源 。
所以找到我们之后呢 ， 我们首先肯定要我们带着我们的燃烧的机械模型去的 ， 就我们不是双两手空空啊 ， 没做这个行业 ， 就是哎 ， 对不起 ， 过来了 ， 我我来给我数据 ， 对吧 ， 然后我回去训练模型去 ，不是这个概念 。
就是我们会拿着我们的面向于燃烧方向的这个时序大模型的这个 G1 的这个版本去到现场去 ， 作为一个基线模型 ， 根据现场的少量的新增数据啊 ，不用很多 。
第一 ， 我要做整个参数的适应啊 ， 我要去适应这个啊 ， 我们讲的这个实际工况的参数参数范围 ，因为每一种场景参数范围都不一样 ， 我不能说我拿来直接用 ， 那肯定是不行的 。
我得知道你的数据模式 ， 数据规律啊 。 另一方面就是说呢 ， 我得要去对我的模型进行一定的微调 ， 去适应你的这个燃烧的需求 。
虽然都是 fundamentally 都是燃烧 ，但是我们原先可能是烧天然气 ， 可能是烧煤气更稳定 ，但是如果是烧固废垃圾 ， 它就会波动 ， 它原料种类不同的波动会更大 。
所以在现实工况上需要做一定的微调 。 那么在这种场景中， 我们可以快速的介入这个行业 。 实际上我们做这个行业之前 ， 我们是没有任何人有垃圾焚烧方向的这个生产经验的啊 ， 我们没有干过这个方向 。
但是在这个方向 ， 我们最快的是我们第一个工人的上岗 ， 三个月不到的时间 ， 我们的工人就已经上岗了 ，而且这个工人已经稳定的运行 。
工人指的就是一个 AI Agent。
AI Agent 啊 ，他在现场面对的常规的工况 ， 每天哎很稳定的烧 ， 突然有一些临时性的应应急工况 ，他也会应对 ，也会去做相应的应对和措施 。
这个工位不再做任何的人类工人， 你从体感上可以发现 ， 原先有四位师傅接班坐在这个凳子上， 目前这个凳子是空的 。
那么在这个界面中，Agent 在自主的组织管理和控制这个生产啊 。 那么在这个情况下， 客户把它称之为无人值守 ，但是我们认知是我们的数字工人在值守 ，在工作 。
所以这个是它的工作过程 。 那这个我们讲 ，他们经常说一个指标叫自动化覆盖率 ， 我们叫把称之为叫 Agent 在线率 ， 我们达到了 99.9% 以上 ， 就是说基本所有的时间没有人类在参与这个生产工序了 。
那在这个基础之上 ，因为他不会休息 ，不会上厕所 ，不会心情不好 ，不会想要这个溜个号抽根烟 ，在这个工作过程中， 整个的一吨垃圾的主气流量 ， 就是我们讲的主蒸汽流量 ，因为烧的更干净 ， 所以提升了五个百分点 。在工业中，5% 就是一个巨大的数字啊 。
那么扩展到这个这个我们讲的这个产量这个级别啊 ， 那一台气轮机啊 ， 发电啊 ， 转化为的这个这个热能 ， 转化为的这个电能啊 ， 那么按照上网电价去折算 ， 一年给客户能带来 400 到 500 万人民币的那个增量化收益啊 。
所以这是这是一个 bonus， 对吧 ， 就是我们重点是哎数字工人上线 ，但是数字工人上线之后又给你带来了 bonus。
所以客户的从不管是从观感上人少了啊 ， 没有人值守了啊 ， 到这个体感上啊 ， 到这个真正的背后的收益上， 都有这个比较明显的这样一个提升 。
所以客户我们跟客户这个合作也比较愉快 ， 所以他们现在也在啊这个做了一次这个复购 ， 然后就是购买我们更多的数字工人， 逐渐的这个去进入每一个工的岗位 。
你刚说四个工人， 就是说你们一个一个你们的数字工人替代的对应的是四个 。
对 ，因为呃连续型 ， 我们讲流程型生产的连续生产的状态 ， 它是不会休息的 。 所以说从每天的 24 小时的这个小时的生产过程中， 需要时时刻刻的这个咱们的人类工人去干预和监督 。
嗯啊 ， 那在这个过程中大家要换班 ， 所以我们一个工位上通常会有啊师傅去接力 ， 一般是三到四个师傅啊去接力去换班 ， 所以我们就不需要换班的这种情况 。
你们观察过那些老师傅看你们数字工人工作的反应吗 ？
我们观察过我们的客户 ， 这个尤其是咱们的技术工人， 实际上刚才讲就是对于技术认知实际上是有一定的水平的 ， 所以他们会对他进行一些专业性的评价 ， 对他的工作就像一个师傅一样啊 ， 对徒弟也会有一定的评价 。
所以在这个过程中， 我们发现一些非常有意思的事 ， 记住记得有一次我们在一家化工厂 ， 我们处于一个影子影子陪跑的阶段 ， 就这个时候我们还没有进入它的生产回路啊 ， 就是我们的工人还是实习期 ， 还在那里啊 ， 数字工人还在那里这个积累一些记忆啊 ， 包括验证一些这个他的这个决策 。
我们有一个我们自己的小伙伴啊 ，他的知识背景是计算机 ，他完全不明白这个化工是什么样一个概念 ，他只是去现场去去调试我们的影子陪跑的这个这个终端的这个 GPU 的终端呢 。
因为在客户眼中， 我们就是一个一个形象 ， 对吧 ，他是我们公司的人， 那你就是你就是我们这个数字员工老板 。
我们的这个老师傅就直接找到我们的小伙伴了 ， 说他说你们不是这个很厉害吗 ？ 说你你来你你来弄 ， 就是我们那个小伙伴也很惊恐啊 ， 就是因为化工生产 ， 你知道就是哈哈啊 ， 设备的造价 ， 对吧 ， 产生的安全后果 ， 这个确实有点吓人呢 ， 对吧 。
所以我们那个那个小伙伴也也是非常忐忑 ，但是呃我们是相信自己的我们的产品的 ， 就是我们觉得它的决策结果一定是啊 ， 保障这个生产的这个安全和这个稳定 。
所以我们的小伙伴就坐在了操作台上啊 ，他用他自己的手啊 ， 控制这个生产设备 ， 根据我们的 Agent 的相应的这样一个推理结果 ， 足足做了四个小时啊 。在这个过程中 ，他喝水不上厕所 ，他本来可以喝水上厕所的 ，但是他太紧张了 ， 就是他整个人就麻了 。
就就所以在这个情况下呢 ，他也没有上厕所 ，也没有去喝水 ，他就足足的做了四个小时 。在这个四个小时期间 ， 一开始的时候 ， 咱们那个老师傅还坐在他后面 ，因为担心他呀 ， 觉得你别跟我瞎搞 ， 对吧 ，但是我就是要看看你到底怎么样 。
到这个师傅出去抽烟 ，他一出去抽烟 ， 我那小伙伴通过我们的那个内部的 IM 跟我们说 ， 等会儿师傅走了 ， 就我一个人， 我好害怕呀 ， 然后说别慌别慌 ， 我们等稳住 ， 然后四个多小时之后 ，他顺利的换班了 ，因为新的师傅过来了 ， 把我们的小伙伴给换下来了 。
所以这个故事很有意思 ， 当然我们也跟他说了以后不允许这么干 ， 对吧 ， 就是那个我们在严格的影子办 ， 所以情况上我们是不允许的 。
但是这也是很有趣的一个事情 ， 就是说这相当于我们感觉是老师傅在对你的工作的一种检验啊 。 那么获得他的信任之后， 我们通常来讲 ， 获取一个咱们的技术工人的信任之后 ，他们会非常支持我们 。
商业与竞争1:01:23
哎 ， 我想问一个关于销售的问题啊 ， 嗯 ， 就是你们卖这个数字技术工人， 嗯 ， 会跟常规以前卖以前这种 ToB 产品有什么不一样 ？
就我了解到一些 ToB 的公司 ， 那是一般你要先先找到一些关键的决策人， 会先给你一个试验田 ， 嗯 ， 就是让你先试 ，是然后给我看到的结果 ， 嗯 ， 我再把它一点一点的去推 。
对 ， 你们是怎么样做 ，以及你觉得卖在 AI 这个时代 ， 嗯 ， 像工业的企业卖数字技术工人， 嗯 ， 这个销售方式会有什么变化 ？
我觉得会有非常大的一个改变啊 ，不仅是数字技术工人 ，其实以智能体这种产品形态去面向 B 端 ， 尤其是大 B 端的进行销售 ， 实际上它的呃产品的商业模式 ， 会随着它产品本身的啊技术边界和产品形态 ， 包括服务方式发生非常大的改变 。
因为前段时间不是有一个概念叫 ROS 吗 ， 就是 Result as a Service， 就说我给你提供一个结果啊 ， 你根据这个结果来进行付费 ， 那我觉得可能我帮你生成一个 PPT， 你觉得 PPT 符合你的认知 ， 我给你付费 ， 或者一个图片 ， 一个视频 ， 这个是啊比较快捷的一个论证方式啊 。
但是对于在工业场景的 Result， 它的相应的评估是比较麻烦的 。 嗯啊 ， 比如说呃我的这个我的这款工艺优化产品 ， 或者说我的这款设备给你带来了哪些精益化的收益 ， 比如说节能啊 ， 降低了多少能耗电耗 ， 提效带来了多少产能的提升 ， 这点是需要做非常严格的论证 ，因为客户会依据这个 Result 给你付费 。
所以这个论证过程会非常的麻烦 ，因为一个结果不是只有一个原因导致的 ， 比如说你的这款产品上了之后， 产能提升了 5%， 可是客户说这段时间我就是买了更好的原材料 ， 我就是产能就会提升啊 ， 那你怎么界定你产生多少影响 ， 或者说节能 ， 我给你这段这一个月我上线的时间节省了 10% 的 ， 甚至平均同比节省了 10% 的能耗 ， 客户说这个
时间我不是很忙 ， 我生产比较少 ， 本来能耗就低 。 所以这个过程就是没法非常科学的去量化这个 Result，但是 Result as a Service 是一个非常好的商业模式 ， 就是怎么样既能保证这套啊 ， 让项目的 LTV 的成 ， 这个我们整体的这 LTV 的增长都变得非常的好 ， 同时又可以让整个的这样一个服务和收费流程变得不那么的复杂和麻烦 。
我们作为数字工人这款产品 ， 它有它的优势 ，因为工人使用逻辑是用工逻辑 ，是劳务派遣逻辑 。 你比如说我 ， 我今天去我去雇佣一个人类工人， 那我会给他按照每个月付给他工资 ，他给我服务一个月的时间 ， 我付给你工资 ， 这个是他 deliver 的 Result， 你符合我的用工标准 ，在我的工作岗位上满足了我给你设置的所有 KPI， 那么你稳定的只要在岗 ， 我就在雇佣
你 。 所以映射到我们的数字工人的逻辑 ， 就是我们的数字工人在线服务的时间 ， 这个是绝对值 ， 这个是不可能被啊不可能被否认的 ， 只要他在岗 ， 我们就收取可以收取工时费用啊 ， 这个工时费用就是个 Result。
那么啊 ， 这种工时费用的收入我会我会映射到 ， 就是比如说我一个工位 ， 就刚刚给您介绍了一个工位 ， 我替代的是四个工人， 那我们这个数字工人上线之后 ，他的工资一定是比四个人类工人的月工资要低的 。
所以以用工的逻辑去看待这个产品的采购 ， 就会变得呃很顺畅 ， 这是符合企业运营管理层面财务支出的一个基本模型 。
所以我觉得这套逻辑在我们的产品形态的辅助之下， 它让这套商业模式能够成为一个现实啊 。
你觉得它会被行业更多的采纳吗 ？
嗯 ， 我觉得当然会 ， 呃 ， 这种商业模式既对客户来讲有好处 ，因为客户他前期投入不会特别的高 ，因为动不动一个技术改造 100 万 、200 万的投入 ，但是也不知道结果如何 ，其实客户是不太愿意接受 。
但您刚刚说的 ， 比如说我先不付费 ， 你先过来先用 ， 好不好用 ， 好用我再给你钱 ， 这个对于供应商来讲 ，他又有点哎觉得有一点风险 。
所以怎么样能把这个东西做一个平衡 ， 既满足客户的这样一个啊前期投入相对来讲低一些啊 ， 比较可控啊 ， 然后同时呢 ， 我们作为供应商又能够啊连续性的收回啊相应的这个收益 。
所以这种模式我觉得是一个非常科学的方式 ， 我觉得如果它呃能够大面积的铺开的话 ， 会成为大家共识的一个非常好的商业模式 。
就是有竞品吗 ？ 现在实际上是竞品呢 ， 实际上它的形态会各有不同 。 你像我们传统的工业自动化企业 ， 大家比较熟悉的西门子啊 、 霍尼韦尔 、 施耐德 ， 国外比较著名的电气自动化的企业 ， 包括了咱们国内啊 ， 咱们比较响当当的像浙大中控 、 合力石 ， 这些企业在工业自动化领域已经啊做了非常多年的工作了 ，也是很多技术的先驱
，他们也在寻求呃技术的演进和产品功能的迭代啊 。 所以在他们看来 ，他们提供的这个面向于这个工业过程管理和控制的这种解决方案 ， 更多的是以啊高级过程控制这样一个技术为主导的一种模式 。
所以这种模式呢 ， 还会回归到就是它的产品逻辑不一样 。 我是哎 ， 就是为了把电气自动化控制变得更自动化啊 ， 更更精确 、 更高效啊 ，不是我去复刻一个人啊 ， 我管理的界面就是我原先自动化覆盖的这个界面 ， 这个是他们的一套解决方案 。
另一种就是呃大家很熟悉的 ， 像这个华为 ， 对吧 ， 华为云 、 阿里云像这些啊 ， 我们讲的通用场景平台型的这种玩家 ， 像华为 ， 那他们的打法作为这么知名的一家企业 ， 那在面向于工业提供整体解决方案的时候 ，不仅有他的盘古时序大模型 ， 还有深层计算平台的 S 层的改造 ， 对吧 ， 我我可以卖你的我的计算设施给你 ， 同时呢 ， 我也卖
我的盘古大模型的研发平台 。 我双方呢 ，在根据你的实际应用呢 ， 来做一个共建 ， 或者我引入我的生态合作伙伴去帮你做 ， 那我不仅做你的生产过程管理和控制 ， 我还做你企业的经营管理优化 ， 我给你做全套的服务 。
所以对于企业来讲 ， 如果我是做一个整个的一个以大模型技术为驱动的智能化改造 ， 尤其对于工厂客户来讲 ， 呃选择这样的这个是更好的一个选择 。
不管从整个企业的影响力 ， 包括技术技术的这个可复刻的界面上来讲 ， 那如果说今天我就是解决这个车间内的问题 ， 我就是解决这一个问题 ， 我就是定向的垂直的要去做这件事情 ， 那我觉得选择我们它会更加的快 ， 性价比更高 ，而且呢收益这个这个投入产出比更好 ，而且收益会更快 。
第三类就是我们遇到过现在的一些这个大模型的 Agent， 包括大模型的初创公司啊 ， 比如我们会遇到过 ， 当然有有今日星辰啊 ， 我们有原先的一些这个 AI 企业转新的 Agent， 像迪斯范斯啊 ， 那么在在某些行业中， 我们也遇到过像响当当的 Mini Max， 啊遇到过质朴青年， 啊我们不认为他们是这个同个战场上的竞争对手 ，因为他们是使用他们的 General Agent 平台为企业的这
个经营管理啊去做这个赋能的 。 就可以踩他们 ，也可以踩你们 ， 就要看你解决哪个问题 。 如果我今天就是要做办公的这个集团经营管理层面的优化 ， 比如说我要做供应链优化啊 ， 我要做这个工业设计优化 ， 或者我要做知识库的构建啊 ， 这些我觉得偏向于 General 的这种 Agent 供应商 ，他们会更具优势 。
刚刚讲的是车间外的事 ， 对吧 ， 如果你要解决车间内的事 ， 那我们的产品可以说是解决了那些产品解决不了的事 ，因为你要直接跟产线互动 ， 你要与电气自动化打交道 ， 你要与设备打交道啊 ， 你的 Agent 平台是影响的是生产过程的管理和控制 ， 那客户当然会选择我们的产品 ，因为那些产品解决不了这个问题 。
所以这个是一个呃界面错位的问题 ， 所以我们讲不能说是竞品啊 ， 只能说是共同在这个方向做努力的供应商 。
哈哈 ， 我就是比较好奇是 ， 那你怎么看 ， 就是接下来你们所面向的这个领域 ， 它有可能这个工作方式会被改变成什么样子 ？
未来展望1:09:40
这个生产流程就像你刚刚提到的这个车间内 ， 嗯 ， 它的工作方式会跟以前有哪些特别不一样的地方 ？
我们就讲整个生产流程的这个重组 ， 我觉得我们的产品会带来一个非常大的一个改变 。 就是原先我们讲车间内的事情 ，有一个明确的分工的啊 ， 比如说工艺专家设计工艺 ， 技术工人管理和控制生产的过程 ， 机器负责自动化的执行 ， 所以这个是原先的一种生产组织形式 。
那我认为如果数字工人能够嵌入到这种生产局面中去 ， 那未来的生产组织形式会发生比较大的改变 。
这个改变是在于原先需要工人每天机械式的重复性的去高注意力的去做的这些啊动态的管理和控制过程 ，是由数字工人接管 。
那我们这些人类工人会被放在可能说岗位会被重新的定义 ， 人会从一个简单的管理人员 、 操作人员变成设计者 、 监督者和创新者 ， 这个是我认为未来一个非常大的一个改变 。
那这个改变就是说我们的技术工人本来就已经比较稀缺了 ， 那他们会被放在更需要创造性的岗位上去 ， 那会给这个产业带来非常大的一个改变 。
你比如说我们现在有的客户呃 ， 如果技术工人释放出来 ，他们会做有更多的收益 ， 比如说我们有一个客户是做危废的呃处置的 ， 危废就是危险废料 ， 就是说呃工业生产过程中产生的一个有污染的啊 ，有危险性的 ， 包括医疗啊 ， 那些污染的床单啊 、 针头啊等等这些危险废物啊 ， 这些危险废物需要被处置掉啊 ，有的是拿来直接处置 ，有的是拿
来生产再生产其他的东西 。 我们这个企业 ， 我们的客户呢 ， 会从危险废物中提出呃相应的这种元素去做元素重组 ， 去生产产品 。在这个过程中， 本来他们是生产 ， 可能是生产氨水的 ，他们可能发现近期啊碘的价格很高 ， 哎很多人会去买碘 ， 那他们也想生也想生产碘 ， 怎么办呢 ？
就要有技术工人专门去研究如何从危废中提取碘 ， 要购买相应的设备来组成相应的产线 ， 得到相应的产 。
那如果没有人类工人参与这件事情 ，他们就错失了这个风口 ， 那失去了相应的利润 。 但如果人类工人被从解放出来了 ，他们作为专家 、 技术专家投入到了研发过程中去 ， 那对企业的增量化收益是非常可观的 。
所以这是一个局部的一个改变 。 那说到一个更大的一个界面上， 就是说今天我们在讲一个数字工人在一个工位上做工作 ， 那明天如果我们公司做的继续的研发下去 ， 多 Agent 协同成为可能 ， 那可能更多的数字工人在一个工厂中有效的协同 ， 慢慢的覆盖面面越来越广 ， 等到有一天我们可能畅想未来嘛 。
如果有一天在工业网络安全 、 生产安全能保障的情况下， 一个产业链的上下游由数字工人串联起来 ，他的响应过程是不是会更快 ？
就跟我刚刚最早时候说的这个概念一样 ， 比如说终端的销售呃需要了这个一个产品 ， 那他这个产品的上游的每一个生产的工厂都会适时性的去调整生产计划和生产产能去加强这个生产 。
那这种串联带来的这种改变 ， 那就是我们讲的可能是工业革命级别的改变了 。
嗯 ， 那你觉得在这个领域的大学生 ， 嗯 ，他们现在应该学什么呢 ？
哈哈 ，其实我觉得国家的教育体系已经有非常快速的响应 ，因为之前我们也会去很多的高校去跟高校去做沟通 。
国家在高等教育的课程设置上有非常大的创新性 ， 比如举个例子 ， 化工啊 ， 化工现在开设了一个新的这个学科方向 ， 叫智能化工 ， 就是我的学生呢 ，不仅是学化工的工艺知识 ，他也学大数据技术 ，也学人工智能技术 ， 把人工智能和大数据技术结合到工艺的设计和产线的设计 、 设备的设计 ，以及生产过程的管理和控制上， 让这些学生这个学习
这种综合性的知识 ， 跨学科的知识 ， 那未来他们进入工作岗位上， 就像现在的软件开发工程师一样 。
我们公司的软开同事已经大量在使用像这种编码的 Copilot 啊 ， 甚至是啊有一些代码生成的部分 。 所以我觉得对于工业上的这个从业者 、 技术工人从业者来讲 ，他也会逐渐的去学会使用像数字工人这种的人工智能大模型产品去帮助他们完成他们日常工作 ， 协助他们解放他们 ， 这个我觉得是啊他们未来的一个趋势 。
所以如果在听我们节目还有这个高中的朋友 ， 或者你的小孩在读高中的朋友 ， 真的这个填志愿的时候可以多留心看一看 。
今天有一些学科已经和 AI 结合的很紧密 ，但不同学校可能有这个先进分子啊 ， 然后多考虑这个去更先进的一些地方学知识 ， 你可能就可以这个比大家更早接触到 AI 和未来 。
你说个人一点呢 ， 就是如果你今天时光穿越 ， 你已经知道了未来发生的事情 ， 你回到过去读大学的时候 ， 读在中国大读书的时候的你 ， 你会要求你自己最做一个最大的改变的话 ， 你会要做什么 ？
或者穿越回去 ， 你跟自己说这件事我一定要告诉当时的我自己要做 。
我觉得哈哈怎么说呢 ，因为现在创业嘛 ，也是在公司呃不仅是做技术研发管理 ，也在做整个企业的运营管理 。
作为一个 CEO，有一个非常重要的能力 ， 就是会提你的需求 ， 会形容你的需求 ， 细化你的需求啊 ， 这点不管你今天要使用大语大模型 ， 对吧 ， 你要做 prompt 啊 ， 然后呢你要给你的员工布置工作啊 ， 你这方面的能力也许从上学的时候就要开始去培养 。
就是说在做一个研究之前 ，在想要得到一个结果之前 ， 那去形容好这件事情的本质上的需求是什么 ， 那去洞察这件事情的第一性原理 ， 这个我认为是所有年轻人未来都要具备 。
好 ， 那我们最后一个问题 ， 你觉得这次创业对你以后的工作 ， 或者再扩大一点到生活吧 ， 就是你觉得在 AI 这个时代 ， 就是这次创业对你在接下来的这个工作生活有什么样子的新的思考 ？
嗯 ， 首先是可能对行业的思考有一些变化 ， 就是原先其实我们呃已经做了非常长时间的工业信息化 、 数字化的产品和项目 ， 那这个过程中我们对行业客户的认知 ， 早先可能是这个以一种呃带来了一个全新的产品啊 ， 让客户去适应你的产品 ， 学习你的产品 ， 使用你的产品这样一个逻辑在推广 。
但实话说就是这个过程会有困难啊 ， 然后客户在对你的口产品的认知上， 尤其是大 B 端客户 ，B 端客户对产品的认知上啊 ， 会有一定的认知壁垒 ， 或者说认知的门槛 ， 所以这个过程会不太舒服 。
但这次创业之后 ，因为 Agent 它本身的产品形态啊是相对灵活的 ， 它在流程的配置上 ，在整个的功能的这种配置上， 包括了你的思考中枢的这样一个泛化性的 ， 你的模型本身的这种适应性 ， 都会比上一个时代的信息化软件要更好 。
你在这个基础之上 ，是不是要转变一个产品逻辑 ， 就是让你的产品去适应客户 ， 去融入这个客户本身的专业工作流程当中去 。
这个是其实是我们做 B 端产品这几年， 我认为是一个趋势 ， 尤其 Agent 产品是一个趋势 。 那未来我们跟客户的关系不是简单的甲乙方关系 ，而是一个一起成长共生的关系 ， 产品越用越贴合他的工作实际 ， 越用越好用 。
这是我们一套 ， 就我们讲创业之后去做这个行业啊 ， 可能我自己认知上的一个比较大的变化 。其实对我自己来讲 ， 就是第一次创业 ， 我刚创业的时候 ， 非常多的前辈跟我说 ， 作为一个初创团队的优势 ，是把一个行业做深做透啊 ， 做出高壁垒 ， 让这些大企业大厂没法对你的这个产品公司产生威胁 。
但是在创业过程中， 我我在发现 ， 实际上对于一个 startup 公司来讲 ， 垂直领域的专注当然是必须的 ，但是你不能完全的只 focus 在一个行业 ，因为你会受到这个行业本身的发展规律的影响 ， 比如说你长期服务于 A 行业 ， 那 A 行业本身不好了 ， 那你这个创业公司本身的抗风险能力就变得很差 。
所以我们在专注于一种场景问题的解决时候 ， 要利用大模型能力的技技术的能力 ， 包括 Agent 产品形态去在同种 ， 就刚刚我说的同种工艺 ， 不同行业不同场景中保持一个泛化的灵活性 。
所以我觉得这对于一个 ToB Agent 的企业来讲 ， 尤其是初创企业来讲 ， 这是我这一次学到了一个新的认知 ， 挑对行业很重要 ，但是不能够扎一个行业扎进去之后就不管了 ， 就我只做这个行业 ， 别的我不做了 ， 或者我别的我连看都不看一眼 。
这个不是一个 Agent 产品 ， 或者大模型 base 的产品应该是做的一个逻辑 ，因为大模型本身就是以泛化性能为为为它的这个优优势 。
像当年那个温家宝来到北航 ， 给学生们提词 ， 脚踏实地仰望仰望星空啊 ， 对 ， 这也是这也是这个这个一个这方面的能力吧 。
然后还有一个小的方面吧 ， 就是接纳更多的 Agent 产品 ， 就我们自己公司的授权团队啊 ， 这个包括产品设计团队 ， 像这个从这个 Canva， 然后到这个 Figma， 然后这个插这个 AI 的这种插件啊 ， 我们其实是全盘在接纳 ，因为我们讲现在不经常说这个硅谷 ， 经常说是一人公司嘛 ， 啊就说这个一个人做非常多的岗位 ， 那其实对于我们 20 多人团队来讲 ， 同样也是这
样 ， 大家都要是多面手 。 所以说在售前的团队上， 包括产品设计团队上， 技术研发团队上， 包括公司管理界面上啊 ， 大家都是在疯狂的使用各种大模型产品 ， 包括 Agent 产品 。
所以我觉得这也是呃未来企业组织形式肯定会不一样啊 ，不是说有明确的岗位分工啊 ， 它一定是会有模糊的边界 。
所以我觉得可能会在未来的企业管理上也会有这些新的一些思路吧 。 啊 ， 暂时就这么多 。
这个班是越来越难上了 ， 哈哈哈 。
好 ， 那今天谢谢小普 。
感谢感谢 。
好 ， 欢迎再来做客十字路口 。
好呀好呀好呀 。
如果你认为有朋友也会喜欢本期十字路口的内容 ， 请转发微信推荐给他们 。 最后欢迎你加入十字路口的会员群 ， 我们鼓励大家在群里聊天互动交朋友 ， 寻找未来的同路人。