戴宗宏创立基点起源：AI操作系统重塑B端定制化新范式

文｜周鑫雨

编辑｜苏建勋

国内市场、企业级服务、定制化解决方案——这些领域在当前的AI创业浪潮中，常被视为充满挑战的赛道。

但正是这些方向，成为了前零一万物联合创始人戴宗宏新事业的聚焦点。

2025年3月24日，从零一万物离职后，他正式创立了新公司“基点起源”。不过，如今切入B端定制市场，戴宗宏旨在讲述一个与传统模式截然不同的创新故事。

这个故事，如今在基点起源业务中的体现是：在并行推进7、8个定制化项目的同时，公司的工程团队规模仅维持在20人左右，且所有项目均按时交付，从未逾期。

其核心秘诀在于，利用人工智能技术，自动化处理定制化过程中的繁琐环节。

传统的定制化服务，通常需要AI企业组建数十人规模的专家团队，通过人工访谈、手动数据采集，再依靠人力进行数据分析与建模，最终以数字化方式复刻业务流程——这一过程，相当于人为构建一个业务的数字镜像。

基于业务流的“数字镜像”，企业才能根据自身设定的业务目标，进行解决方案的模拟推演，从而找到最优路径。

基点起源的目标，是将前期的专家走访、数据采集、分析建模，以及业务流刻画的全过程，都交由AI系统自动完成。

为此，基点起源开发了一套能够自动化刻画企业业务流的AI操作系统：

• 系统的底层，融合了多个基础大模型和行业垂直大模型。依托企业提供的各类原始业务数据，底层模型能够自动梳理并理解业务中的生产要素节点。

• 系统内置的生产要素工具链，可以对每个生产要素进行自动化建模，形成业务节点。

• 系统内的强化学习（RL）工具链，基于真实业务流构建的数字孪生环境，通过强化学习技术训练出定制化的企业大模型等AI应用。

采用这套AI操作系统后，戴宗宏透露，企业数据采集、治理及业务流构建的全流程，仅需一天即可完成，“经过客户详细评审，未发现任何错误”。

目前，这套AI操作系统已在钢铁冶炼、环境治理、新能源管理等跨行业企业中成功应用，助力企业实现降本增效、供应链优化等目标。

例如，当一家企业的业务目标是将供应链成本降低15%，他们只需将供应链数据接口接入AI操作系统，系统便能在短时间内生成业务模型。输入优化目标后，业务模型会基于业务知识自动推演出实现路径。

近期，基点起源完成了天使轮融资，融资金额超过亿元人民币。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，这段创业历程也伴随着诸多质疑——戴宗宏向《智能涌现》表示，融资过程中，部分投资人的顾虑在于：中国B端客户的付费意愿相对较低。

的确，自大模型热潮兴起以来，国内AI企业在行业落地方面的信心曾一度受挫。回款周期长、客户付费意愿有限，已是老生常谈的难题。

不做定制化、转向标准化产品，似乎正成为行业共识。百度创始人兼CEO李彦宏也曾直言：B端业务应尽量避免吃力不讨好的项目制，优先推出标准化产品。

作为AI ToB领域的资深从业者，戴宗宏对此持有不同见解。此前，他曾在阿里达摩院担任AI Infra总监，后于华为云出任AI CTO。

在华为云期间，他参与了上百个AI定制化项目。这段经历让他深刻认识到：“国内并非付费意愿不高，而是与海外的付费习惯存在差异。海外企业习惯于为工具付费，而国内企业更倾向于为效果付费。”

这意味着，国内B端市场对AI定制化服务依然存在庞大需求。

△戴宗宏。图源：企业提供

 

创业后，戴宗宏将近40%的时间投入客户走访。他发现，许多客户并不愿意使用市面上的标准化产品，原因是这些产品难以与现有业务无缝衔接，“他们仍然更青睐端到端的定制化解决方案，并且预算充足”。

相较于竞争和融资压力，戴宗宏更担忧的是，若无更多玩家入局，客户对B端定制化的信心可能持续下滑。

在与客户交流中，他意识到，过去AI定制化效果的不尽如人意，已经损害了部分客户对AI技术的信任，直接影响了他们在AI领域的预算投入，“以往大多数AI企业仅仅是为企业部署了一个大模型，但客户真正需要的是业务成果，而非模型本身”。

因此，在获客阶段，基点起源并不急于直接推广AI操作系统，而是基于客户的业务目标，直接交付一套由AI操作系统生成的解决方案。

戴宗宏向《智能涌现》总结道，从整体来看，竞争对B端市场实为利好，“一旦成功案例增多，客户的信心将随之增强，我们的获客难度也会降低。”

以下是《智能涌现》与戴宗宏的对话，经整理编辑：

大语言模型，尚未展现普遍行业落地的机遇

《智能涌现》：您如何描述基点起源的核心业务？

戴宗宏：我们致力于提供一套称为“AI操作系统”的技术平台。该平台旨在弥合产业与AI之间的鸿沟，让产业的核心业务链路能够快速借助现有AI工具与手段，完成全流程的AI改造，最终实现业务价值的提升。

《智能涌现》：能否举例说明，以便更直观理解？

戴宗宏：例如，我们从某个客户的各类原始业务数据出发，基于我们的模型和平台自动学习这些数据，整个过程完全自动化。

我们使用少量计算资源，大约一天多时间，就能自动将企业的完整业务流程刻画出来。

在传统定制领域，企业若想刻画业务流，通常需要进行多层人员访谈、技术交流，以及数据梳理与治理。从启动到产出成果，往往需要半年到一年时间。

但我们目前仅需一天就能清晰梳理出整个业务流，且经过客户细致审核，未发现错误。

《智能涌现》：与传统定制化相比，主要差异何在？

戴宗宏：过去，几乎所有企业在服务产业时，内容以定制化和手工建模为主，难以规避数据治理和业务流学习的难题。

但我们现在的技术能够依托企业庞杂的数据，自动学习、理解并复现业务工作流。这正是我们开发的一套支持无监督数据治理的技术体系。

《智能涌现》：这套技术体系对定制化有何益处？

戴宗宏：首先是泛化能力强。其次是能深入核心业务链路，而非仅作为办公辅助工具。第三是能够实现规模化应用，而非仅限于服务少数头部企业。

《智能涌现》：您在2023年大模型浪潮中成为零一万物的联合创始人，也是首批投身大模型创业的先行者。当时您是否看到了AI定制化的机遇？

戴宗宏：从ChatGPT本身，我并未看到赋能千行百业的明确机会，它更侧重于语言与逻辑能力。只有当模型具备深度推理与思考能力时，才能理解企业业务流，辅助决策。

直至OpenAI发布o1模型，我才认为大模型落地千行百业成为一个优化程度的问题，而非可行性问题。

事实上，在零一万物期间，我们也尝试了类似ReAct（推理+行动）的工作，并取得了一定进展。

虽不及o1惊艳，但我们获得了长足进步，这是在无o1、o3引导下自主探索的成果。因为我们始终专注于这一底层技术的研发。

《智能涌现》：您为何选择在2023年离开华为，加入零一万物投身大模型领域？

戴宗宏：在华为，我有机会参与甚至主导AI赋能产业的项目，积累了丰富的实践经验，接触了大量企业与场景。这段经历不可或缺，我当前创业的雏形也正是在此期间形成。

但在华为，我难以深入大模型的技术细节。当时零一万物已具备初步技术基础和资金实力，我判断自己能在此发挥更大作用。与李开复、王雪梅交流后，我便加入了。

在零一万物，我系统学习并实践了大模型系列技术。此前我更多作为AI的辅助者，而在零一深入参与每个指标优化，体验截然不同。

《智能涌现》：哪些技术进展成为您创业的契机？

戴宗宏：我本人并非大模型技术专家，之所以关注大模型，是因为我认为它能助力实现前述目标。

我认为深度推理能力是关键节点，即2024年o1和o3模型发布时。我选择在此时间点启动“基点起源”项目，正是因为大模型达到了这一水平。

我觉得无需在大模型训练上投入过多，可直接站在巨人肩膀上。

20人团队，完成传统AI公司上百人工作量

《智能涌现》：您目前打造的“AI操作系统”结构是怎样的？

戴宗宏：这是一个模型与应用集成的平台。系统最底层是一组大模型，包括基础大模型和行业垂直大模型，作为理解业务数据与建模的工具。

系统上层则利用企业自身业务数据建模，最终组合成虚实融合的数字孪生环境。这些模型基于企业业务数据构建，无幻觉问题，能深刻理解业务链。

《智能涌现》：实现“用AI刻画完整业务流”的方法是什么？

戴宗宏：企业数据通常庞杂且格式多样。我们首先自动深度挖掘数据，分析其潜在表现，并实现自动化数据分析。

接着，基于现有数据挖掘“生产要素全集”，并将其构建为业务流。

然后对每个节点进行自动化建模。对于缺乏天然数据的节点，我们会自动化补齐数据。

简言之，即将企业的真实业务流程通过建模方式呈现。

听起来简单，但实现自动化颇为复杂。一些企业拥有数万乃至数百万节点，我们需要自动学习节点间的所有关系，包括发展与逻辑关系，这颇具挑战。

《智能涌现》：如何确保补齐的数据符合真实业务逻辑？

戴宗宏：我们不需要数据绝对精确，只需保证其正确性。后续会通过强化学习主动收敛模型精度。

本质上，AI 1.0时代更多依赖标注数据提升模型精度，这需要大量人工，且不确定性强。

我们现在摒弃人工标注数据，通过精巧设计形成天然强化学习环境，依托实际生产环境持续产出数据，以强化模型。

本质上，这一过程能达到人工数据标注同等效果。

《智能涌现》：为何要用AI对企业业务流建模？这对企业客户的价值何在？

戴宗宏：企业可利用刻画的业务流进行业务推演与决策。

可将复刻的业务流视为真实业务流的数字镜像。在此数字环境中进行各种推演更为便捷。

基于数字环境的推演能为企业业务实现带来多种可能性，如辅助决策效果评估、降本增效、产能提升、供应链优化等。

《智能涌现》：此过程是否需要像传统定制那样投入大量人力？

戴宗宏：中间环节几乎无需人工干预。客户提供数据接口权限后，模型学习理解过程全自动化。

《智能涌现》：这套系统最终效果是否与传统人为定制一致？

戴宗宏：该系统替代的并非企业内部职能，而是AI企业的专家，协助企业实现场景智能化。

传统定制化流程需派遣大量专家进行业务分析与建模。现在我们用大模型替代这些专家，实现全要素自动化建模。

若依靠人力，10人仅能建10个模型，20人建20个；若企业有1万个生产要素，则需1万人。但借助此系统，我们依赖算力而非人力。

《智能涌现》：许多ToB定制化企业最终人员规模臃肿。基点起源团队规模如何？

戴宗宏：我们目前同步推进七八个项目，负责团队仅20人，而传统模式可能需要上百人。所有项目均按时交付，未出现延误。

这与传统定制化交付的组织形态完全不同，因为我们通过技术解决了大部分问题。

《智能涌现》：目前AI操作系统进展如何？

戴宗宏：本月初（8月初），我们刚完成第一版核心功能的交付。整个系统搭建耗时约三四个月。

《智能涌现》：这套AI操作系统在企业中的实际落地效果如何？

戴宗宏：目前成果已对企业产生显著帮助。企业仅需提供历史积累的数据访问权限，我们便能快速刻画其复杂业务链。

合作企业中，已有利用数字业务流实现降本增效、供应链优化及能耗管理优化的案例。

《智能涌现》：企业客户应如何操作此平台以实现业务目标？

戴宗宏：目前产品尚未实现端到端全自动化。我们暂时手工串联各能力节点，因为开发时间有限。客户提供业务目标后，系统自动寻优并输出实现路径。

维护B端客户信心至关重要

《智能涌现》：公司目前聚焦国内市场还是海外市场？

戴宗宏：以国内市场为主。中国拥有制造业全产业链优势。我们的方案在产业链越长时优化空间越大，因此中国具备天然场景优势。

海外企业可能在单点能力上突出，但端到端全产业链与中国相比仍显薄弱。

《智能涌现》：当前专注ToB与国内市场，融资是否面临压力？

戴宗宏：我们遇到了理念相投的投资人。

与投资人交流时，若对方曾有工厂项目经验或实操经历，便能迅速理解我们的业务描述与技术路径，通常一次沟通即可达成共识。

在技术实现前，部分投资人对AI自动化刻画流程的能力存疑，这可以理解。

我们较为幸运，很快找到了认同我们技术理念与哲学思想的投资人，迅速敲定融资。天使轮融资额已过亿元。

《智能涌现》：是否担忧国内企业对ToB软件的付费意愿？

戴宗宏：国内并非付费意愿低，而是付费偏好与海外不同。海外企业习惯为工具付费，这培育了工具型企业。

国内企业更倾向于为效果付费。多数企业愿意为端到端的业务价值买单，合作意愿强烈。

当前服务客户中，付费意愿明确，预算充足。产品若能助力全流程提效，为客户节省成本或增加收入，他们便乐于合作。

客户类型涵盖央国企与民营企业。

《智能涌现》：公司目前有多少客户？

戴宗宏：已有近10个项目同步进行，覆盖多个行业。客户付费意愿强烈，预付款金额较高。

《智能涌现》：企业如何衡量AI操作系统产生的效果？付费模式如何？

戴宗宏：传统定制化领域，软件常表现为数据大屏。数据大屏需人工理解与决策方能产生价值，效果难以量化。

但我们提供的是全自动AI，其产生的价值可被推演。

此外，以往企业多进行单点优化，全局效果需实施后方能测算，导致定价困难。

现在我们构建的是全要素模型，涵盖端到端所有节点，任何单点在全局中的价值均可测算。

《智能涌现》：此商业模式能否实现盈利？

戴宗宏：若不考虑未来研发投入，今年有望实现盈亏平衡。

《智能涌现》：是否会先开展快速盈利业务以支撑公司运营？

戴宗宏：我认为此思路不妥。商业化核心应是帮客户创造价值，并从中分润以维持自身发展。

通常，我们期望为客户带来10倍收益，再获取相应回报，如此形成良性循环。否则项目仅具随机性。

《智能涌现》：若随机项目能养活团队，是否也算一种价值？

戴宗宏：我认为这会损害行业。例如，若向客户承诺创造3000万价值而实际不足1000万，可能伤害客户信任，影响其未来投入。

市场信心至关重要，尤其在B端领域，因为B端客户记忆持久。当前表现直接影响其未来数年对AI技术的预算。

《智能涌现》：是否遇到过信心受损的客户？如何重建其信心？

戴宗宏：确有部分客户。其沉没成本容忍度明显更低。其他企业可接受半年左右看到价值，而这些客户若三个月内未见成效，便可能放弃投入。

因此我们需精确计算数据，确保业务价值判断经得起推敲。

《智能涌现》：此前无人实现业务复刻的AI操作系统，公司如何让客户理解？

戴宗宏：许多传统AI公司难获客户认可，因仍讲述智能辅助或提供大模型的故事。但企业关心的是业务价值，而非是否拥有大模型。

若中国AI企业能更进一步，清晰展示AI如何提升业务价值，突破客户将更为容易。

我们较幸运，恰逢中国AI+转型浪潮，加之方案能呈现明确业务价值，因此客户突破相对顺畅。

《智能涌现》：AI操作系统在哪些行业或企业落地效果较好？

戴宗宏：AI操作系统实为通用平台，适用于全行业。

目前已有多个企业客户，交付效果良好。涉及金属冶炼、钢铁冶炼、环境治理、新能源管理、电子产品制造与组装等领域，跨度广泛。

不惧竞争，成功案例增多将利好行业

《智能涌现》：您认为团队业务存在壁垒吗？

戴宗宏：首先，我们对产业有深刻理解；其次，对模型发展有深刻认知；第三，技术与产品设计具前瞻性，且我们具备前沿突破能力，能按规划逐步实现目标。

这意味着我们拥有优质认知、合理设计及强大实践能力。

《智能涌现》：许多企业强调“行业Know-How”为壁垒。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+产业赋能项目经验。

当时虽用传统AI技术，但通过项目实践，我们深入理解了企业真实需求、产业工作模式、现有系统数据及价值链等。这些认知经多年项目锤炼而成。

因此，实现当前目标需把握几点：首先，深刻理解产业工作模式及企业核心管理者诉求；

其次，深刻理解AI技术。需知晓当前AI能力边界，并预判半年至两年后AI发展趋势。否则基于当前能力设计的方案，未来可能需推翻重来。

还需深刻理解成本、算力、业务布局及用户数据敏感性。这是一个复杂体系。

《智能涌现》：您与团队如何预测一两年后AI的能力边界？

戴宗宏：无需绝对精准，只需把握大方向与能力边界范围即可。

首先，我认为明年大模型本身能力难突破数据屏障。当前自然数据消耗过多，更多数据依赖自我迭代生成。

因此，大模型未来1-2年难有根本性突破。其通识能力将线性增长，但难有量级飞跃。

其次，模型在特定场景下的思维链链接、自我纠错与迭代能力，以及通过强化学习自我进化的能力，我认为未来两年将有显著演进。

《智能涌现》：这两点判断如何影响基点起源的产品与业务进展？

戴宗宏：本质上让我意识到，不能仅依赖AI自身能力解决行业问题，因AI能力迭代放缓。问题需通过业务布局解决，而非单纯依赖行业数据。

若想用业务数据解决行业问题，其形态便非简单垂直大模型，而是基于DAG的模型组合与逻辑关系图。这是我们构建全要素模型的基础。

《智能涌现》：从事大模型创业两年来，您在技术判断上有何遗憾？

戴宗宏：在零一万物时，团队表现卓越。2024年6、7月，我们几位专家共同探索深度思考能力，当时模型已能进行不错推理。

但单次推理耗时十几分钟。我们认为简单推理尚需如此时长，复杂推理更甚。我们本可在思维链与强化学习方面投入更多研究。

《智能涌现》：此误判为本次创业带来哪些经验？

戴宗宏：最简原则是与实际场景结合，并与未来场景联合判断。这对技术价值是最直接的评估。

其次，更多从技术原理出发判断，而非仅依赖个别指标。

《智能涌现》：今年有哪些技术进展对您尤为重要？

戴宗宏：目前与业务强关联的关键成果尚未出现。我期待看到模型能不依赖短期记忆，而根据场景形成自我反馈学习。这有望实现，我们自身也在进行相关研究。

《智能涌现》：您是否担心竞争？

戴宗宏：并不担心。首先，这些认知、理解与技术，我和团队已积累近十年。在单一能力上，不乏比我们出色的团队，但作为复合型团队，我们仍具稀缺性。

其次，我们面对的市场足够广阔。中国工业领域规模以上企业达51.2万家，这些企业皆有能力和意愿进行智能化转型。

事实上，在国内全自动化业务建模领域，我们是首创企业。我也希望更多类似企业涌现，助力中国传统企业加速新质生产力升级。

整体而言，竞争实为好事。一旦成功案例增多，客户信心将增强，我们获客也会更易。

若市场空间狭小，一两家企业失败便可能导致行业停滞。

欢迎交流！