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，形容他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。我是十字路口科技联合创办了街旁、新世相和糖岛，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。我是十字路口的荣慧，在美元 VC 工作过，也做过五年的硅谷驻站记者，关注科技发展和商业故事，也欢迎大家找我聊天和我交流。
Ronghui
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 To C 用户的 Agent 产品，今天我们来聊一聊面向 To B 的 Agent。很可能 Agent 创造最大的商业价值不是在 To C，而是在 To B。
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、打车等互联网+服务改变之后，又一个前沿技术和各行各业结合的重要机遇时刻。
《十字路口》也会做一系列相关内容。今天我们就来关注 Agent 与工业结合正在发生的变化。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蜂科技的创始人王筱圃。我们会来聊一聊什么是时序大模型，它和大语言模型有什么区别，以及具体的应用案例；他们又是如何训练一个 Agent，并且把它卖给企业、投入到生产流程当中的。
首先，我们和小圃来做一个快问快答。年龄？
王筱圃
1988 年生人。
毕业院校？
王筱圃
中科大。
MBTI 和星座？
王筱圃
MBTI 没有系统性测过，但是是 I 人，这一点可以确定，后面还不知道。星座是天蝎座。
一句话介绍一下现在的公司和产品。
王筱圃
我们极蜂科技就是向工厂客户派遣我们的 Agent 数字工人，去替代人类技术工人，管理和控制产线的生产过程。
融资情况呢？
王筱圃
我们去年刚成立的时候就完成了天使轮千万级融资，今年准备再做一轮 Pre-A 轮。
收入和利润？
王筱圃
我们整体是千万级的订单规模。利润来讲，可以达到 AI 企业相同的利润水平，相对来说还是比较高的。当然，研发投入也一样很高。
团队规模呢？
王筱圃
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？
王筱圃
在企业做快乐的打工人。之前我带研发团队，做 AI+工业数字化产品的研发，还有项目交付。再之前也做过一段时间基础算法研究，包括计算神经科学和脑科学的研究。
1. 时序大模型预测未来
我们先来说一说时序大模型，请小圃先跟我们科普一下，什么是时序大模型？
王筱圃
时序就是时间序列的意思，也就是随时间变化的记录。其实我们生活中有大量的时序信息。比如我们炒股的时候，股票价格是随时间波动的；跑步时，整个跑步轨迹也是按照时间序列发生的。
对于时序来讲，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 领域做时序模型，它的目标实际上就是根据已经发生的事情，去预测未来可能发生的事情，然后帮助你做最优或接近最优的决策。
其实整个时序模型的研究已经有很多年了，从上个世纪 70 年代开始就有相应的、公认的工作。而且，时序模型和我们的日常生活结合得也非常紧密。比如开车导航到目的地大概需要多久，导航会帮你选路线、避开拥堵。我不知道你们开车的时候有没有发现，到达时间的估计还挺准的。
比如从某地开到某地，它告诉你下午 3 点钟会到，通常不会误差很多。所以这就是时序模型在发挥作用。
今天大家对大语言模型都很熟悉了。大语言模型的研发目标，是让整个模型的泛化能力变得非常好。通过大参数量、大数据量、大规模训练，它今天可以帮你翻译文本、写代码等等。
时序大模型的研发目标也是这样：通过一个预训练模型，让它在各种领域中完成时序方面的预测和决策。通过大规模训练得到预训练模型之后，我们就可以在各行各业、各个场景中发挥作用。这也就是为什么我们要做时序大模型。
它跟大语言模型还是有很多不一样的。虽然它们都是基础模型，但第一，它们训练的数据不一样。大语言模型使用的很多是语料信息、文字、互联网公开信息等等；它的训练目标是 generation，也就是生成，需要生成语言、图片。
时序模型的训练数据，是带有时序特征的数据；它的训练目标，是对未来进行预测，并生成更多决策。所以它们的训练目标也不一样。
我们经常说，大语言模型是用来跟人对话的；时序大模型可能更多的是跟未来对话，让未来变得可预测、可管理和可优化。
你们看到它现在在哪些领域应用得比较广泛？
王筱圃
其实时序大模型的领域应用非常广泛。刚刚说到的交通领域，比如预测到达时间。再比如现在是夏天，用电处在高峰期。居民用电的趋势通常具有持续性特征：晚上回家的时候大家都开空调，白天则是工作场合用电比较高峰。
所以在电网能源调度层面，也会让时序模型发挥预测作用，帮助调度能源，让能源去到该去的地方，让用电更加稳定。
另外，在医疗领域有心电图监测，包括其他各个领域，其实都有比较广泛的应用。
这说的是时序模型的应用，对吧？
王筱圃
对，是时序大模型的应用。当下不管是在工业界，还是在市场营销、供应链管理领域，都有国内外企业用到这项技术，去完善产品、驱动更多功能。
可以举一个例子吗？最好是离普通听众近一点的。比如刚刚说到营销，它可以用在营销上做什么？
王筱圃
比如对用户行为进行分析，需要预估它的发展趋势。比如你们的产品能不能更受欢迎，哪些产品会因为广告投放、相应曝光的增加，整体产品需求进一步提升，哪些产品可能不会。
这就需要通过时序模型进行分析，在营销层面帮助企业更有针对性地进行产品宣传和市场投流。它也是一种用看未来的方式来支持当下决策的模式。
再往深处讲，对未来产品销售整体订单量的预期，也会映射到工厂生产安排上。比如某一款洗发水销量非常好，未来我们可以认为其中某种香味，比如薄荷味，卖得最好。于是我会增加薄荷味的生产订单；有些产品卖得不好，就减少相应的生产订单。
这就是从供应链层面，通过时序发展的方向去拉动生产供给。
其实时序大模型发挥的作用和时序模型是一样的，只是规模上比时序模型更大。为什么要做得更大？刚刚说到了，它希望通过更大的参数量、更大的规模，使模型在各个领域发挥更好的作用，而不需要针对单一领域研发一个小模型，而是用通用大模型去泛化地解决各行各业的问题。
这也是我们经常说的，要通往 AGI，也就是通用人工智能，要向高泛化性的方向发展。这是大语言模型正在做的事情，当然也是时序模型和时序大模型正在发生的演变。
国内外现在有哪些公司在做类似的事情？有哪些已经离普通人的生活比较近的成果？
王筱圃
刚刚说到的金融、教育领域都有应用，在工业和制造业领域，实际上也有很多企业在使用时序大模型技术去提供产品。不管是初创企业还是非常成熟的企业，国内外都有。
国外有一家英国初创团队，应该叫 Applied Computing。他们应该是帝国理工的一个团队，刚刚完成种子轮融资，整个种子轮规模也挺大，将近 1 亿元人民币。他们做的事情，是用一个叫 Orbital 的基础模型，面向工业生产过程中的能源生产、化工生产、石油生产、石化生产等领域，进行生产过程的管理、控制和辅助优化。
国内的话，像我们非常熟悉的华为，前段时间也发布了很多盘古大模型的产品和技术。在盘古大模型的一个分支中，有盘古预测大模型，也可以叫盘古时序大模型。这个大模型会被华为应用在钢铁、有色金属、水泥、气象等领域的预测任务中，所以这是一个非常成熟的应用案例。
种子轮融了 1 亿元人民币，这对时序大模型来说是一个常规金额吗？
王筱圃
应该算是体量比较大的种子轮了。这几年，可能是因为欧洲，尤其是英国整体的语境，工业生产不仅关注效率，也更加关注工业生产带来的污染问题。
不管是在我们国家还是欧洲国家，大家其实都在关注这个问题。如果能够让工业生产出更多产品的同时，减少二氧化碳排放，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，可能大家也更关注这些团队的工作：在更低碳的层面上，怎么把工业降碳这件事情做好。我觉得这也是资本重点关注这个方向的一个核心原因。
2. 工业智能体进入产线
这确实蕴含着很大的商业价值。我们也看到一些媒体报道，极蜂科技的工业智能体平台叫合谷。之前聊天的时候你也说到，你们核心在做的是数字技术工人，把已经在工厂里的工人的能力复刻到一个 Agent 上。这个过程还挺有意思的。
你可以先跟听众讲一讲，你们所面向的工业场景是什么吗？先让大家有一个简单的画面感。
王筱圃
我一般会用别人比较熟悉的场景来解释这件事，可能就是 AI+工业，有点类似于《钢铁侠》里的智能助手贾维斯。贾维斯能帮钢铁侠做什么？它像一个非常全能的个人助手。
但是在贾维斯的工作界面中，有一个非常重要的部分，就是帮钢铁侠打造战甲。钢铁侠就像我们的老板一样，会给我们提需求。比如他说：“贾维斯，帮我设计一款可以在太空中抗低温、抗腐蚀、用于战斗的战甲，还要配备相应的武器。”这都是他的要求。
然后贾维斯就说：“好的，老板，我来做这件事情。”它首先会设计这款战甲，从外观设计，到运动结构设计，再到动力系统设计、软件系统设计，进行一套非常完善的战甲设计。
这种设计，我们称之为 AI 辅助工业设计。现在很多行业玩家都在使用大模型技术，再结合仿真技术，帮助工业产品完成由 AI 自动实现的工业设计过程。这是贾维斯的第一个工作界面。
贾维斯的第二个工作界面是：光设计还不够，设计完之后还要把它生产出来。于是它会操控钢铁侠各种炫酷的生产设备，帮他打造马克 3、马克 4、马克 5 这些战甲。
在生产过程中，钢铁侠出去玩了，不会自己在那里生产，而是让贾维斯帮他做这件事。所以贾维斯实际上在做的是工业生产的过程管理和控制。
这就是极蜂科技使用 AI 赋能的关键场景：根据工业设计形成工业产品，我们把它称为过程控制。现在有很多做机器人企业，会做机器人的运动控制，这就很像贾维斯。有时候钢铁侠一个人穿不了那么多套战甲，他会让战甲自己参加战斗，这个过程是很多机器人企业正在做的，叫 motion control，也就是动作控制。
AI 当然也可以用于动作控制，但我们更加关注的是生产战甲过程中的管理和控制。我们驱动产线设备，根据原材料生产出企业要做的产品，这就是我们的场景，属于连续性生产领域。
就是连续性生产这个领域，对吧？
王筱圃
对。这里面又有一个比较有意思的事情。您刚刚说的连续性生产，我们叫流程工业，常见于冶金、化工、新能源、材料等领域。
刚刚说的贾维斯这个例子，是工业的另一种生产形态，叫离散型生产。比如小米汽车、蔚来汽车、理想汽车生产汽车的时候，首先是车的底盘、四门两盖，然后是发动机、电机等部件的组装。我们把这种称为离散型生产。
因为车的种类很多，所以要按照不同车型的要求，把车组装、焊接、装配出来。这种生产形态的特点是工序比较多样，组织起来比较复杂，订单计划、BOM 管理、原材料管理都非常复杂，但生产工艺相对简单一些。
我们极蜂科技面对的是流程型生产。它的生产计划是一直生产、从不休息，产线一旦开了通常就不会关闭，原材料不断投入，产品不断产出。这就是连续性生产。
它管理的重点不是计划，而是生产过程中的稳定性、效率和质量。我们其实是在帮钢铁侠生产战甲所需的铁、铝、铜等基本构成元素，这就是我们客户正在生产的东西。
3. 流程工业需要数字工人
过去讲智能制造，大家都在说智能制造是一个降本增效的过程。在之前整个降本增效的过程中，存在哪些问题需要今天的技术来解决，或者是之前没有解决好的？
王筱圃
我们就单论流程型制造。刚刚提到，流程型制造的工艺非常复杂，里面一会儿是物理反应，一会儿是化学反应，有时能源还要参与其中，所以反应相对来说非常不稳定。
在这个过程中，原先工业过程的一些解决方案和产品，面对这种场景时会显得有些力不从心。如果完全依赖自动化设备和产线去生产复杂工艺的产品，可能会因为自动化很多是 rule-based、基于规则的，一旦生产工况发生变化，产品质量就会变差，生产能效和能耗会变得非常高，或者造成原材料浪费。
这就是流程工业在复杂工艺中，原先解决方案可能没有办法很好解决的问题，而且非常普遍。
如果产线是非常刚性的，怎么去补足它柔性的部分呢？
王筱圃
那就是人。人是很灵活的。技术工人每天面对复杂情况，有临场反应，也有知识积累。进入工作岗位之后，他的师傅还会教给他很多经验。他结合这些知识，以及自己看见的、听见的、感受到的东西，进行临场反应和决策。
这样就补足了原先产线的不足。所以在流程型生产过程中，我们长期依赖技术工人参与生产、管理生产、控制生产。
做一个数字技术工人，确实是一个难度很高的事情。但我首先认为，做数字工人是一件非常必要的事情，因为大模型技术的发展给了我们解决这个问题的技术机会。
为什么要做数字技术工人？刚刚说到，人的灵活性、善于使用工具，以及知识积累，都是人的优点。人类还可以融会贯通，也可以跟人交流。雇一个技术工人进来，他可以每天向我汇报工作；我教给他东西，他也能听懂。
我们想通过 Agent 和大模型技术，把人的这些优点固化下来，让它们在产线上继续发挥作用。但同时，数字工人还要比人更好，因为人本身也有局限性。
第一，人会累。我们平时上班还想摸摸鱼，师傅上班时却要连续 7、8 个小时当班，生产过程中不能走神。有些化工生产领域，一个走神甚至可能意味着非常严重的安全问题。所以师傅需要高度集中精神，但说句实在话，人很难做到。
我们观察了很多生产过程，低效的生产流大多发生在午休时段，以及凌晨值夜班的时段。人会疲劳，这是需要解决的问题。
还有就是知识和经验的传承。技术工人的培养非常低效，有点类似于师徒制：我进工厂之后会有自己的师傅，由师傅来培养我。师傅干了十几年，有自己的一套脑内建模，再通过语言传递给我，由我来学习。
这个知识传递过程非常低效，只能单点传递，传递效率和效果都不太好。所以，怎么固化知识、固化经验，也是复制一个人时需要改善的问题。
综合来讲，我们不是否定人的价值，反而是说人很有价值。我们要把人的价值固化下来，并且放大它，最终超越原先的人。这是数字工人研发最重要的目标，也是基本的产品逻辑。
这种数字工人有没有更适合的领域？是不是更细分到某个行业里面，应用会更有效？
王筱圃
在工业领域，大家都在讨论如何在不同环节利用人工智能技术进行替代。刚刚介绍的工业设计，原先是由设计院专家基于知识，对工业产品或工艺包进行设计。我们可以用人工智能技术，完成从辅助设计到替代设计的过程。
所以设计岗位、工业设计岗位，逐渐会被人工智能在这方面的技术工人替代。
另外就是车间内直接参与生产的技术工人，这就是我们现在在做的事情。从设备操作人员、设备运维人员，到安全人员、计划人员、能源调度人员，我们希望在各个环节、各个岗位，通过数字工人的方式，从辅助到替代，再从替代到超越。
我能理解为，它不是针对某一个技术单点，而是整个流程中的每一环，去解决工业的痛点问题？
王筱圃
对。原先自动化产品的形态，是一种单点优化。比如我只解决产线中某一段的问题，把这一段做到最好。
但我们知道，局部优化不等于全局优化。从全局来看，如果你看得足够宽广，从原材料进入车间，到成品离开车间，整个流程中有很多需要协同优化的部分。
所以单点优化能解决的问题是有限的。那合谷和你们的时序大模型之间是什么关系？
王筱圃
你可以把它简单映射到现在通用的 general Agent 平台和大基础模型的关系。Agent 被赋予思考能力时，是以大模型作为思考智力来源的。
合谷智能体平台，是我们的 Agent 配置化、整体工作流配置化的平台。我们的工业时序大模型，则是可以集成到部分 Agent 工作节点中的关键基础模型。这就是它们之间的关系。
这个平台也是开放给客户、开放给工厂使用的吗？还是主要由你们来使用，客户只需要使用 Agent？
王筱圃
这可能是我们和当下 general To B Agent 供应商在思路上的不同。涉及工业场景的工作流，尤其是直接干预生产过程的工作流，对工作流本身的稳定性、配置过程中的专业性，以及相应参数的调试，都需要一定的专业知识和经验积累。
从现阶段看，我个人认为，To B Agent 更多会是由供应商完成智能体配置，再把智能体应用直接提供给终端客户使用，而很少会让用户主导智能体的配置过程。这是我们当下的判断，也是我们在产业实践中的现实体感。
首先，提供一款产品时，肯定要思考用户是谁。如果提供的是一个用户可以交互的智能体平台，那到底谁来用？我们很难在工厂中找到一个特定人员：是企业总工、总工程师、工艺专家，还是具体的一线技术工人？我们很难定位这样的角色。
所以，如果不能定位一个好的用户角色，这个用户可能暂时就不需要这样的功能。平台配置由我们自己完成。
为什么要做这样一个智能体平台？刚刚说到了 Agent 本身的技术价值。它对流程稳定性和可观测性的提升，不是单模型可以解决的问题，这是现实的技术情况。
更重要的是，对于我们团队来说，刚刚也介绍过，我们 23 名全职员工，同时在支持 7 个不同的行业、15 个不同的核心工艺工段的产品研发和交付，对人效的要求极高。
如果不能对工业流程进行原子化、快速配置和排列，不能在模型集成过程中以很好的泛化性能集成模型，就不能快速上线数字工人。一切就没有意义，因为你会回到面向特定场景定制化交付的逻辑。
所以，一定要让配置化成为可能，让工程师的人效得到提升。这款 Agent 不仅符合产品功能和技术现实的逻辑，也符合我们自身研发需求的逻辑，这就是合谷的价值。
4. 数字工人的认知架构
我们来说一说你们做数字技术工人的具体过程。比如整个训练时间是多长？我的理解是，它要把整个生产过程理解了，把有经验的老师傅脑子里的东西，以及他面对临时情况时非常成熟的判断，内化成自己的能力。这个过程是什么样的？
王筱圃
要复刻一个人类工人，把他变成数字体或智能体，去担任他的工作岗位，实际上是复刻他在工作岗位上的特质。
人的特质有 4 个。第一个，人会观察。工人每天上班，肯定会看监控界面里的生产指标。现在很多工厂、产线和设备已经很智能化，有很多摄像头。比如我们的某些设备里，有耐高温、耐腐蚀的高清摄像头，直接拍摄反应过程。我们可能还要观察这些摄像头的数据和视频流，这也是它需要看到的东西。
所以第一个特点是观察和感知。
另外，它会思考。看到了之后，它还要响应。比如现在发生了某种工况，温度急剧下降了；或者某个设备的运行速度变得不正常，变慢了。它要思考到底是什么原因。
它会调用什么？可能会想起上学时学到的知识、书本知识、第一性原理，也可能想起师傅曾经说过的话：“遇到这种情况，你就要这么做。”这就是经验。
然后，它要把这些综合判断起来，去决定该做什么。这是思考的过程。
接下来就是决策：该怎么干预？是调这个还是调那个？是停这个还是启动那个？
最后最重要的是，它要去执行。人的一个重要特质就是敢想敢干，不能只想不做。它会通过上位机控制系统、软件系统，以及下位机的电气控制系统，直接干预每个设备的控制回路，影响生产动作。
所以，观察、思考、决策、执行这 4 个动作，就是我们需要复刻的认知流程和行为逻辑。
复刻一个人的大脑，也是类似的逻辑。人的每个脑区可能负责一件事情，但实际运作过程是各个脑区之间的配合。我们要赋予数字工人大脑，也需要划分不同脑区：有的负责理解语言、解析知识、分析知识、转化并生成语言。
这部分能力交给大家熟悉的大语言模型去做。我们会对大语言模型进行特定场景的微调或再训练，让它具备工业场景所需要的知识解构、信息解析和文字生成能力。
这样，它是一个能说会道、能看懂知识的人了，但还不够。它还要根据产线数据预测未来工况，决定当下要做什么；它还要擅长模式识别、因果推理和数值响应。这些能力交给时序大模型去做，由它承担这个脑区的工作。
这是复刻的第二步，让它拥有大脑。
光有大脑还不够。人的行为模式是一个闭环流程，所以我们还需要形成所谓的神经回路闭环。怎么办？需要用到智能体。
智能体首先需要 memory，也就是状态记忆：我原来做了什么，昨天做了什么，或者上个月遇到过什么情况。我们要形成这些记忆。
另外，它要按照流程一步一步走，因为我们要让它变得可控。如果只交给模型去做，模型输出的结果可能不可控，所以我们要把 Agent 引入进来。
同时，它还要形成可解释的过程。Agent 的每个连接都有输入和输出，都是可观测的。你知道哪个环节可能有问题，也可以定位到它。
所以我们需要用 Agent 来组织和封装工作流程，最终用 Agent workflow 表达数字工人的常规工作流程，这样就能得到一个数字工人。
5. Agent吸收工业经验
你们在开发过程中，和老师傅有过什么样的碰撞吗？
王筱圃
我们讲的老师傅，也就是技术工人，可能只占整个工人队伍的 6.5%。他们通常受过比较高等的教育，很多是工艺方向或电气自动化方向的专家。
他们对技术是有认知的。你不需要跟他讲很多“这个东西很先进”“这个东西很厉害”，他完全能够感受，也能理解自己是否需要这款技术、是否认可你的价值。
所以，只要我们向老师傅解释清楚产品逻辑，他们通常都会以开放的态度来做这件事情。
但人与人沟通是有距离的。他不会一上来就对你掏心掏肺。所以我们要确保产品落地时不会强依赖老师傅访谈。
人的语言、大脑中的信息通过语言表达出来，会有损失和偏差。如果依赖这种方式，很可能最后做成一本操作手册：把他脑子里做的事情抄成手册，再用 rule-based 的方式表达。但这可能不是我们真正想要的东西。
所以我们更加关注工艺本身的规律。客户现场落地时，首先从第一性原理切入：你是做燃烧、电化学、合成聚合、加氢还是裂解的，我们就从物理场和化学场的第一性原理去考虑问题。
另外，数据不会撒谎。你在表达上可能有信息偏差，但你曾经做过的事情、产线曾经给你的响应不会有偏差。我们会把数据的演变过程作为非常有力的支点，确保数字工人得到第一个版本。
回到老师傅的经验有没有价值这个问题，它当然有价值。但这些价值会在数字工人上岗之后，作为短期记忆和长期记忆逐步导入，帮助它纠偏，并植入 Agent，让它学到老师傅的功夫。
这个具体怎么做？
王筱圃
这里面涉及 Agent 产品的成长性。产品在客户现场落地之后，需要有一个比较好的成长过程，也需要积累长期记忆。
说句实在话，我们现在的产品也经历了一个比较长的过程，从最初比较初步的阶段，发展到现在相对成熟的阶段。
最开始，大概是 2023 年以后左右，Agent 这个概念还没有被提出的时候，很多基础大模型公司会直接使用基础大模型做终端应用，直接交付相应结果。比如直接跟大模型对话，让它生成一个 PPT，但通常这个 PPT 质量不会很高；让它翻译一段文字，结果也可能没有什么文采。
我们一开始也走过这条路：按照大模型的思路，把时序大模型和大语言模型直接放进现有的软件和信息化系统里，通过多输入、多输出，让模型直接给出结果，然后执行。
但在工程实践和行业实践中，我们逐渐发现，这条路面临的困境和所有技术大模型面临的困境一样。
第一，结果不可控，质量不可控。因为它的决策是黑箱化的，没有工作流程。在工业中，我们非常不能接受不可控的事情。
第二，不可观测。你不知道它的决策判断是什么。当然后来有了 CoT，也就是思维链，可以进行一定观测；但在最初没有这个思维链的时候，基础模型很难被观测。
最后，它很难调整。你给它什么，它就给你什么。
在这个基础上，我们把 Agent 引入进来。首先是提升可观测性：Agent 在每个过程中想到了什么、做了什么、依据是什么、未来可能做什么，都可以通过自然语言交互提到明面上。
另外就是成长问题。现在很多 AI infra、Agent infra 公司都在关注 memory：怎么样存储一个 Agent workflow 的短期记忆和长期记忆。
这在工业场景中非常重要。我的人到现场之后，不可能入职时是什么样，永远就是什么样；人会成长，数字工人同样也需要进步。
它要根据工作之后的短期记忆，选择保留哪些短期记忆，以影响近期工作表现；同时，还要选择把哪些短期记忆转化为长期记忆，长期指导自己的工作。
这个你们怎么做？
王筱圃
刚开始的时候，我们会使用一些比较通用的 To B Agent memory 解决方案，也会使用一些开源方案。
但使用过程中我们发现，这可能和现在的需求不完全一致。因为在时序数据处理上，我们对时序数据流的留存和向量化表示，和语言模型可能存在一些区别。
怎么样既适应业务需求，又最大化利用开源资源？我们现在会基于一些比较成熟的开源框架，做自己的定制化研发，去解决短时记忆留存以及向长期记忆转化的问题。
当然，我们现在做得还没有那么成熟。团队规模不大，我们是做 AI 应用的，但目前已经够用。我们会留存一些关键的近期大事件，并根据选择将其中一部分转化为长期记忆，去指导工作流的表现。
未来还有很多工作可以做。我们也希望和产业界、行业界一些权威的 AI Agent infra 公司合作，因为我们对 memory 的要求，可能大于对网络稳定性、容错、并发等方面的要求。
我们只有一个场景，而且是在工业以太网内部，网络稳定性、并发这些不是最强的需求。我们最在意的是记忆：第一，记忆要有效，能完成短时记忆和长期记忆的转化；第二，要对记忆进行显式化管理。
现在很多大模型 Agent 产品的记忆有时无法显式化管理，我不知道它记住了什么。但工业领域有个问题，我怕它乱记，因为有时它会记住一些不该记住的东西。
所以，怎么对 Agent memory 进行显式化管理，也是未来我们非常关注的方向，我们会进一步优化产品。
还有一个大家现在很关注的问题，就是多 Agent 协同。在工业场景中，多 Agent 协同是不是很重要？
就跟你刚才讲的例子一样，很重要。
王筱圃
对。工人和工人之间会打电话、沟通，共同做决策、协同处理工作，Agent 也是如此。
但工业领域还有一个问题：多 Agent 协同会体现出不稳定性。比如不能让几个 Agent 一起投票决定一件事，因为等它们投完票，黄花菜都凉了，产线需要毫秒级响应。
所以在多 Agent 协同层面，我们对 Agent infra 的需求，可能是以一个中心协调智能体为主，再配合执行 Agent。通过这种方式，满足工业生产对时效性、决策优度、安全性和稳定性的需求。
这也是我们未来可能继续迭代的方向。
6. 数字工人走上生产线
我刚才想到一个问题。你说到 Agent 的成长，如果类比人的成长，人是在实践和学习中成长的。但你们交付之前，它也没法实践，怎么办？
王筱圃
这就是第一性原理的价值。
我们公司现在的交付模式是这样的：为什么要做时序大模型？因为大模型具有很强的泛化性能。我们做的是面向工艺级别的泛化。
在去客户现场之前，我们先看客户的核心工艺是什么。现在我们能够覆盖燃烧工艺、冶金方向、新能源方向，以及化工方向中的很多燃烧反应。我们还用电化学计算模型做电化学方向，比如有色金属电解和电解水制氢，都属于电化学方向。
另外还有合成和聚合，这在材料和化工领域都有很多应用。
所以，我们的数字工人去现场之前，它的长期记忆是什么？不是它在这家工厂的长期记忆，而是它已经在其他类似场景或相同场景中积累的长期记忆。
第二，是其他行业、不同场景中相同工艺的长期记忆。这些就是它到现场之前要接受的基础培训，就像上大学一样。
学医的人在读书时会学习各个科目，进入医院实习时也会在不同科室轮转。这个过程，就是在第一性原理层面，让它在相同工艺之间具备较好的泛化性。
这也是时序大模型本身的意义：让数字工人在去客户现场之前做好准备。
第二层意义，是解决工业界非常大的痛点：数据稀缺。
今天的大语言模型可以通过爬虫在互联网上爬取大量语料，从中汲取知识。但在工业领域，能够获取这些知识的数据都非常稀缺，不可能通过爬虫爬取。
比如今天要做垃圾焚烧，或者化工合成氨，是不是就要针对某一个工厂积累大量数据，才能做这件事？这显然不具备性价比。你可能要积累 6 个月、8 个月的数据，再做定向数据训练和模型训练，才能完成任务，经济性很差。
所以我们长期会面临数据缺失的问题。怎么样最大化利用数据？就是把它归纳到第一性原理层面去应用。
也许今天从冶金方向获取了燃烧数据，明天又从垃圾焚烧方面获取燃烧数据，这些都可以服务于同一个基础模型、同一个技术模型。这样我们就能最大化利用这些非常稀缺的数据。
这也是我们要做这件事情的核心原因。
但老师傅真的愿意把他的经验交给一个模型吗？如果带入他们的处境，我觉得接受新技术会有一种可能：它有可能替代我的工作。那我跟它合作、教给它经验的动力是什么？
王筱圃
首先，刚刚我也说了，我们不依赖老师傅告诉我们他的脑内建模结果，这是我们的基本逻辑。
而且老师傅说的可能会冲突。同样的场景，A 老师傅、B 老师傅、C 老师傅可能都不一样。如果依赖一个人的口述和转述，把它作为模型的驱动力，原点本身就是错的。
所以第一点，我们不强依赖师傅的口传身授，而是依赖第一性原理和实际数据。这是一个基本判断。
但最终你要让他使用产品，他是你的用户。你不能让他抵触，说“你别来，你们就是来抢我饭碗的”，然后不跟你们合作。
王筱圃
这就不是技术层面的问题，而是产品层面的问题。
我发现现在很多大模型产品，尤其是 To B 产品，会通过教育的方式和用户沟通。比如我给你一个知识库，告诉你平时要怎么使用这个产品；你要输入什么 prompt；你还要搭建什么智能体工作流，让它去学习。
但对于工厂一线工人和管理者来说，这会带来很高的学习成本。如果一个产品一上来就需要很高的使用门槛和很长的学习周期，大部分用户不会接受。
真正好的 To B AI 产品，应该自然嵌入原先工作人员的工作流中，让他不会产生不适。
举个实际例子。我们刚上线的时候，会有一个“影子陪跑”的过程。数字工人不会直接控制设备，而是在旁边看到老师傅看到的一样，听到老师傅听到的一样，和老师傅一起思考，但不实际干预老师傅的动作。
就像实习生一样，站在师傅旁边，听师傅教导。
王筱圃
对。师傅会在这个阶段观察数字工人的表现：在决策方向上是否一致，在结果上是否靠谱，然后给出评价。
在这种情况下，师傅会有一定的心理接纳。他会觉得“基本靠谱”，大差不差，肯定没我好，但基本靠谱。
然后这个实习生终有一天要“投切”，也就是切换到实际生产中。刚开始，师傅的工作模式和原来一样，只是不动手了，手放在下面，但会非常专注地看着屏幕。
他会观测我们的思维链，Agent 根据什么想到了什么、要做什么；也会观察调控结果和实际工况。他会想：“我看看你这个小师傅做得怎么样。”
这是第一步，只是他不用动手了。这其实很自然，因为他还是坐在那里，和原来的工作没有太大区别。
慢慢地，人会因为惰性而放松。如果自动化、智能化做得很好，就没有必要一直保持高度注意力。他可能会做点别的事情，甚至离开工作岗位，到现场做其他工作。
这样逐渐下来，产品就融入了老师傅的日常工作流程。这个过程没有说教，也没有大量培训和复杂学习，而是很自然地融入使用流程。
我们没有出现过老师傅觉得“你给我带来了麻烦”的情况，更多是觉得“它让我变得更轻松、更高效”。我觉得这也是所有 To B Agent 产品真正的价值。
你刚才提到第一个阶段，刚刚投入正式使用时，如果出了差错，这算谁的？
王筱圃
这涉及责任归口问题。
工业场景中，决策失误和偏离会造成不同等级的后果。工业现场的管理，是由非常严格的管理体系支撑的。
它不像自动驾驶：交给自动驾驶之后出了车祸，规则可能很复杂。比如路况是不是太复杂，对方是不是先违反交通规则，或者要求你手扶方向盘、注视前方，但你去睡觉了。这些都会造成模糊的责任边界。
但在工业场景中，规则非常明确。
首先，Agent 工作过程中有完善的流程记录。它的思考过程和思考结果，以及相应工业执行器的执行结果，都会被完整记录下来。这和自动驾驶的 log 类似。
另外，生产端有严格的规则管理体系。是原料问题导致的，还是设备控制问题导致的，或者是其他问题导致的，都会有明确的责任边界。
所以在数字工人参与工作的前期，我们会完善 log 记录，包括事后的归因分析和相应的应急处理。工业现场有安全仪表系统，设备本身也有熔断等安全兜底措施。
这一系列安全措施保障了我们到目前为止没有一次因为数字工人当班造成严重生产问题。
如果未来万一出现问题，也会有非常明确的责任边界划分和追溯机制，可以进一步优化。
7. 数字工人的销售逻辑
你前面提到，老师傅是数字技术工人的终端用户，但你们其实是把产品卖给工厂。
王筱圃
对，这是 To B 企业一个非常经典的问题：买产品的人不是最终使用产品的人。
那你们要怎么卖给他们？
王筱圃
2025 年春节的时候，DeepSeek 非常火，大家都在讨论大语言模型的能力。工业界的客户也会关注这些新闻，被这些出圈的信息包围。
所以在 2025 年年初，大量工厂企业都在寻求基于国产大语言模型解决生产问题，形成了一股风潮。
当时一体机卖得很火。很多客户会采购华为昇腾计算平台，再加上 DC，或者其他解决方案。我们的很多客户在找到我们之前，实际上已经采购了这种一体机产品。
但真正上线之后，他们会发现，基于企业知识图谱的构建，或者办公过程中的会议纪要自动记录，以及财务人员机械重复的图表生成工作，虽然用了大模型，但还没有明显感受到直接的财务收益。
所以，在和我们接洽之前，很多客户把我们定位为大模型供应商之一。我们在他们眼中，约等于卖一体机的供应商，或者卖知识图谱的供应商。
都是搞 AI 的，都是搞大模型的。
王筱圃
对。他们认为我们是来帮他们解决这类问题的。
所以一开始，我们不能说抵触，但客户对这件事的实际功效确实抱有一些怀疑：这是不是一个样板工程，是一个领导工程，而不是真正和生产结合的东西？
我们到现场最重要的事情，不是告诉客户我们是大模型公司、Agent 公司，而是告诉企业决策人和管理者：我们是来解决实际生产问题的。
我要把技术采购逻辑转化为投资逻辑：投资数字工人这款产品，什么时候可以收回投资成本？不仅能收回成本，还能继续盈利。
大部分企业决策者的基本经营管理逻辑，就是投入产出比。所以和他们沟通时，更多要用这种模式。
刚才提到 DeepSeek，你们用的基模是什么？
王筱圃
我们用过 DeepSeek，也用过千问。我们会根据大语言模型本身的特点进行选择。
我们对大语言模型的期望，是处理非结构化文档，比如工作日报、工艺包等文档信息，完成知识解构，再转化为结构化信息，支撑产线决策和推理。
另外，我们也关注自然语言生成的自然度和专业性。不能和客户沟通时突然 hallucination，说一些和生产无关的话，那客户体感会很差。
所以我们非常关注中文语义理解，以及语料输出的质量。同时，我们也很关注小参数量大语言模型的性能。
刚刚说过，我们的模型在端侧运行，显存只能支持量化版本的大语言模型。我们可能使用 4 比特或 8 比特量化版本。
比如千问我们使用的是 14B 参数量的模型，然后这个 DPC 可能是个位数。在小参数量、量化版本运行过程中，虽然我们让它做的事情不多，但至少要保证它承担的任务稳定、可靠、质量高。
这就是我们对大语言模型的期待，也是现在正在做的事情。
在生产过程中，最关键的时序大模型，是你们完全从头训练的吗？还是基于什么开源模型？
王筱圃
时序大模型的研究从 2021 年开始在学界受到广泛关注。最早的 Informer 就是一款时序模型。之后，Google 有 TimesFM，主要面向零售、电力等领域的零样本迁移，是一种基础模型。Lag-Llama 也是类似的工作。
大家基于 Transformer-based 网络做各种变种，进行时序预测和优化决策，都有相应投入。
比如 2025 年年初，清华团队有一个叫 Timer-XL 的模型，在天气和能源领域也有很好的应用。
大家都在做基于 Transformer 的时序大模型研究，我们也必须这么做。
如果应用一个非常成熟的开源模型，会面临很大挑战。因为工业数据相对于金融数据、交通数据和能源数据，有自己的特点。
工业大部分复杂工艺的物理场反应，是一个大滞后系统。怎么理解？比如你开空调，设定 24 摄氏度，不代表刚设定完温度马上就是 24 度。它可能会从 26 度慢慢变成 25 度，再慢慢变成 24 度。等到了 24 度你已经觉得冷了，又得往回调，它又慢慢往回走。
这种滞后性，在工业场景的数据中非常常见。模型要在跨时间序列中寻找特征和关联关系，还要处理多变量和协变量交织在一起的情况。这些现实条件使我们对模型的需求更加垂直，更加适应工业需求。
当然，我们肯定要站在巨人的肩膀上。没有人可以凭空突然做出一个全新的东西。我们会参考学界成熟时序模型的设计逻辑，同时自己的结构化记忆模型也在不断成长，网络设计和模型结构也在持续优化。
但实际上，我们还是需要从头训练模型，所以这就是我们模型的由来。
8. 垃圾焚烧实现无人值守
你刚才提到的垃圾焚烧电厂，可以举个例子吗？比如你们是怎么和他们签单的，他们怎么应用产品，之前是什么样，用了产品之后变成什么样？
王筱圃
可以。我觉得这个行业离有些人的生活有点远，所以先解释一下他们是做什么的。
实际上，我国城市居民垃圾已经基本不再填埋了。大部分居民生活垃圾都会被焚烧，通过垃圾本身的热值，也就是卡路里，转化为电能。从温度到蒸汽，再通过汽轮机发电，成为我们每天使用的能源。
现在有一个现实情况是，垃圾不够烧。对于垃圾焚烧企业来说，它的驱动力是怎么把垃圾烧得足够好，把其中一点一滴的热值都榨出来，转化为更多能源。
它会收集各种各样的垃圾回来烧。但我们也知道，虽然有一些城市垃圾分类做得比较好，却不是所有城市都严格进行垃圾分类，所以大部分垃圾是混在一起烧的。
比如厨余垃圾热值很低，没有什么燃烧价值；建材垃圾的热值相对高一些。每天投入炉排式垃圾焚烧炉的垃圾重量可能差不多，但热值波动非常大。
所以垃圾焚烧企业有一个很大的痛点：怎么根据每天波动的热值，组织和控制整个燃烧过程，让垃圾烧尽、烧透，转化出更多能源。
我们这个客户，以及这个行业的大部分客户，在垃圾焚烧工段都会有很多设备操作员、能源管理员、安全员等人力密集型班组，投入每天的生产过程，实行四班三倒。一个工位通常有 4 位工人师傅轮流接班。
对于这个行业来说，生产过程的波动和化工、新能源等方向面临的痛点是一样的：人长期离不开生产管理和控制岗位。
所以他们的痛点是，能不能把人换下来，不需要那么多人；或者把人的工时解放出来，让他们去做更多事情。另外，能不能把有限的垃圾转化为更多能量。
找到我们之后，我们首先会带着燃烧基线模型过去，不是两手空空地说：“这个行业我们没做过，请给我数据，我回去训练模型。”我们会带着面向燃烧方向的时序大模型 G1 版本到现场，作为基线模型。
根据现场少量新增数据，我们会做参数适应。因为每种场景的参数范围都不一样，不能拿来直接用，必须先了解现场的数据模式和规律。
另外，还要对模型进行一定微调，适应客户的燃烧需求。虽然从本质上都是燃烧，但我们原先可能烧的是天然气或煤气，过程比较稳定；如果烧的是固体废弃物，波动就会更大，因为原料种类不同，所以需要根据实际工况进行微调。
这样我们可以快速介入这个行业。实际上，在做这个行业之前，我们没有任何人具备垃圾焚烧方向的生产经验，没有做过这个行业。
但我们最快的一次，从开始到第一个数字工人上岗，不到 3 个月。这个工人已经稳定运行了。
这里说的工人，指的是一个 AI Agent？
王筱圃
对，是 AI Agent。它在现场面对常规工况时，每天都很稳定；遇到临时性应急工况，也会采取相应措施。
这个工位不再由人类工人值守。从体感上看，原先有 4 位师傅轮流坐在椅子上，现在椅子是空的。Agent 在界面中自主组织、管理和控制生产。
客户把它称为无人值守，但我们的认知是数字工人在值守、在工作。
行业里经常有一个指标叫自动化覆盖率，我们把它称为 Agent 在线率，达到了 99.9% 以上。也就是说，基本所有时间都没有人类参与这个生产工序。
在此基础上，因为它不会休息、不会上厕所、不会心情不好，也不会想溜号、抽根烟，整个过程中每吨垃圾对应的主汽流量，也就是主蒸汽流量，因为燃烧得更干净，提升了 5 个百分点。
在工业中，5% 是一个非常巨大的数字。扩展到这样的产量规模，一台汽轮机发电，把热能转化为电能，再按照上网电价折算，一年可以给客户带来 400 万到 500 万元的增量收益。
这就是一个 bonus。重点是数字工人上线，但上线之后又带来了额外收益。客户从直观感受上看，人员减少了、没有人值守了；从实际收益上看，也有明显提升。
所以客户和我们的合作比较愉快，现在已经复购，购买更多数字工人，逐渐进入每一个工作岗位。
你刚说 4 个工人，是一个数字工人替代 4 个工人？
王筱圃
对。连续型、流程型生产不会休息，在每天 24 小时的生产过程中，需要人类工人时时刻刻干预和监督，所以要换班。
一个工位上通常会有 3 到 4 个师傅接力换班，因此数字工人不需要换班。
你们观察过那些老师傅看到数字工人工作时的反应吗？
王筱圃
观察过。我们的客户，尤其是技术工人，对技术有一定认知，所以会对数字工人进行专业评价，就像师傅评价徒弟一样。
有一次在一家化工厂，我们还处于影子陪跑阶段，没有进入生产回路。数字工人还在实习期，积累记忆、验证决策。
我们有一位小伙伴，知识背景是计算机，完全不了解化工生产。他只是到现场调试影子陪跑终端的 GPU。客户眼中，他就是我们公司的人，也就是数字员工的老板。
老师傅直接找到他，说：“你们不是很厉害吗？你来弄。”
我们的小伙伴非常惊恐。化工生产设备造价高，安全后果严重，确实有点吓人。但我们相信自己的产品，相信它的决策结果能够保障生产安全和稳定。
于是小伙伴坐到了操作台前，用自己的手控制生产设备，根据 Agent 的推理结果，足足做了 4 个小时。
这期间他不上厕所。本来可以喝水、上厕所，但他太紧张了，整个人都麻了，4 个小时没有离开。
一开始，老师傅还坐在他后面，因为担心他乱操作，也想看看他到底怎么样。后来师傅出去抽烟，他通过公司内部 IM 跟我们说：“师傅走了，现在就我一个人，我好害怕。”
我们说：“别慌，稳住。”
4 个多小时之后，他顺利完成交接班。新的师傅过来了，把我们的小伙伴换了下来。
这个故事很有意思。我们也跟他说了，以后不允许这么做。在严格的影子陪跑阶段，我们是不允许员工直接这样操作的。
但这件事也很有趣，相当于老师傅对数字工人的工作进行了一次检验。通常在获得技术工人的信任之后，他们会非常支持我们。
9. 结果即服务改变收费
我想问一个关于销售的问题。你们卖数字技术工人，和过去销售 To B 产品有什么不一样？
我了解到一些 To B 公司，通常会先找到关键决策人，给你一块试验田，让你先试，看到结果之后，再一点一点推广。你们是怎么做的？你觉得在 AI 时代，工业企业销售数字技术工人，销售方式会有什么变化？
王筱圃
我觉得会有非常大的改变。不仅是数字技术工人，所有以智能体为产品形态、面向 B 端尤其是大 B 端销售的产品，商业模式都会随着产品本身的技术边界、产品形态和服务方式发生很大改变。
前段时间有一个概念叫 RAS，也就是 Result as a Service，结果即服务：我提供一个结果，你根据结果付费。
比如我帮你生成一个 PPT，你觉得 PPT 符合你的需求，就付费；或者生成一张图片、一个视频。这是比较快捷的论证方式。
但工业场景里的 result，评估起来比较麻烦。比如我的工艺优化产品或设备，给你带来了哪些精益化收益？节省了多少能耗、电耗？提效带来了多少产能提升？
这需要非常严格的论证，因为客户会依据 result 付费。但一个结果不是只有一个原因导致的。
比如产品上线之后产能提升了 5%，客户说：“这段时间我买了更好的原材料，产能本来就会提升。”那你怎么界定产品产生了多少影响？
或者说节能：上线一个月之后，同比平均节省了 10% 的能耗。客户可能说：“这段时间我生产得比较少，本来能耗就低。”所以 result 很难被科学量化。
但 Result as a Service 是一个非常好的商业模式。问题在于，怎么样既能让项目 LTV，也就是整体生命周期价值增长得很好，同时又让服务和收费流程不要太复杂。
数字工人这款产品有自己的优势，因为它的使用逻辑是用工逻辑，是劳务派遣逻辑。
比如我雇佣一个人类工人，按照每个月给他发工资，他为我服务一个月。只要他符合用工标准、在工作岗位上满足我设置的 KPI，只要稳定在岗，我就持续雇佣他。
映射到数字工人的逻辑，就是数字工人在线服务的时间是一个绝对值，这不可能被否认。只要它在岗，我们就可以收取工时费用。工时费用就是一种 result。
比如刚才介绍的一个工位，数字工人替代了 4 个工人。它上线之后，工资一定比 4 个人类工人的月工资低。
所以，以用工逻辑看待产品采购，就会比较顺畅。这符合企业运营管理和财务支出的基本模型。我觉得在产品形态的辅助下，这套商业模式可以成为现实。
你觉得它会被行业更多采纳吗？
王筱圃
我觉得当然会。
这种商业模式对客户有好处，因为客户前期投入不会特别高。动不动一个技术改造就要投入 100 万、200 万，但结果还不确定，客户其实不太愿意接受。
如果可以先不付费，让供应商先过来使用，产品好用再付费，对客户很友好。但对供应商来说又有风险。
怎么样平衡这件事，既满足客户前期投入相对低、比较可控，又让供应商能够连续收回相应收益？我觉得这种模式非常科学。
如果它能够大面积铺开，会成为大家共识的一种很好的商业模式。
现在有竞品吗？
王筱圃
实际上，竞品的形态各不相同。
传统工业自动化企业，比如大家熟悉的西门子、霍尼韦尔、施耐德，以及国内比较有代表性的浙大中控、和利时，这些企业在工业自动化领域已经做了很多年，也是很多技术的先驱。他们也在寻求技术演进和产品功能迭代。
在他们看来，面向工业过程管理和控制的解决方案，更多是以高级过程控制技术为主导。这样的产品逻辑，是让电气自动化控制变得更自动、更精确、更高效，而不是去复刻一个人。
他们管理的界面，还是原先自动化覆盖的界面，这是他们的一套解决方案。
另一类是大家熟悉的华为、阿里云等通用场景平台型玩家。以华为为例，它在面向工业提供整体解决方案时，不仅有盘古时序大模型，还有昇腾计算平台的 S 层的改造。
它可以卖计算设施，也可以卖盘古大模型研发平台，双方再根据实际应用进行共建，或者引入生态合作伙伴来做。它不仅做生产过程管理和控制，也做企业经营管理优化，提供全套服务。
对于想要以大模型技术驱动智能化改造的工厂客户来说，选择这样的企业可能更好，不管是企业影响力，还是技术覆盖范围。
但如果今天只想解决车间内的问题，只解决一个具体问题，定向、垂直地做这件事，我觉得选择我们会更快、性价比更高，投入产出比更好，收益也会更快。
第三类，是一些大模型 Agent 初创公司，包括原先从 AI 企业转型而来的 Agent 公司。我们会遇到阶跃星辰、第四范式，也遇到过 MiniMax、智谱清言等。
我们不认为他们是同一个战场上的竞争对手。因为他们使用通用 Agent 平台，为企业经营管理赋能。具体要看解决哪个问题。
如果要做办公和集团经营管理层面的优化，比如供应链优化、工业设计优化、知识库构建，偏 general 的 Agent 供应商会更有优势。
刚刚讲的是车间外的事情。如果要解决车间内的问题，我们的产品解决的是那些产品解决不了的问题，因为我们要直接和产线互动，要和电气自动化、设备打交道。
我们的 Agent 平台影响的是生产过程的管理和控制。客户当然会选择我们的产品，因为其他产品解决不了这个问题。这是能力边界的问题，所以不能说是竞品，只能说是共同在这个方向努力的供应商。
10. 数字工人重塑工业组织
我比较好奇，接下来你们所面向的领域，工作方式可能会被改变成什么样子？就像你刚才提到的车间内，工作方式会和以前有哪些特别不一样的地方？
王筱圃
我们讲整个生产流程的重组。我觉得我们的产品会带来很大的改变。
原先车间内有明确分工：工艺专家设计工艺，技术工人管理和控制生产过程，机器负责自动化执行。这是原先的生产组织形式。
如果数字工人能够嵌入这种生产局面，未来的生产组织形式会发生很大改变。
原先工人每天需要机械、重复、高度集中注意力地进行动态管理和控制，这些过程会由数字工人接管。人类工人的岗位会被重新定义，从简单的管理人员、操作人员，变成设计者、监督者和创新者。
这会带来一个非常大的变化。技术工人本来就比较稀缺，未来会被放在更需要创造性的岗位上。
比如我们现在有一个做危废处置的客户。危废就是危险废料，是工业生产过程中产生的、有污染性和危险性的废物，也包括医疗领域被污染的床单、针头等。
这些危险废物需要被处置，有的直接处理，有的用于再生产其他产品。我们的客户会从危险废物中提取相应元素，进行元素重组，生产新的产品。
他们原本可能生产氨水，但如果发现近期碘的价格很高，很多人需要购买碘，就会想生产碘。怎么办？就要有技术工人专门研究如何从危废中提取碘，购买相应设备，组成相应产线，最终生产出产品。
如果没有人类工人参与这件事，企业就可能错失这个风口和相应利润。但如果人类工人从日常生产中解放出来，作为技术专家投入研发，企业的增量收益会非常可观。
这是一个局部的改变。
再放到更大的界面上，今天是一个数字工人在一个工位上工作，明天如果我们继续研发，多 Agent 协同成为可能，更多数字工人就可以在一个工厂中有效协同。
慢慢地，覆盖面越来越广。等到有一天，在工业网络安全和生产安全能够得到保障的情况下，一个产业链的上下游由数字工人串联起来，它的响应过程是不是会更快？
比如终端销售需要某个产品，上游每一个生产工厂都能实时调整生产计划和生产能力，加强生产。这种串联带来的改变，可能就是工业革命级别的改变。
那你觉得这个领域的大学生现在应该学什么？
王筱圃
我觉得国家教育体系已经有非常快速的响应。之前我们也去过很多高校，和高校进行沟通。国家在高等教育的课程设置上有很大创新。
比如化工，现在开设了一个新的学科方向，叫智能化工。学生不仅学习化工工艺知识，也学习大数据和人工智能技术，把人工智能、大数据和工艺结合起来，应用到工艺设计、产线设计、设备设计，以及生产过程的管理和控制中。
让学生学习综合性、跨学科知识，未来进入工作岗位后，就像现在的软件开发工程师一样。我们公司的软件开发同事，已经大量使用编码 Copilot，甚至使用代码生成工具。
我觉得对于工业从业者、技术工人来说，他们也会逐渐学会使用数字工人这样的人工智能大模型产品，帮助完成日常工作、协助自己、解放自己。这会成为未来的趋势。
如果正在听我们节目的高中生，或者你的小孩正在读高中，填志愿时真的可以多留心。现在已经有一些学科和 AI 结合得非常紧密，不同学校可能也有一些先进的探索，可以考虑到更先进的地方学习知识，可能会比大家更早接触 AI 和未来。
我想问得更个人一点。如果今天你穿越时光，已经知道未来会发生什么，回到过去，在中科大读大学时，你会要求自己做一个最大的改变吗？你会告诉当时的自己，一定要做什么？
王筱圃
怎么说呢？现在创业，也是在公司里做技术研发管理和整个企业的运营管理。作为 CEO，有一个非常重要的能力，就是提出需求、描述需求、细化需求。
不管今天要使用大模型、写 prompt，还是给员工布置工作，这方面的能力也许从上学时就要开始培养。
在做一个研究之前，在想要得到一个结果之前，要描述好这件事情本质上的需求，洞察这件事情的第一性原理。我认为，这是所有年轻人未来都要具备的能力。
最后一个问题。你觉得这次创业对你以后的工作，或者再扩大到生活，对你在 AI 时代接下来的工作和生活有什么新的思考？
王筱圃
首先，可能对行业的思考发生了一些变化。
原先我们已经做了很长时间工业信息化、数字化产品和项目。在这个过程中，我们对行业客户的认知，早先可能是带来一个全新的产品，让客户去适应、学习和使用你的产品。
但实话说，这个过程会有困难。客户，尤其是大 B 端客户，对产品的认知会有一定壁垒和门槛，所以这个过程不太舒服。
这次创业之后，因为 Agent 本身的产品形态相对灵活，它在流程配置、功能配置，以及思考中枢的泛化性和模型适应性上，都比上一个时代的信息化软件更好。
在这个基础上，是不是应该转变产品逻辑：让产品去适应客户，融入客户本身的专业工作流程？这是我做 B 端产品这些年认为的一个趋势，尤其是 Agent 产品的趋势。
未来我们和客户的关系，不是简单的甲乙方关系，而是一起成长、共生的关系。产品越用越贴合客户的工作实际，越用越好用。这是创业之后做这个行业，我认知上的一个比较大变化。
对我自己来讲，这是第一次创业。刚创业时，很多前辈告诉我，初创团队的优势是把一个行业做深做透，做出高壁垒，让大企业、大厂无法对产品和公司产生威胁。
但在创业过程中我发现，对于一个 startup 公司来说，垂直领域的专注当然是必须的，但不能完全只 focus 在一个行业，因为会受到行业自身发展规律的影响。
比如长期服务 A 行业，如果 A 行业本身发展不好，创业公司的抗风险能力就会变得很差。
所以，在专注于解决一种场景问题时，也要利用大模型和 Agent 产品形态的技术能力，在相同工艺、不同产业、不同场景中保持泛化和灵活性。
我觉得这对于 To B Agent 企业，尤其是初创企业来说，是我这次学到的新认知。
挑对行业很重要，但不能扎进一个行业之后就不管了，只做这个行业，其他行业连看都不看。这不是 Agent 产品或大模型产品应有的逻辑。
大模型本身就是以泛化性能为优势。就像当年温家宝总理来到北航，给学生题词“脚踏实地，仰望星空”。这也是这方面的能力。
还有一个小的方面，就是要接纳更多 Agent 产品。
我们公司的售前团队、产品设计团队，从 Canva、Figma，到各种 AI 插件，其实都在全盘接纳。现在硅谷经常说一人公司，一个人要做很多岗位。对于我们 20 多人的团队来说，其实也是这样，大家都要成为多面手。
无论是售前、产品设计、技术研发，还是公司管理，大家都在大量使用各种大模型和 Agent 产品。
我觉得未来企业的组织形式肯定会不一样，不会再有那么明确的岗位分工，一定会有更模糊的边界。未来企业管理上，可能也会出现一些新的思路。暂时就这么多。
这个班是越来越难上了。
王筱圃
是，是，是。
好，今天谢谢小普。
王筱圃
感谢。
也欢迎你再来做客《十字路口》。
王筱圃
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。