摘要

极蜂科技押注的不是“会聊天的工业 AI”，而是能预测工况、直接控制产线的数字技术工人。 王筱圃把两类基础模型分得很清楚：大语言模型面向 generation，与人对话；时序大模型依据“过去影响现在，现在影响未来”，用于预测和决策，可能更多是“跟未来去对话”。投资判断的核心不只是模型规模，而是它能否跨行业复用同一套燃烧、电化学、合成或聚合机理。
垃圾焚烧案例给出了目前最完整的商业验证：一个 Agent 对应一个需三至四名老师傅轮班的工位。 极蜂带着燃烧方向的 G1 基线模型进场，在团队没有垃圾焚烧经验的情况下，不到三个月完成首个数字工人上岗，Agent 在线率超过 99.9%，吨垃圾主蒸汽流量提升 5 个百分点，折算每年新增约 400 万—500 万元收益；客户随后复购更多数字工人。“原先有 4 位师傅轮流坐在椅子上，现在椅子是空的。”
最可交易的商业模式不是模糊的 Result as a Service，而是按数字工人的在岗工时收费。 产能提升 5% 或能耗下降 10% 都可能被原料、负荷等变量争议，在线时长却是可记录的绝对值；只要数字工人的工资低于被替代的三至四名人类工人，采购就能从技术改造变成企业熟悉的“用工逻辑、劳务派遣逻辑”。这降低了客户前期投入，也为供应商形成持续收入和更高 LTV。
极蜂能否减少项目制色彩，关键在于“同工艺跨行业”的泛化，而非在单一行业反复定制。 团队仅二十多人、后文具体称 23 名全职员工，却同时覆盖 7 个行业、15 个核心工艺工段；支点是把流程拆成可配置原子，并把冶金燃烧、垃圾焚烧等不同场景在第一性原理层面归纳，服务同一个基础或技术模型。王筱圃的创业修正是：垂直做深仍必要，但“不能完全只 focus 在一个行业”，否则初创公司的风险会与单一行业周期绑定。
工业 Agent 的落地壁垒首先是可信部署，其次才是模型能力。 产品先以“影子陪跑”方式与老师傅看同样的数据、做同样的判断但不碰设备；切换后，老师傅可查看思维链、控制结果与工况，再逐步从紧盯屏幕转向离岗处理其他工作。思考过程、判断结果和执行动作均留 log，并由安全仪表系统、设备熔断及事后归因兜底；截至访谈时，尚未发生数字工人当班造成的严重生产事故。
极蜂选择与自动化巨头、云厂商和 general agent 玩家错位竞争，专攻“车间内、控制回路前”的最后一公里。 西门子、霍尼韦尔、施耐德、浙大中控、和利时延伸的是高级过程控制；华为、阿里云适合算力、模型平台和经营管理的全栈改造；通用 Agent 更擅长知识库、办公、供应链或工业设计。极蜂的窄门是直接与设备、电气自动化和生产过程互动，承诺更快上线、更低成本和更快回收投资。
若单工位验证能够扩展为多 Agent 协同，终局将从节省人工转向重组工厂乃至产业链。 数字工人接管高注意力、重复性的过程控制后，人类技术工人转向设计、监督和创新；在工业网络及生产安全有保障的前提下，上下游 Agent 还可能依据终端需求同步调整计划和产能。王筱圃称这才可能是“工业革命级别的改变”，但毫秒级响应决定了它不能依赖多个 Agent 临场投票，更可能采用中心协调 Agent 配合执行 Agent 的稳定架构。

精读

1. 极蜂用二十多人的团队押注工业数字劳务

王筱圃生于 1988 年，毕业于中科大；创业前曾在企业从事 AI 加工业数字化产品的研发与交付，也做过计算神经科学、脑科学等基础算法研究。他把此前经历概括为在企业做“快乐的打工人”，后来带过研发团队。
极蜂科技成立时完成千万级天使轮融资，并准备启动 Pre-A；现有订单达到千万级。王筱圃称利润处于 AI 企业相近且相对较高的水平，但研发投入也很高，团队规模为二十多人，后文具体提到 23 名全职员工。
产品定位不是向工厂出售一个等待客户配置的平台，而是“派遣我们的 Agent 数字工人”，替代或辅助人类技术工人管理、控制连续产线。这个措辞也预埋了后续的收费逻辑：卖的不是软件席位，而是一段可核验的数字劳务。

2. 时序大模型的任务是把未来变得可预测、可管理、可优化

王筱圃从股票价格、跑步轨迹和导航到达时间解释时序：记录前后有顺序，也存在“过去影响现在，现在影响未来”的因果结构。模型依据已经发生的事预测未来，再帮助人作出最优或接近最优的决策。
时序研究并非大模型热潮后才出现；他把公认工作的起点追溯到上世纪 70 年代。导航能够较准确地估计抵达时间并避开拥堵，就是普通人已经在使用、却未必意识到的时序模型能力。
与大语言模型相比，两者虽然都是基础模型，数据与训练目标却不同：大语言模型学习语料和公开信息，目标是 generation；时序模型学习带时间结构的数据，目标是预测与决策。“大语言模型是用来跟人去对话，时序大模型可能更多的是跟未来去对话。”

3. 泛化能力把能源调度、营销预测与工业控制连成同一市场

在电网场景，居民晚间开空调、办公场所白天用电形成持续性规律，时序模型据此预测需求并调度能源；在医疗场景，它可用于心电图监测。王筱圃还列举交通、金融、供应链和市场营销，强调应用面已经相当广。
营销例子中的逻辑链值得保留：企业需要判断哪些产品可能因广告投放、相应曝光增加而需求提升，需求预测又可以反过来支持供应链和工厂排产。若薄荷味洗发水预计卖得最好，企业便增加相应订单、削减滞销香型——“用看未来的形式，去支持当下的决策”。
时序大模型与传统时序模型做的是同类任务，区别在规模与泛化目标：它希望用大参数、大数据和大规模训练形成预训练模型，不必为每个领域单独研发小模型。这是王筱圃将其与 AGI 路径相连的理由。
海外样本据王筱圃介绍是一个英国初创团队，名称应该是 Applied Computing；其 Orbital 基础模型面向能源、化工、石油和石化过程管理，据称刚完成接近 1 亿元人民币的较大种子轮；国内则有华为盘古预测大模型或盘古时序大模型，应用于钢铁、有色金属、水泥及气象。王筱圃认为资本关注还来自工业提效与减排、降碳可以同时成立。

4. “工业贾维斯”的核心不是设计战甲，而是把战甲生产出来

王筱圃用钢铁侠的贾维斯划分工业 AI 的几个界面：根据需求设计战甲属于 AI 辅助工业设计；控制战甲自主作战类似具身机器人的 motion control；操控生产设备把设计真正制造出来，则是工业生产的过程管理和控制。
极蜂选择第三个界面：驱动产线设备，把原材料连续转化为企业要求的产品。它不负责战甲的外形或动作，而负责生产战甲所需的铁、铝、铜等基础材料，让工艺设计稳定地兑现为工业产品。
这个定位决定了产品必须进入真实生产回路，而非停留在知识问答或分析看板。Agent 的输出最终要落到设备控制和控制回路干预上，因此稳定性、响应速度、可观测性与责任追溯都是产品本身，而不是交付后的附加功能。

5. 流程工业的难点不是排计划，而是全天候守住稳定、效率与质量

主持人最初将场景概括为连续性生产，王筱圃进一步区分离散型与流程型生产。小米汽车、蔚来汽车、理想汽车的底盘、四门两盖、电机等装配属于离散生产，工序、订单、BOM 和原材料组织复杂，但单项生产工艺相对简单。
冶金、化工、新能源和材料更常见流程生产：原料不断投入、产品不断产出，产线启动后一般不停。因此关键不再是订单计划，而是持续管理“稳定、效率、质量”。
流程工艺交织物理反应、化学反应和能源过程，本身具有不稳定性；传统自动化大量依赖 rule-based 规则，工况一变便可能造成质量下降、能耗上升或原料浪费。刚性产线缺少的柔性，过去一直由技术工人补上。
老师傅能结合书本知识、师徒经验以及现场看到、听到、感受到的信息临场反应。这也是为什么流程型生产长期依赖技术工人参与生产、管理生产和控制生产：设备能机械执行，却很难独立处理复杂变化的工况。

6. 数字工人要保存人的价值，同时消除疲劳与师徒制瓶颈

王筱圃并不把替代叙事建立在“人没有价值”上，反而认为人的灵活性、工具使用、融会贯通和沟通能力必须先被固化，再由 Agent 放大。“我们不是否定人的价值，反而是说人很有价值。”
人的第一项局限是持续注意力：技术工人一班可能连续七八小时值守，化工场景一次走神甚至会引发严重安全问题。团队观察到，低效运行更常发生在午休和凌晨夜班，因为人“会累”，也很难始终保持高度集中。
第二项局限是经验复制。老师傅十多年形成的“脑内建模”只能通过师徒口授单点传递，效率低、损耗大，效果也难验证；数字工人则试图把知识、经验和实际响应固化成可以复用、继续成长的组织资产。
替代范围不局限于一个设备控制点，而覆盖操作、运维、安全、计划及能源调度等岗位，路径是“从辅助到替代，从替代到超越”。王筱圃强调，“局部优化不等于全局优化”，真正目标是协同优化从原料进车间到成品离开的完整过程。

7. 一个合格数字工人必须完成观察、思考、决策与执行的闭环

人类工人的第一个特质是观察：既看控制系统中的生产指标，也看摄像头和视频流；有些设备甚至使用耐高温、耐腐蚀的高清摄像头直接拍摄反应过程。数字工人必须先拥有同等的观察和感知界面。
看到温度骤降或设备速度异常后，工人会调取第一性原理、学校知识和师傅经验判断原因，再决定调哪个参数、停哪个设备或启动哪个环节。王筱圃把这概括为思考与决策，而不是简单的阈值告警。
最后一环是执行：“人的一个重要特质就是敢想敢干”，想到之后必须通过上位机软件、下位机电气控制系统和设备控制回路真正影响生产。若模型只给建议而不能行动，就没有复刻岗位的完整行为逻辑。
极蜂把这套大脑分工交给不同模型：大语言模型负责知识解构、信息解析和自然语言生成；时序大模型负责模式识别、因果推理、数值响应和未来工况预测；Agent workflow 再以 memory、状态和明确步骤把它们封装成可控、可解释的闭环。

8. 合谷平台首先服务极蜂工程师，而不是让工厂自己搭 Agent

合谷工业智能体平台负责配置 Agent 及整体 workflow，工业时序大模型则作为部分工作节点的基础模型。它们的关系类似 general Agent 平台与基础大模型，但实际执行的是工业生产流程。
王筱圃对当下 To B Agent 的判断是：终端客户更适合直接使用配置完成的智能体应用，而非自己主导搭建。生产过程干预需要专业流程知识、参数调试和稳定性保障；工厂内部究竟该由总工、工艺专家还是一线工人配置，也找不到明确用户角色。
平台的另一项关键价值是服务极蜂自己。23 名全职员工同时支持 7 个行业、15 个核心工艺工段，若不能把工业流程原子化、快速配置和排列，并以高泛化模型完成集成，业务就会重新滑回逐场景定制交付，“不能很快上线这款数字工人，那一切就没有意义了”。

9. 老师傅的经验重要，但第一版产品不能建立在访谈之上

王筱圃称技术工人可能只占整体工人队伍的 6.5%，通常受过较高教育，本身就是工艺或电气自动化专家。他们并非理解不了新技术；只要产品逻辑讲清楚，多数老师傅会开放地评估它是否真正解决问题。
极蜂刻意避免强依赖访谈，因为人脑信息经语言表达会产生损失，不同老师傅对同一工况甚至可能给出冲突答案。若把口述直接转成规则，最终很可能只是一本电子操作手册，原点仍是容易出错的 rule-based。
第一版数字工人的支点因此是工艺第一性原理与“数据不会撒谎”：燃烧、电化学、合成、聚合、加氢或裂解的物理化学规律，加上老师傅过去做过什么、产线如何响应。个人经验则在上岗后作为短期与长期记忆逐步导入、纠偏。

10. 极蜂从黑箱大模型转向 Agent，产品才获得可控性与成长性

团队早期也走过“把模型塞进现有软件”的路线：时序大模型和大语言模型接受多输入，直接给多输出并执行。这与早期让基础模型直接生成 PPT 或翻译文本相似，工程结果质量不稳定，决策黑箱化，也没有可靠工作流程。
王筱圃总结了三个问题：不可控、不可观测、难调整。早期甚至还没有 CoT 可供观察；而 Agent 可以把“想到了什么、依据什么、做了什么、未来可能做什么”逐节点摊开，每个连接的 input 与 output 都可定位。
工业数字工人也不能“入职什么样，以后就永远什么样”。极蜂会留存近期关键事件，再选择哪些短期记忆影响近期表现、哪些转为长期记忆；现阶段能力“没有那么成熟”，主要是在成熟开源框架上做适应时序数据流的定制研发。
比网络稳定性、容错或并发，团队更在意有效记忆及显式管理，因为“我怕它乱记”，必须知道 Agent 记住了什么。多 Agent 协同同样不能靠临场投票——产线需要毫秒级响应，“黄花菜都凉了”——更可能采用中心协调 Agent 配合执行 Agent。

11. 数字工人入厂前携带的是“打过仗的长期记忆”

主持人的关键追问是：人通过实践成长，但数字工人在交付前没有在这个工厂实践过，如何具备初始能力？王筱圃的回答是以工艺级泛化减少工厂级冷启动，不从空白模型开始等待现场数据。
燃烧、冶金、电化学、合成和聚合等方向的数字工人，会带着其他相同或类似场景积累的长期记忆。王筱圃将其类比为医学生在学校学习多个学科、实习时轮转多个科室：新工厂的具体参数陌生，但它带来的是“其他不同场景、不同行业的相同工艺”的经验。
这也缓解工业数据稀缺。企业不可能像互联网语料那样被爬虫采集，若每个垃圾焚烧厂或合成氨工厂都先积累六至八个月数据再训练，经济性太差；把不同场景的燃烧数据在第一性原理层面归纳，使其服务同一个基础或技术模型，才能最大化利用稀缺样本。

12. “影子陪跑”让老师傅在不改变工作习惯的情况下建立信任

主持人的反方问题没有被回避：老师傅知道模型可能替代自己，为什么愿意合作？王筱圃先重申产品不依赖他们“掏心掏肺”地交出口述经验，但承认最终使用者若抵触，产品仍无法落地。
他的产品判断是，许多 To B AI 仍以教育用户的方式交付：要求用户学习 prompt、知识库或 Agent workflow，带来很高门槛。真正好的 To B 产品应自然嵌入原工作流，“让产品去适应客户”，而不是先要求一线人员适应产品。
数字工人上线前先做影子陪跑：与老师傅看到、听到同样的信息，一起推理，却不直接控制设备。老师傅可从决策方向是否一致、结果是否靠谱来判断它的表现；常见评价是“肯定没我好，但是基本靠谱”“大差不差”。
正式“投切”后，老师傅起初仍专注看屏幕，检查思维链、调控结果和实际工况，但不再亲手操作。若系统持续可靠，人会自然降低注意力、做其他工作甚至离开岗位；用户黏性来自更轻松，而不是大量培训或说教。

13. 工业责任边界比自动驾驶清晰，但安全仍靠全链路留痕和硬兜底

主持人追问投切初期若出错“算谁的”。王筱圃对比自动驾驶：道路事故可能涉及对方违规、复杂路况或驾驶员未扶方向盘，边界模糊；工业生产则有严格管理体系，可区分原料、设备控制及其他原因。
Agent 的思考过程、判断结果和工业执行器动作都会写入 log，便于事后归因；现场同时保留安全仪表系统、设备熔断、应急处理等硬措施。模型记录决策过程，传统安全系统提供生产安全兜底。
截至访谈时，极蜂“没有一次是因为数字工人当班过程中造成比较严重的生产问题”。王筱圃没有把未来风险说成零：若发生问题，依靠明确责任划分和追溯机制定位，再继续优化产品。

14. DeepSeek 热潮打开了工厂大门，也制造了“样板工程”怀疑

2025 年春节 DeepSeek 出圈后，大量工厂寻找国产大语言模型解决方案，华为昇腾计算平台加 DC 或其他方案的一体机一度热销。不少极蜂客户此前已采购一体机，用于知识图谱、会议纪要或财务图表生成。
问题是这些应用虽然“用了 AI”，客户暂时感受不到直接财务收益；极蜂因此也被归类为卖一体机或知识图谱的又一家大模型供应商。决策者担心它只是“样板工程、领导工程”，而非真正进入生产。
王筱圃的销售策略是淡化“大模型公司”“Agent 公司”身份，先说明要解决哪个生产问题，并“把技术采购的逻辑转化为一个投资逻辑”：客户何时收回数字工人的成本，回本后又能增加多少利润。
通用基模层面，极蜂使用过 DeepSeek 和千问，主要处理工艺包、工作日报等非结构化文档，转为结构化决策信息，并保证专业中文生成不出现无关 hallucination。端侧显存只支持 4 bit 或 8 bit 量化版本；千问使用 14B 参数量模型，原文另称“DPC 可能是个位数”，但未明确其所指模型。

15. 工业大滞后系统迫使极蜂训练自己的时序模型

王筱圃称时序大模型研究从 2021 年开始受到学界广泛关注，随后列举 Informer、Google 的 TimesFM、Lag-Llama，以及 2025 年初清华团队的 Timer-XL。共同路线是基于 Transformer-based 网络做时序预测、零样本迁移和优化决策。
现成模型难以直接覆盖工业数据，因为复杂物理场往往是“大滞后系统”。空调设为 24 摄氏度不会瞬间到达，而是从 26、25 缓慢变化；等降到目标，人可能已经觉得冷、又向上调，这类跨时间关联在工业中更强、更复杂。
工业数据还同时交织多变量与协变量，模型必须在跨时间序列中识别特征和关联关系。极蜂承认会“站在巨人的肩膀上”参考成熟设计，但仍需要从头训练适应工业滞后特征的模型，并持续调整网络和结构化记忆。

16. 垃圾焚烧项目把模型泛化、替人和增产同时跑通

王筱圃解释，城市生活垃圾如今基本通过焚烧而非填埋处置，热值经蒸汽和汽轮机转化为电能。问题是垃圾分类不稳定：厨余垃圾热值低，其他垃圾热值不同，同样重量的入炉原料每天波动很大。
工厂既想“烧尽烧透”，从有限垃圾中榨出更多热值，也想减少四班三倒的人力。一个工位通常由三至四名设备操作员、能源管理员或安全人员轮流接棒，因为连续生产 24 小时都不能失去监督和干预。
极蜂带着燃烧方向的 G1 基线模型入场，先用少量新增数据适配现场参数范围，再针对固废较天然气、煤气更大的波动微调。团队此前无人做过垃圾焚烧，却在不到三个月内让首个数字工人上岗并稳定处理常规及临时工况。
结果是该工位 Agent 在线率超过 99.9%，基本不再由人参与；吨垃圾主蒸汽流量提升 5 个百分点，按上网电价折算，每年新增约 400 万—500 万元收益。客户既看见“现在椅子是空的”，也看到利润，随后已经复购更多数字工人，逐渐覆盖更多岗位。

17. 化工厂四小时手动执行，是老师傅对 Agent 最直接的一次考试

一次化工厂影子陪跑中，老师傅突然让极蜂一名计算机背景、完全不懂化工的员工按照 Agent 的推理结果亲手控制设备。员工紧张地连续坐了四小时，不喝水、不上厕所；师傅起初在身后监督，后来出去抽烟，他随即在内部 IM 求助：“师傅走了，现在就我一个人，我好害怕。”
这名员工最终依据 Agent 推理平稳完成操作，直到下一班师傅接手。极蜂事后明确规定影子阶段“不允许这么干”，但王筱圃把它视为一次非正式检验：师傅后来离开去抽烟，故事体现了数字工人的判断如何逐步获得专业信任。

18. 按工时收费化解结果归因，垂直控制能力则避开平台巨头

王筱圃认可 Result as a Service 的方向，却指出工业 result 很难严格归因：上线后产能提升 5%，客户可能认为是原料更好；能耗同比下降 10%，也可能是当月产量较低。若收费完全绑定这些结果，双方会陷入长期论证。
数字工人的优势是“工人使用逻辑是用工逻辑，是劳务派遣逻辑”。在线服务时间无法否认，只要它符合用工标准、满足岗位 KPI 并稳定在岗，就按工时付费；一个数字工人的月度成本又必须低于同工位三至四名人类工人的工资，从而兼顾客户低前期投入与供应商连续回款、LTV 增长。
第一类相邻竞争者是西门子、霍尼韦尔、施耐德、浙大中控、和利时，其方向是把传统电气自动化升级为高级过程控制，管理边界仍以原自动化界面为主；极蜂则以“复刻一个人”为产品单位，覆盖观察、判断、协同和执行。
华为、阿里云更适合提供算力、模型平台、生态伙伴和企业经营管理的整体改造；第四范式、MiniMax、阶跃星辰、智谱清言等 general Agent 玩家更擅长知识库、办公、供应链或工业设计。极蜂的错位位置是车间内：直接与产线、设备和电气自动化互动，强调上线更快、性价比更高、回收期更短。

19. 数字工人最终重写岗位边界，初创公司也必须随之重写扩张逻辑

王筱圃预计，数字工人接管机械、重复且要求高注意力的动态控制后，人类技术工人会从操作人员转向设计者、监督者和创新者。危废客户的例子是：若老师傅从日常值守释放出来，便可研究如何在碘价上涨时从废料中提碘、重组产线，捕捉新的利润窗口。
更远的设想是多个数字工人在厂内协同，再在工业网络与生产安全得到保障的条件下串联产业链。终端销量变化可以实时传递给上游工厂，后者同步调整计划和产能；王筱圃认为这种响应速度的跃迁才可能达到“工业革命级别”。
教育侧已经出现“智能化工”等交叉方向，让学生同时学习化工工艺、大数据和人工智能。若能回到大学时代，王筱圃最想提前训练的是定义需求：无论写 prompt、带员工还是做研究，CEO 都必须讲清结果、本质需求与第一性原理。
创业也改变了他的产品观：Agent 应融入客户工作流，与客户形成“越用越贴合”的共生成长，而非维持僵硬甲乙方关系；公司要专注一种场景问题，却利用大模型泛化到同工艺、不同行业，避免被单一周期绑架。内部则全面接纳 Canva、Figma、Copilot 等 AI 工具，让二十多人都成为多面手——“脚踏实地，仰望星空”，但岗位边界会越来越模糊。

Verification Notes

参考转录将相关模型写作“DPC”，未明确其所指；已不将其归因于 DeepSeek，并对 Applied Computing 的名称保留“应该是”的不确定性。

50.爆火CES后这半年，和Ropet聊穿越风暴、模仿者与陪伴的真谛白宫科技晚宴内幕、疲弱就业报告、关税诉讼挑战、Google赢下反垄断案