开放麦开场：两位工业AI创业者是谁

节目在Link X Demo Day 2026现场录制，主持人自陈完全没接触过工业领域。原木智能江昌浩介绍公司目标是用智能体改造工厂从研发设计到采购的各环节；基点陶艺薛传义介绍公司做非参数侧优化的基础设施，关注人与AI协作。

黑灯工厂之外：柔性生产才是高附加值所在

江昌浩解释黑灯工厂多集中在量产场景且成本未必算得过来，真正高附加值的是半导体设备、航空航天等多品种小批量生产。这类工厂每单都要报价、设计、工艺，大量是脑力活，AI的机会在于降低前期研发与可制造性检查的成本。

可控自进化：给智能体一副身体

主持人质疑大模型幻觉能否用于工业设计。薛传义提出可控自进化，把agent的harness建模成图结构，模块是节点、关系是边，出问题做点对点优化再传递信号。他用爱因斯坦的脑子与身体类比模型能力与工程约束的关系。

排产：一周跑几十家工厂，每家都在问

原木智能调研时发现几乎所有工厂都问“你们做不做排产”。江昌浩拆解难点：多品种小批量、设备故障、临时插单导致停线改产，工序与设备的组合爆炸让十分钟重排不可能，现场只能靠老师傅用Excel和临场应变，传统APS只有大厂用得起。

金融与工业的相似性，以及缺失的决策过程

江昌浩解释从量化转工业的原因：市场大、数据量大、信噪比低。他举汽车新势力维修案例说明，工厂有故障现象和维修结果，却没有老师傅“为什么做下一项检测”的决策过程，导致模型只能见过啥做啥，无法泛化。

相关性模型如何习得因果

薛传义回应决策过程缺失：大模型是相关性模型，需通过思维链与协作数据学习推理。他提到团队研究teamflow，认为人的思考是图状而非线性，能回溯上一步重新推导，这种图结构可反哺AI训练，也能解决老师傅不留中间过程的问题。

记忆只是子集，持续优化靠整张图

薛传义认为记忆是分层系统的一部分，还涉及规则与条件反射式的固定pattern。他把持续优化描述为：任务反馈触发模块反思与更新，再通过图的边把优化信号传给其他节点。主持人随即追问江昌浩：面向每个工厂定制，会不会做成外包。

会不会做成外包：通用性与生产力的赌注

江昌浩承认每天都在拷问自己。他认为这一波AI具备通用性，工具可排列组合，产品到现场能像实习生一样越干越好；SaaS替代的是流程管理，而智能体站的是工程师的生产力视角，能力可跨行业。他判断产品足够强时工厂会改流程来适应。

指数曲线与左脚踩右脚

薛传义从2022年GPT写代码被质疑讲到2025、2026年无人质疑，认为这是自我加速的指数曲线。主持人分享自己停掉剪辑工具项目的经历。两人一致认为模型能力与工程能力是阶梯交替，并反驳“只投大模型公司”的观点：模型若成基础设施就如水电，利润在用电造东西的一端。

老师傅的经验算谁的资产

主持人抛出数据确权问题。江昌浩认为这是资产确权问题但当前不是首要矛盾，客户分层明显：中小客户顾虑少、适合快速积累经验，大厂要求私有化甚至本地部署。他描述智能体落地也有飞轮：先送一个七八十分的产品进去，沉淀数据再持续优化。

数据是环境的反映

薛传义补充数据确权也包括个人数据，提到国外大厂给科研人员发会员以获取高质量数据、低质量用户会被封号。他认为数据是环境的反映，如何设计能提供无限反馈的环境是下一阶段核心课题，物理世界就是上帝给的environment。

给工厂老板的建议：先用起来，再想数据

江昌浩建议中小工厂主先把AI用起来，避免全面改造被忽悠或觉得AI离自己很远两个极端。数据层面他主张围绕未来应用倒推采集，研发会议录音、采购决策留痕、维修边修边录，把最有价值的判断过程留下来。

未来一年：智能体进厂与软件开发无人化

江昌浩预计一年内工业各环节都会出现能交付可用结果的智能体，先从头部和高配合度客户试点。薛传义判断软件开发无人化程度会明显提高、科研中人的参与环节大幅减少，更远的技术走向留给未来。节目在感谢与预告复盘后结束。