开放麦开场与两位嘉宾亮相

主播介绍这是Link X Demo Day现场第四期开放麦，自陈对工业领域完全陌生。原木智能江昌浩介绍公司用智能体和大模型改造工厂各环节，基点陶艺薛传义介绍做非参数侧的可控进化架构。

黑灯工厂之外：柔性生产的真实痛点

江昌浩解释黑灯工厂只适合标准品量产，真正有附加值的是多品种小批量柔性生产。这类工厂的挑战是大量脑力活——报价、设计、工艺每单都不同，成本大头在前期研发设计而非生产本身。

智能体靠谱吗：可控进化与图结构

主播追问AI幻觉在工业设计中的风险。薛传义解释可控进化：把智能体系统建模成图，模块是节点，出问题做点对点优化再传递梯度。讨论模型能力与工程能力是左脚踩右脚的关系。

为什么从生产排程切入

江昌浩说调研几十家工厂都被问做不做排产。排产难在设备故障、人员请假、老板插单等异常，多工序多设备排列组合复杂，传统运筹算法依赖完美数据，多数工厂用不起，只能靠老师傅临场应变。

金融与工业的相似性

江昌浩解释从量化转工业的原因：两个市场都大，工业市场约137万亿，提升1%效率就是万亿级价值；数据量都大但信噪比低，都需要AI从无效信息中提炼有效信息。

老师傅的决策过程才是AI最缺的数据

江昌浩举汽车维修案例：工厂有现象、有结果，唯独缺‘为什么做下一项检测’的决策过程，模型只能做概率匹配无法泛化。主播问薛传义是否在训练数据上做研究。

相关性模型如何获得因果能力

薛传义说大模型是相关性模型，团队尝试用人类协作的一问一答还原思维链，并把线性思维链升级为图结构，让推理可回溯纠错。江昌浩认为这能解决老师傅不留决策过程的问题。

记忆、规则与持续优化

讨论模型记忆与知识图谱的关系。薛传义认为记忆只是子集，人还有规则和条件反射，应在非参数侧系统设计层面融合。他解释持续优化：任务反馈触发模块更新，再通过边传递优化信号。

是SaaS还是外包

主播问面向每个工厂定制会不会做成外包。江昌浩认为这波AI通用性强，产品能像实习生一样越干越好；过去SaaS固化的是管理流程，智能体站在生产力视角，能力可跨工厂跨行业迁移。

指数曲线与程序员的自我替代

江昌浩说初期要跟客户做项目学习，产品够强后工厂会调整流程适应AI。薛传义从2022年GPT出来讲到2025年无人质疑AI写代码，认为这是自我加速的指数曲线，十年内触不到极限。

左脚踩右脚：模型与工程的关系

主播分享自己停掉剪辑工具项目的经历。薛传义认为模型提供智力、工程提供大脑输入，是阶梯上升。他反驳‘只投大模型公司’的观点：模型若成基础设施就像水电，更大利润在造发电机的工程侧。

数据确权与跨厂迁移

讨论老师傅经验属于谁、能否记入报表。江昌浩认为确权终会摆上台面但当前首要矛盾是解决问题；经验一定能迁移，但A工厂愿不愿是关键，客户会分层：腰部开放、大厂坚决要自主。

进化的本质是数据与环境

薛传义认为进化最本质的是数据，数据是环境的反映；物理世界有确定性规则、可无限重复并拿到反馈，是最好的环境。下一阶段重要课题是如何为智能体设计持续反馈的环境。

给工厂老板的建议：先把AI用起来

江昌浩建议老板先多用现成大模型工具，工厂大量文职工作是格式翻译，能省下大把时间。数据采集要围绕未来应用而非什么好采采什么，研发决策、采购留痕、维修录音都值得沉淀。

未来一年展望与收尾

江昌浩预计一年内头部厂商和配合度高的客户会在各环节看到智能体交付可用结果；薛传义认为软件开发无人化程度会明显提高、科研中人参与环节减少。主播约定明年复盘，致谢收尾。