文章核心观点 - 工业智能化正迎来奇点时刻，其标志是智能机器开始替代过去依赖人类经验、判断和柔性执行能力的复杂、危险工业岗位，如钢包热修，这超越了传统自动化对固定、重复性工作的替代[8][12][28] - 瓦特曼公司作为一家工业智能公司，通过将AI、多模态感知、算法模型与工业场景深度融合，致力于解决高温、高粉尘、高风险（“3D场景”）下的核心生产工序问题，并已成功将技术产品化，在钢铁、有色金属等行业头部客户中实现落地[9][14][16] - 公司认为当前是工业智能化的关键窗口期，驱动力包括技术条件成熟（多模态感知、算力、算法）、产业条件变化（人力成本上升、招工难、安全环保要求提升）以及工业客户决策层话语权的转移[14][28] - 公司已跨越从“0到1”的商业化生死线，建立了可持续的内生力和组织体系，其成功关键在于深入工业现场、与客户共同研发、积累核心工艺数据库，并构建了可复用的全栈自研AI技术模块库[16][17][25][26] 公司业务与模式 - 核心业务：将依赖人的感知、判断和经验积累才能完成的复杂工业任务，转变为机器可以执行的任务，实现从自动化到智能化的跨越，聚焦于“3D场景”[12][14][28] - 产品应用场景：已进入钢铁行业的钢包热修、电解铝行业的阳极质量评估，并正拓展至高炉智能化控制、煤炭、电力、焦化等基础原材料工业领域[8][30][31][32] - 市场渗透：产品已进入超过一半的中国前20大钢铁集团和前30大有色金属集团[16][30] - 技术壁垒： - 构建了“全栈自研AI技术模块库”，包括3D感知、高温防护、视觉识别、力控算法等模块，可在不同场景中复用和迭代，降低新场景的研发门槛[16] - 积累了全球最大的钢包内衬腐蚀数据库和国内最大的电解铝正极材料质量数据库，这些数据是进一步智能化的基础[16][29][30] - 研发与交付模式：采用与客户共同研发的模式，第一台产品必须与客户在现场共同打造，经历多次失败和迭代[16][21] - 团队构成：团队融合了L4无人驾驶、互联网大厂的算法/软件/数据科学家，以及深耕工业数十年的工艺、电气自动化、硬件专家[17] 行业发展与机遇 - 行业现状：中国每年生产超过10亿吨钢铁，占全球产量一半以上，是一个持续升级了七十年的行业，但如钢包热修等柔性工序长期未能被机器替代[7][11] - 奇点驱动力： - 技术成熟：多模态感知、算力提升、视觉识别与算法模型能力的大幅增强，具备了工程化能力[14] - 产业痛点加剧：人力成本上升、招工难、安全与环保要求提升，使过去可“将就”的痛点变得尖锐[14] - 客户决策结构变化：工业企业的技术改造采购决策权，从设备采购负责人转向更懂工艺、追求效率的总工程师和技术专家，他们更看重实际解决问题的能力[14] - 市场阶段：工业数字化正从“数据上云”的基础设施建设阶段，进入深入到具体生产工序、重构感知、决策与执行能力的“能力重构”阶段[19][20] - 市场空间：公司聚焦的基础原材料工业（有色、钢铁、煤炭、化工、电力等）每个行业产值巨大，例如焦化行业产值接近1万亿元，电解铝行业年产值约2万亿元[23][30] - 未来展望：“十五五”期间，预计“人工智能+产业”将有10万亿元规模，其中“人工智能+工业”是最大且最有价值的领域之一[40] 公司战略与成长路径 - 场景选择标准：严格筛选项目，每年仅从约50个新需求中挑选1-2个，标准包括：用户价值（是否为真刚需）、通用性（是否为行业共性问题）、技术储备与竞争壁垒（追求“人无我有，人有我优”）[31] - 发展路径：围绕基础原材料工业的产业链进行延展，从电解铝切入，逐步拓展至钢铁、铜、铅、锌、煤炭、电力、金属加工、焦化等领域[30] - 融资策略：融资经历简单、专业，早期由产业天使投资人支持，后续由亦联资本、云晖资本、国投证券、中移基金等投资。公司计划未来引入有业务协同的产值千亿级行业龙头集团作为战略投资者，进行深度绑定[17] - 增长目标：追求长期健康可持续的增长，例如保持15年以上30%的增长率，目标是建立具备内生活力的组织体系，而非仅仅“活着”[36][37] - 竞争格局观：预计未来竞争对手主要来自两类：转型的传统工业企业和新的人工智能创新企业。公司认为工业市场足够大，欢迎更多有水平的人工智能企业进入该领域[39][40] 关键挑战与突破 - 初始信任建立：工业行业存在极高的信任门槛，需要经历从认识、了解到认可、信任的过程，并通过成功交付产品来建立公司层面的信任[21][22] - 从0到1的突破：公司定义“从0到1”为跑通商业循环并建立可持续的内生力和组织体系，认为在2025年才真正迈过这一阶段，此前随时可能死掉[24][25] - 数据积累：在缺乏现成数据的工业场景中，通过长期扎根现场，在真实运行中持续积累和验证数据，形成了如钢包内衬腐蚀等核心数据库[29] - 技术工程化：将实验室技术转化为能在极端工业环境下长期稳定运行的产品，需要漫长的多学科工程化过程和持续的现场迭代[19] - 组织建设：搭建一支能跨越AI与工业边界的核心骨干团队被视作比技术研发更慢、更难的基础性工作，公司花了5年时间搭建满意[17][26]