作者｜陈伊凡、李一飞
编辑｜苗正卿
头图｜视觉中国
"AI 原生 100" 是虎嗅科技组推出针对 AI 原生创新栏目，这是本系列的第「46」篇文章。
OpenClaw 爆火之后，许多传统企业的企业主找到工业 AI 企业梅洛迪，要求部署 OpenClaw。梅洛迪甚至为此专门成立了个 " 业务线 " 就是给政府和企业做 OpenClaw 的科普，在 OpenClaw 爆火第一天，梅洛迪就是第一批喊安全的企业。
OpenClaw 最致命的，是有机会拥有访问各个接口的最高权限。贾亦凡是梅洛迪的联合创始人，他说，" 如果你把微信、邮件这种能接收外部信息的接口，以及企业内部文件夹的最高权限全部开放给 OpenClaw，这就变成‘黑暗森林’了，你不知道从哪来的什么人攻击你，对方也不一定是瞄准你攻击的。"
这句话，说的是 OpenClaw，也是整个工业 AI 落地的现实处境：企业主们对 AI 的渴望和对 AI 的恐惧，往往同时存在，互相缠绕。
梅洛迪的创始人、CTO 许中人有个判断：工业 AI 这件事，最该学的不是 OpenAI，而是 AK47。道理很简单，越简单、越耐用、越容易上手，成功的可能性就越大。最好是做到 " 奶奶也能操作。"
2024 年 12 月，这个在美国读完工程博士的年轻人买了一张回国机票，前一天在安居客上看好房子，第二天八点见房东，当场租下来，周一就去工厂报道了。他创办的梅洛迪，是一家专门给制造业企业做 AI 改造的公司——切入采购和工艺两个核心场景，帮工厂把数据梳理清楚，再用 AI 把效率打出来。
创始团队那时候还在大洋彼岸，接下来半年，就他一个人在无锡推进。没有资本撑腰，没有大厂背书，就凭着 " 我先帮你看一看 " 这句话，敲开一家又一家工厂的大门。许中人本科和研究生均在美国完成工程类专业学习，长期从事工程系统与人工智能相关研究，高中阶段就开始跟着项目跑测试，他自己说，在学校跟老师待的时间，远不如跟工人、工程师待的时间长。
许中人逻辑清晰，有极强的耐心，采访过程中，他习惯在说完一段技术逻辑之后，停顿一下，补一句大白话，就像解释 " 全流程数据流转 "，说白了，就是帮老板算清楚他自己都算不清的账；提到企业数字化转型的问题，他说，" 就像中风，症状体现在肢体上，但根源在其他部位 "。
我们见面的地方，是位于无锡东站旁的长三角（无锡）国际人才港。以人才港为圆心，旁边是帆软的大楼，这是国内企业级软件市场份额最大的公司之一；再往外延伸，是台铃、雅迪的电动车企业总部或区域中心；再往外，是长三角制造业集群，纺织、五金、精密零件、新能源配件，构成中国制造业密度最高的地带之一。
这个行业此刻正处于一种奇异的撕裂状态。一边，垂类 AI Agent 在各个垂直场景加速落地：有人在做法律合同审核，有人在做医疗影像识别，有人在做电商客服自动化，每隔几个月就有新的 " 某某行业 AI 第一股 " 冒出来，融资消息接连不断。另一边，甚至是在制造业聚集的无锡，工厂里老师傅还在凭肉眼判断焊缝质量，工艺参数还记在师傅自己的笔记本里，图纸还是手画的，报价还是靠经验拍脑袋。两个世界的时钟，甚至在不同时空维度上走。
许中人坐在这个矛盾的山脊当中，却很从容，" 你首先得承认，制造业本来就是这样的。"
公司起名 " 梅洛迪 "。许中人调侃，叫 " 没落地 "。
但他说这句话的时候，手边已经有了若干个真实的工业客户，一个已经盈利的账本，和一支 38 人的团队。
梅洛迪在天使轮估值为 3 亿元，我们谈话之际，正在进行新一轮融资，这即使是在 AI 浪潮之下，造富神话频出的今天，在初创公司当中并不常见。
我们决定写梅洛迪，是因为它踩在了一个初创公司甚至是大厂都很少认真站过的位置。
过去两年，工业 AI 这个词被讲了很多次。每一场制造业论坛上，都有人说 "AI 将重塑工厂 "，PPT 做得很漂亮，案例说得很动听，但落地效果普遍让人失望。
一个真实发生的极端例子能反映这种虚假繁荣，有一家企业花了很多钱一个一体机服务器，最后当网盘用，功能完全没用到。还有一家企业，图纸都是手画的，技术文件全是手写的，几张图纸粘在一起，完全没有规范记录。" 你很难想象，一个接近 10 亿规模的公司，居然没有任何像样的数据记录。"
许中人对这种情况有个形容：又一轮 " 孤岛 "。上一轮信息化建设造了孤岛，这一轮 AI 热潮，很多公司仍在重复同样的错误。
梅洛迪选择做的是截然不同的路，它先去帮工厂做 " 体检 "，查清楚数据从哪来、到哪去、中间断在了哪里，然后再谈 AI 能优化什么。这个过程笨重、耗时、不性感，他甚至还要花大部分时间在解决老板的思维上。" 你现在解决的可能根本不是企业真正的病灶，" 他说，" 症状体现在采购部门，病根可能在工艺，也可能在老板的决策逻辑。" 所以梅洛迪的销售方式就是直接和老板谈。
这也是我们觉得梅洛迪值得写的第一个理由：在一个充斥着 " 大模型落地 " 宣传的行业里，它做的是绝大多数公司不愿意做的脏活累活。
调研得越深，就越清楚该切哪里。在许中人看来，制造业里有两个环节可以直接跳过 SaaS，进入 AI 改造：采购和工艺。
这也是梅洛迪和上一轮信息化建设的根本差异所在。上一轮 ERP 的逻辑是给企业一套系统，数据填进去就算完事，至于数据能不能流动、有没有价值，没人关心。梅洛迪做的是相反的事：先把数据理活，再把数据留住。经过多个项目积累，梅洛迪已经整合了六十多类工业数据源，有一部分可以跨企业通用，有一部分只适用于特定行业场景，共同构成了他们自己的专属数据平台和智能体基础。
这六十多类数据源，并不是从通用数据集里拿来的，而是在一个个非标项目里硬啃出来的。
许中人有个说法：非标场景多且复杂，先做难的，难的做好了，简单的就容易了。每一个定制化项目，表面上是在解决某家工厂的具体问题，但背后是在提炼可通用的工程经验，哪些场景可以泛化，哪些数据可以沉淀进平台，再复用到下一个类似的企业。目前梅洛迪的单个项目周期是三到四个月，他们的目标是把它压到两到三个月：不能再短，因为如果数据收集和反馈不够，AI 就没法校准；但随着经验积累，开发工时可以持续压缩。
这里有一个外界容易忽视的细节：工业 AI 需要的数据，和企业现有的结构化数据，往往根本不是同一种东西。许中人说，数据的形态完全由产业属性决定，比如做核心加工的企业，需要的是生产数据、原材料数据、加工数据；做纺织的，需要的是布料、针织和流水线人工操作数据；做缺陷检测的，需要的可能是图片，有的场景甚至是超声波反馈图。" 虽然都叫数据，但不同场景需要的数据类型、可应用的范围都不一样。"
数据，是最核心的部分。我们试图回答梅洛迪的另一个问题：它像什么？
2020 年之后，Palantir 的名字在国内创投圈被反复提起。这家原本为美国军方和情报机构服务的数据分析公司，后来成功转型商业市场，靠着 " 先派工程师驻场、理解客户业务、再交付定制化数据系统 " 的模式，在 AI 浪潮里估值暴涨。梅洛迪的做法，和这套逻辑惊人地相似：先驻场、再建系统，拒绝通用解决方案，靠口碑和关系网络扩散客户。
但许中人对 Palantir 的判断更冷静。" 它不是先有了优秀的商业模式才变现，而是先靠军方关系完成了早期变现，" 他说，这一点很关键，但很多人谈 Palantir 的时候会跳过它。
梅洛迪没有这层背书，面对的是中国制造业里那些有改变意愿、但尚未被大厂服务到的腰部企业，必须在完全商业化的环境里用最笨的方式把路径跑通。
许中人对竞争格局的判断是：目前真正能够深入到制造业核心流程、并具备工程交付能力的团队并不多。不是因为没人想做，而是因为这件事没那么容易做。
大厂的问题在于路线。梅洛迪在欧洲有个项目，客户之前和大厂合作过一个五年计划，对方把全部精力押在通用大模型上，没有考虑具体场景的落地，工厂里每台机床不同、每套工人经验不同、每家企业的工作流程都不一样，指望一个通用大模型解决所有问题，本质上是错的。结果花了五年，最后只跑通了几个传统机器学习的单点应用：对牛羊的视觉检测、农场分拣机的路径规划。其他全没成功。许中人说，这是一个行业性的分歧，比如大厂更倾向于做通用解决方案，创业公司反而更清楚要做垂直于具体场景的 Agentic AI。
国内的大厂则是另一种慢法。" 我们和大厂聊过，" 许中人说，" 他们说要做类似我们现在的业务，至少需要 22 个月的准备期。" 就算今年三四月立项，顺利推进也要 22 个月后才能落地。他说这句话时，语气平静，像是在陈述一个已经计算好的工程数据。" 对我们来说，在工程经验和项目积累上，我们目前有一定先发优势。到时候和他们竞争，我们信心很足。"
梅洛迪的意思是没落地。
但从许中人拎着箱子回国创业的那一天起，梅洛迪做的每一件事，都是在落地。
上一轮数字化造的孤岛，这一轮谁来收拾
虎嗅：你们切入工业 AI，选了采购和工艺这两个场景，为什么是这两个？
许中人： 采购涉及原材料流转、采购供应、消耗，能从这里获取大量数据，而且采购环节直接反映企业的自我掌控力——采购做得好，说明管理能力强；采购问题多，就说明企业有很多需要整改的 " 病灶 "。
工艺则是企业技术积累和经验沉淀的核心体现。企业普遍面临一个问题：经验怎么传承？全厂生产规划只靠一位大师傅，所有示意图、工艺图都由他做最终判断。如果这位大师傅离职或不带徒弟，他的经验怎么数据化、标准化地留存下来？说白了就是帮企业构建自己的数字资产。
虎嗅：这个问题上一轮信息化建设没有解决过吗？
许中人： 上一轮更像是造 " 孤岛 " ——把各个部门都打造成了岛屿，却没有打通部门间的连接。很多企业只是在某个部门上了系统，数据就停在那里；有些部门上了系统，数据根本没录进去，只存在员工电脑里，完全没有流转起来。
更大的误区是，大家觉得上了系统就完成了。但实际调研后发现根本不是这样。数据没有做到一物一码，图纸、编号、价格都对不上。财务人员无非是把一张 Excel 表搬到四个系统里重复做四次，年底用来核算项目。如果这就是信息化建设，那根本没意义。
真正的信息化应该让数据知道从哪来、到哪去，能自动流转起来，而不是像某些驾驶舱那样把数据汇总到大屏上显示一下就完事；也不是像 ERP 那样，让数据变成冰冷的文字躺在那里，等到企业需要决策时调出来，才发现数据有问题。
虎嗅：所以你们其实是在替上一轮信息化建设收拾烂摊子？难点在哪？
许中人： 可以这么理解。数据收集这个过程本身，就是在帮他们完成真正的信息化建设。我们前期帮企业梳理清楚数据来源、流向，很多时候就能帮他们解决 30%-40% 的问题。哪怕后续没做深入的二期、三期开发，前期的梳理也相当于给企业做了一次全面体检。
但难点也在这里，客户各部门提需求时，都是 " 盲人摸象 "，每个部门只关注自己的问题，而这些问题往往不是本部门造成的，是上下游某个环节出了问题，最终在本部门积累、显现。这就像中风，症状体现在肢体上，但根源在其他部位。
如果我们陷入了重复解决单个部门问题的循环，就会走进上一轮信息化建设的死胡同，只是重复他们做过的工作，本质上还是做一套新的 ERP 系统，没有真正解决核心问题。
这样过了两三个月、两三年，客户又会有新的需求，到时候还要基于这个系统，结合新的技术和情况做二次开发。
如何理解客户需求、弄清楚根源在哪、病灶是什么，对我们做 AI 来说是最大的难点。
还有一个很现实的问题：跟企业中层对接没意义。如果没有掌门人拍板，全公司上下很难配合——采购部门的问题，可能涉及采购人员和老板的私人关系，老板没有决心推进，项目根本推不下去。最后就会变成上一轮 ERP、SaaS 那样，系统只在单个部门存在，最终还是 " 头疼医头、脚疼医脚 "。所以梅洛迪的销售方式就是——直接和老板谈。
虎嗅：你刚才提到的工艺场景适合 AI 化，具体怎么做？
许中人： 一是把老师傅的经验结构化、工艺化留存下来；二是帮他们梳理历史项目。他们经常遇到这种情况：现在要做的一个项目，十年前其实做过一模一样的，但经过这么多年的传承，相关经验已经丢失了。工艺工程师往往要花很久时间验证 " 以前是不是做过类似项目 "，如果没找到，就只能从头设计。
具体来说，比如饲料配方配比，我们通过 " 正推 + 反推 " 的方式：根据配料和工艺工序，推算最终产品的性能；再根据目标性能，反推合适的工艺顺序和配方配比。
这个过程需要企业里有经验的员工持续对模型校准，每一轮测试和实验都是在从他们身上汲取经验，来完善和校准我们的模型，跑一个飞轮出来。
虎嗅：工业 AI 需要的数据，和企业现有的，在数字化转型建设上积累的结构化数据是同一种东西吗？
许中人： 往往根本不是同一种。具体需要哪些数据，完全由企业的产业属性决定。这也是为什么现在提倡做不同行业的高质量数据集，因为不同行业、不同场景的需求千差万别。数据的维度很多，虽然都叫数据，可能是图片、文字、语音，甚至是超声波检测的反馈图，但不同场景需要的数据类型、可应用的范围都不一样。
我们客户需要的大多是 CAD 图，也就是正经设计的工艺图。这里有两个关键点：一是准确性，图纸错了生产出来就是工程事故；二是很多时候需要的是图纸里的信息，而不是图纸本身——工程师最需要的是图纸里包含的参数，加上缩略图，知道这是什么东西就行。
虎嗅：聊下来，老板们对这波 AI 改造的态度是什么样的？
许中人： 大致上是两种极端，几乎没有折中的。一种是 " 许愿式 "，觉得 AI 什么都能帮他做；另一种是完全不相信，觉得 AI 什么都做不了。
很多（老板）是受了上一轮信息化建设失败的影响，花了几十万、几百万上 ERP，结果问题没解决，会质疑 " 怎么知道这不是又一套 ERP？"。" 许愿式 " 的老板可能更年轻，或者是接班的二代，只知道现在的大模型，就觉得 AI 无所不能。
所以我们很多时候要做的工作，其实是降低他们的不合理期望，帮他们建立对 AI 的正确认知，告诉他们现在具体能做什么、能优化什么。
虎嗅：为什么不在美国做？美国的 To B 环境更好，数字化程度更高。
许中人： 这是一个误解。美国顶层的信息化建设和中下层企业没什么关系。很多美国企业可能在 90 年代买了一套系统，最后一次更新是在 2002 年，之后再也没更过，但每年还要支付几万美元的费用。对他们来说，NET 技术都已经是很超前的技术了。
国内处于快速发展的红利期，大部分信息化建设是 2010 年之后做的，而且中国制造业更发达，需要解决的业务场景更复杂，数量也更多。
虎嗅：团队组建完成，决定开始创业后第一件事是找客户、做产品还是拉投资？
许中人： 其实当时已经有一些现实中的客户，我们已经帮他们做了一部分工作了。更准确地说，是看到他们有某个问题，我觉得能帮着解决。那时候也没想着收钱或者其他形式，就是觉得这个问题有趣，想研究一下怎么解决。就这么坐下来对接，之后就同时有了产品雏形和客户，这两件事是同步发生的。投资反而在后面，我们第一个投资人是在 CES 认识的，聊得非常投缘，他也觉得这个方向有未来、有发展前景，就投了。
虎嗅：在中国调研下来哪些案例让你觉得意想不到？
许中人： 有一家企业，花了很多钱买服务器，结果丢在公司当网盘用，服务器本身的功能完全没用到。还有的企业图纸都是手画的，保存得也很差，技术文件全是手写的，保存同样不规范。我们得先帮他们做手写识别，把这些手写内容转成电子版。还有些图纸，很多年前的几张粘在一起，完全没有规范的记录。你很难想象，一个将近十亿规模的公司，居然没有任何像样的数据记录。但后来我们想了想，对他们来说，做信息化其实也没什么意义。因为他们做的产品工艺、采购量、销售量都很固定，不需要任何改变。老板从一代传到二代，对企业的期望也很平淡，就希望安安稳稳做这个生意一辈子，不出错就行。这类企业其实就不适合做 AI 改造。
虎嗅：怎么提前判断哪些企业值得接？
许中人： 只能在前期调研过程中筛选出来。不需要任何改变的企业，我们不会碰。我们更愿意服务那些有付费能力、有改变意愿、想让企业更进一步的，他们在快速发展中需要停下来喘口气，对企业进行诊断，这才是我们能做的事。
虎嗅：ToB 的业务对确定性这件事要求极高，你们内部自己如何评估大模型边界？
许中人：核心是要谨慎、克制地使用它。确定性输出，十次使用至少要有九次能达到预期，这是底线。我们主要通过工程手段来解决这个问题：比如优化提示词、锁死部分输出内容、针对特定场景做定制化调优，或者选用更优质的大模型基础版本，这是一个复杂的多维度工程问题，核心是确保大模型的输入输出符合我们的要求，不能指望靠单一的通用解决方案就能完全解决，而是要以一个核心方案为基础，辅以其他手段，才能实现确定性的输出。
大型企业就像高速运转的赛车，要在行驶中给它更换发动机
虎嗅：你们在国内做 To B 业务，资源方面会有挑战吗？
许中人： 在国内，我觉得机遇大于挑战。国内的应用场景更丰富，需要解决的问题更多，需求更大。不像欧美，投融资阶段可能更容易拿到钱，但很多项目最后卡在落地环节。国内更倾向于 " 先看到你做成事，再给你投钱 "；欧美往往是 " 有个好概念就愿意投 "。两种模式各有优劣，但国内的创业扶持政策已经解决了不少前期问题，比如场地、人才补贴，现在国内创业没以前大家想的那么困难了。
虎嗅：那你们为什么不聚焦单点场景，只做采购 Agent 或者工艺 Agent，而选择一个更泛的工业场景？
许中人： 因为我们发现可以做更多。更重要的是，还是之前提到的问题：你现在解决的可能不是企业真正的 " 病灶 "。企业的问题往往不在你聚焦的这个环节，而在整体流程的某个部分。如果只做单点应用，很难真正解决制造业整体效率问题。这在我看来意义不大，除了养活自己，没有更大的价值。我想做的是真正能创造价值的事。比如真正参与到工业化转型、产业升级的过程中，让自己的价值得到体现，从大的层面也能产生价值。说白了，野心也比较大，如果能把整个流程的问题都解决，也能赚更多钱。
虎嗅：那你们的产品要让一线工人去用，这件事本身难度有多大？数字化转型很多的问题都是教育成本特别高。
许中人： 这是最核心的问题。我自己教过课，很了解学生——哪怕是全球前 20 高校的工科生也可能让你不可思议，比如用 Word 写代码、抄别人代码不改就直接提交。所以我的经验是，把人的下限预估得越低，做出来的系统成功概率就越高。最好是做到 " 奶奶也能操作 "。
当年美国北约的装备都很精密，但销量最好的一直是 AK47，因为它简单易用、耐用性高。工业 AI 不像消费互联网产品，稳定性和可靠性远比炫技更重要。这一轮 AI 的情况一样，越简单、越容易应用、稳定性越高，成功的可能性就越大。以前的 SaaS、ERP 系统，培训完很多人用了也不知道为什么要用，只觉得是额外的工作量，感受不到价值，我们要做的就是让人感受到价值，而不是增加负担。对操作人员来说，能手机拍个照就完成需求，他们肯定不会愿意多做一步操作。
虎嗅：进入客户企业，会直接替换他们原来的 ERP 系统吗？这里面有时候还牵扯到部门和个人的利益。
许中人： 不是直接替换，是温水煮青蛙。在原有基础上做改良，慢慢让旧系统从业务支撑系统，转变为单纯的数据收集系统。大型企业就像高速运转的赛车，我们的工作不是在它停留时做，而是要在它高速行驶的过程中更换发动机，企业不能停下来。
AI 改造涉及人员替代，尤其是采购，采购是最涉及人利益、最难推进的环节。可能有领导在外面开了模具厂，公司的模具都从这位副总那里采购，这种情况推进起来非常难。所以很多企业的真正掌控人，最终一定会下定决心推进 AI 改造，老板自己要在心里把账算清楚。
关于人员优化，原本四个人的工程师小组只接四个项目，现在能同时做六个，收入提升了，他们是满意的。但到最后企业会发现，这个岗位其实两个人就够了——这是一种温水煮青蛙，前期的好处是 " 糖衣炮弹 "。不过凡事都有两面性：如果是有核心技术的工程师，而且企业发展越来越好，对他们来说是受益的过程；原来四个人完成的工作，现在两个人就能完成。企业可以把更多资源投入到更高价值的岗位。
越是难啃的场景，越值钱
虎嗅：你们的收费模式是怎么定的？
许中人： 开发费用 + 季度订阅费用。开发费用根据企业的具体场景、数据规模和复杂度核算；订阅费用是因为我们很多小模型都是基于客户情况训练的，每三个月收集新测试数据，对模型进行迭代再训练，这部分成本通过订阅来覆盖。
如果客户不想付开发费，也可以采用结果付费——降低或免除开发费，基于项目成果对赌，根据企业的提升效果抽取分成。海外客户比较喜欢这种模式，国内客户还是更倾向于传统付费。
虎嗅：最后的结果如何？
许中人：原本一个 10 人工程师小组，单个场景的工程任务需要 80 人天、项目周期 3 个月；用我们的系统后，4 个工程师 20 天就能完成。
虎嗅：现在真正意义上的竞品有吗？大厂有没有入场？
许中人： 目前真正能够深入到制造业核心流程、并具备工程交付能力的团队并不多。通过国内外调研，包括这次 CES 的了解，有一些公司有类似想法，但都是 2025 年 10、11 月份才刚开始在 BD 上做规划。我们和大厂聊过，他们说要做类似我们现在的业务，至少需要 22 个月的准备期。就算今年 3、4 月份立项，顺利推进也要 22 个月后才能落地，对我们来说，相当于有三年左右的领先期。
大企业有大企业病，要新开一条产线、启动一个新项目，成本不好估量。我们在欧洲有个项目，客户之前和大厂合作过一个五年计划，对方把全部精力放在通用大模型上，没有考虑具体场景落地——工厂里每台机床不同、每套工人经验不同、每家企业工作流程都不一样，指望一个通用大模型解决所有问题，本质上是错的。结果花了五年，最后只跑通了几个传统机器学习的单点应用，其他全没成功。
虎嗅：这种分段的定制化项目，怎么从中提炼经验、缩短下一个项目的交付时间？
许中人： 这些非标项目其实是丰富场景的提供者。先做难的，把难的、复杂的做好之后，简单的就容易了。每一个定制化项目，表面上是在解决某家工厂的具体问题，但背后是在提炼可通用的工程经验，哪些场景可以泛化，哪些数据可以沉淀进平台，再复用到下一个类似的企业。我们整合的数据源，还有智能体的源头，都是这么积累出来的。
虎嗅：你们现在项目周期是 3 到 4 个月，后面还能再缩短吗？
许中人： 会的。理想状态下，希望根据项目大小尽量控制在 2 到 3 个月。太短不行，数据收集量和反馈会不够，AI 需要大量数据来校准，收集的数据太少就很难判断系统是不是真的解决了问题；但随着经验积累，开发工时可以持续压缩。
虎嗅：从创业第一天就规划要出海？
许中人：不是出海，而是全球，但要先在中国起步，因为中国的企业场景更复杂，在国内我们能更快打磨好产品。而且国内客户对质量要求挺高的，很挑剔，客户面对新乙方时，对其能力要求会很严格。这样其实能更快帮我们打磨好产品，产品足够优秀了，出海参与竞争才更有底气。如果只把眼光放在国内，很容易陷入内卷。所以一开始就要想着先攻克最难的部分，在最难的环境里磨练自己，之后再放眼全球。等自己磨练得足够强，外面的竞争就简单多了。
