让 AI 自己画出业务流程再去寻优：基点起源“全要素大模型”的建模思路，与银行风险建模的六条边界

基点起源（AlignBase）是一家做工业制造 AI 的公司，不是金融公司；公开资料中没有银行或金融客户。它值得银行关注，是因为它的建模方法，而不是它的业务。

它的思路是：不先做数据治理，让大模型直接读企业原始数据，自动识别“生产要素”，逐个建模后拼成一张 DAG 模型网络，再在数字孪生上用强化学习寻找最优操作方案。

专利显示，大模型在这套体系里只负责“理解数据”和“编排流程”，真正的决策由数字孪生加强化学习给出，节点上是传统机器学习或规则模型。

公司公开的效果数据（某工艺段关键指标提升 2–3 倍等）全部来自创始人或投资方，没有具名客户和第三方验证。

对银行而言，自动要素挖掘、版本化模型组件和“建模—执行—反馈”闭环可以借鉴；“不做数据治理”“补齐数据只需正确”“模型自动重训”三条则与银行监管要求直接冲突，必须改造后才能用。

素材说明：本文没有找到名为“AI 建模思路方案”的公开文件。文中的方法论由两篇创始人访谈（来源2、4）、融资稿（来源3、5、6）和两项专利（来源7、8）还原。凡来源事实，标注来源编号；创始人的说法标为“自述”；作者的归纳与银行映射，标注“本文分析”。专利描述的是可能的实施方式，不等于产品里的实际做法。

一、公司概况

北京基点起源信息技术有限公司，英文品牌 AlignBase，2025 年 3 月在北京成立（来源2）。创始人兼 CEO 戴宗宏，曾任零一万物联合创始人、华为云 AI CTO、阿里达摩院 AI Infra 总监（来源5、6）。

公司自述覆盖冶金、化工、精密制造、半导体、纺织等 10 多个行业，客户有央国企也有民企，在手订单数千万元（来源4）；但没有公开任何具名客户。它也承认，目前客户主要是数据治理水平较高的头部企业，方案尚未泛化到中小企业（来源4）。

二、它想解决什么问题

传统的企业 AI 定制，要靠专家访谈、数据采集、人工分析和建模，才能“复刻”出一份业务流程的数字副本，再在副本上做优化。基点起源想把这一整套交给 AI 自动完成（来源2）。优化目标是制造业的生产指标：良率、产能、库存、排产、供应链、能耗等（来源2、4）。

本文分析：把这个问题换成银行语言，就是“谁来画流程图、谁来定变量”。银行的信贷审批、反洗钱研判、运营排班，同样依赖业务专家把流程和变量一一讲清楚，这也是建模周期长的主要原因。

三、建模思路：三层架构与三步流程

3.1 三层架构

戴宗宏的说法是，最终形态“不是一个简单的垂直大模型，而是一个复杂的基于 DAG 的模型组合和一个逻辑关系图”（来源2，自述）。

3.2 三步流程

1. 学习：用企业原始数据“全要素”学习业务模式，建出数字孪生，新数据进来持续更新（来源4）。
2. 寻优：随着数据完善，用强化学习持续推演，寻找最优方案（来源4）。
3. 交付：给一线工人一个简单的 App，输入现场工况，给出当前最优操作方案（来源4）。

3.3 四条数据原则（均为创始人自述）

• 不要求先做数据治理。 直接使用日志、操作记录、ERP 等原始数据：“被治理过的数据像被咀嚼过的食物一样，失去了原本很多的信息”（来源2）。
• 缺失节点自动补齐。 没有天然数据的节点由系统补齐：“我们不需要它精确，我们只需要它正确”，精度靠后续强化学习收敛（来源2、4）。
• 不依赖人工标注。 设计“天然的强化学习环境”，让实际生产持续产生数据来强化模型（来源2）。
• 自称无幻觉、人工介入几乎为零。 但同一篇访谈也承认，当时还没做到端到端自动化，各能力节点是手工串起来的（来源2）。

四、专利揭示的具体机制

两项专利把访谈中的说法落到了可检查的机制上。

CN121009128A（要素挖掘）：每轮迭代计算要素集合的“完整性得分”；低于阈值时识别缺失项，用置信度评估函数选出置信度最高的补全方案加入集合，循环到得分达标或到达最大迭代次数，输出结构化的全要素集合（来源7）。

CN121166109A（流程编排与执行，仍在审）（来源8）：

• 要素分为实体、环境、工具三类；工具要素按版本封装，并区分经回归测试和专家审核的“稳定版本”。
• 按工具的输入输出契约自动连成 DAG，用连通性和接口兼容性打分迭代优化；结构缺陷的修复方案由专门训练的大模型生成。
• 节点模型按需训练，可用 AutoML、迁移学习微调；规则确定的节点直接用规则引擎。
• 全局验证：把专家定义的 KPI 和约束（成本、周期、合规、SLA）写成布尔条件，全部满足才通过，可先在模拟环境试运行。
• 执行时记录每个工具的输入、输出、耗时和资源消耗，生成增量训练集回灌重训，形成“建模—执行—反馈—优化”闭环。

本文分析：从专利看，这套体系并不是“一个大模型包打天下”。大模型的角色是理解数据和修补流程结构，决策由数字孪生、强化学习和传统模型完成。这一分工本身就是一种风险控制：把概率性最强的部分放在“设计图纸”环节，而不是“直接下指令”环节。

五、商业模式：按预期效果定价

公司把业务优化指标写进合同，承诺“最低交付指标”，并按预期效果而非实际效果定价，理由是避免客户在交付前故意压低基线（来源2、4，自述）。创始人称，原来需要几百人驻场数月的项目，现在单人控制、约 2 周可以交付（来源4，自述）。

六、哪些可以核实，哪些不能

七、对银行风险建模的六条启示（本文分析）

本节全部为本文分析。 每一条都对照了本站近期解读的新加坡 MAS 指引和台湾金管会咨询文件。

1. 自动要素挖掘可以借鉴，但每个变量都要可解释、可追溯

让大模型从信贷流程日志、核心系统和运营数据中自动识别候选变量和因果节点，能显著缩短风险建模的前期探索。但银行模型要求每个入模变量都讲得清业务含义、数据来源和稳定性。“完整性得分加置信度补全”生成的要素，应逐项留痕，经业务专家和模型验证人员复核后才能进入正式模型。MAS 指引要求开发过程的文档足以让独立第三方理解并复现评估测试过程（¶5.17），自动生成的变量同样适用。

2. “只需正确”的数据补齐，不能用在授信、拨备和反洗钱模型上

在运营优化里，用推断值补齐缺失节点或许可以接受；用在 PD／LGD、预期信用损失、反洗钱监测等模型上，会引入难以验证的偏差。建议把补齐数据和真实观测数据分开标记，并在验证中做敏感性测试：去掉或替换补齐数据后，结论是否稳定。MAS 要求训练和测试数据在一系列真实条件下（包括压力条件）具有代表性，并记录数据血缘（¶5.4），补齐数据必须在这套口径下说得清来源。

3. 数字孪生加强化学习，最大的风险是模拟器失真

强化学习擅长找到模拟器的漏洞：在孪生环境里最优的策略，现实中可能失效。银行如果在流动性与资产负债管理、催收策略、运营排班上采用类似范式，需要四道约束：样本外和跨时间回测；压力情景；把监管限额和合规要求设为不可越过的硬约束；灰度上线并保留人工否决权。

4. 模型风险管理要从“管模型”扩展到“管生产模型的工厂”

在这套范式里，大模型参与修补 DAG 结构，节点模型由 AutoML 自动训练，运行数据持续回灌重训，模型结构和参数会频繁自动变化。银行应把负责编排的大模型、AutoML 流水线和自动重训触发规则本身纳入模型清单和验证范围，并预先界定哪些自动变更属于需要重新验证的“重大变更”。MAS 指引对设计为自动更新的 AI 要求严格的启用理由，明确哪些可自动更新、哪些不可以（¶5.25(c)）；台湾金管会也要求底层模型、提示或关键工具重大更新时做回归测试（第 4.4 节）。专利里“版本化工具 + 稳定版本 + 全局 KPI 约束验证”的设计，可以直接映射到银行的模型清单、版本管理和上线审批。

5. 数据治理不能省，但可以分层

原始日志确实保留了更多信号，对异常检测、操作风险和流程挖掘有价值。但正式风险报表和监管模型仍需满足数据质量与血缘要求（如 BCBS 239 的理念）。可行的折中是两层：原始数据层用于探索和发现，入模数据层走治理口径，两层之间保留可对账的映射。

6. 采购与授信两头都要独立验证

作为采购方，“合同写入最低指标、按预期效果定价”能对齐激励，但 KPI 基线应由银行自己定义和测量，防止供应商为达标而过拟合；同时要审视供应商读取全量原始数据的权限、数据安全和集中度风险。作为授信方，制造业客户如果确实通过这类改造提升了产能和良率，会改变其经营现金流和设备风险；尽调可以关注客户的 AI 改造投入和实际经营数据，但不应直接采信供应商的宣传数字。

八、结语

基点起源的方法论回答了一个银行同样关心的问题：能不能让 AI 自己把业务流程和变量画出来。它的答案在工业场景里是“先用原始数据，后靠强化学习收敛”。本文分析：银行可以借用这套思路缩短建模的探索阶段，但必须在“入模”这道门前把可解释、可追溯、可验证三件事补回来——因为在银行，模型的错误不只是良率下降，而是授信损失、监管处罚和客户权益受损。

事实来源

1. 基点起源官网（来源1）：品牌 AlignBase、ATOMS.OS 产品名与宣传语。
2. 36氪访谈（腾讯新闻转载，2025-09-09）（来源2）：成立时间、三层架构、DAG 表述、数据原则、合同定价、“节点手工串联”的说明。
3. 企名片（2025-09-09）（来源3）：天使轮金额与投资方、架构描述。
4. 36氪访谈（2026-06）（来源4）：三步流程、交付周期、行业覆盖、自述效果、客户局限。
5. 投资界（2026-06）（来源5）：三轮融资、投资方、创始人履历。
6. 普华资本（来源6）：创始人履历、“人机料法环”数字孪生的表述。
7. CN121009128A（来源7）：完整性得分与置信度补全机制。
8. CN121166109A（来源8）：要素分类、版本化工具、DAG 编排、全局约束验证、运行数据回灌闭环。

本文推论部分（非来源表述）：各节“本文分析”段落、第六节表格的分类方式、第七节全部内容、第八节结语。第七节引用的 MAS 指引与台湾金管会文件条款，详见本站 MAS 指引逐段解读 与 台湾金管会代理 AI 咨询文件解读。

本文不构成投资建议、合规意见或对任何公司的背书。

（内容由AI生成，仅供参考）