AI 應用數據泄露：甲方丟粒飯，乙方丟飯碗｜ToB 十問

“乙方泄露數據是砸自己飯碗，而甲方最多掉顆飯粒——你見過哪個快遞員會為了個包裹砸自己飯碗的？誰傻啊！”

在談到客戶的數據安全問題時，蘑菇物聯創始人兼CEO沈國輝給牛透社打了兩個貼切的比喻。

安全問題確實是行業通病，談到數據安全，服務商比甲方緊張多了。

沈國輝坦言：“數據從甲方工廠設備里采出來，我們拿了他的數據，借個膽子也不敢亂來！真要是泄露了，我們公司直接就得關門大吉，賠都能賠到死無葬身之地。可甲方呢，數據泄露了可能算個工作失誤，壓根不是一碼事。”

沈國輝說，蘑菇物聯的護城河是算法、協議和數據，這三者缺一不可。

算法能力是他們贏得客戶信任的基礎，沒有過硬的算法實力，客戶根本不會給服務的機會；通訊協議是數據采集的前提條件，不連接設備，再好的產品也無法落地應用。

過去十年他們積累了超1600種設備通訊協議，"蘑菇物聯連不上的設備，別人也連不上"。

最后才是數據積累。目前，他們日均處理超過100GB的工業數據，這相當于 5 萬本百萬字書籍的總量，約等于一座中小型圖書館的全部文字信息。這些數據都要經過嚴格的處理流程，從數據清洗到數據標準化，再到提取有價值的工業特征，形成了獨特的數據優勢。即使在當前市場環境下，蘑菇物聯依然保持增長。

最近幾年，沈國輝發現市場上發生了一些變化，客戶的預算變了，需求也變了。

更重要的是，市場出現了“劣幣驅逐良幣”的現象，部分廠商為了迎合客戶的短期回報要求，在合同中亂承諾、夸海口，最終在項目驗收時卻不了了之，導致項目爛尾。

他看不慣這種現象，對此很無奈。

以下為牛透社本次訪談內容：

牛透社: 蘑菇物聯早期選擇從工業設備智能化切入，當前工業AI領域最值得破局的黃金場景是什么？聊聊你的判斷邏輯。

沈國輝：工業AI的價值場景，我認為可以分三個層次：

首先，最優的場景是能直接幫客戶拿訂單、創造收入，這才是真正能讓制造業客戶眼前一亮的。其次，是能創造可量化、可測量的降本價值，比如省電省人，要能實實在在裝電表測出來，或者明確計算出節省了多少人力。最后，才是常見的提效提質。雖然也有價值，但說服力相對弱一些。

簡單來說，制造業最關心的就是四個關鍵詞：增收、降本、提效、提質。其中增收是最難的，但價值也最大。

目前來看，第二層次的可驗證、可量化的降本效果，是客戶最愿意買單的價值點。

工廠空壓站現場圖

牛透社：在工業AI領域，既有傳統工業軟件巨頭也有新興AI公司，蘑菇物聯的差異化壁壘是什么？

沈國輝：我們的護城河可以總結為三個核心要素：算法、協議和數據。這三者形成了一個閉環，缺一不可。

首先是算法能力。這是我們贏得客戶信任的基礎，沒有過硬的算法實力，客戶根本不會給我們服務的機會。

很多人以為工業AI就是大模型，但我們的算法遠不止于此。如果只用大模型，那根本形不成壁壘——大模型誰都能用，甲方也能用。我們的獨特之處在于將大模型與傳統AI技術，比如強化學習、馬爾科夫過程、傅里葉變換、隨機森林、決策樹等深度融合。

大語言模型擅長處理文字和邏輯推理，但對工業設備的時序數據處理效率不高，甚至會產生"幻覺"。而我們結合傳統算法，能更高效地處理設備數據。

其次是設備通訊協議。這是數據采集的前提條件，如果連設備都連接不上，再先進的算法也無法落地應用。

我們專注高耗能通用設備，比如空壓機、中央空調，這類設備有兩個特點：能耗高（節能需求強）、通用性強（市場空間大）。過去十年，我們積累了超1600種設備通訊協議，協議問題對別的公司來說絕對是巨大的障礙，但我們手到擒來，這是實打實的門檻。

現在業內有個說法，"蘑菇物聯連不上的設備，別人也連不上"，這就是我們的價值。

最后才是數據積累。通過實際服務客戶，我們才能獲得真實場景下的設備運行數據。

目前，我們日均處理超過100GB的工業數據，這些數據都要經過嚴格的三步處理流程：第一步是數據清洗，去除傳感器噪聲和異常值；第二步是數據標準化，轉換成可分析的統一格式；第三步是特征工程，提取有價值的工業特征。

這個閉環體系讓我們形成了獨特的數據優勢。即使在當前市場環境下，我們依然保持增長。

工廠制冷站房現場圖

牛透社：從設備監控到預測性維護、能效優化，蘑菇物聯的產品迭代反映了工業客戶需求的哪些變化？

沈國輝：這個問題很好。

讓我用一個生活中的例子來說明：就像我們買智能手表，有人是為了測心率，有人是為了計步數，還有人就是為了好看。

設備監控也是同樣的道理。

最初，客戶的需求很簡單，就是想隨時知道設備是否在正常運轉。這就像給設備裝了個"健康手環"。

但隨著發展，客戶發現僅僅知道"設備現在好不好"是不夠的，他們更想知道"設備什么時候會壞"。這就是預測性維護的價值所在。

以空壓機為例，突然停機可能導致整條生產線癱瘓，損失可能高達上百萬。通過AI分析設備數據，我們可以提前預警潛在故障，讓客戶有時間安排維護，避免非計劃停機。

現在，客戶的需求又升級了，不僅要設備不壞，還要運行得更高效。就像我們不僅希望手表能測心率，還希望它能給出健康建議一樣。能效優化就是在保證設備可靠性的前提下，幫助客戶節省能耗成本。

這個發展過程，本質上是從"事后處理"到"事前預防"，再到"主動優化"的升級。每一步都對應著客戶痛點的深化和需求的升級。

預測性維護主要依靠傳感器監測數據，通過算法預測故障，這屬于被動防御。而能效優化則需要主動控制設備運行參數，實現更高效的能源使用。

這一發展路徑與行業特點密切相關。

2009年"感知中國"戰略催生了一批做設備監測的公司，他們主要解決"設備會不會壞"的問題。但空壓機、中央空調這些高耗能設備占工廠能耗的40%~60%，客戶更需要解決"怎么更省電"的問題。

我們之所以選擇專注于高耗能通用設備領域，主要基于三個關鍵維度的考量。

首先是通用性。這類設備的應用場景極為廣泛，滲透在多個行業的生產運營環節中，由此催生了龐大的市場規模，為我們的業務拓展提供了廣闊空間。

其次是高能耗特性。正因為能耗基數大，所以蘊含著巨大的節能潛力，客戶對于通過技術手段降低能耗、削減成本的需求迫切，付費意愿也相對較強。

再者是控制需求。這類設備在運行過程中，往往需要對各項運行參數進行實時、精準的調節，以保障其高效穩定運轉，這也為我們的技術介入提供了重要切入點。

以電子行業為例，我們通過優化空壓機群控策略，成功幫助客戶實現了 15%~20% 的能耗節省。這種節能效果是完全可測量、可驗證的。

工程師在 AI 云智控軟件上查看供氣壓力數據

牛透社：在當前經濟環境下，工業客戶普遍面臨經營壓力，你們在市場上感受到了哪些變化？

沈國輝：第一，關于客戶預算的變化。現在的工業客戶就像手里攥著5000塊錢卻只敢花1000塊的消費者，極度謹慎。投資回報周期要求從原來的3年~4年縮短到2年以內。他們對"增收"類項目持觀望態度，更看重"降本"，更傾向于可量化的節能項目，而非模糊的效率提升。

第二，客戶的需求也在變。現在客戶最愿意買單的是"看得見、算得清"的價值，比如要有精確到度的節能效果，要具備可驗證的故障預測能力，還要能夠節省人力。

第三，市場出現了劣幣驅逐良幣的現象。部分廠商為了迎合客戶的短期回報要求，在合同中亂承諾、夸海口，最終在項目驗收時卻不了了之，導致項目爛尾。

但我們蘑菇物聯堅持三個底線原則：一是所有數據真實可追溯，二是效果必須經得起第三方驗證，三是不承諾超出技術能力范圍的回報。

牛透社：你們目前標準化 SaaS 與定制化解決方案的營收占比如何？客戶更傾向于哪種模式？

沈國輝：我們標準化 SaaS 的占比很高，達到80%以上，定制化解決方案僅占一小部分。

標準化 SaaS 主要面向多數客戶的共性需求，通過 SaaS 化部署快速落地；而部分大型客戶會有私有化部署需求，這類項目會涉及少量定制化開發。

相比之下，專注高耗能通用設備的特性，讓我們能以標準化產品覆蓋大部分場景。

如果做專用設備的數字化，同行往往不得不依賴私有化部署，大概率會淪為定制化解決方案，而我們通過聚焦通用設備場景，避免了這種困境。

牛透社：工業設備故障樣本通常較少，蘑菇物聯如何用少量數據訓練出高精度模型？會采用遷移學習或合成數據技術嗎？

沈國輝：核心在于數據治理。

無論是大模型還是小模型，數據質量直接決定精度。數據治理不到位、結構混亂，模型就容易出 “幻覺”，優化效果也會大打折扣。

我們的路徑很清晰，先通過物聯網采集數據，然后過濾掉傳感器產生的噪點和毛刺數據，完成清洗；再將數據結構化，完善治理形成數據集；最后用高質量數據集訓練模型，不斷迭代提升精度。

物聯網數據量極大，人工清洗不現實，必須靠算法自動化處理，這本身就是技術門檻。

打個比方，數據就像石油，純度不夠的油會讓發動機抖動，而經過治理的 “純正數據” 才能為模型提供持續動力。

只有把數據基礎打牢，模型精度才有保障。

通用工業設備空壓機的數據正在被采集上傳

牛透社：設備數據存儲在你們這兒，客戶怎么看數據的安全性問題？你們又憑什么保證安全？

沈國輝：工業AI與智能駕駛類似，均采用云邊端架構，核心是根據功能需求分配算力與存儲資源：

云端主要承擔需要大存儲、大算力的任務，比如模型的訓練、迭代。云端能利用其存儲和算力優勢，處理海量數據并優化模型，就像特斯拉將攝像頭采集的大量數據放在云端訓練，不斷提升算法能力。

邊緣端部署的是經過“蒸餾”的訓練好的模型，負責實時計算與控制。邊緣服務器直接安裝在空壓站、中央空調機房等能源站房內，與設備僅相距幾米到十幾米，能實現毫秒級響應，滿足實時性需求。

我們的決策標準是，需實時處理、強調及時反應與獨立運行的任務，比如設備控制，必須放在邊緣端，避免依賴無線網絡。

我們把大存儲、模型訓練與迭代的任務，放在云端。邊緣端與云端每小時同步一次數據即可，模型迭代時通過OTA遠程升級從云端推送至邊緣端，類似特斯拉車機系統的更新邏輯。

安全問題確實是行業通病。但數據是從甲方工廠設備里采出來的，設備是他的，數據自然也是他的。

我們拿了他的數據，敢亂來？借個膽子也不敢！真要是泄露了，我們公司直接就得關門大吉，賠都能賠到死無葬身之地。可甲方呢，數據泄露了可能算作工作失誤，壓根不是一碼事。

我們比甲方緊張多了。

我們拿數據是當石油來加工的，是幫他創造價值的，又不是拿去賣錢。真能賣錢這生意倒好做了，可甲方能答應嗎？

甲方真沒必要擔心，真想放心，簽協議，加懲罰條款，怎么罰都行，規矩我們認。

乙方泄露數據是砸自己飯碗，甲方最多掉顆飯粒——你見過哪個快遞員會為了個包裹砸自己飯碗的？誰傻啊！

牛透社：能否分享一個蘑菇物聯 AI 產品在工業行業實際應用的案例，講講它是如何解決企業實際問題的？

沈國輝：就說德福科技，它是銅箔行業的龍頭企業。生產銅箔，需要空壓機、中央空調、水泵這些通用工業設備，保障水電氣冷熱供應。

但問題來了，這些高耗能設備管理起來太復雜了，涉及空氣動力學、機械制造、電氣工程自動化、暖通工程、熱能與動力工程好幾個學科。

大學里都沒哪個專業能把這些全教了，招人都難，想找能同時管好這么多設備的人才，難上加難。而且設備多了，能耗也跟著飆升，這可是筆大開銷。

這不就正好是工業 AI 能發揮作用的地方嗎？

我們做的就是把 “老師傅” 軟件化，變成數字人。我們的“云智控”產品，就相當于一個訓練有素的老師傅分身，不僅懂剛才說的那五大專業，連語數外、數理化這些基礎學科知識也都掌握，是大模型結合小模型訓練出來的。

德福科技買的就是這個 “數字老師傅”。它產能擴張期，既要保證生產不能掉鏈子，又得降能耗，還缺設備管理的人手，我們這產品全給解決了。既能節能，又能幫著省人，還不耽誤生產。現在測下來節能效果有超過15%。

沈國輝在與客戶交流

牛透社：你們最常遇到的客戶認知誤區是什么？

沈國輝：最典型的就是客戶過度自信，用老外的話說叫“OC（Over Confidential）”。

他們太相信自己那套老經驗了，覺得 “我干這行十幾年，參數都是手調的，你一個軟件能比我強？”

這其實是對過往經驗的過度自信，形成了路徑依賴。

他們一開始就對你的 POC 做 “有罪推定”，先認定你不行，然后到處找理由證明自己是對的。

說白了，想挑刺還不容易？就像有人會直接懟 “你又不是干這個的，你懂還是我懂？”

但他們忘了，現在的 AI 真可能比他懂，只是很多人不愿意承認。

牛透社：你曾提到要在“一厘米寬的地方挖一公里深”，堅持深耕垂直領域。那為什么不拓展更廣泛的業務領域？進入新行業時，又如何快速適配差異化的設備協議和工藝邏輯呢？

沈國輝：我們就是要在窄領域做深做透，讓客戶看到我們的工業AI軟件，比如云智控，就是比最有經驗的老師傅還靠譜。

做工業得有敬畏心，現在在這“一公尺寬”的領域里，都還有人天天挑刺、想證明我們錯了，要是貪多求廣，那不就被批得體無完膚了？

至于進入新行業時適配設備協議和工藝邏輯，沒別的捷徑，全靠一點點啃那些臟活累活。

朱嘯虎也說過，工業領域，把臟活累活干扎實了，自然就有了護城河。光靠算法耍花架子，根本成不了事。

這就像毛竹生長，前四年在地下默默扎根，看起來沒動靜，可根扎夠深了，一旦破土，就能蹭蹭往上長。

我們蘑菇物聯快十年了，現在就像剛冒頭的毛竹，碰上行業環境不好，時代的塵埃一層層壓上來，更得把根扎穩、把臟活累活干透，才能不管多少土壓著，都能頂破出來。

我們已經在做出海的事情，東南亞的越南、泰國、馬來西亞，還有日韓這些地方都在推進，先從近距離的市場開始布局。目前這些國家都已經有 POC 概念驗證項目了。

牛透社：蘑菇物聯推進AI商業化的過程中，面臨哪些主要挑戰？

沈國輝：我們主要面臨三大挑戰：

一是客戶認知與信任問題。部分客戶過度依賴傳統經驗，對AI技術缺乏認可，認為手動調整參數比軟件更可靠。針對這一問題，我們采取篩選客戶的策略，優先與愿意尊重專業分工的客戶合作，同時借助媒體力量提升行業認知，推動客戶接受專業化的AI解決方案。

二是預算約束。當前工業企業普遍面臨資金壓力，對AI投入的回報周期要求更為嚴格，回本周期從過去的三年縮短至兩年以內。盡管短期困難，但我們堅信制造業作為中國的經濟支柱，長期來看市場必將回暖。

三是數科公司對的行業沖擊。大量數科公司以“包工頭”模式運作，將研發外包給技術公司并獲取利潤，導致真正投入創新的企業利潤縮減、研發受限。我們認為這種模式不可持續，未來行業將逐步回歸良性生態。