“乙方泄露数据是砸自己饭碗，而甲方最多掉颗饭粒 —— 你见过哪个快递员会为了个包裹砸自己饭碗的？谁傻啊！”
在谈到客户的数据安全问题时，蘑菇物联创始人兼CEO沈国辉 给牛透社打了两个贴切的比喻。
安全问题确实是行业通病，谈到数据安全，服务商比甲方紧张多了。
沈国辉坦言：“数据从甲方工厂设备里采出来，我们拿了他的数据，借个胆子也不敢乱来！真要是泄露了，我们公司直接就得关门大吉，赔都能赔到死无葬身之地。可甲方呢，数据泄露了可能算个工作失误，压根不是一码事。”
沈国辉说，蘑菇物联的护城河是算法、协议和数据，这三者缺一不可。
算法能力是他们赢得客户信任的基础，没有过硬的算法实力，客户根本不会给服务的机会；通讯协议是数据采集的前提条件，不连接设备，再好的产品也无法落地应用。
过去十年他们积累了超1600种设备通讯协议，"蘑菇物联连不上的设备，别人也连不上"。
最后才是数据积累。目前，他们日均处理超过100GB的工业数据，这相当于5 万本百万字书籍的总量，约等于一座中小型图书馆的全部文字信息。这些数据都要经过严格的处理流程，从数据清洗到数据标准化，再到提取有价值的工业特征，形成了独特的数据优势。即使在当前市场环境下，蘑菇物联依然保持增长。
最近几年，沈国辉发现市场上发生了一些变化，客户的预算变了，需求也变了。
更重要的是，市场出现了 “劣币驱逐良币” 的现象，部分厂商为了迎合客户的短期回报要求，在合同中乱承诺、夸海口，最终在项目验收时却不了了之，导致项目烂尾。
他看不惯这种现象，对此很无奈。
【 以下为牛透社本次访谈内容 】
牛透社：蘑菇物联早期选择从工业设备智能化切入，当前工业AI领域最值得破局的黄金场景是什么？聊聊你的判断逻辑。
沈国辉：工业AI的价值场景，我认为可以分三个层次：
首先，最优的场景是能直接帮客户拿订单、创造收入，这才是真正能让制造业客户眼前一亮的；其次，是能创造可量化、可测量的降本价值，比如省电省人，要能实实在在装电表测出来，或者明确计算出节省了多少人力；最后，才是常见的提效提质，虽然也有价值，但说服力相对弱一些。
简单来说，制造业最关心的就是四个关键词：增收、降本、提效、提质。其中增收是最难的，但价值也最大。
目前来看，第二层次的可验证、可量化的降本效果，是客户最愿意买单的价值点。
牛透社：在工业AI领域，既有传统工业软件巨头也有新兴AI公司，蘑菇物联的差异化壁垒是什么？
沈国辉：我们的护城河可以总结为三个核心要素：算法、协议和数据。这三者形成了一个闭环，缺一不可。
首先是算法能力。这是我们赢得客户信任的基础，没有过硬的算法实力，客户根本不会给我们服务的机会。
很多人以为工业AI就是大模型，但我们的算法远不止于此。如果只用大模型，那根本形不成壁垒 —— 大模型谁都能用，甲方也能用。我们的独特之处在于将大模型与传统AI技术，比如强化学习、马尔科夫过程、傅里叶变换、随机森林、决策树等深度融合。
大语言模型擅长处理文字和逻辑推理，但对工业设备的时序数据处理效率不高，甚至会产生 "幻觉"。而我们结合传统算法，能更高效地处理设备数据。
其次是设备通讯协议。这是数据采集的前提条件，如果连设备都连接不上，再先进的算法也无法落地应用。
我们专注高耗能通用设备，比如空压机、中央空调，这类设备有两个特点：能耗高（节能需求强）、通用性强（市场空间大）。过去十年，我们积累了超1600种设备通讯协议，协议问题对别的公司来说绝对是巨大的障碍，但我们手到擒来，这是实打实的门槛。
现在业内有个说法，"蘑菇物联连不上的设备，别人也连不上"，这就是我们的价值。
最后才是数据积累。通过实际服务客户，我们才能获得真实场景下的设备运行数据。
目前，我们日均处理超过100GB的工业数据，这些数据都要经过严格的三步处理流程：第一步是数据清洗，去除传感器噪声和异常值；第二步是数据标准化，转换成可分析的统一格式；第三步是特征工程，提取有价值的工业特征。
这个闭环体系让我们形成了独特的数据优势。即使在当前市场环境下，我们依然保持增长。
牛透社：从设备监控到预测性维护、能效优化，蘑菇物联的产品迭代反映了工业客户需求的哪些变化？
沈国辉：这个问题很好。
让我用一个生活中的例子来说明：就像我们买智能手表，有人是为了测心率，有人是为了计步数，还有人就是为了好看。
设备监控也是同样的道理。
最初，客户的需求很简单，就是想随时知道设备是否在正常运转。这就像给设备装了个 "健康手环"。
但随着发展，客户发现仅仅知道 "设备现在好不好" 是不够的，他们更想知道 "设备什么时候会坏"。这就是预测性维护的价值所在。
以空压机为例，突然停机可能导致整条生产线瘫痪，损失可能高达上百万。通过AI分析设备数据，我们可以提前预警潜在故障，让客户有时间安排维护，避免非计划停机。
现在，客户的需求又升级了，不仅要设备不坏，还要运行得更高效。就像我们不仅希望手表能测心率，还希望它能给出健康建议一样。能效优化就是在保证设备可靠性的前提下，帮助客户节省能耗成本。
这个发展过程，本质上是从 "事后处理" 到 "事前预防"，再到 "主动优化" 的升级。每一步都对应着客户痛点的深化和需求的升级。
预测性维护主要依靠传感器监测数据，通过算法预测故障，这属于被动防御。而能效优化则需要主动控制设备运行参数，实现更高效的能源使用。
这一发展路径与行业特点密切相关。
2009年 "感知中国" 战略催生了一批做设备监测的公司，他们主要解决 "设备会不会坏" 的问题。但空压机、中央空调这些高耗能设备占工厂能耗的40%~60%，客户更需要解决 "怎么更省电" 的问题。
我们之所以选择专注于高耗能通用设备领域，主要基于三个关键维度的考量。
首先是通用性。这类设备的应用场景极为广泛，渗透在多个行业的生产运营环节中，由此催生了庞大的市场规模，为我们的业务拓展提供了广阔空间。
其次是高能耗特性。正因为能耗基数大，所以蕴含着巨大的节能潜力，客户对于通过技术手段降低能耗、削减成本的需求迫切，付费意愿也相对较强。
再者是控制需求。这类设备在运行过程中，往往需要对各项运行参数进行实时、精准的调节，以保障其高效稳定运转，这也为我们的技术介入提供了重要切入点。
以电子行业为例，我们通过优化空压机群控策略，成功帮助客户实现了15%~20% 的能耗节省。这种节能效果是完全可测量、可验证的。
牛透社：在当前经济环境下，工业客户普遍面临经营压力，你们在市场上感受到了哪些变化？
沈国辉：第一，关于客户预算的变化。现在的工业客户就像手里攥着5000块钱却只敢花1000块的消费者，极度谨慎。投资回报周期要求从原来的3年~4年 缩短到2 年以内。他们对 "增收" 类项目持观望态度，更看重 "降本"，更倾向于可量化的节能项目，而非模糊的效率提升。
第二，客户的需求也在变。现在客户最愿意买单的是 "看得见、算得清" 的价值，比如要有精确到度的节能效果，要具备可验证的故障预测能力，还要能够节省人力。
第三，市场出现了劣币驱逐良币的现象。部分厂商为了迎合客户的短期回报要求，在合同中乱承诺、夸海口，最终在项目验收时却不了了之，导致项目烂尾。
但我们蘑菇物联坚持三个底线原则：一是所有数据真实可追溯，二是效果必须经得起第三方验证，三是不承诺超出技术能力范围的回报。
牛透社：你们目前标准化SaaS与定制化解决方案的营收占比如何？客户更倾向于哪种模式？
沈国辉：我们标准化SaaS的占比很高，达到80% 以上，定制化解决方案仅占一小部分。
标准化SaaS主要面向多数客户的共性需求，通过SaaS化部署快速落地；而部分大型客户会有私有化部署需求，这类项目会涉及少量定制化开发。
相比之下，专注高耗能通用设备的特性，让我们能以标准化产品覆盖大部分场景。
如果做专用设备的数字化，同行往往不得不依赖私有化部署，大概率会沦为定制化解决方案，而我们通过聚焦通用设备场景，避免了这种困境。
牛透社：工业设备故障样本通常较少，蘑菇物联如何用少量数据训练出高精度模型？会采用迁移学习或合成数据技术吗？
沈国辉：核心在于数据治理。
无论是大模型还是小模型，数据质量直接决定精度。数据治理不到位、结构混乱，模型就容易出 “幻觉”，优化效果也会大打折扣。
我们的路径很清晰，先通过物联采集数据，然后过滤掉传感器产生的噪点和毛刺数据，完成清洗；再将数据结构化，完善治理形成数据集；最后用高质量数据集训练模型，不断迭代提升精度。
物联数据量极大，人工清洗不现实，必须靠算法自动化处理，这本身就是技术门槛。
打个比方，数据就像石油，纯度不够的油会让发动机抖动，而经过治理的 “纯正数据” 才能为模型提供持续动力。
只有把数据基础打牢，模型精度才有保障。
牛透社：设备数据存储在你们这儿，客户怎么看数据的安全性问题？你们又凭什么保证安全？
沈国辉：工业AI与智能驾驶类似，均采用云边端架构，核心是根据功能需求分配算力与存储资源：
云端主要承担需要大存储、大算力的任务，比如模型的训练、迭代。云端能利用其存储和算力优势，处理海量数据并优化模型，就像特斯拉将摄像头采集的大量数据放在云端训练，不断提升算法能力。
边缘端部署的是经过 “蒸馏” 的训练好的模型，负责实时计算与控制。边缘服务器直接安装在空压站、中央空调机房等能源站房内，与设备仅相距几米到十几米，能实现毫秒级响应，满足实时性需求。
我们的决策标准是，需实时处理、强调及时反应与独立运行的任务，比如设备控制，必须放在边缘端，避免依赖无线络。
我们把大存储、模型训练与迭代的任务，放在云端。边缘端与云端每小时同步一次数据即可，模型迭代时通过OTA远程升级从云端推送至边缘端，类似特斯拉车机系统的更新逻辑。
安全问题确实是行业通病。但数据是从甲方工厂设备里采出来的，设备是他的，数据自然也是他的。
我们拿了他的数据，敢乱来？借个胆子也不敢！真要是泄露了，我们公司直接就得关门大吉，赔都能赔到死无葬身之地。可甲方呢，数据泄露了可能算作工作失误，压根不是一码事。
我们比甲方紧张多了。
我们拿数据是当石油来加工的，是帮他创造价值的，又不是拿去卖钱。真能卖钱这生意倒好做了，可甲方能答应吗？
甲方真没必要担心，真想放心，签协议，加惩罚条款，怎么罚都行，规矩我们认。
乙方泄露数据是砸自己饭碗，甲方最多掉颗饭粒 —— 你见过哪个快递员会为了个包裹砸自己饭碗的？谁傻啊！
牛透社：能否分享一个蘑菇物联AI产品在工业行业实际应用的案例，讲讲它是如何解决企业实际问题的？
沈国辉：就说德福，它是铜箔行业的龙头企业。生产铜箔，需要空压机、中央空调、水泵这些通用工业设备，保障水电气冷热供应。
但问题来了，这些高耗能设备管理起来太复杂了，涉及空气动力学、机械制造、电气工程自动化、暖通工程、热能与动力工程好几个学科。
大学里都没哪个专业能把这些全教了，招人都难，想找能同时管好这么多设备的人才，难上加难。而且设备多了，能耗也跟着飙升，这可是笔大开销。
这不就正好是工业AI能发挥作用的地方吗？
我们做的就是把 “老师傅” 软件化，变成数字人。我们的 “云智控” 产品，就相当于一个训练有素的老师傅分身，不仅懂刚才说的那五大专业，连语数外、数理化这些基础学科知识也都掌握，是大模型结合小模型训练出来的。
德福买的就是这个 “数字老师傅”。它产能扩张期，既要保证生产不能掉链子，又得降能耗，还缺设备管理的人手，我们这产品全给解决了。既能节能，又能帮着省人，还不耽误生产。现在测下来节能效果有超过15%。
牛透社：你们最常遇到的客户认知误区是什么？
沈国辉：最典型的就是客户过度自信，用老外的话说叫 “OC（Over Confidential）”。
他们太相信自己那套老经验了，觉得 “我干这行十几年，参数都是手调的，你一个软件能比我强？”
这其实是对过往经验的过度自信，形成了路径依赖。
他们一开始就对你的POC做 “有罪推定”，先认定你不行，然后到处找理由证明自己是对的。
说白了，想挑刺还不容易？就像有人会直接怼 “你又不是干这个的，你懂还是我懂？”
但他们忘了，现在的AI真可能比他懂，只是很多人不愿意承认。
牛透社：你曾提到要在 “一厘米宽的地方挖一公里深”，坚持深耕垂直领域。那为什么不拓展更广泛的业务领域？进入新行业时，又如何快速适配差异化的设备协议和工艺逻辑呢？
沈国辉：我们就是要在窄领域做深做透，让客户看到我们的工业AI软件，比如云智控，就是比最有经验的老师傅还靠谱。
做工业得有敬畏心，现在在这 “一公尺宽” 的领域里，都还有人天天挑刺、想证明我们错了，要是贪多求广，那不就被批得体无完肤了？
至于进入新行业时适配设备协议和工艺逻辑，没别的捷径，全靠一点点啃那些脏活累活。
朱啸虎也说过，工业领域，把脏活累活干扎实了，自然就有了护城河。光靠算法耍花架子，根本成不了事。
这就像毛竹生长，前四年在地下默默扎根，看起来没动静，可根扎够深了，一旦破土，就能蹭蹭往上长。
我们蘑菇物联快十年了，现在就像刚冒头的毛竹，碰上行业环境不好，时代的尘埃一层层压上来，更得把根扎稳、把脏活累活干透，才能不管多少土压着，都能顶破出来。
我们已经在做出海的事情，东南亚的越南、泰国、马来西亚，还有日韩这些地方都在推进，先从近距离的市场开始布局。目前这些国家都已经有POC概念验证项目了。
牛透社：蘑菇物联推进AI商业化的过程中，面临哪些主要挑战？
沈国辉： 我们主要面临三大挑战：
一是客户认知与信任问题。部分客户过度依赖传统经验，对AI技术缺乏认可，认为手动调整参数比软件更可靠。针对这一问题，我们采取筛选客户的策略，优先与愿意尊重专业分工的客户合作，同时借助媒体力量提升行业认知，推动客户接受专业化的AI解决方案。
二是预算约束。当前工业企业普遍面临资金压力，对AI投入的回报周期要求更为严格，回本周期从过去的三年缩短至两年以内。尽管短期困难，但我们坚信制造业作为中国的经济支柱，长期来看市场必将回暖。
三是数科公司对的行业冲击。大量数科公司以 “包工头” 模式运作，将研发外包给技术公司并获取利润，导致真正投入创新的企业利润缩减、研发受限。我们认为这种模式不可持续，未来行业将逐步回归良性生态。
注：文/Alex，文章来源：牛透社(公众号ID：Neuters )，本文为作者独立观点，不代表亿邦动力立场。