不再是“星语”重构时那种封闭开发、全员压上的模式，而是分成了两个小组：A组五个人，继续维护和优化“星语”系统，确保基本盘稳定。B组五个人，由林辰亲自带队，全力攻坚纺织机械预测性维护项目。

B组的办公区被单独隔了出来，白板上贴满了纺织工厂的车间照片、设备图纸、传感器布置图。桌子上摆着几本厚厚的《纺织机械原理》《设备故障诊断学》，还有从试点工厂拿回来的轴承、齿轮等实物样品。

林辰的工位在最中间，三块屏幕并排：左边是系统的算法开发界面，中间是试点工厂的实时数据监控，右边是项目管理和团队协作工具。

“林总，第一家工厂的数据接进来了。”一个年轻工程师报告，“不过质量很差，很多传感器读数有跳变，还有大段缺失。”

“用我们之前处理‘星语’日志数据的那套异常检测算法，先自动清洗一遍。”林辰头也不抬，“清洗完的结果，同步给算法组，开始训练基线模型。”

“第二家工厂不愿意给实时数据，只给了过去三年的历史故障记录和设备运行日志。”

“历史数据也行。先用这些数据做离线分析，找到故障发生的共性模式。等试点开始了，再用实时数据迭代模型。”

“第三家工厂……他们总工说，想先跟我们开个视频会，看看我们到底懂不懂纺织。”

林辰终于抬起头：“什么时候？”

“明天上午十点。”

“我来。”

视频会定在第二天上午十点，对方是华东地区一家中型纺织厂，年产值五个亿，设备老旧，故障率高。总工姓孙，五十多岁，在行业里干了三十年，是典型的“老师傅”，对AI这种新东西既好奇又怀疑。

会议开始，孙总工出现在屏幕里，背景是嘈杂的车间。他穿着工装，手里拿着个保温杯，表情严肃。

“林总是吧？你们那个什么AI预测，我听过，但没见过真能用的。”他开门见山，“我们厂里，机器坏不坏，老师傅听声音、摸温度就能知道个八九不离十。你们用数据，能比人准？”

这个问题很刁钻，直指AI在工业场景落地的核心矛盾：经验vs数据。

林辰没有直接回答，而是反问：“孙总，您厂里上个月，细纱机A-07号车，是不是在凌晨三点左右突然停机？故障原因是主轴轴承磨损，但之前没有任何预警，导致那批纱全废了，损失大概八万块？”

孙总工愣了一下：“你怎么知道？”

“我看过你们发过来的历史维修记录。”林辰调出一张图表，“不止这一次。过去一年，你们厂因为突发故障导致的非计划停机，有二十七次，平均每次损失五万，加起来一百三十五万。如果能提前二十四小时预警，这些损失大部分可以避免。”

“预警？怎么预警？”

“用数据。”林辰切换屏幕，展示出系统生成的算法示意图，“机器运行时的振动、温度、电流、压力，这些数据里藏着故障的早期信号。只是人眼看不出来，但AI能看出来。我们不需要比老师傅准，我们只需要在老师傅察觉之前，先发现异常。”

孙总工沉默了一会儿，然后说：“那你看看我们这台细纱机。”

他调整摄像头，对准车间里一台正在运行的机器。机器轰鸣，纱锭飞转。

“就这台，你看它现在有什么问题？”

这是现场考试了。

林辰看向屏幕上的实时数据流——系统已经接入了这台机器的传感器数据。振动频谱、温度曲线、电流波形……几十个参数在屏幕上滚动。

“系统，实时分析。”

【收到。数据分析中……振动频谱在800Hz处有异常谐波，幅度持续上升；主轴温度比同工况其他机器高2.3℃；电流波形有周期性毛刺。综合判断：主轴轴承存在早期磨损，建议在未来7-10天内安排检修。】

林辰抬起头，看向屏幕里的孙总工。

“孙总，这台细纱机的主轴轴承，应该有点问题了。振动不太对，温度也偏高。虽然现在还能用，但建议一周内安排检查一下。如果继续跑，可能撑不过十天。”

孙总工的表情变了。

他盯着林辰看了几秒，然后转身对车间里喊：“小张！把A-09号车停了！叫维修班过来，拆主轴轴承看看！”

视频会议没挂，但孙总工走开了。屏幕里传来嘈杂的人声、工具碰撞声、机器停止运转的闷响。

二十分钟后，孙总工重新出现在镜头前，手里拿着一个轴承。轴承外圈上，已经能看到细微的磨损痕迹。

“林总，”他声音有些发颤，“真让你说中了。磨损还不太严重，但确实已经开始有了。如果没发现，再跑一个星期，估计就得抱瓦了。”

他放下轴承，看着林辰，眼神完全变了。

“你这个AI……有点东西。行，我们厂，给你们做试点。需要什么数据，尽管说。需要人配合，我亲自安排。”

“谢谢孙总信任。”林辰说。

视频会议结束后，B组办公区里响起压抑的欢呼声。首战告捷，而且是这种“现场打脸”式的胜利，对士气的提升是巨大的。

但林辰没时间庆祝。

“第一家工厂的数据清洗完了吗？基线模型训练进度？”

“清洗完了，模型在训练，预计晚上八点出结果。”

“好。第二家工厂的历史数据分析报告，今天下班前我要看到初稿。”

“已经在写了。”

“第三家……不，现在是我们第一家正式试点工厂了。跟他们对接，明天就派人过去部署数据采集设备。要快，我们要在两周内，做出第一个可演示的预测案例。”

命令一个接一个下达，团队重新进入高速运转状态。

林辰坐回工位，看着屏幕上三家工厂的数据流。系统界面在视野边缘展开，显示着项目的整体进度：

【纺织机械预测性维护项目】

【当前状态：试点启动】

【合作工厂：3家】

【数据接入进度：67%】

【基线模型训练进度：45%】

【核心风险：传感器数据质量、工厂配合度、算法泛化能力】

【预估成功概率：71.3%（较上周上升12%）】

71.3%。

还不够。

他需要更高的成功率，更快的进展，更惊艳的效果。

因为三个月倒计时，已经开始。

4

四周后。

星河科技大会议室，第三次项目进展汇报。

这次参会的人更多。除了陈明远和销售、市场负责人，还有CTO张涛、几个核心产品总监，甚至CFO刘薇也来了——她是被陈明远拉来“把关”预算的。

林辰站在投影幕布前，激光笔的红点落在最新数据上。

“过去四周，我们在三家试点工厂完成了数据采集和基线模型部署。这是第一家工厂，也就是孙总那里的细纱机预测结果。”

屏幕上出现一张图表，横轴是时间，纵轴是“预测风险评分”。图表上标注了三个红色的箭头，分别指向三个时间点。

“这是我们系统预测出的三个**险时间点。”林辰说，“第一次，10月28日，系统预警A-09号车主轴轴承磨损。工厂及时检修，避免了一次非计划停机。第二次，11月5日，预警B-03号车齿轮箱异常，检查发现润滑油杂质超标。第三次，昨天，11月12日，预警C-07号车电机温度异常，原因还在排查，但工厂已经停机检查。”

他切换下一张图，是三个预警事件的经济效益分析。

“三次预警，为这家工厂避免了：一次非计划停机（损失8万），一次齿轮箱损坏（更换成本5万），以及可能的电机烧毁（损失15万以上）。总共避免损失至少28万。而我们的服务，如果按年费计算，是12万。投入产出比超过2:1。”

会议室里很安静，只有空调出风口的声音。

陈明远脸色不太好看，但没说话。

刘薇推了推眼镜，问：“这是单家工厂的数据，有代表性吗？”

“有。”林辰又切换一张图，是三家工厂的汇总数据，“过去四周，三家工厂总共产生预警17次，经工厂确认有效的15次，误报2次，准确率88.2%。避免的直接经济损失预估在80万-120万之间。平均每家工厂每周产生1.2次有效预警，平均单次预警避免损失5-7万。”

数字很扎实。

刘薇点点头，不再说话。

“所以，”林辰总结，“从技术可行性上讲，AI预测性维护在纺织机械领域是成立的。从经济性上讲，投入产出比是正的。从客户接受度上讲，三家试点工厂都表示愿意继续合作，其中两家已经主动询问正式合作的价格。”

他停顿了一下，目光扫过全场。

“我的建议是：项目从试点阶段，进入小规模推广阶段。目标是在未来两个月内，签约至少十家付费客户，形成可复制的商业模式。为此，我需要公司提供三方面支持：第一，组建专门的销售支持团队，协助工厂部署和培训；第二，开放部分市场预算，用于行业会议和客户案例宣传；第三，给我追加三百万预算，用于算法优化和产品化封装。”

“三百万？”陈明远终于忍不住了，“林总，你之前可是答应了两百万预算做试点的。现在试点还没结束，就要追加预算，这不合适吧？”

“陈总，试点已经证明了价值。”林辰看着他，“追加预算，是为了放大价值。如果现在不投入，等竞争对手反应过来，这个市场我们就抢不到了。”

“竞争对手？哪来的竞争对手？”

“系统，调出竞品动态。”

林辰在脑海里下令，同时嘴里说着：“据我了解，云图科技虽然去年失败了，但今年又重新组建了工业AI团队，也在看预测性维护这个方向。还有几家创业公司，比如‘智造未来’、‘工数科技’，都已经拿到了融资，正在快速扩张。这个窗口期，可能只有六到九个月。”

屏幕上适时出现了几份竞品分析报告，都是系统实时生成的，数据详实，来源清晰。

陈明远盯着屏幕，哑口无言。