当通用大模型与 Physical AI 的概念热潮开始退去，投资人重新把目光投向真正扎根实体经济的 AI 机会时，一个更具体的问题浮出水面：工业现场不缺传感器，也不缺海量生产数据，但数据很难被直接用于生产操作。工艺复杂、机理不清、工况多变，传统机理模型难以适配，通用大模型又不懂物理约束。于是，一批公司开始尝试把 AI 从“事后分析”推进到“实时干预”，直接参与产线调控。

金珵科技是其中一家。据投资界报道，这家 2023 年成立于上海的工业 AI 公司刚刚完成 A 轮融资，集结了上海国资、产业资本以及头部市场化基金。公司创始人李金金博士毕业于上海交通大学，海外深造后于 2014 年回到母校任教，现任上海交通大学人工智能与微结构实验室主任。她带领团队自研 ManuDrive 工业时序控制大模型，试图把 AI for Science 对物理世界的建模能力，迁移到工业动态时序生产过程。

这轮融资的特别之处，不在于金额——本轮金额未披露，投资方也只以“上海国资、产业资本以及头部市场化基金”概括，未披露具体机构名称。更值得关注的是，一家成立仅三年的公司声称已经实现盈利，并采用与客户风险共担的收益分成模式。这在工业 AI 赛道并不多见。

字段 内容
公司 金珵科技
轮次 A轮
金额 未披露
投资方 上海国资、产业资本、头部市场化基金（具体机构未披露）
总部 上海
创始人 李金金
官网 https://www.jinchengcn.com/

从“老师傅经验”到可执行控制指令，ManuDrive 试图越过工业 AI 的演示边界

金珵科技切入的是一个传统工业软件和通用大模型都未能充分覆盖的地带。据投资界报道，传统工业软件侧重监控与统计仿真，通用大模型则擅长文本信息处理，而 ManuDrive 的底层逻辑是把物理机理融合、时序工业数据处理、工业 AI 模型、安全约束、产线对接能力全部抽象沉淀，形成可复用的组件库。公司称，ManuDrive 覆盖 18 万工艺变量、1.5 亿条理化动力学数据、30 亿装备时序数据，沉淀了 127 个可复用的算法功能智能体；这些数据口径来自公司披露，尚无独立第三方验证。

与只做数据可视化和结果分析的系统不同，ManuDrive 的关键主张是输出受物理安全约束的可执行控制指令，直接参与产线调控。公司称，其能力包括实时优化工艺参数、压缩生产节拍、降低能耗损耗、稳定产品良率、减少设备异常停机。这意味着产品需要与产线控制系统深度对接，而不是停留在离线建议层面。

李金金在投资界报道中解释，不同行业场景可以通过拼装已有 AI 智能体完成适配：“比如落地到生物发酵领域，选这 30 个智能体；落地到污水处理，选另外 40 个智能体；到高炉焚烧，就是另外 20 个智能体。”她称，原来一个垂类模型开发可能得按年算，现在最快一个小时就可以搭建一个。这一效率数字同样来自创始人表述，尚未有独立第三方验证。

从已披露的产品形态看，ManuDrive 的“组件库”逻辑更接近工业 PaaS 或可复用算法中台，而非单一场景的定制模型。其能否真正跨行业复用，取决于组件抽象程度是否足够高，以及每个新场景中物理机理与现场数据的适配成本是否真的能被压缩到公司宣称的水平。公司称，依托智能体底座，绝大多数基础智能体可直接复用，落地周期可压缩至 1-2 周；在生物发酵场景，企业导出历史批次运行数据后，可调用发酵类标准化组件，1-2 天内完成模型上线部署；在刀具加工工艺规划场景，无需改造机床硬件，1 天内完成 AI 工艺规划模块部署。这些交付周期数字均来自公司披露，尚未有独立第三方验证。

川宁生物标杆项目：单条产线千万级增量效益，但统计口径仍待拆解

金珵科技商业化的起点是川宁生物新疆伊犁生产基地。据投资界报道，川宁生物是全球最大的抗生素发酵企业之一，发酵过程复杂，一个发酵罐里同时发生上百种生化反应，温度、pH、溶氧、补料速度等参数互相耦合，传统控制方式依赖老师傅经验。

据公司披露，在金珵团队赋能下，川宁生物的产线生产波动降低 50%，产量实现 3%-5% 提升，单条产线每年带来千万级别增量效益。这是金珵科技目前最核心的效果数据，但来源为公司单方披露，尚无独立第三方验证。需要说明的是，本项目的统计口径、收入确认方式以及“增量效益”的计算基准均未在来源材料中披露；例如，产量提升的对比基线是历史同期、相邻产线还是模型预测值，增量效益是否扣除客户自身投入与产线改造费用，均无法从现有材料确认。

从产业链约束看，抗生素发酵属于强监管、高一致性要求的流程工业。任何工艺参数调整都需要经过严格的批次验证与质量放行，AI 给出的调控指令能否被稳定采纳，不仅取决于模型精度，还取决于工厂的质量体系、工艺变更管理流程以及操作人员的信任。投资界报道提到，现场验证中 ManuDrive 曾多次给出与传统老师傅经验不同的调控思路，最终在实验罐上被证明效果更优。但报道未披露实验罐数量、验证周期、对照组设置以及从实验罐到生产罐的放大路径。

这构成了金珵科技商业化的第一层验证边界：川宁生物项目证明了产品在单一发酵场景中可以跑通闭环，但“单条产线每年千万级别增量效益”能否在更多客户、更多产线上复现，仍是待验证假设。公司称已落地超百家中大型实体制造企业，在生物制造、化工、水务等流程工业落地多条产线闭环项目；但来源未披露这百余家企业的付费结构、复购率、客单价分布，也未披露其中有多少是收益分成模式、多少是其他合作形式。

收益分成模式把风险从客户转回供应商，也把收入确认推向更不确定的一端

金珵科技选择了一条与传统工业软件不同的商业化路径。传统工业软件通常按 License 或项目制收费，客户付了钱但效果不确定，风险主要在客户一侧。据投资界报道，金珵科技采用收益分成模式：客户不需要前期大额投入，只在 AI 真正创造增量收益之后，金珵科技才获取相应分成。

这套模式的逻辑是把技术价值与客户经营结果深度绑定，倒逼自身交付真实可量化的产业价值。但它同时带来两个直接问题。第一，收入确认高度依赖增量收益的计量。工业产线的产量、能耗、良率受原料批次、设备状态、环境温湿度、操作班组等多重因素影响，如何从复杂变量中剥离出“AI 带来的增量”，需要双方在合同中约定清晰的归因方法与基准线。来源材料未披露金珵科技与客户之间的收益分成具体条款、计量周期或结算方式。

第二，现金流压力从客户转移到了供应商。公司需要先投入模型部署、产线对接与持续调优成本，收益后置。对于一家成立三年的创业公司，这意味着在规模化扩张阶段，营运资金管理会比项目制收费更重。公司称创业仅三年已实现盈利，营收规模高速增长；但来源未披露盈利口径是净利润、经营现金流还是其他指标，也未披露营收规模的具体数字或增速。

从投资逻辑看，收益分成模式如果跑通，会带来比 License 更高的客户粘性与长期收入弹性；如果跑不通，则可能陷入“项目做了很多、收入确认很慢”的困境。本轮融资未披露金额，也未披露资金用途的独立信息。DoNews 快讯称本轮融资将用于模型迭代与行业规模化部署，但该文标注内容由开放的智能模型自动生成，仅供参考，不能作为独立核实事实。

“超百家企业”与“盈利”背后的规模化复制问题

金珵科技最常被引用的两个商业化信号，一是落地超百家中大型实体制造企业，二是创业三年实现盈利。据投资界报道，这两个说法均来自公司或创始人披露，尚无独立第三方验证。

“超百家企业”这一口径需要拆解。它可能包含付费客户、试点客户、合作备忘录或产线验证项目。来源材料未披露其中有多少是完整闭环项目、多少是收益分成客户、多少是仍在 POC 阶段的试点。公司称在生物制造、化工、水务等流程工业落地多条产线闭环项目，但“多条”的具体数量未披露。

更关键的是规模化复制的成本结构。工业 AI 的难点不在于做出一个标杆项目，而在于把标杆项目中的隐性知识——老师傅经验、工艺边界、安全约束、产线接口——转化为可复用的标准化组件。金珵科技声称已经沉淀 127 个可复用算法功能智能体，但组件库的复用率、跨客户迁移时的二次开发量、每个新场景的部署人天成本，均未在来源中披露。

李金金本人对这个问题有清醒表述。据投资界报道，她称：“POC 做得漂亮不算胜利，跨过试点、走向规模化复制，才是真正的考验。”这句话点出了工业 AI 赛道的核心矛盾：单点效果可以很漂亮，但规模化复制需要产品化能力、交付组织能力和客户成功体系的同步成熟。

从已披露信息看，金珵科技至少在一个维度上展示了产品化努力：交付周期从最初的数月缩短到数天甚至 1 天。公司称，这背后是平台化沉淀带来的效率跃迁。但交付周期缩短与规模化复制能力并不完全等同。前者衡量的是单个项目的部署速度，后者衡量的是同时推进多个项目时的边际成本下降。来源材料未披露公司目前的交付团队规模、人均同时管理项目数、客户成功体系的组织形态，因此无法判断“超百家企业”背后是真正的产品化复制，还是高强度的项目制交付。

竞争格局：金珵科技面对的不是另一家 AI 公司，而是工业自动化与工艺优化的既有体系

金珵科技在来源材料中被置于两个对照系中：传统工业软件和通用大模型。据投资界报道，传统工业软件侧重监控、统计仿真，通用大模型擅长文本信息处理，两者都无法直接输出受物理安全约束的可执行控制指令。这是金珵科技试图占据的差异化位置。

但从真实产业链约束看，金珵科技的竞争对手或替代方案不止这两类。在流程工业的先进控制与实时优化领域，APC（先进过程控制）、RTO（实时优化）以及 DCS（集散控制系统）厂商已经深耕数十年。它们拥有成熟的产线接口、安全认证体系和客户关系。金珵科技的产品要直接参与产线调控，就必须与这些既有系统对接，甚至在某些场景中替代或增强它们的功能。来源材料未披露 ManuDrive 与主流 DCS、PLC 或 MES 系统的具体对接方式、协议兼容范围或安全认证情况。

另一个竞争维度来自工业客户的自研能力。大型流程工业企业，尤其是川宁生物这类龙头，往往拥有自己的工艺优化团队和数字化部门。它们对“收益分成”模式的接受度，取决于外部 AI 公司能否持续带来内部团队无法实现的增量。一旦标杆项目的效果被验证，客户可能选择自建类似能力，或要求更低的收益分成比例。来源材料未披露金珵科技与客户之间的知识产权归属、数据使用权或排他性条款。

出海首单是另一个值得关注的信号。公司称今年 7 月签下出海首单，李金金在投资界报道中称：“对方看到我们国内产线真实落地效果，再开展深度技术交流，完成方案验证，最终达成合作。”但出海客户名称、所在国家、合同金额与交付范围均未披露。从产业链约束看，海外流程工业客户对数据安全、工艺合规和本地化服务的要求通常更高，首单能否转化为可复制的海外业务，仍是待验证问题。

投资逻辑：国资、产业资本与市场化基金同时出现，但具体机构与金额缺席

本轮融资的投资方组合值得拆解。据投资界报道，金珵科技 A 轮集结了上海国资、产业资本以及头部市场化基金。三类资本同时出现，通常意味着不同的投资逻辑在交汇：上海国资可能看重工业 AI 与上海制造业升级的政策契合度；产业资本可能看重 ManuDrive 在自身产线或上下游的落地价值；头部市场化基金则可能押注收益分成模式带来的收入弹性与规模化复制潜力。

但来源材料未披露具体机构名称，也未披露融资金额。这使得本轮融资的资本结构难以被进一步分析。例如，国资与市场化基金的投资比例、产业资本是否来自现有客户或潜在客户、是否有老股东跟投，均无法确认。对于一家声称已盈利的公司，A 轮融资的金额与估值水平，本可以反映投资人对“盈利的工业 AI 公司”如何定价；但这些关键信息目前均未公开。

从投资人的尽调行为看，李金金在投资界报道中描述了一个值得注意的变化：“不少机构深度下沉到产线现场，跟着我们跑工厂，实地看系统如何介入生产、调节工艺参数、拿到真实降耗增效结果。”这与过去只看模型参数和 PPT 叙事的投资方式形成对比。但投资人的现场尽调只能验证特定产线的运行效果，无法替代对规模化复制能力、收入质量与客户集中度的财务尽调。

金珵科技声称的“创业三年盈利”，如果属实，在工业 AI 赛道中属于少数。但盈利本身需要放在收入结构下理解：如果收入主要来自少数标杆项目的收益分成，而客户集中度过高，那么盈利的可持续性就与少数客户的经营波动深度绑定。来源材料未披露前五大客户收入占比、收益分成收入的确认周期或应收账款情况。

风险与待验证假设：从川宁生物到“工业智能基础设施”之间，隔着规模化复制的鸿沟

金珵科技的故事中，最确定的锚点是川宁生物项目。据公司披露，该项目实现了产线生产波动降低 50%、产量提升 3%-5%、单条产线每年千万级别增量效益。但这一效果数据来自公司单方披露，尚无独立第三方验证；其统计口径、对比基线与增量效益的计算方法均未公开。

从已披露的川宁生物项目与超百家企业落地数量看，金珵科技至少证明了产品可以在真实产线中运行并产生可量化的效果信号。但“可以产生效果”与“可以规模化复制”之间，仍存在多个未验证环节：组件库的跨场景复用率、新客户的部署边际成本、收益分成的计量与结算效率、客户从试点到付费的转化周期、以及公司在多项目并行时的交付组织能力。

另一个风险来自行业技术落地节奏。来源材料将“工业 AI 领域规模化复制能力待验证，行业技术落地节奏或慢于预期”列为风险提示。这不是金珵科技一家的问题，而是整个赛道面临的共同约束。流程工业的工艺变更周期长、安全要求高、客户决策链条复杂，AI 系统从“被允许试运行”到“被纳入日常生产操作”，往往需要跨越技术验证、质量体系认证、操作规范修订等多重门槛。

金珵科技将自身定位为“工业智能基础设施”，这是一个远期愿景。从当前披露的信息看，公司更接近一家拥有标杆项目、正在验证跨场景复制能力的工业 AI 产品公司。其能否从“川宁生物的成功案例”走向“多行业、多客户的规模化收入”，取决于本轮融资后资金如何配置、产品化能力如何强化、以及收益分成模式能否在更大客户基数上跑通。这些问题的答案，目前都还不在公开信息中。

RecodeX 极客视：金珵科技的故事真正值得跟踪的，不是“上海交大教授创业”或“工业界 AI 乐高”的标签，而是收益分成模式能否在流程工业中规模化成立。川宁生物项目证明了单点效果，但单点效果与可复制收入之间隔着一条鸿沟：增量效益如何计量、组件库复用率多高、多项目并行时边际成本能否下降。本轮融资未披露金额与具体机构，让资本结构分析缺少关键坐标。当“POC 做得漂亮”不再是胜利，金珵科技需要回答的，是下一个一百家客户从哪里来，以及每一家客户的部署成本是否真的在下降。

信息来源

本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。