散会后，林辰最后一个离开会议室。王海清跟在他身后，欲言又止。
“想说什么就说。”林辰走进电梯。
“林总，”王海清压低声音，“三个月，五十万合同……是不是太冒险了？制造业的销售周期很长，三个月可能连技术方案都还没讲明白……”
“所以我们需要换种打法。”林辰按下28层的按钮，“传统销售是先讲方案，再试点，再签合同。我们反过来，先免费试点，用效果说话，再谈合同。而且——”
他顿了顿：“我们不是要从零开始建模型。系统已经生成了纺织机械预测性维护的算法框架，我们只需要针对具体工厂的数据做微调。这个时间，可以压缩到两周内。”
王海清瞪大眼睛：“两周？这怎么可能？光是数据清洗和特征工程——”
“用我们重构‘星语’时积累的那套自动化工具链。”林辰说，“再加点新东西。”
电梯门开了。
林辰走出去，留下王海清站在原地，半天没回过神。
3
接下来的两周，林辰团队进入了另一种状态的工作节奏。
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。