制造業與其養“龍蝦”，不如造一把“AK47”

出品｜虎嗅科技組

作者｜陳伊凡、李一飛

編輯｜苗正卿

頭圖｜視覺中國

“AI原生100”是虎嗅科技組推出針對AI原生創新欄目，這是本系列的第「46」篇文章。

OpenClaw爆火之后，許多傳統企業的企業主找到工業AI企業梅洛迪，要求部署OpenClaw。梅洛迪甚至為此專門成立了個“業務線”就是給政府和企業做OpenClaw的科普，在OpenClaw爆火第一天，梅洛迪就是第一批喊安全的企業。

OpenClaw最致命的，是有機會擁有訪問各個接口的最高權限。賈亦凡是梅洛迪的聯合創始人，他說，“如果你把微信、郵件這種能接收外部信息的接口，以及企業內部文件夾的最高權限全部開放給OpenClaw，這就變成‘黑暗森林’了，你不知道從哪來的什么人攻擊你，對方也不一定是瞄準你攻擊的。”

這句話，說的是OpenClaw，也是整個工業AI落地的現實處境：企業主們對AI的渴望和對AI的恐懼，往往同時存在，互相纏繞。

梅洛迪的創始人、CTO許中人有個判斷：工業AI這件事，最該學的不是OpenAI，而是AK47。道理很簡單，越簡單、越耐用、越容易上手，成功的可能性就越大。最好是做到“奶奶也能操作。”

2024年12月，這個在美國讀完工程博士的年輕人買了一張回國機票，前一天在安居客上看好房子，第二天八點見房東，當場租下來，周一就去工廠報道了。他創辦的梅洛迪，是一家專門給制造業企業做AI改造的公司——切入采購和工藝兩個核心場景，幫工廠把數據梳理清楚，再用AI把效率打出來。

創始團隊那時候還在大洋彼岸，接下來半年，就他一個人在無錫推進。沒有資本撐腰，沒有大廠背書，就憑著“我先幫你看一看”這句話，敲開一家又一家工廠的大門。許中人本科和研究生均在美國完成工程類專業學習，長期從事工程系統與人工智能相關研究，高中階段就開始跟著項目跑測試，他自己說，在學校跟老師待的時間，遠不如跟工人、工程師待的時間長。

許中人邏輯清晰，有極強的耐心，采訪過程中，他習慣在說完一段技術邏輯之后，停頓一下，補一句大白話，就像解釋“全流程數據流轉”，說白了，就是幫老板算清楚他自己都算不清的賬；提到企業數字化轉型的問題，他說，“就像中風，癥狀體現在肢體上，但根源在其他部位”。

我們見面的地方，是位于無錫東站旁的長三角（無錫）國際人才港。以人才港為圓心，旁邊是帆軟的大樓，這是國內企業級軟件市場份額最大的公司之一；再往外延伸，是臺鈴、雅迪的電動車企業總部或區域中心；再往外，是長三角制造業集群，紡織、五金、精密零件、新能源配件，構成中國制造業密度最高的地帶之一。

這個行業此刻正處于一種奇異的撕裂狀態。一邊，垂類AI Agent在各個垂直場景加速落地：有人在做法律合同審核，有人在做醫療影像識別，有人在做電商客服自動化，每隔幾個月就有新的"某某行業AI第一股"冒出來，融資消息接連不斷。另一邊，甚至是在制造業聚集的無錫，工廠里老師傅還在憑肉眼判斷焊縫質量，工藝參數還記在師傅自己的筆記本里，圖紙還是手畫的，報價還是靠經驗拍腦袋。兩個世界的時鐘，甚至在不同時空維度上走。

許中人坐在這個矛盾的山脊當中，卻很從容，“你首先得承認，制造業本來就是這樣的。”

公司起名“梅洛迪”。許中人調侃，叫“沒落地”。

但他說這句話的時候，手邊已經有了若干個真實的工業客戶，一個已經盈利的賬本，和一支38人的團隊。

梅洛迪在天使輪估值為3億元，我們談話之際，正在進行新一輪融資，這即使是在AI浪潮之下，造富神話頻出的今天，在初創公司當中并不常見。

我們決定寫梅洛迪，是因為它踩在了一個初創公司甚至是大廠都很少認真站過的位置。

過去兩年，工業AI這個詞被講了很多次。每一場制造業論壇上，都有人說“AI將重塑工廠”，PPT做得很漂亮，案例說得很動聽，但落地效果普遍讓人失望。

一個真實發生的極端例子能反映這種虛假繁榮，有一家企業花了很多錢一個一體機服務器，最后當網盤用，功能完全沒用到。還有一家企業，圖紙都是手畫的，技術文件全是手寫的，幾張圖紙粘在一起，完全沒有規范記錄。“你很難想象，一個接近10億規模的公司，居然沒有任何像樣的數據記錄。”

許中人對這種情況有個形容：又一輪“孤島”。上一輪信息化建設造了孤島，這一輪AI熱潮，很多公司仍在重復同樣的錯誤。

梅洛迪選擇做的是截然不同的路，它先去幫工廠做“體檢”，查清楚數據從哪來、到哪去、中間斷在了哪里，然后再談AI能優化什么。這個過程笨重、耗時、不性感，他甚至還要花大部分時間在解決老板的思維上。“你現在解決的可能根本不是企業真正的病灶，”他說，“癥狀體現在采購部門，病根可能在工藝，也可能在老板的決策邏輯。”所以梅洛迪的銷售方式就是直接和老板談。

這也是我們覺得梅洛迪值得寫的第一個理由：在一個充斥著“大模型落地”宣傳的行業里，它做的是絕大多數公司不愿意做的臟活累活。

調研得越深，就越清楚該切哪里。在許中人看來，制造業里有兩個環節可以直接跳過SaaS，進入AI改造：采購和工藝。

這也是梅洛迪和上一輪信息化建設的根本差異所在。上一輪ERP的邏輯是給企業一套系統，數據填進去就算完事，至于數據能不能流動、有沒有價值，沒人關心。梅洛迪做的是相反的事：先把數據理活，再把數據留住。經過多個項目積累，梅洛迪已經整合了六十多類工業數據源，有一部分可以跨企業通用，有一部分只適用于特定行業場景，共同構成了他們自己的專屬數據平臺和智能體基礎。

這六十多類數據源，并不是從通用數據集里拿來的，而是在一個個非標項目里硬啃出來的。

許中人有個說法：非標場景多且復雜，先做難的，難的做好了，簡單的就容易了。每一個定制化項目，表面上是在解決某家工廠的具體問題，但背后是在提煉可通用的工程經驗，哪些場景可以泛化，哪些數據可以沉淀進平臺，再復用到下一個類似的企業。目前梅洛迪的單個項目周期是三到四個月，他們的目標是把它壓到兩到三個月：不能再短，因為如果數據收集和反饋不夠，AI就沒法校準；但隨著經驗積累，開發工時可以持續壓縮。

這里有一個外界容易忽視的細節：工業AI需要的數據，和企業現有的結構化數據，往往根本不是同一種東西。許中人說，數據的形態完全由產業屬性決定，比如做核心加工的企業，需要的是生產數據、原材料數據、加工數據；做紡織的，需要的是布料、針織和流水線人工操作數據；做缺陷檢測的，需要的可能是圖片，有的場景甚至是超聲波反饋圖。“雖然都叫數據，但不同場景需要的數據類型、可應用的范圍都不一樣。”

數據，是最核心的部分。我們試圖回答梅洛迪的另一個問題：它像什么？

2020年之后，Palantir的名字在國內創投圈被反復提起。這家原本為美國軍方和情報機構服務的數據分析公司，后來成功轉型商業市場，靠著"先派工程師駐場、理解客戶業務、再交付定制化數據系統"的模式，在AI浪潮里估值暴漲。梅洛迪的做法，和這套邏輯驚人地相似：先駐場、再建系統，拒絕通用解決方案，靠口碑和關系網絡擴散客戶。

但許中人對Palantir的判斷更冷靜。“它不是先有了優秀的商業模式才變現，而是先靠軍方關系完成了早期變現，”他說，這一點很關鍵，但很多人談Palantir的時候會跳過它。

梅洛迪沒有這層背書，面對的是中國制造業里那些有改變意愿、但尚未被大廠服務到的腰部企業，必須在完全商業化的環境里用最笨的方式把路徑跑通。

許中人對競爭格局的判斷是：目前真正能夠深入到制造業核心流程、并具備工程交付能力的團隊并不多。不是因為沒人想做，而是因為這件事沒那么容易做。

大廠的問題在于路線。梅洛迪在歐洲有個項目，客戶之前和大廠合作過一個五年計劃，對方把全部精力押在通用大模型上，沒有考慮具體場景的落地，工廠里每臺機床不同、每套工人經驗不同、每家企業的工作流程都不一樣，指望一個通用大模型解決所有問題，本質上是錯的。結果花了五年，最后只跑通了幾個傳統機器學習的單點應用：對牛羊的視覺檢測、農場分揀機的路徑規劃。其他全沒成功。許中人說，這是一個行業性的分歧，比如大廠更傾向于做通用解決方案，創業公司反而更清楚要做垂直于具體場景的Agentic AI。

國內的大廠則是另一種慢法。“我們和大廠聊過，”許中人說，“他們說要做類似我們現在的業務，至少需要22個月的準備期。”就算今年三四月立項，順利推進也要22個月后才能落地。他說這句話時，語氣平靜，像是在陳述一個已經計算好的工程數據。“對我們來說，在工程經驗和項目積累上，我們目前有一定先發優勢。到時候和他們競爭，我們信心很足。”

梅洛迪的意思是沒落地。

但從許中人拎著箱子回國創業的那一天起，梅洛迪做的每一件事，都是在落地。

上一輪數字化造的孤島，這一輪誰來收拾

虎嗅：你們切入工業AI，選了采購和工藝這兩個場景，為什么是這兩個？

許中人： 采購涉及原材料流轉、采購供應、消耗，能從這里獲取大量數據，而且采購環節直接反映企業的自我掌控力——采購做得好，說明管理能力強；采購問題多，就說明企業有很多需要整改的“病灶”。

工藝則是企業技術積累和經驗沉淀的核心體現。企業普遍面臨一個問題：經驗怎么傳承？全廠生產規劃只靠一位大師傅，所有示意圖、工藝圖都由他做最終判斷。如果這位大師傅離職或不帶徒弟，他的經驗怎么數據化、標準化地留存下來？說白了就是幫企業構建自己的數字資產。

虎嗅：這個問題上一輪信息化建設沒有解決過嗎？

許中人：上一輪更像是造“孤島”——把各個部門都打造成了島嶼，卻沒有打通部門間的連接。很多企業只是在某個部門上了系統，數據就停在那里；有些部門上了系統，數據根本沒錄進去，只存在員工電腦里，完全沒有流轉起來。

更大的誤區是，大家覺得上了系統就完成了。但實際調研后發現根本不是這樣。數據沒有做到一物一碼，圖紙、編號、價格都對不上。財務人員無非是把一張Excel表搬到四個系統里重復做四次，年底用來核算項目。如果這就是信息化建設，那根本沒意義。

真正的信息化應該讓數據知道從哪來、到哪去，能自動流轉起來，而不是像某些駕駛艙那樣把數據匯總到大屏上顯示一下就完事；也不是像ERP那樣，讓數據變成冰冷的文字躺在那里，等到企業需要決策時調出來，才發現數據有問題。

虎嗅：所以你們其實是在替上一輪信息化建設收拾爛攤子？難點在哪？

許中人：可以這么理解。數據收集這個過程本身，就是在幫他們完成真正的信息化建設。我們前期幫企業梳理清楚數據來源、流向，很多時候就能幫他們解決30%-40%的問題。哪怕后續沒做深入的二期、三期開發，前期的梳理也相當于給企業做了一次全面體檢。

但難點也在這里，客戶各部門提需求時，都是“盲人摸象”，每個部門只關注自己的問題，而這些問題往往不是本部門造成的，是上下游某個環節出了問題，最終在本部門積累、顯現。這就像中風，癥狀體現在肢體上，但根源在其他部位。

如果我們陷入了重復解決單個部門問題的循環，就會走進上一輪信息化建設的死胡同，只是重復他們做過的工作，本質上還是做一套新的ERP系統，沒有真正解決核心問題。

這樣過了兩三個月、兩三年，客戶又會有新的需求，到時候還要基于這個系統，結合新的技術和情況做二次開發。

如何理解客戶需求、弄清楚根源在哪、病灶是什么，對我們做AI來說是最大的難點。

還有一個很現實的問題：跟企業中層對接沒意義。如果沒有掌門人拍板，全公司上下很難配合——采購部門的問題，可能涉及采購人員和老板的私人關系，老板沒有決心推進，項目根本推不下去。最后就會變成上一輪ERP、SaaS那樣，系統只在單個部門存在，最終還是"頭疼醫頭、腳疼醫腳"。所以梅洛迪的銷售方式就是——直接和老板談。

虎嗅：你剛才提到的工藝場景適合AI化，具體怎么做？

許中人：一是把老師傅的經驗結構化、工藝化留存下來；二是幫他們梳理歷史項目。他們經常遇到這種情況：現在要做的一個項目，十年前其實做過一模一樣的，但經過這么多年的傳承，相關經驗已經丟失了。工藝工程師往往要花很久時間驗證"以前是不是做過類似項目"，如果沒找到，就只能從頭設計。

具體來說，比如飼料配方配比，我們通過"正推+反推"的方式：根據配料和工藝工序，推算最終產品的性能；再根據目標性能，反推合適的工藝順序和配方配比。

這個過程需要企業里有經驗的員工持續對模型校準，每一輪測試和實驗都是在從他們身上汲取經驗，來完善和校準我們的模型，跑一個飛輪出來。

虎嗅：工業AI需要的數據，和企業現有的，在數字化轉型建設上積累的結構化數據是同一種東西嗎？

許中人：往往根本不是同一種。具體需要哪些數據，完全由企業的產業屬性決定。這也是為什么現在提倡做不同行業的高質量數據集，因為不同行業、不同場景的需求千差萬別。數據的維度很多，雖然都叫數據，可能是圖片、文字、語音，甚至是超聲波檢測的反饋圖，但不同場景需要的數據類型、可應用的范圍都不一樣。

我們客戶需要的大多是CAD圖，也就是正經設計的工藝圖。這里有兩個關鍵點：一是準確性，圖紙錯了生產出來就是工程事故；二是很多時候需要的是圖紙里的信息，而不是圖紙本身——工程師最需要的是圖紙里包含的參數，加上縮略圖，知道這是什么東西就行。

虎嗅：聊下來，老板們對這波AI改造的態度是什么樣的？

許中人： 大致上是兩種極端，幾乎沒有折中的。一種是“許愿式”，覺得AI什么都能幫他做；另一種是完全不相信，覺得AI什么都做不了。

很多（老板）是受了上一輪信息化建設失敗的影響，花了幾十萬、幾百萬上ERP，結果問題沒解決，會質疑“怎么知道這不是又一套ERP？”。“許愿式”的老板可能更年輕，或者是接班的二代，只知道現在的大模型，就覺得AI無所不能。

所以我們很多時候要做的工作，其實是降低他們的不合理期望，幫他們建立對AI的正確認知，告訴他們現在具體能做什么、能優化什么。

虎嗅：為什么不在美國做？美國的To B環境更好，數字化程度更高。

許中人：這是一個誤解。美國頂層的信息化建設和中下層企業沒什么關系。很多美國企業可能在90年代買了一套系統，最后一次更新是在2002年，之后再也沒更過，但每年還要支付幾萬美元的費用。對他們來說，NET技術都已經是很超前的技術了。

國內處于快速發展的紅利期，大部分信息化建設是2010年之后做的，而且中國制造業更發達，需要解決的業務場景更復雜，數量也更多。

虎嗅：團隊組建完成，決定開始創業后第一件事是找客戶、做產品還是拉投資？

許中人：其實當時已經有一些現實中的客戶，我們已經幫他們做了一部分工作了。更準確地說，是看到他們有某個問題，我覺得能幫著解決。那時候也沒想著收錢或者其他形式，就是覺得這個問題有趣，想研究一下怎么解決。就這么坐下來對接，之后就同時有了產品雛形和客戶，這兩件事是同步發生的。投資反而在后面，我們第一個投資人是在CES認識的，聊得非常投緣，他也覺得這個方向有未來、有發展前景，就投了。

虎嗅：在中國調研下來哪些案例讓你覺得意想不到？

許中人：有一家企業，花了很多錢買服務器，結果丟在公司當網盤用，服務器本身的功能完全沒用到。還有的企業圖紙都是手畫的，保存得也很差，技術文件全是手寫的，保存同樣不規范。我們得先幫他們做手寫識別，把這些手寫內容轉成電子版。還有些圖紙，很多年前的幾張粘在一起，完全沒有規范的記錄。你很難想象，一個將近十億規模的公司，居然沒有任何像樣的數據記錄。但后來我們想了想，對他們來說，做信息化其實也沒什么意義。因為他們做的產品工藝、采購量、銷售量都很固定，不需要任何改變。老板從一代傳到二代，對企業的期望也很平淡，就希望安安穩穩做這個生意一輩子，不出錯就行。這類企業其實就不適合做AI改造。

虎嗅：怎么提前判斷哪些企業值得接？

許中人： 只能在前期調研過程中篩選出來。不需要任何改變的企業，我們不會碰。我們更愿意服務那些有付費能力、有改變意愿、想讓企業更進一步的，他們在快速發展中需要停下來喘口氣，對企業進行診斷，這才是我們能做的事。

虎嗅：ToB的業務對確定性這件事要求極高，你們內部自己如何評估大模型邊界？

許中人：核心是要謹慎、克制地使用它。確定性輸出，十次使用至少要有九次能達到預期，這是底線。我們主要通過工程手段來解決這個問題：比如優化提示詞、鎖死部分輸出內容、針對特定場景做定制化調優，或者選用更優質的大模型基礎版本，這是一個復雜的多維度工程問題，核心是確保大模型的輸入輸出符合我們的要求，不能指望靠單一的通用解決方案就能完全解決，而是要以一個核心方案為基礎，輔以其他手段，才能實現確定性的輸出。

大型企業就像高速運轉的賽車，要在行駛中給它更換發動機

虎嗅：你們在國內做To B業務，資源方面會有挑戰嗎？

許中人：在國內，我覺得機遇大于挑戰。國內的應用場景更豐富，需要解決的問題更多，需求更大。不像歐美，投融資階段可能更容易拿到錢，但很多項目最后卡在落地環節。國內更傾向于"先看到你做成事，再給你投錢"；歐美往往是"有個好概念就愿意投"。兩種模式各有優劣，但國內的創業扶持政策已經解決了不少前期問題，比如場地、人才補貼，現在國內創業沒以前大家想的那么困難了。

虎嗅：那你們為什么不聚焦單點場景，只做采購Agent或者工藝Agent，而選擇一個更泛的工業場景？

許中人：因為我們發現可以做更多。更重要的是，還是之前提到的問題：你現在解決的可能不是企業真正的“病灶”。企業的問題往往不在你聚焦的這個環節，而在整體流程的某個部分。如果只做單點應用，很難真正解決制造業整體效率問題。這在我看來意義不大，除了養活自己，沒有更大的價值。我想做的是真正能創造價值的事。比如真正參與到工業化轉型、產業升級的過程中，讓自己的價值得到體現，從大的層面也能產生價值。說白了，野心也比較大，如果能把整個流程的問題都解決，也能賺更多錢。

虎嗅：那你們的產品要讓一線工人去用，這件事本身難度有多大？數字化轉型很多的問題都是教育成本特別高。

許中人：這是最核心的問題。我自己教過課，很了解學生——哪怕是全球前20高校的工科生也可能讓你不可思議，比如用Word寫代碼、抄別人代碼不改就直接提交。所以我的經驗是，把人的下限預估得越低，做出來的系統成功概率就越高。最好是做到“奶奶也能操作”。

當年美國北約的裝備都很精密，但銷量最好的一直是AK47，因為它簡單易用、耐用性高。工業AI不像消費互聯網產品，穩定性和可靠性遠比炫技更重要。這一輪AI的情況一樣，越簡單、越容易應用、穩定性越高，成功的可能性就越大。以前的SaaS、ERP系統，培訓完很多人用了也不知道為什么要用，只覺得是額外的工作量，感受不到價值，我們要做的就是讓人感受到價值，而不是增加負擔。對操作人員來說，能手機拍個照就完成需求，他們肯定不會愿意多做一步操作。

虎嗅：進入客戶企業，會直接替換他們原來的ERP系統嗎？這里面有時候還牽扯到部門和個人的利益。

許中人：不是直接替換，是溫水煮青蛙。在原有基礎上做改良，慢慢讓舊系統從業務支撐系統，轉變為單純的數據收集系統。大型企業就像高速運轉的賽車，我們的工作不是在它停留時做，而是要在它高速行駛的過程中更換發動機，企業不能停下來。

AI改造涉及人員替代，尤其是采購，采購是最涉及人利益、最難推進的環節。可能有領導在外面開了模具廠，公司的模具都從這位副總那里采購，這種情況推進起來非常難。所以很多企業的真正掌控人，最終一定會下定決心推進AI改造，老板自己要在心里把賬算清楚。

關于人員優化，原本四個人的工程師小組只接四個項目，現在能同時做六個，收入提升了，他們是滿意的。但到最后企業會發現，這個崗位其實兩個人就夠了——這是一種溫水煮青蛙，前期的好處是"糖衣炮彈"。不過凡事都有兩面性：如果是有核心技術的工程師，而且企業發展越來越好，對他們來說是受益的過程；原來四個人完成的工作，現在兩個人就能完成。企業可以把更多資源投入到更高價值的崗位。

越是難啃的場景，越值錢

虎嗅：你們的收費模式是怎么定的？

許中人：開發費用+季度訂閱費用。開發費用根據企業的具體場景、數據規模和復雜度核算；訂閱費用是因為我們很多小模型都是基于客戶情況訓練的，每三個月收集新測試數據，對模型進行迭代再訓練，這部分成本通過訂閱來覆蓋。

如果客戶不想付開發費，也可以采用結果付費——降低或免除開發費，基于項目成果對賭，根據企業的提升效果抽取分成。海外客戶比較喜歡這種模式，國內客戶還是更傾向于傳統付費。

虎嗅：最后的結果如何？

許中人：原本一個10人工程師小組，單個場景的工程任務需要80人天、項目周期3個月；用我們的系統后，4個工程師20天就能完成。

虎嗅：現在真正意義上的競品有嗎？大廠有沒有入場？

許中人：目前真正能夠深入到制造業核心流程、并具備工程交付能力的團隊并不多。通過國內外調研，包括這次CES的了解，有一些公司有類似想法，但都是2025年10、11月份才剛開始在BD上做規劃。我們和大廠聊過，他們說要做類似我們現在的業務，至少需要22個月的準備期。就算今年3、4月份立項，順利推進也要22個月后才能落地，對我們來說，相當于有三年左右的領先期。

大企業有大企業病，要新開一條產線、啟動一個新項目，成本不好估量。我們在歐洲有個項目，客戶之前和大廠合作過一個五年計劃，對方把全部精力放在通用大模型上，沒有考慮具體場景落地——工廠里每臺機床不同、每套工人經驗不同、每家企業工作流程都不一樣，指望一個通用大模型解決所有問題，本質上是錯的。結果花了五年，最后只跑通了幾個傳統機器學習的單點應用，其他全沒成功。

虎嗅：這種分段的定制化項目，怎么從中提煉經驗、縮短下一個項目的交付時間？

許中人：這些非標項目其實是豐富場景的提供者。先做難的，把難的、復雜的做好之后，簡單的就容易了。每一個定制化項目，表面上是在解決某家工廠的具體問題，但背后是在提煉可通用的工程經驗，哪些場景可以泛化，哪些數據可以沉淀進平臺，再復用到下一個類似的企業。我們整合的數據源，還有智能體的源頭，都是這么積累出來的。

虎嗅：你們現在項目周期是3到4個月，后面還能再縮短嗎？

許中人：會的。理想狀態下，希望根據項目大小盡量控制在2到3個月。太短不行，數據收集量和反饋會不夠，AI需要大量數據來校準，收集的數據太少就很難判斷系統是不是真的解決了問題；但隨著經驗積累，開發工時可以持續壓縮。

虎嗅：從創業第一天就規劃要出海？

許中人：不是出海，而是全球，但要先在中國起步，因為中國的企業場景更復雜，在國內我們能更快打磨好產品。而且國內客戶對質量要求挺高的，很挑剔，客戶面對新乙方時，對其能力要求會很嚴格。這樣其實能更快幫我們打磨好產品，產品足夠優秀了，出海參與競爭才更有底氣。如果只把眼光放在國內，很容易陷入內卷。所以一開始就要想著先攻克最難的部分，在最難的環境里磨練自己，之后再放眼全球。等自己磨練得足夠強，外面的競爭就簡單多了。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4839029.html?f=wyxwapp