学习

这次生产以数据尾气形式产出的一切——周期时间、偏差、工装磨损、干预次数——都被汇编进下一个蓝图版本。这不是意见箱：提议的变更要走与最初工业化完全相同的流程——经过评审、在仿真中验证、然后正式发布。工艺知识之所以能像软件一样复利式积累，是因为它像软件一样进行版本管理。

整个模型着力创造的网络效应就在这里：在一家枢纽验证的改进，会推送到所有运行该蓝图的经认证枢纽。一个车间的经验教训成为整个网络的基线。传统工厂里最优秀的工艺工程师只能改进一条产线；在这里，同一项改进会部署到该蓝图运行的每一处——并且沿用它当初入选时的同一套发布纪律。对于 EX-100 这样只在单一枢纽生产的层级 3 产品，这种继承如今还微不足道；但它的价值随层级与网络规模不断复利——这正是第 04 与第 05 层次在闭合循环。

论点中最有力的投资者表述对持久价值的所在毫不含糊：稀缺资源不会是人形机器人本身——而是能让它们高效发挥作用的制造系统。机器人可以买来；循环只能建成。带版本管理的蓝图、机器人任务库、成本模型与跨枢纽基准，正是在这里不断沉淀的资产，也正是它们让这套框架的价值超过任何一座运行它的工厂——预测记录将这一主张标注为 P-18：真正持久的护城河被证明是框架，而非机器人本身。

这一阶段也是旗舰项目与品牌交汇之处。Moduloa 的立身之赌是：知识应当累积，而非消散——每个项目都把自己的推理公开留存，以便被修正、被复用。学习正是同一个赌注在工厂车间里的执行：把经验捕捉为结构，再交还给网络中的每一个枢纽。愿景 →

这个循环只有在规模化之后才会复利——只有一家枢纽就谈不上网络效应，而今天枢纽数量为零。隐性知识抗拒被编码：工厂车间里最难得的经验教训，恰恰是最抗拒被写进蓝图的那些。继承还引出一个论点尚未完全解决的问题：一项改进究竟归谁所有——是其产品教出这项改进的客户、发现它的枢纽，还是传播它的网络？这需要在第一次争议发生之前就给出真正的答案，而不是之后。预测记录追踪着这个循环的前提条件：P-10（蓝图在经认证的工厂之间移动）、P-27（一套经认证的工艺在两家组织的单元之间完成转移）与 P-25（框架作为全球产能网络运行）。查看预测记录 →