杉数科技：大模型上半场后，决策式AI如何打通企业落地最后一公里

事件概述

全球88%的组织已在使用AI，但智能体在真实计算机任务上的成功率虽升至66%，真正进入生产系统并转化为企业生产力的案例依然有限。当前AI主要改变的是信息生产层（如代码编写、客服对话），而企业高价值环节在于处理高频次的决策问题（如库存调度、设备排班）。杉数科技基于十年求解器经验，正式提出“决策式AI”，定义为连接技术落地与商业价值的核心路径，强调从业务理解、智能建模、优化计算到决策执行的完整闭环。

核心信息

1. 从“生成”到“决策”的范式转移

• 痛点转变：2024年客户认为大模型万能，2025年下半年认知回归务实，意识到单靠大模型无法解决人力组织、资源安排等生产环节问题。
• 定义差异：传统BI或归因分析仅回答“为什么”，而决策式AI需回答“怎么做”。杉数将其限定为“企业运营”和“端到端”，即直接给出可执行的动作方案，而非仅提供多个选项供人选择。
• 技术架构：由大模型负责自然语言理解与交互入口，数学优化和求解器处理复杂约束，仿真与业务系统验证执行结果。几类技术在大模型降低门槛后首次在同一条业务链路中协同。

2. 杉数科技的技术演进与产品逻辑

• 历史背景：杉数成立于2016年，核心产品COPT求解器于2019年发布，早期主要服务于航空、港口等对自主可控有需求的高国际化程度客户。
• 转折点：2025年初，随着Claude Code等AI Coding产品出现，基座模型能力提升，使得AI具备进入To B复杂场景的条件。今年年初，杉数正式将过去十年的技术主线归纳为“决策式AI”。
• 产品形态：擎天决策平台与求解器独立定价，支持组件化采购。平台采用三层架构：应用层（擎天承接业务分析与决策闭环）、引擎层（求解器负责智能计算）、算力层（利用双精度GPU算力）。

3. AI如何解决专业软件“不可见”难题

• 交互变革：从GUI走向LUI（语言用户界面），业务人员无需学习复杂菜单，直接描述业务需求，AI完成语义转译。
• 效率提升：原本需要算法工程师数月调研建模、派驻顾问反复讲解的工作，现可通过对话快速搭建MVP（最小可行性产品），大幅缩短实施周期和学习成本。
• 价值衡量：办公类智能体侧重人效，而决策式AI直接挂钩成本与营收（如港口设备调度影响油耗与吞吐量），其价值需从经济效益而非人头数衡量。

值得关注

1. 港口堆场策划实战案例

• 场景挑战：集装箱码头需协调船期、堆场空间与设备调度，涉及20尺/40尺/45尺不同箱型及泊位距离等多重约束，手工排列数千个箱子极难优化。
• 非AI版本流程：数据接入 -> 分析堆场健康度 -> 计划员核查 -> 启动计算 -> 局部调整。卡点在于计划员对模型结果有疑问时需咨询算法工程师。
• AI版本增量：AI作为“翻译”层，自动调用平台背后的工具进行解释和What-if分析。业务经验被沉淀为Skills（技能），遇到类似问题直接调用。例如，用户直接描述调整意图，AI调用假设与模拟工具，显著提升效率。
• 人机协作本质：AI不一步接管决策，而是帮助计划员理解和调整，保留人工判断以建立信任。解释、验证和确认是高安全要求场景的必要条件。

2. 行业趋势与市场展望

• 战略方向：英伟达已将决策优化列为战略方向，Palantir和C3.ai也在推进AI与运筹优化的结合。
• 资产沉淀：杉数正在完善“决策式知识库”，将散落在个人和项目中的参数调整经验、处置逻辑沉淀为可复用的决策资产，类似将法条与断案经验结合。
• 未来方向：面向企业专有数据的AI平台，考虑大小模型组合以降低推理成本，消化包含行动与效果的企业内部数据，这是公开互联网无法获取的核心壁垒。