大语言模型的 Chatbot 跑完上半场，AI 产业正在集体寻找下一个主战场。
斯坦福《2026 AI Index》给出了两组数字，全球已有 88% 的组织在使用 AI，智能体在真实计算机任务上的成功率也从约 12% 升至 66%；但产业侧真正进入生产系统，能够把投入与经营回报对应起来的案例，依然不算多；AI 能力的增长，并没有等比例转化成企业生产力。
更深的矛盾在于，这一轮 AI 先改变的是信息生产层，写代码，查资料，做客服对话等，这些工作主要回答知道什么和如何表达，企业最值钱的环节却在处理另一类问题，生产多少，库存放在哪里，设备怎样调度，订单按什么顺序履约，换而言之，这些都是高频次、经常性地发生的决策问题。
如果把企业理解为一个复杂系统，这个系统要在成本、时效、产能和安全等约束之间做取舍，最终给出一套能够执行的动作，知识可以生成，决定却不能只靠生成。
决策式 AI 因此受到格外关注，它并非是新的模型或者 Harness，更像是产业 AI 对落地问题的一次重新聚焦。大模型负责理解自然语言，智能体负责组织任务，数学优化和求解器处理复杂约束，仿真与业务系统再验证和执行结果，几类技术此前各自存在，如今大模型降低了使用门槛，也让它们第一次有机会在同一条业务链路中协同。
当通用模型能力逐渐成为标准供给，企业 AI 厂商的差异不再只取决于接入了哪一种模型，更取决于是否理解生产流程，是否拥有可计算的行业模型，以及能否把结果接入真实系统。
只有进入资源配置和经营计划，厂商才更接近企业愿意持续付费的核心环节，决策式 AI 被频繁讨论，正是因为它同时连接了技术落地与商业价值。不过，决策式概念也存在迅速泛滥的风险，决策式 AI 是一轮新的概念包装，还是产业 AI 真正进入核心业务的下一步。
杉数科技是观察这场变化的一个合适样本，这家公司从求解器起家，十年来一直在航空、港口、能源和制造等行业处理计划与调度问题。COPT 求解器，行业数学模型，ORLM 和擎天决策平台构成了一条可以回溯的技术路径。大模型出现后，杉数原来藏在后台的能力获得了新的交互入口。
当所有 AI 系统都强调行动，真正的问题反而变得更加具体，系统是否给出了可以执行的方案，能否解释方案为什么成立，出现条件变化时能否重新计算，最后又是否真的进入生产现场，这才应当是决策式 AI 的内涵。
AI 落地的最后一公里，卡在决策
评估 AI 落地的含金量，首先要看场景。杉数科技擎天产品负责人陈尧宇表示，眼下 AI 用得比较多的，主要还是 To C 场景，办公场景，以及 coding 和信息检索，真正进入高价值产业场景的比例并不高。对照此前几次技术革命，一个共同规律是，新技术出现之后，必须在关键行业里完成转化，才算真正站稳脚跟。
2024 年，客户普遍觉得大模型近乎万能；到了 2025 年下半年，客户逐渐务实并且认识到，AI 解决的主要是模糊问题和语义理解问题，一旦进入生产环节，人力怎么组织，资源怎么组织，经营计划怎么安排，单靠大模型没有办法单独完成。
陈尧宇说，客户已经意识到这个问题，只是还不会把它与决策式 AI 这个词绑定起来，更多是在探索大模型怎样与智能计算和求解器结合。
从企业视角看，办公类智能体更多谈的是人效，原来需要更多人完成的工作，现在更少的人就能做完。杉数所处理的问题则与成本和营收直接挂钩，因为最终产出的是指导企业经营的计划，比如港口里的大型设备怎样调度，既关系到油耗成本，也会影响港口的作业效率和吞吐量。
" 这一块的价值，不单单从人头衡量，而要从经济效益上衡量。" 陈尧宇说，高价值场景的门槛一直横在中间，优化软件是典型的专业工具，使用者既要懂模型，也要明白模型怎样与业务流程串联，人的语言需要转化成优化软件可以计算的内容，中间隔着一层复杂的转译，即使是走得较快的客户，也需要花相当长的时间让业务人员理解优化怎样使用，又该怎样嵌进现有系统。
AI 压缩的正是这层转译，陈尧宇提到，有了 AI 以后，业务人员只需要说出业务需求，与模型相关的语义可以通过 AI 完成转换，服务企业客户原本需要派驻顾问，需要编写说明书，也需要反复讲解参数调整，现在其中越来越多的工作可以通过对话完成。
随着 Palantir 等公司的市场表现，以及 Agent 从信息处理进一步走向业务行动，‘决策’正在成为企业 AI 新的高频词；也有越来越多企业开始关注 AI 如何真正进入业务决策与执行环节。
陈尧宇提到，决策的定义宽泛，每个人理解决策都不一样，不同系统所覆盖的决策环节也有所不同，例如 BI 分析，归因分析和 Chat BI 等场景，一个可视化结果被叫作决策，一次归因分析也可以被叫作决策。
假如销量不好，平台通过归因分析告诉管理者，问题可能来自某个区域物流成本偏高，这当然可以被称为决策，但严格来说，它没有告诉企业下一步应该怎么做。在杉数所面向的供应链和港口等运营场景中，客户的要求更具体，只说物流成本高了，仓库放不下还不够，系统需要进一步回答，怎样让仓库不爆仓，物流网络应该如何调整。
杉数因此给决策加上了两个限定词：企业运营，端到端。
端到端意味着，在理想状态下，系统能够直接给出下一步动作，往前一层是辅助决策，提供多个方案供人选择；在陈尧宇看来，如果只陈述事实和分析原因，还没有真正进入行动环节。
企业运营这个限定词，则把战场放在大型企业的生产与运营系统中，锚定的是怎样排产，怎样调度和怎样配置资源，而不是会议纪要等办公任务。
杉数擎天决策平台架构：以双中枢支撑决策闭环
杉数更进一步聚焦复杂生产运营中的优化计算与决策，即在大量业务约束下，不只是触发动作，还要计算出更优的动作方案，即 "Optimization + Action"。
杉数提供的框架是一条完整的决策优化链路，外界变化先通过传感器和数据被捕捉，归因分析解释变化为何发生，数学模型与计算给出下一步行动，模拟仿真在执行之前验证结果，最终再把规则，参数与经验沉淀为可复用资产。
AI 进入复杂决策，计算能力开始变得关键
" 卖求解器的痛点，是它不可见。" 陈尧宇坦言，这曾对杉数造成一定影响。
早期没有平台，团队只能依靠 PPT，像上课一样向客户解释求解器，平台出现以后，复杂软件又容易被压缩成几个配置项和一个计算按钮，用户点击以后结果就出来了，看起来有点像使用计算器，但真正的价值恰恰在按钮背后的模型和算法，它们沉在冰山下面，很难通过几次交流让客户充分感知。
前几年流行的数字孪生构成了一个对照，它足够可视且直观，即便有些系统无法真正做到虚实同步，只能完成展示，其观感冲击力仍然容易超过真正解决问题的优化软件。
杉数成立于 2016 年，其求解器 COPT 在 2019 年正式发布，早期客户主要来自航空公司和研究机构，前者国际化程度较高，也使用过不少国外软件，这几年又恰好遇上自主创新的节点，杉数由此顺利进入到客户视线。
更多对求解器感知不强的客户，借由 AI 这一波风口，也开始找上杉数。陈尧宇表示，真正的转折出现在 2025 年初以后，随着 Claude Code 等 AI coding 产品出现，AI 能力才真正开始具备进入 To B 复杂场景的条件。在此之前，杉数也尝试过 Chat BI，以及大模型与工作流的结合，但基座模型能力不足时，复杂业务始终难以推进。
到 2025 年，平台能力已基本完成，下半年，大模型接入系统，原有能力被进一步工具化，杉数正式提出决策式 AI，则是在今年年初。
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 ’，并将其定义为从业务理解、智能建模、优化计算到决策执行的一套技术体系。杉数认为，在算法算力与数据积累的推动下，人工智能的发展经历了从分析式 AI、生成式 AI 到决策式 AI 的演进，决策式 AI 被视为一个发展重点。与生成式 AI、分析式 AI 相区别，决策式 AI 的核心是回答 " 应该如何行动 "，聚焦复杂业务场景中的智能决策问题，通过人工智能与数学优化算法协同，实现业务理解、智能建模、精准计算与决策执行，为企业提供可解释、可验证、可执行的决策方案。
这条时间线里最有戏剧性的部分，恰恰是杉数讲了十年的可感知难题，被 AI 所改变。它带来了两层变化，较浅的一层，是交互方式从 GUI 走向 LUI，用户不必再学习复杂菜单，可以直接描述业务问题。更深的一层，是操作主体发生改变，原来用户需要自己在分散的功能中寻找逻辑，现在 AI 开始带着用户完成分析和计算。
" 本来是我自己牵着别人走，现在感觉行业在带着我们做这件事。" 陈尧宇如此形容，客户反馈更加直接，很多原先不太理解求解器的客户，看完杉数决策式 AI 架构后会说，" 我终于知道你们到底在优化什么了。"
这也让杉数作为一家决策式 AI 公司的逻辑变得更容易理解。生成式 AI 最意外的产业价值之一，可能不是取代专业软件，而是成为专业软件的新入口。
杉数过去所做的求解器，数学建模和行业项目，本来就在处理资源配置与经营计划。大模型没有改变业务应该怎样优化，而是补上了技术体系中最靠近人的一层，让沉在后台的计算能力更容易被调用，理解和验证。
与其说杉数是在转向，不如说是在重新命名自己的主线。例如，杉数在行业项目中积累了越来越多的模型，最早的需求是把这些模型沉淀下来，避免每个项目重新开发，模型保存以后，还需要统一接入数据，完成验证部署并连接外围系统，平台由此逐步成形。
产品形态也延续了这条路径。擎天和求解器是两个独立定价的产品，可以单独采购，也可以叠加。擎天本身采用组件化方式，客户可以按需选择模块，平台之上还会叠加实施服务。
平台的边际效应也在改变杉数的客户结构，过去项目门槛较高，中腰部客户支付能力有限，实施周期又长。有了平台和 AI 降低前期投入，也缩短了企业学习周期，更多企业成为杉数覆盖的客户。
交付层面也有所变化，以往算法工程师可能要花一两个月调研和建模，再持续迭代，业务人员在看到结果前，很难一次性穷尽所有想法，现在模型生产以后，团队可以借助平台快速搭建 MVP，把实施进度与客户预期尽早对齐。
由此看出，杉数希望讲的是一个三层故事，最上面是应用层，由擎天承接业务分析和决策闭环；中间是引擎层，求解器负责智能计算；最下面是算力层，尝试把双精度 GPU 的算力用起来。三层能力单独看都有对标公司，从理解问题，到建模、计算、验证，再到执行，杉数正在把企业决策链真正打通闭环。
决策式 AI，最终要到现实场景验证
某全球大型集装箱码头承担着高密度的集装箱进出口作业，每天需要处理大量船期、堆场和设备之间的协同问题。对于这样高度集中的大型码头而言，堆场空间如何分配，会直接影响后续装卸效率。
出口码头的作业逻辑说起来并不复杂，但组合起来极难计算。集装箱从外部陆续进港，先堆放在码头，再装船离开。装船前，箱子位于堆场的什么位置，会直接影响装船效率。
船停靠某个泊位时，如果相关箱子恰好堆在附近，装卸距离更短；先走的船的箱子若被压在后走船只的箱子下面，就需要翻箱；两艘同时装船的箱子如果堆放在一起，设备只能轮流抓取，这就是堆场策划。
杉数进场的第一版方案，并不带 AI 方案。杉数先把堆场计划员的经验转化成数学模型。计划员 8 小时一班，先预测箱流节奏，再给每个堆场安排空间，很多经验听起来朴素：如果两个箱子需要同时装船，就把它们分开放置，让两台设备同时作业，真正困难的是把这些经验与箱型，船期和堆场容量等条件一起计算。
20 尺，40 尺和 45 尺集装箱占用空间不同，船期存在先后，港区还有距离泊位更近的黄金区域，模型需要在大量约束中寻找更合适的安排，替代过去在图纸上手工排列数千个箱子的方式。
流程跑通以后，AI 的增量在今年体现出来。非 AI 版本的使用流程是，数据从业务系统接入后，系统先分析堆场健康度，查看哪些区域过满或偏空，计划员核查数据后启动计算，结果出来以后再对局部安排做调整，也可以进行 What-if 分析，最终确认方案并上传。
中间的卡点在于，一旦出现这里似乎还能再放一些箱子，为什么模型没有这样安排之类的问题，计划员就需要咨询算法工程师。
AI 版本就能做好 " 翻译 "，原来需要算法人员介入的分析，洞察和解释，现在由 AI 调用平台背后的工具完成，业务经验也被沉淀为 skills。例如，不同航线的船只分布会带来什么影响，可以被拆解成一步步的技能，在遇到类似问题时直接调用。What-if 的效率提升尤其明显，用户直接描述希望怎样调整，AI 便调用平台里的假设与模拟工具。
" 这些是外部大模型不具备的，是我们面向决策场景准备的那些‘手’。" 陈尧宇说，有 AI 和没 AI，本质上不影响这个业务应该怎样决策；但有了 AI，人的能力和效率会高很多。
从行业动态看，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，如果把决策式 AI 视为一个更大的市场，规模还会远超过单一求解器市场。
随着决策式 AI 进一步进入产业现场，杉数也在继续完善决策式知识库。陈尧宇的比喻是，章程和维修手册像法条，值钱的是使用这些法条断案的经验，面对不同情况应当怎样处理，模型参数在不同局面下如何调整，这些原本散落在个人和项目里的积累，需要被沉淀成可复用的决策资产。
更远的一步，是面向企业专有数据的 AI 平台。一方面，推理部署成本不低，企业不可能在所有环节都使用最强的大模型，需要考虑大小模型的组合；另一方面，企业专有数据无法从公开互联网获得。港口某天进入多少船，装了什么货，堆场状态如何，突发情况怎样处置，这些数据背后包含不同局面下的行动与效果，值得由专门的平台消化。
杉数的十年，只是决策式 AI 从概念走向产业的一个切片。生成式 AI 让机器第一次如此擅长理解人的语言，而下一阶段真正困难的问题，是让机器理解一个复杂企业的约束，并在真实世界中作出可靠行动。大模型、优化与生产系统之间的连接，已悄然开始。（本文首发于钛媒体 APP，文 | TechPulse，作者 | 张帅，编辑 | 杨林）
