1947年赫伯特·西蒙在《管理行为》一书中提到，组织首先是一个决策的过程，管理的第一要义是决策。

在复杂多变的商业世界中，人类理性是有限的，而AI进入到决策环节，则将增强进一步增强理性。

当业界将目光聚焦于能“干活”的AI应用时，无时无刻不在发生的决策环节却并没有得到相应的重视。从生产线的微观调度到企业的宏观战略，每一次选择不仅关乎到真金白银，甚至关系到是非成败。

海外，Palantir凭借FDE（前沿部署工程师）模式在决策领域崭露头角，证明了决策AI的巨大价值，但其高昂的定制化成本与规模化落地之间有着巨大的成本沟壑。

AI的下一站，不会步于内容生成、流程上的提效，还因为走进工厂、车间、办公室，深入到企业运作与管理等更多环节，拥有了上下文支撑的AI，具备了直接参与企业微观、中观，乃至宏观决策的可能。

AI应用落地加速，但真正嵌入到流程中的并不多，痛点主要包括可信数据处理不充分；业务知识与大模型之间存在割裂；流程与工程脱节导致业务流程难以实现闭环；诸多问题难以形成决策推演的能力。

7月18日，在世界人工智能大会（WAIC）上，作为国内决策智能的代表企业之一，中科闻歌发布了业界首个完整的AI决策产品体系。这套体系包括“基、枢、核、脑、端”五层架构，试图打通从数据治理、业务建模到智能体执行的全链路，为企业构建一个能够模拟推演、预测变化、辅助判断的“决策大脑”。

海汇TokSea Token平台是整个体系的“基”。作为企业的智能基础设施，统一管理、调度算力与模型资源。企业不需要操心底层复杂的资源分配，通过它就能安全、高效地大规模使用AI能力，就像用水用电一样方便。

DIP本体数据平台是体系中的“枢”。企业在实际场景中散落着各种杂乱的数据，DIP平台将零散的数据重新编排为逻辑清晰的业务网络，让AI能够真正读懂企业的实际运作情况。

通用大模型“雅意YAYI”与科学基础大模型“磐石ScienceOne”是体系中的“核”。通过算法引擎与模型管理驱动体系思考。雅意负责处理通用的办公和业务流程，磐石负责高深的科学计算和产业研发。二者结合后能够懂商业常识的同时，又懂科研。

Decitron决策机是体系中最核心的“脑”。通用大模型回答当下，决策机的任务是计算未来。类似于沙盘推演，模拟各种复杂情况下的因果关联和多方博弈，帮企业寻找最优解。

作为“端”，龙工Clawork是负责干活的智能体。当大脑做出决策后，龙工会将指令转化为具体的行动，自动调用对应工具完成任务。

一个多月前中科闻歌登陆港交所，外界普遍给其贴上了“决策智能第一股”的头衔，并试图用Palantir的商业模式来拆解这家脱胎于中科院自动化所的初创企业。借着发布完整AI决策产品体系的契机，我们与中科闻歌CEO罗引博士展开了对话，在保留原意的基础上做了一些篇幅上的缩减，以下是对话原文：

Q：你认为当前AI产品竞争的关键点正在发生哪些变化？公司有哪些差异化优势？

罗引：这是两个“脑”的问题，一个“脑”是进入到生产和流程的决策大脑，另一个是具身的大脑，两个脑决定了你在生产流程的决策与跟物理世界交互。我们选择的是决策路线，具身智能选择了物理世界，我觉得两个都是未来最大的机会。

Q：决策大模型主要服务于复杂、高价值的脑力决策场景，这类场具有行业深度，标准化程度相对较低点。中科闻歌如何保持决策大模型既能有行业深度，又能形成可复制的规模化产品能力？

罗引：我们跟国际上的优秀公司学习，很多人给我们打了一些标签，但路径是成功的。我们需要学习每一个行业、概念在行业里面是怎么定义的，我们没有办法把决策逻辑像通用模型一样泛化。

而且具有通用能力的模型真正在行业落地时又不能很好地完成服务，这个是一个很矛盾的问题。所以我们还是需要沉下心来，依靠FDE与SOP，结合大模型，才能让行业决策真正走通。过去没有模型的时候，我们投入每一家公司的开发部署实施的成本都极高，但是今天我们可以把这个成本降低90%，效率提升了192倍。

Q：AI产业正在从模型参数形态转向兑现产业价值，核心能力从理解与生成转向推理预测与决策执行跃进。您认为决策智能为何会成为下一阶段的核心发展？

罗引：这个发展的路径我认为是必然的，Herbert Simon已经讲了这个问题，人的决策不够全面和非理性，AI的作用是理性增强回路。管理本质上是决策堆叠，过去没有工具和体系支撑，现在有了解决的可能。

可以看到工业制造领域，工艺流程走向自动化，未来生产决策肯定不是老板做了。AI即时了解市场需求变化，同时梳理供应链，系统便自动完成流程编排。我认为5到10年，大量行业都会朝这个方向转型，人的精力将花在战略顶层设计上。

企业都会算账，Chatbot产生不了真正的生产价值时，老板们必然会思考，花这么多钱买Token，最后给我带来了什么价值？一定会想到流程上的优化和升级。生产环节中存在大量细枝末节的流程，目前尚未AI化，还处于传统信息化的逻辑中，我们需要重塑成AI驱动的流程。

Q：大厂在脑和端都有布局，中科闻歌在WAIC上发布了成套的体系，您认为中科闻歌哪些能力是被大厂们吃不掉的？

罗引：大厂是通用思维，想的是一下子把市场全吃掉。但在垂直领域，若要深入到行业去理解的时候，他必须得有很多专家去积累，而且专家在行业积累的数据并不如互联网数据那般开放，尤其是很多行业数据都存在保护。

在通用大模型领域，头部企业靠流量优势率先占据身位，其数据积累与智能迭代速度将形成显著的代际壁垒。因此，我们选择避开正面竞争，专注于垂直行业的深度落地。通过持续沉淀特定领域的决策数据与专家知识，在多个行业构筑专业壁垒，从而形成不可替代的合作价值。

Q：接下来会拓展到物理AI吗？

罗引：在硬件执行层面，确实需要打通信息层与物理世界的连接。今年在华东地区的制造业已有突破，我们的智能分析系统与机器人融合，实现了从异常检测到生产流程的自动化执行闭环。

Q：决策智能在工业场景落地上，最有可能在哪些行业或者环节迎来爆发？

罗引：能够爆发的点比较多，主要集中在三个领域。材料科学有望成为最快见效的突破口。相较于生物制药等需要5到10年的漫长周期，新材料从研发到市场转化仅需1至2年，得益于其在AI4S研究方法、数据积累及产业链转化上的显著优势。其次是制造领域，为工厂打造“AI大脑”。

通过AI升级替代传统厂长经验，优化排产效率、降低能耗并自动修复生产异常。尽管目前面临工厂基础条件参差不齐的落地挑战，需要时间，但价值巨大。最后是社会服务与消费领域，AI能够大幅提升商品与资金的流转效率，从而进一步促进消费并带动整体效能提升。

Q：决策推演的计算量比单轮问答要大很多，今年Token依然保持上涨趋势。在实际部署的时候，公司如何权衡决策智能的准确性与成本之间的关系？未来的价值拐点在哪里？

罗引：在成本管控上，我们将决策推演分为高频生产关联的微观、按天调度的中观，以及按季度/年战略的宏观三个层面。针对不同频次和场景，灵活搭配不同参数和算力要求的模型，从而确保帐能算得过来。

在价值衡量上，决策智能的核心不在于单次Token消耗的绝对值，而在于结果的精准与专业。虽然单次深度推演成本可能是通用大模型几十倍，但它能一次性提供全面、准确、专业的战略研判，避免用户反复试错带来的无效消耗。对于企业而言，高质量、可信赖的决策支持所带来的业务价值，完全能够覆盖其成本。

Q：除了常规对比，磐石（ScienceOne）在具体的输出质量上，究竟通过哪些核心技术路径实现了对Gemini-3.1-pro和GPT-5.5等通用旗舰模型的超越？对标AlphaFold系列专用模型在蛋白质结构预测上，磐石是如何做到性能反超的？在整个研发与评测过程中，团队主要攻克了哪些极具挑战性的科学任务？

罗引：关于磐石（ScienceOne）相比其他模型的优势，来源于数据决定智能。依托中科院，我们拥有高质量、高价值的科研数据先机，建立起了安全可信的训练环境。其次，通过与科研人员深度协作，我们采用了新架构，将波、谱、场等科学模态数据与文本数据融合训练。

跨学科的融会贯通，使得模型能像人类专家一样完成交叉研究，比如用物理方法解决化学问题，从而实现了智能水平的显著提升。关于与AlphaFold这类专用模型的对比，本质上还是数据积累的差异。磐石作为L1层的科学基础大模型，目的是解决多领域的通用科研任务，而AlphaFold是针对特定场景的专用模型。我认为，需要看技术路线的最终转化价值。

AlphaFold 3发布以来，目前还没有直接催生出新药研发成果，这说明单纯解释蛋白质折叠结构并不能直接和商业价值挂钩。因此，在模型训练时，明确任务的最终转化成果、选对科研方向，比单纯追求单一指标的超越更为关键。

Q：中科闻歌港股上市首日表现十分亮眼，但是决策智能作为一个新兴赛道，市场不可避免的会关注其商业验证周期。您觉得，决策智能目前最需要突破的信任瓶颈是什么？

罗引：大家最近都看股票是吧？（笑）我不太关心股价问题，我认为只要公司经营非常好，对业务和技术的把握符合趋势，股价必然会得到市场认可。

中科院自动化所下几十家创业公司，最开始没有太多人看好闻歌，但最后验证下来，闻歌是第一家上市的。对我们来说关键在于关注点的选择：是过度聚焦于资本市场的短期波动，还是专注于技术与市场的深度融合以创造实际价值，我的重心始终在后者。

事实上，成功上市后，我反而比冲刺阶段更有激情。因为不断达成新的里程碑，我们可以彻底甩开膀子，真正深入到产业一线去碰撞与验证，到底哪些商业模式是真正可行的，哪些技术在实际场景中能产生核心价值。

Q：目前现在都在关注FDE（前沿部署工程师），帮助Palantir这些公司取得了令人关注的成果。放到国内的话，您觉得这会是未来主流的落地方式吗？如果派驻顶尖工程师去一线，对于中科闻歌来说会很有挑战吗？

罗引：这是个算账的问题。Palantir在全球能拿下大量过亿的订单，自然有底气雇佣庞大的工程师团队，但这在国内的商业环境下是不现实的。国内厂商必须算得过账，这里产品力和标准化程度最为关键。我们内部的重点是标准化，通过流程标准化，将一个垂直领域打透，后续复制会非常快。Palantir的客户虽然都是头部，但行业本身分散，必然要求FDE具备极高的跨行业适应能力，成本极高。

我们的策略是在一个领域做深，培养该领域的专业人才。当产品力足够强、标准化程度足够高时，派驻现场的人员数量会大幅减少，成本会变得可控。

Q：您之前在采访中提到AI的三重跃迁：计算AI、生成AI，决策AI。决策AI是最高阶的一种形态，三者是怎样的关系？

罗引：内部探讨过，未来5到10年应该是决策AI。从技术逻辑上讲，它们不是替代关系，是层层调用的叠加关系。就像人类使用的工具越来越高级，现在生成式AI已经可以调用底层的计算型AI工具；而未来的决策型AI，则会去调用生成式AI和计算型AI，形成层层嵌套的能力体系。

Q：决策不同于简单的问答，它往往没有唯一标准答案，且面对的场景极其复杂。在决策AI介入后，一旦出现偏差，责任该如何界定？

罗引：在生产执行等微观场景，决策AI的目的是将出错概率降到极低。类比自动驾驶，能将事故率控制在远低于人类驾驶的水平，因此微小的容错率是用户完全可以接受的。

在运营层面，AI基本不会出错。因为打通了底层的SOP和数据治理，AI更多是基于清晰的规则和流程进行计算与规划，确定性非常高。

在战略决策层面，AI的核心价值不是“替人做主”，而是“穷尽可能性”。

人类的决策往往不够理性、全面，决策AI能把最大概率事件、中等概率事件甚至“黑天鹅”事件全部推演出来，为决策者呈现对应的沙盘推演结果。拍板的责任依然是人。

特别声明：本文为合作媒体授权DoNews专栏转载，文章版权归原作者及原出处所有。文章系作者个人观点，不代表DoNews专栏的立场，转载请联系原作者及原出处获取授权。(有任何疑问都请联系idonews@donews.com)