决策AI试图突破大模型的表达边界，让未来的多种路径变得可推演。

作者｜黄琪丹

一张来自海外客户的订单进入柯桥一家纺织企业：面料规格、颜色、数量和交期已经确定，但真正困难的工作才刚刚开始。

这批订单应该分配到哪条产线？使用哪台设备、哪口染缸？怎样安排颜色顺序，才能减少洗缸、换料和设备空转？如果其中一台机器出现异常，后续订单和交付计划又该如何调整？

对工厂而言，这不是一道题，而是一组不断变化、彼此牵动的多约束决策。订单、设备、物料、工艺和人员任何一项发生变化，都可能影响整套生产方案。

过去，这些判断主要依赖计划员、班组长和老师傅的经验。ERP、MES等系统能够记录订单和生产数据，BI能够生成报表，但从“看见数据”到“决定下一步怎么做”，中间仍然隔着一道难以自动跨越的鸿沟。

如今，AI开始尝试进入这一区域。

7月27日，中科闻歌在浙江绍兴柯桥发布工业决策大脑，将此前构建的“基—枢—核—脑—端”决策AI树率先落入纺织制造场景。

从工业数据和业务本体出发，经过模型理解、智能体协同与决策求解，再连接生产系统和智能装备，这套体系试图打通“感知—分析—预测—决策—执行”闭环，让AI不只解释工厂里发生了什么，也开始参与判断下一步应该怎么做。

1.企业AI需求正在转向决策

过去三年，大语言模型展现出前所未有的表达能力：写邮件、做纪要、生成代码、回答问题，还能调用工具完成部分标准化任务。

对个人而言，这些能力已经足以改变工作方式；但企业投入AI，最终衡量的并不是语言是否流畅，而是业务结果能否因此改善。

企业经营中价值最高、也最难标准化的环节，往往不是表达，而是决策。

是否进入新市场、扩大产能、调整价格、改变投放策略，或继续某个研发方向，这些问题都没有标准答案。判断既受数据影响，也受到政策、供应链、竞争对手、组织惯性和人的选择左右。多种因素持续变化，行动方案也需要随之调整。

这正是大模型进入企业后很快触及的能力边界。大模型擅长组织已有信息，能够撰写总结，也能在短时间内生成海量内容。然而，当问题变成A发生后，B、C、D将如何变化，任务便从语言生成转向决策推演。未来没有现成文本可供检索，也没有一张报表能够直接给出答案。

决策机由此进入视野。AI若要进一步深入企业，就不能只做善于回答问题的工具，还需要承担部分推演、比较和决策辅助工作。

2.决策机如何理解复杂世界

要理解工业决策大脑如何进入真实生产流程，首先需要回答一个更基础的问题：AI如何从调用工具、处理任务，进一步走向对复杂系统的理解、推演与辅助决策。决策机所提供的世界切片建模和决策推演能力，正是工业决策大脑“脑”层能力的重要组成部分。

目前，许多Agent产品采用相似路径：先由大模型理解用户意图，再调用搜索、表格、数据库、邮件或业务系统执行任务。这类产品解决了不少效率问题，但距离真正的决策仍有差距。

原因并不复杂——调用工具不等于理解世界。

在真实决策中，许多关键变量并不会直接写进材料。某个国家的政策变化可能影响汇率，汇率波动传导至出口利润，利润变化又会影响产能安排，进而改变供应链议价能力；竞争对手的一次动作，也可能让整条路径转向。难点往往不在于信息不足，而在于信息之间的关系尚未被计算。

这种复杂性同样存在于工业生产中。订单、设备、物料、工艺、产能和交期并非彼此独立，任何一个变量发生变化，都可能沿着生产链条影响后续安排。因此，工业决策大脑不仅需要获取和分析数据，还需要理解变量之间的关系，并对不同方案可能产生的结果进行推演。

要把现实世界中相互牵动的变量纳入计算，AI需要建立一个能够描述主体、关系、规则和环境变化的模型化空间，世界模型因此成为连接信息理解与决策推演的重要技术路径。

当前，世界模型既包括面向空间理解与三维交互的探索，也包括面向社会系统和群体行为的模拟。复旦大学等机构提出的SocioVerse，便尝试通过大语言模型智能体和真实用户数据模拟社会动态。与这类研究相比，中科闻歌决策机更聚焦复杂社会与产业系统中的决策问题：将政府、企业、市场参与者等主体及其目标、约束和行为规则纳入仿真环境，分析政策、市场和竞争变化可能引发的因果传导、策略博弈与路径演化。

要让这种面向复杂系统的推演真正运行起来，仅依靠大模型并不够，还需要将数据、业务知识与智能体组织在同一套技术架构中。

「甲子光年」了解到，中科闻歌自研了DOMA架构，即Data（数据）、Ontology（本体）、Models（模型）、Agents（智能体），以此赋能决策机，将数据、业务知识、模型和智能体系统地组织起来，形成从感知、建模、推演到决策的闭环。

在运行过程中，大模型主要负责语义理解、任务规划和报告生成，业务本体与因果关系用于描述现实规则，多智能体系统以及博弈、概率、最优化等求解器负责推演和求解。

中科闻歌自研DOMA技术架构，图片来源：中科闻歌

对于工业决策大脑而言，这套能力提供了预测、推演、优化与调度所需的决策基础。不过，要让它真正进入工厂，仅有“脑”层能力还不够，还需要工业数据、本体知识、认知模型、智能体、业务系统和现场设备共同协同。

同时，给出建议只是决策过程的一环。对企业而言，比建议本身更重要的，是结论如何得出、依据是否可靠，以及在什么条件下可能失效。

也就是说，决策AI必须具备可追溯性。企业不会因为一段话足够漂亮，就把重大决策交给机器。决策者需要看清结论基于哪些变量、经历了哪些推演、哪些假设最为脆弱，以及哪些新信号可能改变判断。

可追溯性不仅意味着能够还原推演路径，也意味着预测结果可以被事后检验——等真实结果出炉，预测值与实际值对比的偏差越小，可信度越高。PolyBench正是这样一套标准化的预测验证框架。在该测评中，决策机的最终预测准确率达81.20%，波动趋势预测准确率达73.40%，均方误差仅0.822%，三项指标均优于Gemini-3-Flash、MiMo-V2-Flash、Grok-4.1-Fast等主流模型，达到SOTA水平。

而真正的可信度，不止于一次测评的领先。用户开启持续跟踪后，决策机将不断采集相关领域的新信息，动态更新不同路径的概率与结论，并自动回溯历史推演的准确率。决策不再是一份生成后便固定不变的报告，而是伴随现实变化持续修正的过程。

决策机在国际权威数据集PolyBench测评的三项核心指标上实现SOTA，图片来源：中科闻歌

即便如此，决策机仍然只是辅助工具，主要承担重复调研、分析和推演工作。是否采纳建议，以及由此产生的后果，最终仍由决策者判断和负责。

决策机由此解决了“复杂问题如何推演”的问题，而工业决策大脑还要进一步解决“推演能力如何建立在工业数据和生产规则之上，并进入真实业务流程”的问题。这也需要中科闻歌将决策机与“基—枢—核—端”等不同层级的能力连接起来，形成一套面向工业现场的完整系统。

3.决策AI树的五层架构

中科闻歌希望构建的，并非单一的AI助手，而是一套面向企业的AI原生决策能力。

7月18日，2026 WAIC期间，中科闻歌CEO罗引博士正式发布由“基、枢、核、脑、端”组成的决策AI产品体系。

这套体系被形容为一棵从根部延伸至枝叶的“决策AI树”：底层承载企业基础设施与海量数据，向上生长出模型、推理和决策能力，最终将智能延伸至真实业务现场。

决策AI树，图片来源：中科闻歌

第一层是基，对应海汇TokSea平台，承担企业级Token基础设施的角色。

企业大规模使用AI后，很快会遇到一个过去并不突出的问题：如何管理Token。

不同部门消耗了多少模型资源，哪类应用成本最高，哪些调用真正有效，哪些只是无效消耗，都需要统一计量、调度和审计。随着AI持续进入业务流程，Token正在成为一种新的企业资源。

海汇TokSea统一管理模型接入、调用路由与资源调度，同时支持Token供应和运营管理，为整套体系提供基础支撑。

第二层是枢，对应DIP本体数据平台，构成数据本体中枢。

许多企业并不缺数据，真正缺少的是一套让AI理解业务的方法。同一个客户、订单、机台、工序或物料，在不同系统中可能使用不同名称。有经验的经理能够理解这些对象之间的关系，模型却未必能够识别。

DIP将分散的数据、业务对象、关系和规则组织成AI能够理解的业务世界，使底层数据转化为经营分析与决策所需的知识基础。

第三层是核，对应雅意YaYi和磐石ScienceOne，承担认知模型内核的功能。

雅意具备多语言、多模态理解和复杂任务规划能力；磐石面向科学研究，强化科学数据理解与专业推理。两类大模型协同，为整个体系提供认知能力。

第四层是脑，对应决策机Decitron，负责推演计算。

决策机将现实问题置于仿真环境，生成多条可能路径，并分别呈现最可能、乐观、悲观及极端突变情景下的演化结果。

除了结论，系统还会输出过程报告、分析报告和摘要简报，使决策者了解推演如何展开，并在不确定环境中比较选择、预判风险。

第五层是端，对应龙工Claworks，是连接用户与业务现场的落地终端。

龙工Claworks具备自主任务规划与多端协同能力，负责将推演建议转化为流程跟进和具体行动，推动分析结果进入真实业务流程。

如果说决策机解决的是复杂问题如何推演，那么决策AI树解决的，则是这种能力如何建立在企业的数据和业务系统之上，并最终进入真实工作流程。“基、枢、核、脑、端”并非五组彼此独立的产品，而是从资源供给、数据本体、模型认知、决策推演到业务执行逐层衔接的一套完整架构。

在工业场景中，这套架构进一步形成工业决策大脑：海汇提供模型接入与Token基础支撑，DIP组织工业数据、业务对象与规则，雅意和磐石提供模型能力，工业决策大脑承担预测、推演、优化与调度，龙工及智能装备则连接生产现场。

在此基础上，AI不再停留在给出建议，而是尝试贯通感知、分析、预测、决策和执行。

4.当决策AI树进入纺织车间

制造业是检验这套能力的典型场景，也是决策AI树率先进入真实业务的一站。

近期，中科闻歌刚刚在浙江绍兴柯桥发布工业决策大脑。素有“国际纺织之都”之称的柯桥，是世界著名的纺织产业集群，拥有完整的产业链条和高度集聚的制造场景。一块布从接单、配色、排产、织造、染整、质检到交付，涉及大量彼此制约的变量，也使这里成为观察决策AI能否真正进入工业生产的一块试验场。

与简单地为工厂增加一个大模型入口不同，工业决策大脑尝试将决策AI树的五层能力嵌入生产、经营与管理流程：底层连接订单、设备、工艺和物料数据，中间沉淀行业知识与业务规则，上层通过模型、决策求解和智能体完成分析、预测、推演与调度，最终再连接业务系统和现场设备。

以针织印染场景为例，中科闻歌将相关能力分为微观、中观和宏观三个层面。

在微观层面，AI以工厂厂长的角色参与生产流程决策。工业决策大脑以DIP构建企业生产数字本体，龙工实时连接设备、订单、机台和工序，主动识别异常与延期风险，预测下机时间、诊断设备效能，并联动完成锁机、建单、通知和排程调整。生产经验还可以沉淀为可复用的Skills，逐步转化为持续演进的生产知识。

这套能力也开始进入理单、排程和排缸等具体环节。例如，在理单场景中，系统需要从客户订单中识别面料规格、数量、交期和工艺要求，再与企业内部的设备、物料和产能信息进行匹配；在排程排缸中，则需要综合订单优先级、设备状态、缸型、颜色、工艺约束和交付时间，生成可执行的生产方案。

AI在这里面对的不是一个孤立任务，而是一组持续变化的多约束决策问题。据中科闻歌介绍，在部分应用场景中，智能理单已由原来的30至60分钟压缩至秒级，织造排产也可由数小时缩短至分钟级。

作为工业决策大脑的智能执行端，中科闻歌旗下子公司中科巨细研发的工业机器人已经覆盖物料转运、挂纱及巡检等关键环节，推动AI能力深入纺织生产现场。

工业机器人终端（中科闻歌子公司中科巨细研发），图片来源：中科闻歌

在中观层面，AI充当经营分析师，辅助企业经营决策。依托企业本体数字孪生，工业决策大脑支持管理者从不同维度自主开展经营分析，减少对软件厂商定制开发的反复依赖。智能体能够识别客户流失和经营异常，进一步分析风险成因、优先级与责任归属，并提出有依据、可执行的改进建议。原本需要2至3天完成的经营分析由此压缩至10分钟以内，帮助管理者更快定位问题、追溯原因并推动改进。

在宏观层面，AI扮演战略参谋，帮助企业搭建数字决策沙盘。工业决策大脑进一步将企业内部经营数据同外部政策、市场、产业和舆情信号结合，构建多智能体决策沙盘，开展因果分析、情景推演、路径比较与风险评估，为高度不确定环境中的战略判断提供参考。

5.结语

中科闻歌正在尝试一件困难但有价值的事：推动决策从依赖经验与直觉的艺术，逐步转化为可以计算、推演、验证和持续校准的工程。其长期服务复杂信息场景所积累的多源数据处理、本体建模和行业语义理解能力，也构成了难以快速复制的底层资产。

从柯桥纺织场景开始，中科闻歌也在验证一种工业AI落地路径：不是将一个通用模型简单接入工厂，而是以决策AI树为技术底座，将数据、知识、模型、决策和执行组织成一套能够进入工业流程的完整能力。

未来，企业的决策节奏或将被重新定义，但这条路仍然漫长。

突发事件、非理性选择和难以建模的变量不会消失，技术也无法消除现实世界的不确定性。但可以确定的是，智能只是起点，决策才是更持久的考验。

（封面图来源：AI生成）