「用结果评价决策」是 AI 正在放大的一个误区

好决策，不是赌赢一次。

图由 AI 生成

文 | Alex

编辑 | 燕子

排版编辑 | 唐山惠

王曦问我，要不要跟他玩一个游戏。

扔一枚硬币。正面，他给我 10 块钱；反面，我给他 1 块钱。只玩一次，没有第二把。

我想了一下，说可以。

他接着问，如果硬币落下来，我输了，给了他 1 块钱，会不会后悔刚才这个决定？

这是一次关于“好决策”的讨论。王曦的答案是，好决策不是赌赢一次，而要看决策过程是不是科学完整。

如果在做决定之前，已经把关键因素想清楚了，比如：硬币是不是正常，规则是否公平，最坏结果能不能接受，风险和收益是否匹配，那么即便最后输了 1 块钱，这仍然是一个好决策。

很多人习惯用结果反推决策。赚了，就是决策对；亏了，就是决策错。

但在企业经营里，事情没有这么简单。一个库存计划、一个生产排程、一次电力调度、一次物流分配，都会受到很多条件限制。

需求可能变化，设备可能故障，订单可能插入，天气、市场和政策也会改变。

企业能做的，不是去赌某一个微小的可能性，是在已知条件下，把关键变量、约束和风险尽量考虑清楚，再去寻找最优的可行方案。

前几天，牛透社分析师与杉数科技联合创始人、CPO 王曦做了一次深入交流。

杉数科技做的是智能决策优化，深入企业后台，处理库存、排产、调度等与经营运行密切相关的问题。

企业过去十多年搭起了一整套管理系统。

ERP 管资源，MES 管生产，WMS 管仓储，TMS 管运输，BI 汇总经营数据。企业开始“看见”经营现场，订单、库存、产线、车辆状态，都可以被系统反馈出来。

但看见经营现场之后，下一步怎么做仍要人来判断。

库存、电网负荷或产线状态的变化，本质上都只是系统对现实的感知，并不直接对应可执行的动作方案，具体如何调货、如何调度、如何排产，仍需要在约束条件和多重目标之间重新计算与权衡。

王曦把从数据到决策的过程拆成了几层：

• 第一层是数据清洗、整理和分析，用来描述现状；

• 第二层是预测，用来判断未来可能发生什么；

• 最后才是决策建议，告诉企业在什么时间做什么事。

这几层经常被混在一起。很多企业以为只要预测足够准，决策就会自然变好。

而事实上，决策需要的是足够有用的信息。

企业经营也是这样。需求预测、销量预测、负荷预测都重要，但真正改变经营结果的，是后面的动作，比如补多少货，排哪张单，调哪辆车，开哪台机组等。

杉数做的，就是把这些动作算出来。

它的产品结构大致有三层。

最底层是算力层的超智计算一体机，由自主研发的面向高精度异构计算的CAML数学加速库释放算力；

中间层的COPT 数学规划求解器，可以理解为决策式AI的核心引擎，也是智能决策系统的计算内核。

它求解的是众多运营决策里的数学规划问题，比如，生产线上每种产品应该生产多少，电网里每 15 分钟一个时间窗内机组到底开还是关，物流车辆怎么调度，港口泊位怎么分配，等等。

最上层是擎天智能决策建模平台。

如果说COPT负责“算准结果”，那么擎天平台则负责“听懂业务、完成建模”，让决策式AI从少数专家掌握的工具，逐步变成更多企业能够调用的能力，并广泛深入地赋能能源、电力、交通、制造、消费等各个行业。

这些行业场景差异很大，业务现场各有不同，但它们底层都有共性，即资源有限，约束很多，目标不止一个。

能源要考虑安全、成本、稳定和消纳； 港口要考虑泊位、堆场、设备和船期； 制造要考虑设备、物料、订单和交付周期； 零售补货则要考虑库存、需求和物流协同。

这类问题靠经验可以做，但很难算清楚。人能处理局部，系统要处理全局。

事实上，决策优化并不是一个新赛道。在海外市场，它已经发展了数十年。

IBM、Google、FICO 等公司都布局过优化技术，底层求解器长期由 Gurobi、CPLEX 等产品占据主导地位，大型企业内部也往往拥有专门的运筹优化团队。相比之下，中国市场起步较晚，过去更多依赖国外求解器和咨询服务。

但近几年情况正在变化。

• 一方面，供应链复杂度提升、制造业数字化深入，企业开始从“看数据”走向“用数据决策”；

• 另一方面，国产替代需求增强，越来越多的企业希望核心优化能力掌握在国内厂商手中。

杉数科技自主研发的COPT求解器，正是在这样的需求中不断迭代。

2021年，COPT受邀入驻全球知名的NEOS优化平台，成为较早进入国际优化计算生态的中国自主求解器。 此后，COPT在线性规划、混合整数规划、二次规划、二阶锥规划等核心模块上持续突破。 到2025年，COPT 8.0在国际权威测评中取得11项世界第一，证明了中国基础软件已经能够在关键能力上与国际顶尖产品同台竞争。

不过，智能决策的市场仍有很大的成长空间。与 ERP、CRM 相比，智能决策优化还没有形成统一认知。

很多企业愿意为数字化系统买单，却未必了解如何把关键决策交给算法。

行业教育成本高、项目周期长、交付复杂，决定了竞争壁垒更多来自技术能力、行业经验和长期案例积累，而非单纯的销售规模。

智能决策的难点也在这里。它不是给企业多做一张报表，也不是给 BI 加一个自然语言入口。它一旦开始建议企业怎么补货、怎么排产、怎么调度，就会触动企业原有的资源分配方式。

销售希望多备货，财务希望降库存，生产希望计划稳定，供应链希望快速响应。不同部门对同一件事的目标并不总是一致。

在王曦看来，智能方法支持决策，本质上是一种管理变革，不是纯粹的信息化变革。因为决策会驱动资源调度，资源调度才会带来经济效益变化。

所以，这类项目往往不是一个部门买个工具就能解决，它需要接数据，梳理流程，确认指标，处理约束冲突，还要在业务现场建立信任。

这也决定了智能决策公司的商业化路径不会太轻，项目短则三五个月，大项目周期会更长。

这与 SaaS 的逻辑不太一样。

标准 SaaS 追求一套产品服务更多客户，边际成本越来越低。

而智能决策的产品化更靠中间层沉淀。客户看到的系统可能各不相同，但背后的问题抽象、建模方法、算法调用和交付流程可以逐渐标准化。

王曦称之为“用标准化的方法，解决非标的问题”。

海外市场分工更精细，求解器公司、应用公司和咨询公司各司其职，中国客户更希望供应商把事情一起解决。

因此，杉数给自己的定位是“全栈决策式 AI”，上层应用、中间引擎、底层算力都要做。

横向看，每一层都是巨大的市场；纵向看，只有这样才能把客户最真实的决策问题解决。

杉数不是大模型热潮里最显眼的公司。

它所在的智能决策赛道，也还没有形成像 ERP、CRM 那样清晰的软件品类。它更重，周期更长，复制也更慢。

但企业 AI 继续往后台走时，会逐步进入计算决策层，问题从回答走向动作计算，也更贴近经营结果，对系统能力要求更高。

采访快结束时，我又想起那个硬币游戏。好决策不是事后看赢没赢，而是事前有没有把该想的事情想清楚，把该做的优化做到位。

企业能看到越来越多的结果，但结果并不能还原决策本身。很多时候，评价方式被结果牵着走，用结果评价决策，这也是AI正在放大的一个误区。