對話中科聞歌羅引：不與大廠正面競爭，專注垂直行業深度落地
1947年赫伯特·西蒙在《管理行爲》一書中提到，組織首先是一個決策的過程，管理的第一要義是決策。
在複雜多變的商業世界中，人類理性是有限的，而AI進入到決策環節，則將增強進一步增強理性。
當業界將目光聚焦於能「幹活」的AI應用時，無時無刻不在發生的決策環節卻並沒有得到相應的重視。從生產線的微觀調度到企業的宏觀戰略，每一次選擇不僅關乎到真金白銀，甚至關係到是非成敗。
海外，Palantir憑藉FDE（前沿部署工程師）模式在決策領域嶄露頭角，證明了決策AI的巨大價值，但其高昂的定製化成本與規模化落地之間有着巨大的成本溝壑。
AI的下一站，不會步於內容生成、流程上的提效，還因爲走進工廠、車間、辦公室，深入到企業運作與管理等更多環節，擁有了上下文支撐的AI，具備了直接參與企業微觀、中觀，乃至宏觀決策的可能。
AI應用落地加速，但真正嵌入到流程中的並不多，痛點主要包括可信數據處理不充分；業務知識與大模型之間存在割裂；流程與工程脫節導致業務流程難以實現閉環；諸多問題難以形成決策推演的能力。
7月18日，在世界人工智能大會（WAIC）上，作爲國內決策智能的代表企業之一，中科聞歌發佈了業界首個完整的AI決策產品體系。這套體系包括「基、樞、核、腦、端」五層架構，試圖打通從數據治理、業務建模到智能體執行的全鏈路，爲企業構建一個能夠模擬推演、預測變化、輔助判斷的「決策大腦」。
海匯TokSea Token平台是整個體系的「基」。作爲企業的智能基礎設施，統一管理、調度算力與模型資源。企業不需要操心底層複雜的資源分配，通過它就能安全、高效地大規模使用AI能力，就像用水用電一樣方便。
DIP本體數據平台是體系中的「樞」。企業在實際場景中散落着各種雜亂的數據，DIP平台將零散的數據重新編排爲邏輯清晰的業務網絡，讓AI能夠真正讀懂企業的實際運作情況。
通用大模型「雅意YAYI」與科學基礎大模型「磐石ScienceOne」是體系中的「核」。通過算法引擎與模型管理驅動體系思考。雅意負責處理通用的辦公和業務流程，磐石負責高深的科學計算和產業研發。二者結合後能夠懂商業常識的同時，又懂科研。
Decitron決策機是體系中最核心的「腦」。通用大模型回答當下，決策機的任務是計算未來。類似於沙盤推演，模擬各種複雜情況下的因果關聯和多方博弈，幫企業尋找最優解。
作爲「端」，龍工Clawork是負責幹活的智能體。當大腦做出決策後，龍工會將指令轉化爲具體的行動，自動調用對應工具完成任務。
一個多月前中科聞歌登陸港交所，外界普遍給其貼上了「決策智能第一股」的頭銜，並試圖用Palantir的商業模式來拆解這家脫胎於中科院自動化所的初創企業。藉着發佈完整AI決策產品體系的契機，我們與中科聞歌CEO羅引博士展開了對話，在保留原意的基礎上做了一些篇幅上的縮減，以下是對話原文：
Q：你認爲當前AI產品競爭的關鍵點正在發生哪些變化？公司有哪些差異化優勢？
羅引：這是兩個「腦」的問題，一個「腦」是進入到生產和流程的決策大腦，另一個是具身的大腦，兩個腦決定了你在生產流程的決策與跟物理世界交互。我們選擇的是決策路線，具身智能選擇了物理世界，我覺得兩個都是未來最大的機會。
Q：決策大模型主要服務於複雜、高價值的腦力決策場景，這類場具有行業深度，標準化程度相對較低點。中科聞歌如何保持決策大模型既能有行業深度，又能形成可複製的規模化產品能力？
羅引：我們跟國際上的優秀公司學習，很多人給我們打了一些標籤，但路徑是成功的。我們需要學習每一個行業、概念在行業裏面是怎麼定義的，我們沒有辦法把決策邏輯像通用模型一樣泛化。
而且具有通用能力的模型真正在行業落地時又不能很好地完成服務，這個是一個很矛盾的問題。所以我們還是需要沉下心來，依靠FDE與SOP，結合大模型，才能讓行業決策真正走通。過去沒有模型的時候，我們投入每一家公司的開發部署實施的成本都極高，但是今天我們可以把這個成本降低90%，效率提升了192倍。
Q：AI產業正在從模型參數形態轉向兌現產業價值，核心能力從理解與生成轉向推理預測與決策執行躍進。您認爲決策智能爲何會成爲下一階段的核心發展？
羅引：這個發展的路徑我認爲是必然的，Herbert Simon已經講了這個問題，人的決策不夠全面和非理性，AI的作用是理性增強迴路。管理本質上是決策堆疊，過去沒有工具和體系支撐，現在有了解決的可能。
可以看到工業製造領域，工藝流程走向自動化，未來生產決策肯定不是老闆做了。AI即時了解市場需求變化，同時梳理供應鏈，系統便自動完成流程編排。我認爲5到10年，大量行業都會朝這個方向轉型，人的精力將花在戰略頂層設計上。
企業都會算賬，Chatbot產生不了真正的生產價值時，老闆們必然會思考，花這麼多錢買Token，最後給我帶來了什麼價值？一定會想到流程上的優化和升級。生產環節中存在大量細枝末節的流程，目前尚未AI化，還處於傳統信息化的邏輯中，我們需要重塑成AI驅動的流程。
Q：大廠在腦和端都有佈局，中科聞歌在WAIC上發佈了成套的體系，您認爲中科聞歌哪些能力是被大廠們吃不掉的？
羅引：大廠是通用思維，想的是一下子把市場全吃掉。但在垂直領域，若要深入到行業去理解的時候，他必須得有很多專家去積累，而且專家在行業積累的數據並不如互聯網數據那般開放，尤其是很多行業數據都存在保護。
在通用大模型領域，頭部企業靠流量優勢率先佔據身位，其數據積累與智能迭代速度將形成顯著的代際壁壘。因此，我們選擇避開正面競爭，專注於垂直行業的深度落地。通過持續沉澱特定領域的決策數據與專家知識，在多個行業構築專業壁壘，從而形成不可替代的合作價值。
Q：接下來會拓展到物理AI嗎？
羅引：在硬件執行層面，確實需要打通信息層與物理世界的連接。今年在華東地區的製造業已有突破，我們的智能分析系統與機器人融合，實現了從異常檢測到生產流程的自動化執行閉環。
Q：決策智能在工業場景落地上，最有可能在哪些行業或者環節迎來爆發？
羅引：能夠爆發的點比較多，主要集中在三個領域。材料科學有望成爲最快見效的突破口。相較於生物製藥等需要5到10年的漫長週期，新材料從研發到市場轉化僅需1至2年，得益於其在AI4S研究方法、數據積累及產業鏈轉化上的顯著優勢。其次是製造領域，爲工廠打造「AI大腦」。
通過AI升級替代傳統廠長經驗，優化排產效率、降低能耗並自動修復生產異常。儘管目前面臨工廠基礎條件參差不齊的落地挑戰，需要時間，但價值巨大。最後是社會服務與消費領域，AI能夠大幅提升商品與資金的流轉效率，從而進一步促進消費並帶動整體效能提升。
Q：決策推演的計算量比單輪問答要大很多，今年Token依然保持上漲趨勢。在實際部署的時候，公司如何權衡決策智能的準確性與成本之間的關係？未來的價值拐點在哪裏？
羅引：在成本管控上，我們將決策推演分爲高頻生產關聯的微觀、按天調度的中觀，以及按季度/年戰略的宏觀三個層面。針對不同頻次和場景，靈活搭配不同參數和算力要求的模型，從而確保帳能算得過來。
在價值衡量上，決策智能的核心不在於單次Token消耗的絕對值，而在於結果的精準與專業。雖然單次深度推演成本可能是通用大模型幾十倍，但它能一次性提供全面、準確、專業的戰略研判，避免用戶反覆試錯帶來的無效消耗。對於企業而言，高質量、可信賴的決策支持所帶來的業務價值，完全能夠覆蓋其成本。
Q：除了常規對比，磐石（ScienceOne）在具體的輸出質量上，究竟通過哪些核心技術路徑實現了對Gemini-3.1-pro和GPT-5.5等通用旗艦模型的超越？對標AlphaFold系列專用模型在蛋白質結構預測上，磐石是如何做到性能反超的？在整個研發與評測過程中，團隊主要攻克了哪些極具挑戰性的科學任務？
羅引：關於磐石（ScienceOne）相比其他模型的優勢，來源於數據決定智能。依託中科院，我們擁有高質量、高價值的科研數據先機，建立起了安全可信的訓練環境。其次，通過與科研人員深度協作，我們採用了新架構，將波、譜、場等科學模態數據與文本數據融合訓練。
跨學科的融會貫通，使得模型能像人類專家一樣完成交叉研究，比如用物理方法解決化學問題，從而實現了智能水平的顯著提升。關於與AlphaFold這類專用模型的對比，本質上還是數據積累的差異。磐石作爲L1層的科學基礎大模型，目的是解決多領域的通用科研任務，而AlphaFold是針對特定場景的專用模型。我認爲，需要看技術路線的最終轉化價值。
AlphaFold 3發佈以來，目前還沒有直接催生出新藥研發成果，這說明單純解釋蛋白質摺疊結構並不能直接和商業價值掛鉤。因此，在模型訓練時，明確任務的最終轉化成果、選對科研方向，比單純追求單一指標的超越更爲關鍵。
Q：中科聞歌港股上市首日表現十分亮眼，但是決策智能作爲一個新興賽道，市場不可避免的會關注其商業驗證週期。您覺得，決策智能目前最需要突破的信任瓶頸是什麼？
羅引：大家最近都看股票是吧？（笑）我不太關心股價問題，我認爲只要公司經營非常好，對業務和技術的把握符合趨勢，股價必然會得到市場認可。
中科院自動化所下幾十家創業公司，最開始沒有太多人看好聞歌，但最後驗證下來，聞歌是第一家上市的。對我們來說關鍵在於關注點的選擇：是過度聚焦於資本市場的短期波動，還是專注於技術與市場的深度融合以創造實際價值，我的重心始終在後者。
事實上，成功上市後，我反而比衝刺階段更有激情。因爲不斷達成新的里程碑，我們可以徹底甩開膀子，真正深入到產業一線去碰撞與驗證，到底哪些商業模式是真正可行的，哪些技術在實際場景中能產生核心價值。
Q：目前現在都在關注FDE（前沿部署工程師），幫助Palantir這些公司取得了令人關注的成果。放到國內的話，您覺得這會是未來主流的落地方式嗎？如果派駐頂尖工程師去一線，對於中科聞歌來說會很有挑戰嗎？
羅引：這是個算賬的問題。Palantir在全球能拿下大量過億的訂單，自然有底氣僱傭龐大的工程師團隊，但這在國內的商業環境下是不現實的。國內廠商必須算得過賬，這裏產品力和標準化程度最爲關鍵。我們內部的重點是標準化，通過流程標準化，將一個垂直領域打透，後續複製會非常快。Palantir的客戶雖然都是頭部，但行業本身分散，必然要求FDE具備極高的跨行業適應能力，成本極高。
我們的策略是在一個領域做深，培養該領域的專業人才。當產品力足夠強、標準化程度足夠高時，派駐現場的人員數量會大幅減少，成本會變得可控。
Q：您之前在採訪中提到AI的三重躍遷：計算AI、生成AI，決策AI。決策AI是最高階的一種形態，三者是怎樣的關係？
羅引：內部探討過，未來5到10年應該是決策AI。從技術邏輯上講，它們不是替代關係，是層層調用的疊加關係。就像人類使用的工具越來越高級，現在生成式AI已經可以調用底層的計算型AI工具；而未來的決策型AI，則會去調用生成式AI和計算型AI，形成層層嵌套的能力體系。
Q：決策不同於簡單的問答，它往往沒有唯一標準答案，且面對的場景極其複雜。在決策AI介入後，一旦出現偏差，責任該如何界定？
羅引：在生產執行等微觀場景，決策AI的目的是將出錯概率降到極低。類比自動駕駛，能將事故率控制在遠低於人類駕駛的水平，因此微小的容錯率是用戶完全可以接受的。
在運營層面，AI基本不會出錯。因爲打通了底層的SOP和數據治理，AI更多是基於清晰的規則和流程進行計算與規劃，確定性非常高。
在戰略決策層面，AI的核心價值不是「替人做主」，而是「窮盡可能性」。
人類的決策往往不夠理性、全面，決策AI能把最大概率事件、中等概率事件甚至「黑天鵝」事件全部推演出來，爲決策者呈現對應的沙盤推演結果。拍板的責任依然是人。
風險及免責聲明：以上內容僅代表作者個人觀點，不代表富途任何立場，亦不構成任何投資建議，富途對此不作任何保證與承諾。更多信息
評論（1）
發表評論
1