斯坦福大学《2026 AI Index》给出两组耐人寻味的数字：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%；但在产业侧，真正进入生产系统、能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，这些工作主要回答“知道什么”和“如何表达”。而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。这些高频发生的决策问题，光靠生成内容解决不了。
决策式AI因此受到关注。它并不是一种全新的模型，而更像产业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并执行结果。通用模型能力逐渐成为标准供给后，厂商的差异更取决于是否理解生产流程、是否拥有可计算的行业模型。
从企业视角看，难点一直卡在“最后一公里”。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，人的语言需要被转化成可计算的内容，中间隔着一层复杂的转译。杉数科技擎天产品负责人陈尧宇就提到，即使是走得较快的客户，也要花相当长时间让业务人员理解优化怎样使用、如何嵌进现有系统。
AI压缩的正是这层转译，也把算力问题重新摆上台面。当系统要在大模型、求解器、仿真和业务系统之间来回调用，推理成本、延迟和资源调度都会直接影响它能否被持续使用。这也是星战科技在GPU算力平台与算力调度方向持续关注企业AI落地的原因：让通用模型与专用计算按任务组合，让每一次调用都算得清、供得上。
一个港口堆场的案例能说明这种分工。集装箱从进港到装船，堆场位置直接影响装卸效率；杉数先把计划员的经验转化成数学模型，AI版本则承担分析与解释，用平台工具完成过去需要算法工程师介入的问答，并把业务经验沉淀为可复用的技能。大模型没有改变业务应该怎样优化，而是补上了最靠近人的一层。
杉数成立于2016年，其求解器COPT在2019年发布，十年间一直在航空、港口、能源和制造行业处理计划与调度问题。与其说它是在转向，不如说是在重新命名自己的主线。当通用模型成为入口，真正稀缺的仍是把约束算准、把方案落地、并让结果可解释可验证的能力。