WAIC大咖深度剖析｜AI如何实现从“烧钱”到“省钱”的转变？中科闻歌CEO罗引：企业运营成本锐减90%，决策智能成AI新方向

“近期，资本市场动态无疑吸引着众多目光，不过我个人对股票关注较少，不太在意股价的起伏。公司成功上市后，我反而比上市冲刺阶段更具干劲。因为在达成一些关键里程碑后，现在能够毫无顾虑地与产业进行深度融合与碰撞。”7月18日，在2026世界人工智能大会（WAIC 2026）的现场，中科闻歌CEO（首席执行官）罗引在接受包括《每日经济新闻》记者在内的多家媒体采访时，坦率地谈到了资本市场对公司的预期情况。

中科闻歌是由中科院自动化研究所的科学家们创立的一家AI（人工智能）公司，在今年6月底成功登陆港交所，成为“港股决策大模型第一股”，在人工智能领域迈出了重要一步。

《每日经济新闻》记者深入调研发现，当下企业对人工智能的需求正经历着悄然且深刻的转变。早期，分析型AI主要作为处理数据的“效率工具”存在；过去两年，生成式AI逐渐成为企业的“内容助手”；而如今，企业真正渴望的是具备懂业务、懂决策能力的“决策大脑”，以助力企业在复杂多变的市场环境中做出更精准的决策。

随着越来越多的参与者涌入AI赛道，决策智能如何重构组织能力成为关键问题。同时，在Token（词元）“通胀时代”来临的大背景下，决策智能又该如何算好“成本账”，实现可持续发展呢？

企业建设与运营成本大幅降低，决策智能助力组织能力重构

随着大模型技术日益成熟，AI产业的竞争逻辑正发生着根本性的转变。曾经，企业的核心竞争力或许在于拥有多少算力模型，但在如今高速变化且充满不确定性的社会环境下，企业的核心竞争力更多地体现在能否看清事实、准确判断因果，并迅速做出微观和宏观的决策。正如罗引所说，从智能到决策，这是一场对组织能力的全面重构。AI的未来发展方向，绝不仅仅是简单地生成答案，而是要深度参与到企业的决策过程中。

罗引将决策智能的发展历程划分为“三重跃迁”：从最初的计算AI，到中间的生成AI，最终迈向决策AI。决策AI的高阶形态是能够赋能企业中高层决策，通过调用生成式AI和计算型AI，层层叠加，最终嵌入到组织的判断、协同与行动链条中，为企业决策提供全方位的支持。

受访者供图

在中国科学院自动化研究所副所长曾大军看来，“决策范式演变”这一阶段，最根本的变化在于决策问题的边界被重新定义。“过去，我们认为那些无法分析、无法计算、无法推演、无法进行定量分析的复杂决策问题，现在在人工智能的引领下，都被纳入了可计算、可推演、可评估、可决策的范畴。这为企业决策提供了更多的可能性和依据。”

曾大军判断，决策智能已经进入了系统布局的关键阶段。“在这个阶段，谁能率先突破，从工具层面真正提供一套好用、管用的框架，谁就能在决策智能领域占据领先地位，对下一步的进展起到强大的牵引作用。”

在WAIC 2026举办期间，中科闻歌发布了业界首个“基、枢、核、脑、端”完整AI决策产品体系。据《每日经济新闻》记者现场了解，该体系以DOMA（数据—本体—模型—智能体）架构为技术支撑，全面覆盖数据治理、业务建模、模型推理与智能体执行的全链路，成功打通了从企业生产经营决策到科学发现的AI决策闭环，为企业决策提供了更加系统、高效的解决方案。

记者还注意到，这一决策AI产品体系为企业带来了显著的降本和效率提升效果。数据显示，企业建设与运营成本最高可降低约90%，决策响应速度最高可提升192倍。原本平均需要32小时才能完成的分析任务，如今仅需10分钟即可完成，极大地推动了企业决策能力向“智能化装配”方向发展。

Token“通胀时代”来临，决策智能如何平衡成本与效益？

在AI呈现爆发式增长的当下，人工智能时代衡量价值的“新货币”Token正经历着一场结构性“通胀”。一方面，部分模型的价格持续走低，甚至出现免费的情况；另一方面，面向复杂任务的旗舰模型和Token价格却逆势上涨。这一现象给企业决策智能的应用带来了一定的挑战。

这意味着，与单轮问答相比，企业的战略推演、生产调度、市场预测等决策任务，往往涉及多轮理解、任务拆解、工具调用和长链路执行，Token消耗量是普通对话的数十倍乃至上百倍。如何在保证决策智能准确性的前提下，有效控制Token的消耗成本，成为企业决策智能应用中亟待解决的问题。

中科闻歌“决策AI树”（受访者供图）

那么，决策AI在实际部署过程中，究竟该如何平衡思考决策智能的准确性与Token的消耗成本呢？对此，罗引表示，“我们的产品覆盖中观、宏观、微观三个层面，不同层面的问题使用频次存在很大差异”。

罗引进一步分析指出，微观层面的问题与生产关联紧密，使用频率相对较高；中观层面的问题可能按天来计算使用频次；宏观层面的问题则是按年或者按季度来考虑。通过将这三个层面进行合理划分，我们可以根据不同问题的特点，选择不同参数或者不同算力要求的模型进行搭配，从而实现投入和产出的平衡，让成本计算更加清晰合理。

另一方面，罗引强调，更深层次的逻辑是“以质换量”。虽然一些大模型也可以进行决策分析，但消耗大量Token成本后，却无法带来相应的收益，分析结果也不够全面准确。而决策智能平台背后，是多个专家智能体协同工作，一次推演的成本可能是常规问答的几十倍，但得到的结果却是准确而专业的。用户愿意为这种确定性决策价值买单，因为准确的决策能够为企业带来更大的效益。

谈及未来Token价值的拐点，罗引认为，这取决于底层计算范式的突破。“要实现Token价值的转变，需要从物理层面进行深入研究，探索是否能够攻克一些底层技术难题，如半导体、超导、量子力学等领域的问题。如果能够改变底层计算的范式，未来成本一定会急剧下降。而现有的GPU（图形处理器）逻辑，在参数量增大、耗电量增加的情况下，是无法解决成本问题的。”罗引坦言。

罗引还表示，他在与中科大量子计算专家交流时了解到，如果未来能够利用几千甚至几万个量子比特来承载大模型参数，未来的计算成本可能会降至现在的万分之一。不过，这一目标的实现“可能还需要十年，但具体需要多少个‘十年’，目前还难以准确判断”。

市场规模未来5年将增近10倍，哪些领域将率先受益？

当市场不再满足于AI仅仅扮演“诗人”和“助手”的角色时，决策智能正逐渐成为AI产业的下一个增长极，为企业发展带来新的机遇和动力。

据《每日经济新闻》记者了解，中国企业级大模型驱动的决策智能市场规模正处于高速扩张阶段。灼识咨询的数据显示，2025年该市场规模已达到39亿元，占整个企业级大模型市场的21.6%；预计到2030年，该市场规模将大幅增长至375亿元，这意味着未来5年将增长近10倍，发展前景十分广阔。

（受访者供图）

那么，未来决策智能将在哪些场景和领域最先迎来爆发式增长呢？

罗引指出，科研领域无疑是决策智能率先发力的领域之一，尤其是在材料领域。例如，AI for Science（AI4S）的发展速度远超生物制药。这是因为生物制药和其他领域从实验室研究走向临床再到市场推广，通常需要5到10年的时间；而新材料从出现到面向市场，转化链条更短，一般只需一两年时间。因此，决策智能在材料科研领域能够更快地发挥作用，推动新材料的研发和应用。

其次，制造领域也是决策智能落地的重要战场。每个工厂都希望拥有一个“智慧大脑”，能够及时发现并修复低能耗、排产效率不高、生产环节异常等问题，将工厂的运营状态调整到相对完美的状态，实现以“厂长思路”进行AI升级，提高工厂的生产效率和竞争力。

最后，社会服务与消费领域同样蕴含着巨大的潜力。罗引明确表示，他能够感受到AI在促进消费、物流贸易等方面正发挥着“隐形推手”的作用。AI技术的应用可以带动更多生产效能，提高商品和资金的流转效率，为社会服务和消费领域的发展注入新的活力。