企业智能系统｜ AI不能处理决策优化
企业知识开源计划创始人今天很多企业认为有了人工智能，就能解决企业所有需要用“机器智能”来解决的业务问题，这是一个巨大的认识误区。
实际上人工智能本身定位于模仿大脑机能，参见我文章
人工智能，特别是其核心路径：机器学习、深度学习和大模型，是在模拟人类大脑的认知功能，包括：
感知：如计算机视觉（看）、语音识别（听）、自然语言处理（读）
学习：从海量数据中找出模式和规律
记忆：存储、回忆有关交互信息
推理：在一定上下文下，进行逻辑推断，生成下一步行动
一个拥有强大“AI大脑”的企业系统，可以非常聪明，知识渊博，反应迅速。
然而，正如人类即便有大脑，也不一定能做出正确决策。
复杂决策并非人类大脑特有的机能，因为根据决策约束以及各种决策因素来做出决策优化，会涉及到复杂的数学计算，而人类大脑本身并不具有如此强大的计算能力。
一个大脑可能知道很多信息，并且基于过去的经验，根据这些信息能够判断出现状和未来发展趋势，但大脑不一定懂得在多个行动方案中如何权衡，因为决策面临着复杂的局面，被无数种可能性和各种限制（例如时间、成本、资源）搞得不知所措。
决策优化的学科被称为“运筹学”，一般来说，运筹学不属于人工智能的范畴。
在企业应用中，一个AI模型可以精准预测未来一周所有产品的销量，这相当于是大脑的预测能力。
但是，如何根据这个预测，在仓库容量有限、货车数量不足、员工工时固定或者加班要给额外加班费等复杂约束下，制定出成本最低、效率最高的生产和物流计划？要生成这个方案，单靠AI模型是无法解决的。这就需要运筹学工具。
运筹学（Operations Research）是识别逻辑与权衡的思维体系 ，它负责回答：“在这么多限制条件下，在这么多可能的选择中，哪一个才是最优的？” 它给大脑提供了做选择的方法论，以及选择结果的外部评估。
运筹学最核心的工具叫“求解器”（Solver），这个产品我在几年前写过文章介绍《企业数智化软件的市场机会｜ OLAP究竟是业务应用还是技术平台》《从美国暴风雪谈 ｜ 企业核心系统是否该用行业标准软件》。目前在实际企业应用中，有多种商用、开源以及学术用途的求解器软件，比较有名的有老牌的IBM的CPLEX、很多企业使用的商业求解器Gurobi、以及包括谷歌OR-Tools等众多的免费开源工具，以及国内杉数、悠桦林等公司开发的求解器。
所以在企业复杂决策中，AI和运筹学是相互配合的关系。企业数字化中的涉及到决策优化的信息系统，称为“决策智能”（decision intelligence）系统。
在企业实际运营中，一个智能化的业务流程是从提出问题到解决问题，中间需要经过“感知-分析-推理-决策-行动”的过程：
决策智能为 “AI大脑”配备了一个理性的、系统化的决策框架，这个框架相当于“原则和纪律” ，它确保决策不仅符合优化目标（例如利润最大化还是效率最大化），而且符合技术条件、商业规则、伦理规范和风险控制等各种约束要求——例如，张三和李四最近刚吵过架、打过架，不能把他俩排到一个班组里。
我来谈下运筹学在企业智能系统中常遇到的挑战。
在企业智能应用环境下，在以上从感知到行动的闭环中，人类有可能会监督、审查机器的决定，仍然会介入决策和执行过程，这就涉及到人类是否能够理解机器生成的行动策略，并接受之。
我在过去多篇文章里谈过人工智能的可解释性问题。
大部分传统机器学习模型，普通人虽然很难直接看懂数学公式里的因果关系，但能理解“变量影响结果”的直观逻辑，例如广告费会怎样影响销量，属于具有人类可以理解的可解释性；而基于神经网络的深度学习因为其黑箱的特性，不具有可解释性。
而运筹学的决策过程像按公式做题，最优解是靠目标函数、约束条件一步步推导的，逻辑链完整，但要解释就得懂数学，对于条件和结果之间的关系，属于“非专业人员难以理解的可解释性”。
这就是为何运筹学是门历史很悠久，技术也很成熟的科学（我在八十年代念复旦管理学院，我们就有“统计运筹系”，参见《在复旦校园谈人工智能在企业中的应用》），然而今天在企业应用中仍然普及度不高的原因。
制造业、消费品行业的供应链计划优化和智能库存补货，都是典型的决策智能课题，这方面的企业软件在欧美层出不穷，在中国应用却存在诸多挑战。
我在实践见过不少中国制造业和消费品企业，即便是上了欧美式的供应链计划软件，然而由于市场环境波动大，业务决策人员很难理解由软件系统生成的生产计划或者补货策略，经过多次失败后，就会放弃使用这类软件。例如，我自己在服装零售企业中做了多年数字化，也见过不少做自动配补货解决方案的供应商，互联网大厂做过这个产品，创业公司也不少，然而企业在使用这类解决方案时，如果没有做好配套的组织变革和人员能力提升（人员要充分理解各种人性化决策规则和科学化运筹学逻辑），失败案例非常多。
实际上高级供给链计划在国外也有很多实施失败项目，对这个问题的辩证思考可以读下这文章《蠢还是坏？深挖供应链计划中“数学最优解”鼓吹背后的真相》
所以在实际业务决策以及数字化流程自动化中，为了避免运筹学工具结果不可理解的问题，“规则引擎” 则是更常用的决策逻辑自动化工具，它管理结构化、明确条件的业务规则和决策策略，例如：“如果客户等级为VIP且订单金额大于1000元，则自动免运费”。
综上所述，一个涉及到决策智能的企业信息系统会包括五个关键组件：
基于机器学习的人工智能：提供预测性洞察，回答“将会发生什么？”
基于运筹学的求解器：提供优化方案，回答“在复杂约束下，最好的行动是什么？”
规则引擎：简化的业务决策策略。回答“根据规则，我们现在应该执行A还是B？”
数据整合处理：在端到端业务流程中，从不同数据源的数据整合，通过上述智能引擎，保证业务智能决策的数据一致性、可靠性
流程编排和自动化：提供统一的业务流程编排，保证业务决策和流程执行的紧密衔接，从而实现业务流程自动化
因此，把这五个组件全部整合起来，以大语言模型来实现人机互动、流程编排、AI智能体执行的平台，就是业务编排和自动化技术（BOAT）的原理。参见《低代码、RPA和BPM时代结束了，流程自动化上BOAT》《果总谈BOAT（二）｜AI原生，不是传统企业自动化上叠加AI能力》
奥瑞方Orion作为中国领先的BOAT技术平台，我们不仅是一个业务流程平台，它能够全面整合各种决策智能技术和业务执行服务，是企业运营管理智能化的基础技术平台，我们也联合国内外的各种人工智能、运筹学优化器等智能能力，形成帮助中国企业进行智能系统转型的生态。
