中科闻歌把决策AI做成五层栈

中科闻歌昨天在WAIC 2026发布了由“基、枢、核、脑、端”组成的决策智能产品体系。 这套体系以DOMA架构为底座，将数据治理、业务本体、模型推理、决策推演和智能体执行串成一条链路，目标不是再给企业增加一个聊天入口，而是让AI进入生产经营、战略分析和科学发现的实际决策流程。

DOMA架构是由Data、Ontology、Model、Agents四层组成的决策智能技术架构。 Data负责接入和治理数据，Ontology把业务对象及其关系转化为机器可理解的本体，Model承担认知与推理，Agents则把分析结果送入具体岗位和业务系统执行，最终形成“感知—分析—决策—执行—反馈”的闭环。

需要先说明的是，“业界首个完整AI决策产品体系”是中科闻歌在发布会上的定义，目前尚缺少统一行业标准和第三方横向评测来验证这个“首个”。 但从产品覆盖范围看，它确实比单一大模型、智能体平台或传统BI工具更完整：中科闻歌不是只交付一个模型，而是把企业使用AI时最难拼接的五个环节做成了一套产品栈。

DOMA解决的不是“能不能回答”，而是“能不能行动”

决策智能是利用数据、知识、模型和智能体，对复杂问题进行预测、推演、方案比较并辅助或执行决策的AI系统。 它和生成式AI最大的区别在于，生成式AI通常以答案为终点，决策智能则必须继续回答三个问题：这个答案依据什么、不同方案后果如何、决定之后由谁执行。

企业大模型过去两年的主要矛盾已经从模型供给不足，转向组织无法稳定吸收模型能力。 一个通用模型可以总结报告、生成文案和查询知识库，但到了真实经营场景，它往往不知道“订单延迟”与哪些设备、工序、客户和排产规则有关，更没有权限直接修改排程、触发检修或通知负责人。

DOMA试图用业务本体补上大模型与企业现场之间缺失的结构层。 这里的Ontology不是简单的数据标签，而是对设备、订单、人员、工序、政策、市场等业务实体及其关系进行建模。大模型看到的不再是一堆互不关联的表格和文档，而是一张带有业务语义、约束和因果线索的关系网络。

本体层也是这套架构最关键、同时最难规模化的部分。 模型可以采购，算力可以扩容，智能体编排也有大量现成框架，但企业业务关系往往藏在数据库字段、流程制度和员工经验里。谁来定义“设备异常”、如何处理跨部门口径冲突、业务变化后怎样更新本体，这些工作仍然需要行业专家和数据团队长期参与。

五层产品栈分别做什么

中科闻歌用“基、枢、核、脑、端”概括五层产品，并由DOMA负责把五层连接起来。 其中既包括今年6月30日发布的海汇TokSea，也包括DIP、磐石ScienceOne、雅意YaYi、决策机Decitron和龙工Claworks。

| 层级 | 对应产品 | 核心职责 | 主要输入与输出 | 公开价格 | |---|---|---|---|---| | 基 | 海汇TokSea | 统一管理算力、模型、Token和智能资产 | 输入模型与算力资源，输出路由、计量、权限和成本数据 | 未披露 | | 枢 | DIP本体数据平台 | 治理企业数据并构建业务本体 | 输入数据库、文档与业务规则，输出可计算的业务知识网络 | 未披露 | | 核 | 磐石ScienceOne、雅意YaYi | 提供科学模型与通用模型能力 | 输入任务和专业数据，输出预测、生成及推理结果 | 未披露 | | 脑 | 决策机Decitron | 深度分析、情景模拟和方案比选 | 输入业务目标与约束，输出概率判断、路径比较和风险评估 | 未披露 | | 端 | 龙工Claworks | 编排智能体并接入岗位与流程 | 输入决策结果，输出通知、检修、排程等执行动作 | 未披露 |

海汇TokSea承担的是企业AI资源控制面的角色。 它以Token为基础计量单元，整合模型接入、智能路由、权限管理、成本监控和运营优化等能力，解决多模型环境下“谁在用、用了多少、效果怎样、成本多少”的管理问题。它不直接决定业务方案，却决定整套AI系统能否以可控成本稳定运行。

DIP本体数据平台承担的是传统数据中台向语义层升级的角色。 传统数据中台擅长汇聚和清洗数据，但业务语义常常停留在报表开发人员脑中；DIP试图把数据关系显式化，让模型能够理解某台设备属于哪条产线、某个订单经过哪些工序，以及异常会影响哪些客户。

磐石ScienceOne与雅意YaYi构成科学和通用双模型引擎。 雅意负责更广泛的语言理解与通用任务，磐石则面向化学性质预测、谱图到分子结构预测、蛋白质位点预测等科研任务。中科闻歌称，磐石2.0在60余项专业科研任务中，大多数任务超过Gemini-3.1-pro、GPT-5.5等通用旗舰模型，并在部分任务上达到国际最佳效果。

Decitron是整套产品与普通企业大模型平台拉开差异的核心。 中科闻歌将它定义为“决策机”，重点不是复述已有信息，而是基于约束和不确定性推演未来，对多个方案进行概率评估、风险比较和路径选择。公司CEO罗引将两者的区别概括为：“通用大模型只能回答现在，而Decitron负责计算未来。”

Claworks决定了决策结果能否真正进入业务现场。 它负责智能体编排及流程承接，把Decitron给出的建议转化为通知、工单、检修、排程等动作。对于企业而言，这一步比生成一份分析报告更有价值，也更危险，因为错误不再停留在屏幕上，而可能直接影响设备、资金和人员。

它与BI、RAG和智能体平台有什么区别

DOMA不是传统BI、RAG知识库和智能体平台的简单替代，而是试图把三类能力装进同一条决策链。 BI擅长解释已经发生了什么，RAG擅长从已有资料中寻找答案，智能体平台擅长调用工具完成任务，而决策智能还要处理预测、推演、约束和反馈。

| 产品形态 | 主要回答的问题 | 数据组织方式 | 是否进行未来推演 | 是否连接执行流程 | 典型局限 | |---|---|---|---|---|---| | 传统BI | 发生了什么、指标为何变化 | 数据仓库、指标体系 | 通常较弱 | 多数停留在报表 | 依赖人工解释和后续行动 | | RAG知识库 | 资料中怎么写、制度如何规定 | 文档切片与向量检索 | 通常不具备 | 可调用少量工具 | 检索正确不等于决策正确 | | 通用大模型 | 如何总结、生成和解释 | 参数知识与上下文 | 可做语言层面的假设分析 | 需外接工具 | 缺少业务约束和稳定性 | | 智能体平台 | 如何调用工具完成任务 | 工作流、工具和记忆 | 取决于外接模型 | 较强 | 容易执行一个看似合理的错误计划 | | DOMA决策体系 | 多个方案未来结果如何、应该采取哪条路径 | 数据、本体、模型与智能体 | 作为核心能力 | 强调闭环执行 | 建设复杂度、评测透明度仍待验证 |

DOMA真正有价值的地方是把“分析”和“执行”之间的断点纳入产品设计。 很多企业AI项目可以做出演示效果不错的问答机器人，却很难进入生产系统，原因并不只是模型不够聪明，而是缺少权限边界、流程状态、业务规则和反馈机制。

DOMA面临的竞争也不是某一个模型，而是企业现有技术栈的组合。 数据平台厂商正在增加语义层，云厂商正在完善模型治理与智能体平台，传统流程软件也在加入生成式AI。中科闻歌的优势是产品链条完整，挑战则是客户是否愿意用同一家供应商覆盖从数据底座到业务执行的多个关键层级。

从印染排产到战略投资，闭环怎样运转

针织印染企业案例展示了DOMA在生产现场的典型工作方式。 系统先实时感知设备异常，再沿着订单、机台和工序关系定位原因，随后预测生产进度、比较不同设备效率，并把检修、通知和排程指令送入执行流程。

这个案例的重点不是模型识别出“设备坏了”，而是系统理解设备异常会如何传导。 如果一台机台停机，系统需要判断哪些订单会延期、是否存在替代设备、切换设备会不会改变质量和成本，以及应该优先保障哪个客户。传统告警系统只负责报错，决策系统则要在多个约束下给出行动顺序。

宏观战略场景要求系统同时处理内部经营数据和外部环境信号。 中科闻歌称，这套体系可以将政策、市场、产业和舆情信号与企业订单、财务、产能数据结合，用于市场进入、产能布局、重大投资和战略调整的情景推演。

科学发现是另一类更适合专业模型发挥优势的决策场景。 磐石ScienceOne面向材料、化学和生命科学任务，把科学数据理解、实验设计与方案优化放在同一流程里，目标是减少依赖经验的重复试错，把研究路径转为数据、知识和模型协同驱动。

最高降本90%、提速192倍，数字应该怎么看

中科闻歌给出的商业化数据很亮眼，但目前主要来自公司披露，仍需结合具体项目口径理解。 公司称，这套产品体系可使企业智能建设与运营成本最高降低90%以上，决策响应速度最高提升192倍，并已服务全球超过1000家企业。

| 指标 | 中科闻歌披露结果 | 换算或背景 | 阅读时应注意 | |---|---:|---|---| | 建设与运营成本 | 最高降低90%以上 | 可能涉及平台复用、减少定制开发 | “最高”不代表客户平均水平 | | 决策响应速度 | 最高提升192倍 | 分析时间由32小时缩短至10分钟 | 需明确任务复杂度和人工复核时间 | | 企业客户数量 | 超过1000家 | 覆盖数据、运营、工业和战略智能 | 未披露付费结构与部署规模分布 | | 2024年市场份额 | 11.4% | CIC口径下中国企业级大模型驱动的决策智能市场第一 | 市场定义及样本范围影响排名 | | Decitron预测实验 | 160.28%年化收益率 | 来自为期28天的预测市场模拟交易 | 短周期年化会放大波动，不等同长期实盘收益 |

192倍这个数字在算术上对应32小时缩短到10分钟。 32小时等于1920分钟，除以10分钟正好是192，但真实决策效率不能只看模型生成时间，还要把数据准备、审批、人工校验和执行等待计算在内。

160.28%的年化收益率也不能直接理解为稳定投资回报。 中科闻歌称，基于Decitron概率信号的进取型策略在28天预测市场模拟交易中取得这一结果；由于测试周期只有28天，年化换算会显著放大短期表现，而且模拟环境与真实资金、交易摩擦和风险约束存在差异。

模型跑分同样需要更完整的测试细节才能横向验证。 公司称Decitron在PolyBench三项核心指标上达到SOTA，跨领域稳定性超过GPT-5.5和Claude-4.7，但目前公开报道没有给出完整分项得分、提示词、采样参数、评审方法和可复现实验材料。因此，这些数字更适合作为产品能力信号，而不是已经完成独立验证的定论。

这套体系最值得肯定的，是没有把智能体当万能胶

中科闻歌这次发布最现实的判断，是承认模型与智能体之间还需要数据、本体和治理层。 过去一年，行业里出现了大量“一个智能体接管一个岗位”的叙事，但没有稳定业务语义和权限体系的智能体，本质上只是一个可以点击按钮的大模型。

DOMA的完整性使其更接近企业架构，而不是一次模型功能更新。 TokSea管资源和成本，DIP管数据语义，双模型引擎负责认知，Decitron负责推演，Claworks负责执行，这种分层方式至少在工程逻辑上是成立的，也便于企业按风险逐步开放能力。

DOMA的最大风险同样来自完整性，因为链条越长，系统性误差越难排查。 数据可能过时，本体可能遗漏关系，模型可能错误推理，决策机可能错误估计概率，智能体还可能把错误结果准确执行。每一层单独达到95%的可靠率，也不意味着整条链能保持95%的成功率。

企业部署时必须为高风险动作设置分级授权和人工确认。 查询库存、生成分析报告可以自动执行，修改生产排程、发起采购、调整投资计划则应保留审批、回滚和审计记录。决策智能的关键指标不只是任务完成率，还应包括错误决策率、人工否决率、回滚成本和异常发现时间。

企业还需要警惕本体和流程对单一平台形成深度绑定。 当大量业务对象、权限规则和流程节点沉淀在一套平台中，迁移成本会远高于更换一个底层模型。中科闻歌需要证明DOMA能够兼容客户已有数据库、模型和业务系统，而不只是完整销售自家产品。

决策AI进入下半场，胜负不由发布会决定

中科闻歌此次发布标志着国内企业AI竞争开始从“大模型能力”转向“组织决策闭环”。 这也是一个更难但更有商业价值的方向，因为企业愿意为缩短停机、提高产能、减少研发试错和控制经营风险付费，而不只是为一个更会聊天的界面付费。

这套体系目前更像一张完整且合理的工程蓝图，而不是已经被充分验证的行业标准答案。 它的产品结构比单点智能体更扎实，制造、战略和科研案例也指向真实需求，但“业界首个”、90%降本、192倍提速以及多项SOTA成绩，仍需要第三方测试、更多客户案例和长期运行数据支撑。

决策智能最终比拼的是错误成本，而不是演示时的聪明程度。 如果DOMA能够让企业清楚知道每个建议来自哪些数据、经过哪些模型、遵守哪些规则，并在执行后持续反馈修正，那么它确实可能把AI从外围助手推入组织核心；如果解释、审计和安全控制跟不上，闭环也可能只是把幻觉更快地送进生产系统。

参考来源

发布信息与业务数据主要来自中科闻歌在WAIC 2026期间的现场披露及国内媒体报道。因文章外链域名发布规则限制，原始媒体链接不在文末展示；以下仅列出允许访问的公开技术项目页面。

• YaYi GitHub项目：中科闻歌雅意大模型的公开项目与技术资料，可用于了解其通用模型技术背景。
• Wenge Research Hugging Face主页：中科闻歌研究团队公开模型资产页面，可用于核验部分模型及社区资料。