当然现在我们只是提出这样一个智能商业的框架，这只是一个起点。当这个框架真正变成现实，它跟传统的商业决策支持系统相比会有几点不同：

传统DSS中最终决策者是人；在智能商业决策支持系统更多的是人机交互，而部分达到自动化决策。

分析的主题以前是人提出明确主题，由机器帮助分析；将来机器会发现你还没意识到的问题。

从数据上，原来是非实时的，来源封闭的；将来的数据应该是实时的、来源开放的。

从模型上以前是固定的，没有自动优化的机制；将来的模型应该是自动优化的。

应用范围上以前是企业内部；将来会是全产业链的。

（4）智能商业的演进

当然，这会是一个长期奋斗的目标，会需要五年、十年甚至更长的时间，现在只是从理论上提出这样一个框架, 以帮助我们开展下一步的工作。

关于模型的自动优化，我想再进一步解释一下，这可能是我整个演讲里最重要的一句话(这不是一个绕口令)：

为构建一个支持决策的优化模型而做出的关于决策变量的决策，这可能恰恰是AI-Enhanced DSS的核心所在。

AI的应用可能使模型构建和演变的决策变得自动化，意味着模型本身，包括决策变量、目标函数、约束条件，这些成为了优化的决策变量，形成了一个优化的嵌套，这也意味着基于机器学习的模型自动适应和自动演化成为可能。当然，这无论从理论上还是实践上都需要大量的工作要做，但是这样的机制才是真正的Intelligent Business，这是我们努力的终极目标。

（5）智能商业行业价值提升

这是我们做的一个智能商业的行业价值提升分布图（上图），显示了哪些行业会更早地从智能商业的实施中尽快得到收益。横轴是从可行性角度，纵轴是从价值提升角度。可行性考虑的是一个行业的数据化和信息化基础，价值提升更多的是考虑一个行业的竞争激烈程度，决定了这个行业企业是否有足够动力用更激进的方法增强在商业竞争中的竞争力。

右下角是电信运营商，它的可行性是很高的，因为电信行业数据化信息化程度很高，但是因为行业竞争相对没有那么激烈，所以可能采用智能商业的驱动力没有那么强。刚才伯克利的Scott Moura教授讲了美国电力系统优化的案例，竞争也没有那么激烈，但是也可以看到至少现在在学术界已经引起了很多兴趣，所以我们认为将来所有行业可能都会被AI所影响。

5、黑箱和“工作台”应该怎么平衡？

所谓黑箱（Blackbox）就是系统给出一个决策指令，我们就完全按照这个决策执行；而工作台（Workbench）则是给你一系列决策的建议和决策建议后面的成本分析，让人类去做最终决策。同时把根据推理过程所基于的关键的约束告诉你，如果你对系统给出的决策建议都不满意，还可以根据这些关键约束的信息针对性的做工作，甚至去改变某些约束，以改变求解空间，找到更适合实际业务需求的方案。

这是应用智能商业时两种不同的理念，下面我谈一下我们对这个问题的看法。

我们知道自动驾驶领域对自动化程度有一个从level 0到level 5的分级方法，这里我借用这个体系对不同行业的智能决策支持的自动化现状做了评价。

在做这个研究之前，我们觉得智能商业还在早期。但很快我们发现很多行业的业务决策已经非常自动化，像广告自动投放、航空公司的收益管理定价，至少在具体操作层面上都处于level 5。而另外一端，也就是完全依赖人类决策、没有任何系统支持的level 0阶段的行业，现在几乎找不到了。在不知不觉之间，智能商业已经来到了我们身边。

反过来说黑箱和工作台。这里面有两个问题，一个是企业文化层面的问题，一个是平台进化成熟度的问题。

我举一个供应链领域的例子，比如说今天是7月8号，销售刚刚签回来的大单要求必须7月30号交付，但是智能供应链计划系统考虑到所有约束，认为最早8月30号才能交付。同时集团最高领导下了死命令，你们必须7月30号给我交付，这是战略订单。

这种情况下，如果是黑箱模式，计划员就完全不知道该怎么做了，不知道关键节点是什么地方。如果是工作台模式，计划员就可以发现关键节点在哪里，可能就是少了那么一个关键器件。这个信息转递给采购部门，可以用非常规的方法获得这个器件，在7月30号可以交付。