摘要：决策智能：让基础模型成为超级大脑，联合国内外优势单位，30多位院士、大咖和青年才俊联合主笔，在The Innovation上发表了综述《Foundation models and intelligent decision-making: Progress, c

决策智能：让基础模型成为超级大脑，联合国内外优势单位，30多位院士、大咖和青年才俊联合主笔，在The Innovation上发表了综述《Foundation models and intelligent decision-making: Progress, challenges, andperspectives》长文，总结参考了600多个参考文献，系统性总结智能决策概念与发展，提出大模型赋能智能决策的模式、挑战和方向。

起初，基础模型被视作语言理解工具，鲜有人相信它能胜任“决策者”的角色。但随着决策智能技术的快速演进，我们正在见证大模型在复杂任务中展现出强劲的感知、推理、控制与决策的超级潜力。我们撰写本综述，希望为智能决策打开一扇新窗，同时也为人工智能（Artificial Intelligence, AI）从“会说话”走向“深思考”、“善决策”注入活力，全面铺设决策智能的超级大脑。

导 读

智能决策正从规则驱动、数据驱动迈向生成智能的新纪元，基础模型（Foundation Models, FMs）的崛起为这一变革注入核心动力。通过整合文本、图像、传感器等多模态数据，可显著提升决策效率与准确性，而生成式AI更为面向决策的超级智能提供可能。本文系统性的梳理了智能决策的演进脉络，解析基础模型如何赋能智能决策，并广泛应用于医疗、金融、交通等关键领域，同时深入探讨其机遇、风险与挑战。通过本文，读者将深入了解智能决策领域的前沿动态，把握这一技术变革的历史脉络与发展前景，为迎接通用决策智能时代的到来做好准备。

图1 图文摘要

Section 1：智能决策与基础模型：从演进到融合的时代变革

智能决策（Intelligent Decision-Making, IDM）作为人工智能的关键方向之一，其发展轨迹融合了数学、心理学、计算机科学等多学科领域。如图2所示，从最早的期望效用理论，到现代强化学习与大语言模型（LLMs）的结合，IDM已逐步由依赖专家经验转向数据驱动、自主演化的智能体范式。

该综述指出，基础模型（Foundation Models, FMs）凭借跨模态处理能力与大规模预训练的通用性，正在重塑决策体系的构建方式。作者系统梳理了IDM的四大要素：环境、决策体、目标函数与优化工具，并指出FMs正逐步渗透到智能体、环境建模、策略生成和人机交互各环节。通过强化学习、图神经网络、生成模型等技术融合，IDM正朝着“可泛化、可适应、可解释”方向演进。本综述还回顾了传统决策与智能决策的区别，强调在复杂高维状态空间下，传统方法面临泛化能力和决策效率低的瓶颈，而基于FMs的智能体能在零样本或少样本条件下迅速适应动态环境，展现出了强大的决策潜力。这为未来自动驾驶、医疗诊断、社会管理、多智能体协同等现实场景的高效决策提供了理论支持与技术路径。

图2 智能决策与基础模型：从演进到融合的时代变革

Section 2：基础模型发展概览

FMs正在成为推动人工智能发展的核心技术，并在智能决策中发挥着日益重要的作用。这类模型以大规模预训练为基础，具备跨场景、跨任务、跨模态的泛化能力，能够处理语言、图像、图结构、音频等多种数据形式，广泛应用于自然语言处理、计算机视觉、图学习、多模态理解等领域。如图3所示，FMs是承上启下的关键环节，其在预测建模、跨领域知识整合与人机协同等方面的能力，将极大推动智能决策体系的变革与深化。

FMs的发展经历了多次变革和革新，呈现出从小到大，从单模态到多模态的发展趋势。早期MLMo，ResNet等小模型主导了FMs的发展。随着计算能力的提升和数据量的增长，研究者开始尝试构建更大规模的模型，以实现更通用、更抽象的表示。Transformer架构的提出标志着FMs发展到了一个重要转折点。特别是在NLP领域，BERT、GPT等预训练语言模型的成功，展示了"预训练 + 微调"范式的强大潜力。此后，模型参数量不断攀升，从百万级别迅速扩展到数百亿乃至万亿级别，ChatGPT、DeepSeek、Qwen等大模型的提出，推动了“大模型时代”的到来。与此同时，FMs从处理单一模态的信息逐步走向多模态融合。视觉语言模型（如CLIP、DALL·E、Flamingo等）的出现，使模型具备了同时理解图像与文本的能力，拓展了AI的应用边界。进一步地，近年来多模态大模型（Multimodal Foundation Models）如GPT-4、Gemini、Claude等，融合了文本、图像、音频甚至视频等多种模态，具备更强的通用推理与生成能力，标志着FMs正朝着“通用人工智能（AGI）”的方向不断迈进。

图3 基础模型发展概览

Section 3：从基础模型赋能到先进决策范式

随着FMs的发展，其在智能决策中的角色不断拓展，推动了全新决策范式。如图4所示，本文指出，FMs不仅可以作为智能体（agent）完成感知、决策和执行等任务，还能充当环境建模器、信息编码器、条件生成器与人机交互界面，从而构建多模态、可解释且具泛化能力的智能决策系统。通过统一整合视觉、语言、感知等多模态信息，提升了FMs在复杂任务中的鲁棒性和适应性。进一步地，FMs可配合高层次强化学习诸如元强化学习、层次强化学习、离线强化学习等，融合层次规划、检索增强生成、思维链（CoT）等机制，实现复杂场景下高效、透明的决策推理。此外，模拟环境中的生成式决策模拟（GenSim）为高风险任务提供低成本试验平台，有效缓解现实数据获取困难的问题。整体而言，FMs驱动下的智能决策正从静态规则走向动态学习，从单一模态走向多模态融合，推动在自然科学和社会科学中广泛应用。

图4 从基础模型赋能到先进决策范式

Section 4：基础模型在各领域的决策应用

信息科学：在信息科学领域，FMs展示出强大的多模态数据处理能力，能高效整合文本、图像、视频等多源信息。这种能力使它们在机器人控制、自动化系统、远程通信、智能电网等复杂场景中发挥关键作用，赋能系统基于实时数据做出精准决策，大大提升了信息处理效率与系统响应速度，为领域发展开辟新路径。

数学科学：FMs依托其强大的数学基础和卓越的模式识别能力，革新了数学科学研究范式。它们在数学建模、优化问题求解以及复杂推理等方面提供了创新性的方法和工具。无论是处理大规模数据集还是解决高维复杂问题，基础模型都能展现出色的性能，不仅拓展了数学研究边界，更成为探索未知领域的强大助力。

生命科学：FMs在生命科学领域中发挥着至关重要的作用，特别是在药物设计、合成生物学和健康干预等方面。它们能够加速新药研发的进程，提高生物工程设计的效率和准确性，为生命科学研究带来前所未有的机遇。通过模拟和预测生物分子的行为，缩短新药研发周期，为揭示生命机制和开发疗法奠定基础。

健康医疗：FMs在健康医疗领域的应用极大地改变了医疗服务的模式和质量。它们被广泛用于辅助诊断系统，能够快速准确地分析大量的医疗影像和病历数据，帮助医生提高诊断的准确性和效率。此外，FMs还用于个性化治疗规划，根据患者的具体情况制定最优的治疗方案，实现疗效最大化与成本优化。

牙科医学：在牙科医学领域，FMs的应用为疾病的诊断、治疗规划和手术模拟提供了强大的支持。它们能够精确分析牙科影像和患者数据，帮助牙医制定个性化的治疗方案，并在手术前进行模拟和评估，从而提高治疗的成功率和患者的满意度。FMs的应用不仅提升了牙科医疗服务的质量，也为患者带来了更加舒适和高效的治疗体验。

城市科学：FMs在城市科学研究中发挥着重要作用，涵盖了城市规划、交通管理、资源分配等多个方面。通过整合和分析大量的城市数据，FMs能够优化城市管理流程，提升城市运行效率，改善居民的生活质量。它们为城市规划者和决策者提供了科学依据，帮助他们做出更加明智的决策，打造更加宜居和可持续发展的城市环境。

农业科学：在农业领域，FMs 可应用于支持精准农业、作物管理以及病虫害监测和预测等方面，从而显著提升农业生产效率并推动可持续发展。它们还能够实时分析农田数据，提供精准的决策支持，帮助农民优化种植策略，减少资源浪费，提高作物产量和质量，为保障全球粮食安全提供技术支撑。

经济科学：FMs在经济领域中展现出巨大的应用潜力，特别是在市场分析、风险评估和投资决策支持等方面。它们能够快速处理和分析海量的经济数据，为投资者和决策者提供更精准的市场洞察和预测能力。通过构建复杂的经济模型和模拟市场行为，FMs帮助企业和金融机构更好地应对经济波动，制定更加稳健的发展战略。

教育科学：FMs在教育领域的应用为个性化学习、智能辅导和教育管理带来了革命性的变化。它们能够根据学生的学习进度和特点，提供量身定制的学习体验，激发学生的学习兴趣和潜力。同时，FMs还帮助教育工作者优化教学策略，提高教学质量和效率，推动教育公平性和可及性的提升。

图5 基础模型在各领域的决策应用

Section 5: 风险与挑战

基于大语言模型的智能体技术正逐步应用于各领域、各学科的智能决策任务中，然而，大模型智能体在智能决策过程中也面临着算法、应用、系统等不同层面的安全威胁，如图6所示。算法层面：代表性威胁有提示越狱攻击、智能体记忆投毒、模型审问攻击等；应用层面：典型风险有敏感数据泄露、价值观偏差、信息茧房等；系统层面：突出安全问题有反事实幻觉、内容冲突幻觉、决策规划后门攻击等。同时，针对上述安全威胁，本文也探讨了潜在安全防护机制，如记忆投毒检测、决策规划链随机重排、毒化训练数据过滤、有监督训练微调、价值观对齐、模型审计监管等。

图6 风险与挑战

总结与展望

文章总结了FMs在智能决策中的关键作用和近期进展，同时梳理了当前面临的主要挑战，包括安全、隐私、可解释性等问题。未来，FMs在智能决策中的应用将更加广泛和深入，需要进一步的研究和创新来解决现有问题，推动技术的成熟和普及。特别是在跨学科应用、模型优化、以及动态环境适应性等方面有望取得更多突破，为社会和科学的进步做出更大贡献。

来源：人工智能学家