对话CTO林锦坤数学GPT如何突破求解器技术壁垒

提起数学建模，很多人会觉得它是一门高度抽象、逻辑严密的学问，似乎只存在于学术论文和实验室里。但事实果真如此吗？

恰恰相反。从你手机里打车软件派单的算法，到电商平台背后复杂的库存调配与物流路径规划，数学模型其实早已渗透进我们日常生活的方方面面。问题在于，对于绝大多数人来说，将这些具体的现实问题转化为严谨的数学语言，是一道难以逾越的专业门槛。

然而，大模型的出现，正在悄然改变这一局面。数学家陶哲轩将ChatGPT用作科研助手的故事已广为人知，从检索公式到整理文献，AI正在成为学术探索的新工具。但大模型对数学的赋能，远不止于辅助研究。

一家名为晞德求索科技的初创公司，就将目光投向了更广阔的产业应用。他们基于大模型发布的自动数学建模工具SeedModeler，尝试做一件关键的事：将大模型与专业的数学求解器深度融合，打通从自然语言描述到计算机求解的“最后一公里”。

一场「大模型+数学」的跨语言对话

要理解SeedModeler的价值，得先看看它想解决的核心痛点：求解器的应用门槛。

什么是求解器？你可以把它想象成一个超级计算器。企业生产调度、供应链优化、排产排程这些复杂的决策问题，理论上都可以通过建立数学模型，交给求解器来寻找最优方案。比如，采购一批原材料，面对多家供应商、不同价格、供应上限和物流成本，人脑难以瞬间算出最优组合，但求解器可以。

这个过程通常包含五个步骤：明确业务问题、定义优化三要素、建立数学模型、导入求解器计算、依据结果决策。其中最大的“拦路虎”就是第三步——如何把业务人员用自然语言描述的问题，精准地翻译成数学模型和计算机代码。这一步，往往需要专业的数学建模工程师花费大量时间来完成。

晞德求索的团队在推广数学求解器商业化时，深刻感受到了这个瓶颈。许多企业有优化需求，却被前期的建模成本和人力要求挡在门外。他们也尝试过基于模板降低门槛，但效果有限。直到大模型技术的成熟，带来了新的转机。

大模型的核心能力之一，正是在自然语言与机器逻辑之间建立理解和对齐。SeedModeler的思路，正是将团队多年积累的数学建模经验、问题数据与大模型的自然语言处理能力相结合，整合出一套自动化的建模流程。

一个标准的数学模型离不开三个核心：决策变量、目标函数和约束条件。以供应链采购为例：

• 决策变量就是你决定要买什么、买多少、从谁那里买；
• 目标函数就是你想达到的目的，比如“总成本最低”；
• 约束条件则是现实中的各种限制，比如供应商每周最多能供多少货，仓库库存必须保持在什么水平以上。

在过去，企业要解决这类问题，要么依赖经验粗略决策，要么就得聘请建模工程师，花上一周甚至更长时间来搭建和调试模型。人力与时间成本居高不下。

而现在，借助SeedModeler，业务人员（比如采购专员）只需要用大白话把问题描述清楚并输入系统：“我们需要生产X产品，现有A、B、C几家供应商，他们的报价和供应上限分别是……，我们还要保持Y安全库存，请问怎么采购成本最低？”

接下来，SeedModeler会自动分析问题，构建出对应的数学模型。不仅如此，它还能根据具体情况给出建模建议，用户也可以直接用自然语言对模型进行调整。

当用户确认模型无误后，系统会自动生成求解代码，并调用求解器进行计算。最终，结果会以清晰的自然语言和结构化数据呈现出来，直接给出采购方案和建议。

从专业人员耗时数日的建模周期，到非专业人员几分钟内获得解决方案，SeedModeler通过大模型能力，极大地缩短了问题与答案之间的距离。它让数学工具去适应人的语言，而不是让人去学习数学语言。

目前，晞德团队已将SeedModeler应用于自身的建模工作中，与其多款求解器产品协同，形成了从问题识别到模型求解的完整闭环。这为大模型时代的创业公司提供了一个有趣的参考：在强大的通用技术底层之上，深入垂直领域，解决那些长期存在但未被高效满足的专业需求。

对话林锦坤

AI科技评论：目前市面上陆续发布了不少数学大模型，与其他产品相比，SeedModeler的差异和优势分别是什么？

林锦坤：SeedModeler的定位不是一个通用的数学大模型，而是大模型在“自动数学建模”这个特定领域的应用。现实中的产业优化问题，往往涉及大量复杂且相互关联的约束，远非教科书上的应用题可比，必须依赖专业的求解器。我们过去推广求解器时发现，最大的障碍在于前期将业务问题抽象为数学模型这一步，成本太高。SeedModeler就是为了降低这个门槛而生的。据我们所知，目前市面上专门针对这个应用环节打造的产品还很少。

AI科技评论：SeedModeler解决的是工作流中建模环节的效率，它底层的技术原理是什么？

林锦坤：数学建模的难点，在于如何精准地用数学公式表达出问题中复杂的约束关系。有趣的是，很多不同行业的问题，在数学本质上是相通的。SeedModeler的核心，是将我们团队在数学建模和求解领域多年的经验、数据积累，与大模型的自然语言理解和指令遵循能力进行整合，从而自动化整个建模流程。

AI科技评论：以具体场景为例，介绍一下SeedModeler是如何发挥作用的？

林锦坤：就以刚才提到的供应链采购为例。面对多供应商、不同价格、供应上限、生产计划和库存要求，采购人员用自然语言描述清楚问题后，SeedModeler可以自动将其转化为数学模型和求解代码，一键调用求解器得到最优方案。这极大提升了决策效率。大模型的出现，让这种“自然语言到公式语言”的转化成为可能，解决了我们之前用模板方法效果不佳的困境。

AI科技评论：训练SeedModeler需要哪些方面的数据？面对金融、医学等数据保密性高的垂直领域，数据样本问题如何解决？

林锦坤：我们主要需要的是各类问题的数学模型数据，特别是那些带有复杂约束的模型。幸运的是，在数学表达的层面，不同领域问题的差异并没有想象中那么大。例如，一个金融组合优化问题和一个物流路径优化问题，可能最终都归结为类似的运筹学模型。因此，垂直领域的业务数据保密性，对建模本身的影响相对有限。当然，SeedModeler仍在进化中，对于某些特定领域的特殊约束类型，我们需要持续吸收更多的建模经验来增强它的能力。

AI科技评论：关注到目前晞德求索的成员大部分深耕数学求解器领域多年，这样的人员组成对SeedModeler的研发有什么影响？

林锦坤：这正是我们的核心优势。团队长期深耕求解器领域，如何让数学更广泛地服务于产业，是我们一向的追求。我们深知使用求解器的前提——建模——有多么专业和耗时。因此，当ChatGPT展现出强大的自然语言能力时，我们立刻意识到它与求解器结合的巨大潜力。基于深厚的领域知识，我们才能在几个月内快速研发出SeedModeler的原型。

AI科技评论：SeedModeler的目标客户群体包括哪些行业？

林锦坤：凡是涉及复杂决策优化、需要数学建模的行业，都是我们的潜在服务对象。典型场景包括生产调度、供应链管理、排工排产、库存与运输优化等。目前SeedModeler还处于内部使用和优化阶段，未来会逐步对外开放。

AI科技评论：从产品角度来看，SeedModeler的能力表现，跟模型在不同细分行业场景中应用的相关性大么？具体效果如何？

林锦坤：SeedModeler本身就是大模型在细分行业（数学建模）中的应用。它的核心价值就是降低数学工具的使用门槛。根据我们的内部测算，过去可能需要数月建模编码的复杂场景问题，现在借助SeedModeler，几分钟就能生成基础模型。即使面对更独特的问题，用户也只需在生成的模型基础上进行简单修改和适配，决策效率得到了数量级的提升。

AI科技评论：现阶段来看，行业/领域大模型被认为是大模型落地可行性最高的方向，您怎么看待这种观点？这是否也是晞德求索从数学GPT切入的原因之一？

林锦坤：从短期落地来看，这个观点很有道理。即使是目前最强的通用大模型，在深入许多垂直领域时仍会遇到瓶颈。利用垂直领域的知识和数据积累，结合大模型能力，确实更容易做出实用化的成果。这当然是我们选择这个方向的原因之一。但更重要的是，降低数学应用门槛是我们团队一直以来的初衷。实际上，在大模型流行之前，我们已经开始筹划自动建模的相关工作。大模型的成熟，对我们而言是一个恰逢其时的机遇。

AI科技评论：SeedModeler的大模型路线是什么样的？目前瞄准的是自动建模方向，是否意味着未来还会支持更多细分方向？

林锦坤：在技术路线上，我们正在考虑私有化部署大模型的方案，以更好地满足企业客户对数据安全和定制化的需求。SeedModeler的未来发展将继续围绕“降低数学使用门槛”这个核心，尤其是降低各类专业求解器的使用门槛。我们计划让它支持更多类型的数学模型，如图论模型、一阶逻辑模型等。同时，针对超大规模问题的求解，我们还在探索让SeedModeler支持分阶段建模与求解的能力。