【联想】参与“维科杯·OFweek 2025（第十届）人工智能行业年度评选”

2025-06-06 17:30

维科杯 · OFweek 2025（第十届）人工智能行业年度评选（OFweek 10th AI Awards 2025）由中国高科技行业门户维科网主办、维科网人工智能承办，该评选是人工智能行业内的一大品牌盛会，亦是高科技行业具有专业性、影响力的评选之一。

此次活动旨在为人工智能行业的产品、技术和企业搭建品牌传播展示平台，并借助 OFweek 平台资源及影响力，向行业用户和市场推介创新产品与方案，鼓励更多企业投入技术创新；同时为行业输送更多创新产品、前沿技术，一同畅想人工智能行业的未来。

本次评选活动报名截止时间是 6 月 13 日，并于 2025 年 6 月 18 日－ 6 月 27 日进入网络投票阶段，7 月 30 日在深圳举办盛大的颁奖典礼。 目前，活动正处于火热的企业申报阶段，业内企业积极响应。

参评企业

联想作为全球领先ICT科技企业，秉承“智能，为每一个可能”的理念，持续研究、设计与制造全球最完备的端到端智能设备与智能基础架构产品组合，为用户与全行业提供整合了应用、服务和最佳体验的智能终端，以及强大的云基础设施与行业智能解决方案。

参评信息

申报奖项：维科杯·OFweek 2025人工智能行业优秀创新力产品奖

产品名称： 联想LeOPT优化平台

产品特点：

联想 LeOPT 优化平台提供从灵活建模到高效求解与分析的端到端全栈优化能力，有效解决供应链、交通、金融等多行业的资源配置和任务规划问题。平台基于联想集团最佳实践提供成熟优化模型仓库，开箱即用，帮助用户高效应对各类场景中的优化挑战。

同时，联想LeOPT优化平台还内置多种基础模型，支持交互式与智能体建模等辅助建模方式，帮助用户高效应对复杂场景中的优化挑战。

1、自然语言建模提升建模效率

本平台突破性地将基于大语言模型的智能体（LLM-based agent）与运筹优化技术深度融合，打造出自然语言驱动的自动化建模解决方案。用户输入自然语言场景描述后，解析用户业务场景描述，分析出优化因子，并通过交互的方式逐步生成变量、约束和目标函数，在用户的交互与监督下从0到1搭建运筹优化模型。模型建好后自动存入优化平台模型仓库，用户上传业务数据，即可调用求解器求解。智能体还能在求解后对结果进行深入分析，为用户提供数据洞察，全流程实现需求描述→数学建模→代码生成→决策分析。与传统建模工具相比，模型开发周期大幅缩短70%。通过领域知识增强和数据-模型协同校验，与通用LLM平台相比，模型生成准确率显著提升42%，助力企业实现数据驱动的智能决策升级。

2、交互式建模提升可解释性

联想LeOPT优化平台打破了传统建模的高门槛壁垒，通过交互式建模可以极大地降低建模难度，即使是缺乏专业背景的业务人员，也能在平台引导下快速完成模型搭建。工业领域的运筹优化建模，是在遵守复杂多样的业务逻辑规则的前提下，综合提升各项业务指标，需要同时兼顾大量决策要素。因此，实际问题往往充满各类建模挑战，小到基本物理规律、场景基础结构，大到多目标优化、全局优化等行业诉求，甚至包含动态变化、实时影响等外在因素。平台可以辅助建模人员将这些建模要素逐一拆解、量化，转化为数学语言——比如用不等式约束限定资源上限，用结构方程描述变量关系，再将它们有机组合成完整的模型体系。这个过程不仅是对约束条件的细致梳理，更重要的是，交互式建模通过可视化可配置的决策路径展示，用户能够清晰洞察每个模型参数对结果的影响，让“黑箱模型”变得透明。这种深度的人机交互与清晰的解释机制，不仅提升了决策效率，更在用户与平台之间建立起稳固的信任桥梁，助力形成可持续的人机协作生态。

3、自研求解器保证效率和适配性

平台支持线性规划、混合整数规划、约束规划等多样化建模路线，无论是追求资源高效分配的线性优化场景，还是涉及离散变量决策的复杂组合问题，亦或是需要处理多维度限制条件的约束求解任务，均可按需灵活调用适配方案。在问题求解方面，联想LeOPT优化平台内置联想研究院人工智能实验室自主研发的底层计算引擎——LeOPT求解器。通过优化搜索框架、混合强化学习样本增强等关键创新大幅提升问题求解速度。在复杂的优化任务中将庞大的数学模型变换为求解模型往往耗时低效。LeOPT采用专为复杂约束设计的映射算法，相较于传统方法，模型变换效率提升三倍以上。LeOPT借助机器学习技术的分阶段优化算法，智能识别，根据问题匹配算法模型技术自动参数调优，针对用户的特定问题提供深度定制化的求解方案，不仅大幅提高求解效率，也保障了LeOPT对不同行业问题的适配。

参评理由：

在数据与决策交织的现代网络中，微小的决策误差都可能引发巨大的连锁反应。以金融行业为例，一家资产管理公司在进行投资组合优化时，若因模型误差导致资产配置出现 1% 的偏差，可能会造成数百万甚至上千万元的直接损失。在制造业，生产线的排产计划如果存在决策误差，不仅导致设备空转，还可能影响订单交付。优化已成为组织在数字达尔文时代的关键生存法则。但是，优化建模和求解绝非易事。

数学建模作为破解复杂现实问题的核心工具，其技术深度与知识壁垒形成了较高的应用门槛。由于实际场景的多样性与独特性，不同领域需构建适配性极强的差异化模型体系：在供应链优化场景中，物料采购计划通常依赖线性规划技术实现资源的精准配置；主生产计划需借助混合整数规划或强化学习算法完成生产排程的动态优化；而面对复杂生产调度，往往需要融合混合整数规划、约束规划与启发式优化方法，才能达成全局最优解。更具挑战的是，现实问题常呈现多维度、复合型特征。以物流优化为例，其业务流程涵盖装箱、路径规划、排线卸货三大核心环节，每个环节均对应特定的数学难题：装箱环节涉及 3D 装箱问题，需在空间约束下实现装载效率最大化；路径规划环节面临复杂装载同程多路径规划问题，需兼顾时效、成本与路况动态调整；排线卸货环节则对应柔性车间调度问题，需统筹站台利用率、卸货顺序和订单优先级等。这种专业知识与算法能力的深度融合，使得数学建模领域形成了较高的技术门槛，通常需要具备深厚数学功底、丰富算法经验的专业人员，才能应对这些复杂且极具挑战性的现实问题。

不仅如此，优化模型的构建还需要对业务需求的深度理解。不同行业、不同地域需求差异巨大，以零售业为例，线上线下融合的库存优化模型，需要充分考虑商品的季节性、促销活动、消费者购买习惯等因素，只有精准把握业务逻辑，才能构建出贴合实际需求的模型。

在问题求解方面，许多实际问题涉及大量的变量和约束条件，例如大规模的生产调度场景，不仅存在生产时间、成本等连续变量，还涉及到任务分配、设备选择等离散变量，以及众多的约束如生产能力限制、物料配比、订单交付方式和日期等。求解这样的大规模模型，计算量呈指数级增长，对计算资源和时间要求极高。不同类型的模型需要不同的求解算法，但很难找到一种通用的算法能高效求解所有模型。为了应对复杂模型求解，通常会选择启发式算法或者简化场景模型。采用启发式算法虽然能在较短时间内找到近似最优解，但不能保证找到全局最优解，而且对于不同的问题实例，算法的性能表现可能差异很大，具有一定的不确定性；若对实际问题进行简化和假设，这些假设可能与实际情况存在偏差，导致求解结果在实际应用中效果不佳。

在数学建模门槛高、现实复杂场景求解难的行业现状下，联想 LeOPT 优化平台以全链路技术能力与创新功能，为用户提供高效解决方案。具体优势如下：

成熟模型即取即用：依托联想集团在多领域积累的丰富实践经验，LeOPT 优化平台构建了成熟的优化模型仓库。用户无需从零开始构建模型，可直接调用仓库中的模型资源，开箱即用，快速响应各类优化挑战，大幅节省建模时间与人力成本。

交互式建模智能引导：针对有自主建模需求的用户，平台的交互式建模功能提供强大支持。平台内置丰富的基础模型库，并配备智能选择逻辑，能够基于问题类型、规模大小以及变量特征，为用户智能推荐适配的建模路径。这不仅降低了建模操作难度，还提升了模型的可解释性，逐步培养用户与平台之间长期稳定的人机协作信任关系。

自然语言建模高效精准：面对特定场景需求，平台的自然语言建模能力优势尽显。与传统建模工具相比，使用自然语言建模可使建模耗时大幅缩短 70%，显著提升建模效率。同时，通过领域知识增强与数据-模型协同校验机制，与通用大语言平台模型相比，模型生成准确率显著提升 42%，确保模型质量与实际需求高度契合。

多种建模技术：内嵌混合整数规划、约束规划等多种建模技术，用户可根据不同场景的特性与需求，灵活选择适配的技术方案，实现定制化建模，保障优化效果。在高价值场景中，平台推出独有的先进建模方法。借助深度强化学习、嵌套优化和模型分解等前沿技术，能够有效解决大规模调度和复杂场景下的优化难题。

强大求解引擎：集成了自主研发的LeOPT求解器，该求解器在全球求解器排行榜中稳居第一梯队，它支持线性规划 (LP)、混合整数规划 (MILP)、二次规划等全场景优化问题，尤其在大规模复杂组合优化问题上表现卓越，创新的新融合机器学习与传统优化算法，实现了智能参数调优、自动模型预处理等，可以高效处理百万级变量规模的工业级问题。

目前，联想LeOPT优化平台已经在消费电子、专用设备、汽车、船舶等制造业发挥作用，覆盖主计划、物料需求计划、工厂计划、车间细排程、库存优化、物流优化等场景。在赋能某合资车企的厂外物流计划中，联想LeOPT优化平台助力平均装载率提升至86%以上，排线时间平准化率提升至91.2%；在助力某大型船舶制造企业总组搭载排程优化时，坞期优化时间缩短至15分钟以内，总组平台使用率提升至62%以上，坞期建造时间缩短至75天以内。