斯坦福大學 K.T.Li 講座教授、杉樹科技首席顧問葉蔭宇
鈦媒體注：本文整理自葉蔭宇在“AI 大師圓桌會”上關于“運籌學與人工智能”的演講。葉蔭宇是斯坦福大學 K.T.Li 講座教授，是杉數(shù)科技（創(chuàng)辦于2016年7月，曾獲真格基金、北極光創(chuàng)投的天使投資）的首席科學顧問，同時也是美國運籌與管理學會最高獎——馮·諾依曼理論獎迄今唯一華人獲得者。
“AI 大師圓桌系列”是鈦媒體聯(lián)合杉數(shù)科技舉辦的深度 AI 系列論壇，也是鈦媒體大師圓桌會的重要組成部分（點擊報名參加AI大師圓桌會）。在大數(shù)據(jù)初創(chuàng)公司杉數(shù)科技的支持下，2017年系列“AI 大師圓桌會”邀請到了人工智能、運籌學等專業(yè)領域具有極高話語地位的多位國際知名學者和教授來到中國，巡回北京、上海、深圳三地，旨在共同探討 AI 對產(chǎn)業(yè)的顛覆性影響。
在人工智能的商業(yè)應用中，越來越凸顯出運籌學的重要性。
那么運籌學是什么？
運籌學是20世紀30年代初發(fā)展起來的一門新興學科，其主要目的是在決策時為管理人員提供科學依據(jù)，是實現(xiàn)有效管理、正確決策和現(xiàn)代化管理的重要方法之一。它誕生的時間要比 AI 早，但卻與 AI 的關系密切。
葉蔭宇教授作為鈦媒體“AI 大師圓桌會”·北京站最受期待的分享嘉賓，在這一學科深耕三十余載，深知機器學習與運籌學之間密不可分的關系。無論是物流倉儲，還是風險保障，運籌學都在其中扮演著重要的角色。
事實上，運籌學中“優(yōu)化”這一概念對于機器學習本身也是適用的——比如說算法方面。隨著計算能力的提升和大數(shù)據(jù)時代的來臨，利用算法提高機器學習的能力成為了目前業(yè)界的焦點之一。而運籌學插上機器學習的翅膀，適用范圍和能力也變廣變強了。
那么這兩者相結(jié)合，都有哪些具體的案例可循呢？哪些方面又得到了改進呢？葉教授在演講中給出了生動的案例，同時，他也通過大型倉儲智能化、機器人化的案例，一針見血地指出了目前國內(nèi)在人工智能的商業(yè)應用中遇到的問題：過于重視機器人本身的能力，而在通盤調(diào)配和統(tǒng)籌如何優(yōu)化上依然是弱項。
鈦媒體在7月、8月將繼續(xù)舉辦“高維預測和大數(shù)據(jù)處理”、“人工智能：在不確定中博弈”、“AI創(chuàng)業(yè)與硅谷”、“AI社交網(wǎng)絡”共四場與大師面對面的機會
點擊圖片或下面鏈接進入AI大師圓桌會·上海站、深圳站報名地址：
http://m.chcmb.cn/event/2017/ai/
我長期從事運籌學的，我 1982 年剛到美國讀書的時候 AI 就非常熱，但是那個時候很多年輕人不知道什么是AI，那個時期也沒有很多的數(shù)據(jù)，有些（結(jié)論）就總結(jié)不出來，AI 就慢慢的沒落下去了。我個人比較喜歡數(shù)學，就從事了運籌學。
運籌學是如何誕生的？運籌學是一種研究優(yōu)化的學問，就是怎么能夠在有約束的實際生活中，把事情做到極致。不簡單是找一個可行的方案，而且是一定要找到最優(yōu)的方案。
Nothing at all takes place in the Universe in which some rule of maximum or minimum does not appear. ——數(shù)學家歐拉
那么這種理論呢，也是基于自然形成也是在所謂的一個平衡，也是能量函數(shù)，到了極值。
運籌學的起源，是一部分數(shù)學統(tǒng)計那個時候還沒有計算機，數(shù)學怎么能接地氣，怎么落到實地，怎么真正起到應用的對人們生活產(chǎn)生一些影響，這樣的數(shù)學家們就開始尋求這樣的方案。也有一些緊迫感，在二次大戰(zhàn)的時候，如何研究盟軍配置，還包括一些博弈問題。
標志性的結(jié)果就是 1947 年 George Dantzig 提出線性優(yōu)化的單純形法，為優(yōu)化中最經(jīng)典的算法。其實美國早在 20 世紀就提出來了，但是那個時候沒有算法，那個時候也不需要算法。因為那個時候沒有計算機，把最優(yōu)解選出來很慢，能不能有數(shù)學的這個記憶依靠這個邏輯來算出來，這就是里程碑的意義，雖然他自己因為搞數(shù)學，沒有得諾貝爾獎。
后來運用到經(jīng)濟發(fā)展中，運籌學得到很大的發(fā)展。特別是之后計算機的高速發(fā)展，以前可能需要 1 個小時解出來的，現(xiàn)在不到 1 秒鐘就可以解出來，這既有硬件的提升，也有算法的提升。所以我們可以預見運籌學要比 AI，機器學習更老，但 AI 和機器學習又給予我們更多的機會。不過，我認為無論是哪一種，很多都需要依靠優(yōu)化。
整體而言，所謂“優(yōu)化”就是——量化我們的很多決策。
滿足一定的約束條件下，使某一個函數(shù)最大，這就是優(yōu)化問題。量化一件事物，就需要建模。一般優(yōu)化過程就是從建模到求解，然后再到?jīng)Q策，最后我們需要一套算法來求解。
把實際問題變成數(shù)學問題，變成優(yōu)化問題，然后來求解。我認為大數(shù)據(jù)就是，達到可以量化的數(shù)據(jù)。當數(shù)據(jù)量化之后，我們可以用數(shù)學的方程、公式來描述它，然后來決策變成一個量化的決策問題。我認為數(shù)據(jù)量大再加上機器學習，能把問題更加量化。這其中，優(yōu)化問題是各行各業(yè)都不可或缺的，這其中又涉及到很多算法方面的問題。
怎樣理解“AI 是大數(shù)據(jù)時代的商務決策”呢？我們需要運用到很多計算機，信息學方面的知識手段，然后通過機器學習做一些規(guī)律性的分析，然后就是建模、決策。數(shù)據(jù)采集從中醫(yī)的角度來說，有點像拉脈一樣，拉了脈以后老中醫(yī)有一個判斷，接下來就是 prescrptive，也就是決策，中醫(yī)來說就是開藥，開處方。而在這個過程中如何判斷準確，然后開什么處方，開的好，這也要看情況。有些東西要用三錢有些東西要四錢，但是有些中醫(yī)搞的不好就是比較模糊，比如當歸少許這個就不清楚。我覺得日本人搞的比較好，就能夠把它刻畫出來。我到日本學習的時候，日本人教烹調(diào)非常非常的細致，不是說少許而是多鹽或者簡單說兩句。
我覺得機器學習在量化，需求管理、規(guī)律性分析上面確實做的好。但是怎么決策？這里面都有一些很傳統(tǒng)的優(yōu)化模型和運籌學的模型。
我給大家舉幾個簡單的例子——為什么有些決策模型并不需要深刻的理解就可以得出來？比如說這個選址問題，尋求一個區(qū)域內(nèi)最優(yōu)的倉庫選擇，成本最少，我要建五個庫，分別建在什么地方？這里面需要權(quán)衡的就很多：一次建設費多少？建成之后，我服務區(qū)域有多大？那么區(qū)域大了，遠地方的人運輸成本會提高多少？這就需要運用數(shù)學工具去計算。
像這個問題，很早來說我們就知道它是一個凸問題：在哪些點上有些是離散變量？那么這樣的問題怎么選才好？按照以前的算法，我就把它寫成一個整數(shù)規(guī)劃，就去算?，F(xiàn)在不行，客戶提出的需求，有些算法幾個月都算不出解來?，F(xiàn)在很多東西，要隨時計算。得把它們視為是變化的，進行隨時的調(diào)配，重新選址，這個時候我的算法就非常的快，然后就會有很多的近似算法。這里面我們也做過一些工作，這就是比較確定性的這個問題。這里面的算法問題，選址的問題，我們杉數(shù)在跟國外國內(nèi)很多大企業(yè)合作過程中出現(xiàn)了很多這樣的問題。
那么有一個問題就稍微更復雜一點，不是選址。是選擇一個倉庫，提供一個區(qū)域服務——有點像是中轉(zhuǎn)站。航班調(diào)運也會面臨同樣的問題。通常我們把選址的問題，叫作戰(zhàn)略性的決策，一旦選了以后幾年都不會變。決策也分為戰(zhàn)略決策，戰(zhàn)術(shù)決策，以及經(jīng)營性決策。經(jīng)營性決策是指，如果我現(xiàn)在要送貨，送到這么多的點上，如何都送出去，然后回到出發(fā)的地點使整個距離最小？這叫旅行商問題，這個也是很經(jīng)典的問題。當然所有的物流公司都是在解決這個問題。
它還有一種變形，叫車輛調(diào)度問題。當然實際問題比這更復雜，一輛車不可能跑完所有的地點，幾千萬輛車要跑哪些區(qū)域，又怎么選址？這里面就非常非常復雜了，而且其中還涉及到取貨，送貨的問題。取貨又得必須要保證在某一個時間點上。這個就是運籌學比較擅長的問題。
這有一個簡單的解決方案，分而治之。我現(xiàn)在有 5 輛車，我要服務這個區(qū)域，首先就建立一個服務區(qū)的概念。把這個大的區(qū)域分成 50 分，每一個區(qū)域選擇一個分點。選了以后，我知道我在分這個區(qū)域的時候，盡量保證每個區(qū)域的工作量均等。同時還要保證這些車輛跑的路線街道總長度不變，這個主要是地圖公司做的。
美國有一個很有名的地圖公司，后來被諾基亞收購了。我相信大家肯定用過 GPS，它有兩個核心技術(shù)，一個核心技術(shù)也就是衛(wèi)星定位，經(jīng)度緯度定位以后，所以地理信息位置，都是搜集過來的。而街道的地理數(shù)據(jù)，隨著城市不斷變化，它也會不斷變化。所以每次都要派信息采集車輛把這些信息重新采集起來。如何保證最少的車輛能采集完所有街道的信息呢？這樣涉及到運籌學的應用。我們要根據(jù)這個瞬時情況進行分析?？赡茉瓉碛?75 輛車現(xiàn)在 60 輛就夠了，原來用 2 天時間現(xiàn)在一天半，效率提升了 25%-30%。這個技術(shù)諾基亞還在用，同時全世界 26 個國家都在使用。
后來給我們提一個要求：能不能讓車輛盡量右轉(zhuǎn)而不是左轉(zhuǎn)？因為考慮到的是完成的時間——左轉(zhuǎn)所要花的時間，要比向右轉(zhuǎn)高 5 到 10 倍。因為有紅綠燈，所以我們用運籌學的辦法把這個解決掉。這個技術(shù)運用很廣，被諾基亞買了以后，又轉(zhuǎn)手賣給了西門子賺了一大筆錢。
我們再舉一個路徑優(yōu)化的問題，比如大家都在搞所謂的無人倉（亞馬遜曾重金投入無人倉技術(shù)，如今京東也在跟隨，鈦媒體注）。
有一些小車搬運載有貨物的托盤到空閑工作臺，然后小車搬運到托盤從工作臺回到倉庫空儲位，這個過程叫回庫。然后小車搬運空托盤從工作臺到托盤回收處，然后我們叫回收。這里面都是一些貨柜，怎么拖起來怎么安排，然后又要保證路徑協(xié)調(diào)。
在研究的過程中呢，我發(fā)現(xiàn)一個問題：
在我們國內(nèi)，研究機器人，研究的比較多提高每個機器人自身的能力，我覺得這很不錯，單體能力都非常棒。但是我覺得我們國家，在很多問題上，缺少的更多是通盤調(diào)配和安排。
機器人單體那么強，在團隊里工作可能就沒那么強了。我們比較缺乏統(tǒng)籌的軟件決策系統(tǒng)——就像我們中國足球：個人能力不管強弱，在一起就不行。很多情況下中國人都是這樣的，我們很注重個人能力的提高，人都不要輸在起跑線上。但我覺得我們國家，長期缺乏一種集體的統(tǒng)籌決策能力的開發(fā)和提高。
每個機器人都在瞎跑的話肯定不行，包括無人車。很多公司都在考慮無人車的技術(shù)多強，但是其實最主要的問題是什么？——是無人車之間的協(xié)調(diào)、調(diào)配和統(tǒng)一指揮。
比如說這里面是工作臺，如何分配整個區(qū)域的貨物？這里面有很多很多的問題。比如說這里面的路徑。我指的是，路徑有了以后，怎么找路徑？從設計上來說，你是設計成單行線還是雙程線，這里面有學問。如果設置單行線跑的距離要長，碰撞的可能性就少一些，這里面都可以通過優(yōu)化來進行解決。
機器人怎么配到貨柜，怎么收檢這個站？這個方法目前是用機器人去托盤，拖這個貨柜，把整個的貨柜運到旁邊的這個臺上，然后又把這個拿下來，再把托盤送回去，大家覺得這個是否適合中國國情？我們中國人就很喜歡把國外的東西搬過來。首先是機器人，把整個的貨柜拖起來，可能那個貨柜員就檢一個東西下來。那么為什么不能貨柜不動，而且貨源坐在機器人身上然后去檢貨呢？可能人需要多一點，但是貨柜可以裝的更高了，空間利用率更高了。
我覺得我們大家可以想到一些更好的，但是這套技術(shù)可以用，而且人坐在這個機器上，不僅前后移動還可以升降貨柜可以放更高，運行過程中形成三維的倉庫而不是平面的倉庫，這樣我們就可以計算出來，包括貨的這個密度，增加多少，倉庫的利用率可以增加多少，那么對于像我們國家，人力相對比較便宜，但是房非常貴，是不是就更好一點，但是整個也是靠產(chǎn)品運輸來優(yōu)化問題進行求解。
我在國內(nèi)跟工業(yè)界接觸也有一段時間，工業(yè)界總是覺得我們需要深度學習需要機器學習，需要把預測的精度再提高 1%。我覺得有時候忽略了一點，有個測不準的定律。這個定理到一定時候是不可能提高的，有一個不確定的這個規(guī)律在那。如果你能 100%，那就可以預測中國股市了。
然而股票市場存在一兩百年，也沒有人預測股票市場怎么樣。所以在測不準的情況下，在決策上是不是可以做點工作，在知道測不準，可能有不同的這個狀況出現(xiàn)的情況下，我的決策是不是可以調(diào)整一下，從數(shù)據(jù)到?jīng)Q策我們是不是也可以做一些工作，比如說我可以保證我在期望值省時一些，但是我保證永遠不會破產(chǎn)，防備那些惡性大事件發(fā)生。
這里面最典型的問題，就是面庫存問題——知道測不準，但怎么能夠把局測做到最好，把庫存做到最好？
以前早的時候我們沒有鈦媒體（這樣的新媒體），只有報紙，一些小孩特別是一些學生，就去買一些報紙，買了報紙以后在攤位上賣。這就有點像我們零售商一樣，這個賣報童就有一個問題：從這個報社買多少報紙？買了 50 張報紙只能賣 50 個人。那個時候還沒有深度學習，所以那個時候就決定要買多少報紙。買多了費用就不夠，可能賣不出去；買的少可能有一個突發(fā)性的新聞，我就錯失了很多機會。如何從決策模型上處理這些永遠判斷不準的數(shù)據(jù)問題？
比如你是小零售商，你進貨進多少？進一個星期的貨，但是卻不知道這個星期有多少，多的有多的損失，少的有少的損失。運籌學就有一套方法來處理這個問題：最近大家是否聽說過美聯(lián)航上面有一個人，因為機票賣多了，上了飛機被人拖下去，后來被賠了幾個億。為什么說這是典型問題？因為是不確定環(huán)境下的決策，飛機上座位是固定的 300 個，你事先只賣 300 張票，不會賣多，來的人都可以登記。
問題是總有 5% 到 10% 的人，因為各種各樣的原因是不會來的。那么你賣 300 張票，5% 到 10% 是不會來，那么那部分就會損失，所以航空公司一般都會多賣一點。這個道理是一樣的。它也要權(quán)衡，它知道有些人不來，我怎么多賣幾張，最好的是有些人不來，不來的人數(shù)正好是我多賣的人數(shù)。但是永遠是測不準的，這也就出現(xiàn)美聯(lián)航的這個問題。
這點我們做過很多實際案例，特別是在我們國內(nèi)比較大的電商里，幫他安排，通常周轉(zhuǎn)率在 25 天的，現(xiàn)在降到 16.5天。大家也都知道零售商最怕的就是庫存周轉(zhuǎn)率太低，買了人家的東西自己又賣不出去。庫存金額降 19.2%，現(xiàn)貨率也有提升，GMV 上升 1.9%，而周轉(zhuǎn)天數(shù)下降到 16.5天。就是說我們主要是在不損失這兩個標準的情況下，降低了這部分人力成本。
還有一個辦法根據(jù)某一類型電商的特點——例如閃購（出一份貨賣一個星期就不賣了），那么這個時候，他們通常這個電商把那個星期的預測，需要備多少貨就決定下來。我們采取兩階段的策略，首先我有一個總的估量，但是我發(fā)貨的時候是發(fā)三天的貨，通過第一天的銷量我再決定追不追貨。本來一周的需求量是 100，我實際送到前沿倉庫送 60 件，頭一天的這個銷量是夠，我是否需要把這 40 件補上去，就看第一天的銷量，第一天的銷量對后續(xù)的這個預測度就更高。
杉數(shù)科技的產(chǎn)品經(jīng)理設計了一個模型叫 Stockgo。根據(jù)我們跟電商接觸的這個規(guī)律，我們覺得應該給每一個中小電商，至少提供一個可能的工具，觀察庫存的這個周轉(zhuǎn)來確定，幫助他決策。這里面有很多的功能，比如說對目前庫存狀態(tài)的量化評估，對高精度的銷量預測，高精度的補貨策略，供應鏈管理的智能化轉(zhuǎn)型，這里面包括很多的機器學習的工具還有深度學習的工具，對你的庫存狀態(tài)進行評估，精確到每一個 SKU，還有補貨策略，以及個性化的全云端的解決方案，也可以直接把數(shù)據(jù)傳送到杉數(shù)，然后幫你進行診脈。
最后我就講一講根據(jù)我講的東西，最近還研究一些投資組合，也就是防范風險。
這里面很多情況有一個叫 Markowitz，叫現(xiàn)代投資前沿理論。這個 Markowitz 也是在我們斯坦福工作過一段時間。他把投資組合的問題寫成一個二代規(guī)劃，目標函數(shù)不是線性函數(shù)是二次函數(shù)，所有的約束也都是線性。那么如何解這個問題解的最快？
這個時候我們就有很多的問題，那么這個模型為什么會出現(xiàn)了二次函數(shù)呢？大家知道在統(tǒng)計中，二次的 X 的平方通常描述你的變化量，通常我們需要波動不太大，這就是簡單的這個二次函數(shù)，實際上要解的也就是二次規(guī)劃，常見的軟件有 barra、axioma、ITG、mosek。
mosek 這個公司也是我的一個學生做出來的。他寫了幾篇如何快速解二次規(guī)劃的文章。后來他回去之后，由于在丹麥也找不到老婆，做了一段時間之后，干脆出去創(chuàng)業(yè)?；谀菐灼恼?，成立了一個在歐洲大陸上搞軟件的公司。然后結(jié)果沒想到這個公司搞的很成功?，F(xiàn)在我聽說，華爾街搞風險控制的都是用二次模型，用的求解器不少也就使用的 mosek。我也去過一趟，最近開了一個會，也就是如何解二次模型解的快，實際上也都是這個自動形成，賣多少買多少。
我個人認為高頻交易的競賽也就是算法速度的競賽。我知道國內(nèi)有就有用到過這樣的模型，自己解需要解 10 秒鐘的時間。從 10 秒到 0.04 秒，這里面有算法的模型。
FICO 也是二次規(guī)劃的問題，很多很多大數(shù)據(jù)公司，越來越重視優(yōu)化，我個人認為美國最早的大數(shù)據(jù)公司就是產(chǎn)生 FICO 的一家公司。國內(nèi)是征信打分，就是最早的一個公司，把個人所有的信息收集起來給這個人的信譽打一個分。我 1982 年去美國要租房子，到銀行開款，人家就必要 FICO，我說我是中國來的沒有，到美國租房要擔保首先就是看這個 FICO，打這個分。這個公司后來做的很好，大家都用他的 FICO，也就提供這個服務，包括在網(wǎng)上查一查這個征信也都要交錢——這是美國很早的大數(shù)據(jù)公司，收集很多公司對每個人也都有打分。
因此，國外搞AI（的商業(yè)應用）大多數(shù)是基于算法的。
但國內(nèi)不太一樣。
國內(nèi)公司搞AI搞的非常熱，趨勢跟隨很緊，在有些問題上結(jié)合中國特色進行研究和開發(fā)。我個人在 AI 革命過程中，我看到中國體制的這個優(yōu)點。
為什么？這可以說是文化上的優(yōu)點——怎么說呢？深度學習本身還在一個快速發(fā)展時期，很多理論問題還沒解決，這個過程有點像我們中醫(yī)，有什么問題它很有效，但是有時候也說不出什么道理來；有的時候也不是 100% 的準確，但是準確起來非常好。比如，一個癌癥病人吃了幾副藥好了，怎么解釋？解釋不了。
所以我覺得特別適合中國的這個文化——要看療效。西方在這塊反而比較保守的。中國相對來說數(shù)據(jù)壁壘意識不是那么強，像美國大公司數(shù)據(jù)絕對不會給你的，所以我覺得為 AI 開辟了很多前途。
但是中國發(fā)展過程中忽略了算法的力量。
他們通常是以問題為根本，找了一些參考資料在開源軟件中找一個算法進行試一試。開發(fā)算法，這是要花非常大的功夫，確實是要耐得住寂寞。但是要用人家的開源軟件的話，人家不給源代碼的話永遠會被牽著鼻子走。我知道其實他們很需要線性規(guī)劃或者說其他的運營規(guī)劃，但是你要買人家，出于安全考慮也不行。
比如說 CPLEX，mosek，現(xiàn)在有些大學，包括財經(jīng)大學，還有杉數(shù)科技，不光是做實際應用，也培養(yǎng)自己的算法開發(fā)，這樣的話就比較有核心技術(shù)了。真正的成為技術(shù)公司而不是咨詢公司。所以大家投資要是很有錢的話，要耐得住寂寞，要有核心的技術(shù)等等這樣的一些東西。
未來的話，我覺得真是 AI、深度學習和機器學習提供了很多的支撐，模型規(guī)模也飛速增長，因為需要超大規(guī)模的優(yōu)化算法。以前我認為我就要搞出個萬能的算法，解所有的線性規(guī)劃都要解得快，但是我后來反觀 AI，人的思維。發(fā)現(xiàn)它是非常定制的，我可以什么方法對某一類方法用的好就用那個方法，不是追求某一個統(tǒng)一的算法，或者類別法。所以算法是比較定制化的，用中國話，來講比較實用主義一些。不一定追求理論上的完美，有一個統(tǒng)一的算法，所以這點上，我覺得反過來，AI 對我們的這個東西有很大的促進，什么問題需要什么樣的算法，本身需要學習的過程。
總的來說我是搞運籌因為也是搞優(yōu)化的，1982 年到現(xiàn)在也大半輩子看到學術(shù)研究的起伏變化，我原來比較重視理論，很多問題都是寫文章，證明一些東西，也小有成就，但是人到年紀大的時候，就會維護自己工作利益所在。我覺得最大的利益還是對一般人生活產(chǎn)生一些影響，誰也不知道那些理論證明的結(jié)果有什么東西。
這就是人到一定年齡的時候，就追求鼓勵這些年輕人，不光是有一定的學術(shù)造詣，把自己的學術(shù)成果轉(zhuǎn)化成技術(shù)，對人的基本生活產(chǎn)生影響，這才是 OR 的本質(zhì)，OR 是一個接地氣的科學，是一個落地的科學，怎么落地不能云里霧里說了嚇死人，經(jīng)過我們的試驗還有杉數(shù)這些年輕人都是從斯坦?；貋淼膶W生，像運籌學、深度學習、機器學習確實對國內(nèi)一些大的企業(yè)都開始產(chǎn)生一些影響。
所以我就希望大家多支持我們，使得中國的企業(yè)從一個比較粗放的形式進一步拓展依賴于大數(shù)據(jù)、國際技術(shù)來進行決策的環(huán)境里面。（本文首發(fā)鈦媒體，整理/唐植瀟）
快報
根據(jù)《網(wǎng)絡安全法》實名制要求，請綁定手機號后發(fā)表評論