運(yùn)籌學(xué)的歷史比 AI 和機(jī)器學(xué)習(xí)更悠久，但 AI 與機(jī)器學(xué)習(xí)又為它提供了一種機(jī)會(huì)，很多頂層的東西都是要靠?jī)?yōu)化，不管是學(xué)習(xí)還是剛才講到的決策問(wèn)題，都要有 OR (運(yùn)籌學(xué))的結(jié)合。

作為優(yōu)化算法的基礎(chǔ)，運(yùn)籌學(xué)在第二次世界大戰(zhàn)期間因英美兩國(guó)配置資源的需求而發(fā)展起來(lái)。近些年，隨著數(shù)據(jù)量大幅度攀升等科技環(huán)境的變化，運(yùn)籌學(xué)得以快速發(fā)展，并廣泛應(yīng)用于零售、金融、物流等行業(yè)。正如運(yùn)籌學(xué)頂級(jí)專家葉蔭宇所說(shuō)，運(yùn)籌學(xué)的歷史比 AI 和機(jī)器學(xué)習(xí)更悠久，但 AI 與機(jī)器學(xué)習(xí)又為它提供了一種機(jī)會(huì)，很多頂層的東西都是要靠?jī)?yōu)化，不管是學(xué)習(xí)還是剛才講到的決策問(wèn)題，都要有 OR (運(yùn)籌學(xué))的結(jié)合。

從葉蔭宇以《優(yōu)化算法的思想及應(yīng)用》為題的一次演講中，我們可以了解到運(yùn)籌學(xué)如何應(yīng)用于物流選址及路徑優(yōu)化、庫(kù)存管理、投資組合優(yōu)化。以下是經(jīng)過(guò)編輯整理而成的演講內(nèi)容：

葉蔭宇，是斯坦福大學(xué)李國(guó)鼎工程講座教授（K. T. Li Chair Professor），優(yōu)化領(lǐng)域基石算法之一——內(nèi)點(diǎn)算法的奠基人之一，他曾獲得美國(guó)運(yùn)籌與管理學(xué)會(huì)馮·諾依曼理論獎(jiǎng)，也是迄今為止唯一獲得此獎(jiǎng)的華人學(xué)者。目前，葉蔭宇擔(dān)任優(yōu)化軟件公司 MOSEK 科技顧問(wèn)委員會(huì)主席、杉數(shù)科技的首席科學(xué)顧問(wèn)。

1982 年，我剛到美國(guó)讀書(shū)，AI 非常熱，但那時(shí)候就要搞所謂的專家系統(tǒng) AI 空間，學(xué)的語(yǔ)言是 Lisp，數(shù)據(jù)也不多，很多東西沒(méi)法總結(jié)，AI 就慢慢冷下去了。我比較喜歡數(shù)學(xué)，就開(kāi)始了運(yùn)籌學(xué)的研究。

運(yùn)籌學(xué)是一種研究?jī)?yōu)化的學(xué)問(wèn)，就是研究如何在實(shí)際生活中，把事情做到極值，找到最優(yōu)解，而不是簡(jiǎn)單找一個(gè)可行的方案。

數(shù)學(xué)家歐拉說(shuō)過(guò)，Nothing at all takes place in the Universe in which some rule of maximum or minimum does not appear（筆者譯：宇宙中，沒(méi)有最大值或最小值的事物是不存在的）。這種理論是基于自然形成的，也是在所謂的一個(gè)平衡，也是能量函數(shù)到了極值。

那時(shí)候還沒(méi)有計(jì)算機(jī)，數(shù)學(xué)不接地氣，無(wú)法落到實(shí)地，無(wú)法真正應(yīng)用到人們生活中，產(chǎn)生一些影響。于是數(shù)學(xué)家們就開(kāi)始尋求落地的方案。也有一些其他的緊迫因素促使運(yùn)籌學(xué)的誕生，二戰(zhàn)時(shí)，兩軍交戰(zhàn)，需要研究盟軍配置，其中包括一些博弈問(wèn)題。

1947 年，美國(guó)數(shù)學(xué)家 George Dantzig 提出線性優(yōu)化的單純形法，是優(yōu)化中最經(jīng)典的算法，具有里程碑意義。之后運(yùn)用到經(jīng)濟(jì)學(xué)中后，運(yùn)籌學(xué)得到快速發(fā)展，特別是計(jì)算機(jī)的高速發(fā)展，以前遇到結(jié)構(gòu)問(wèn)題，可能要 1 小時(shí)，現(xiàn)在可能不到1秒就可以解出來(lái)，這里面有硬件的控制，也有算法的提高。運(yùn)籌學(xué)的歷史比 AI 和機(jī)器學(xué)習(xí)要老，但是 AI 和機(jī)器學(xué)習(xí)又提供了一種機(jī)會(huì)，很多頂層的東西都是要靠?jī)?yōu)化，不管是學(xué)習(xí)還是剛才講到的決策問(wèn)題，都要有 OR (運(yùn)籌學(xué))的結(jié)合。

整體來(lái)說(shuō)，所謂優(yōu)化，是滿足一定的約束條件下，使某一個(gè)函數(shù)最大。怎么把一個(gè)問(wèn)題變成這個(gè)優(yōu)化問(wèn)題，就需要建模。一般是從建模到求解，再到?jīng)Q策，這就需要一套算法來(lái)求解。

在這個(gè)里面，把實(shí)際問(wèn)題變成數(shù)學(xué)問(wèn)題，變成優(yōu)化問(wèn)題，然后來(lái)求解。什么叫大數(shù)據(jù)，有很多不同的解釋。而數(shù)據(jù)大到一定程度后，就可以量化了，量化以后，我們可以用數(shù)學(xué)的方程、公式來(lái)描述它，然后變成一個(gè)量化的決策問(wèn)題。

1982 年我去美國(guó)時(shí) AI 很火，后來(lái)沉寂了，現(xiàn)在又紅起來(lái)。但是優(yōu)化一直都在那里，各行各業(yè)都需要它，在這點(diǎn)上，它像統(tǒng)計(jì)、數(shù)學(xué)。

在大數(shù)據(jù)時(shí)代的商務(wù)決策中，要用到計(jì)算機(jī)、信息學(xué)，包括機(jī)器學(xué)習(xí)，數(shù)據(jù)搜集，然后我們要通過(guò)機(jī)器學(xué)習(xí)做一些規(guī)律性分析，然后就是建模、決策。這里面需要有一些量化、需求管理、規(guī)律性分析，我覺(jué)得機(jī)器學(xué)習(xí)確實(shí)做的好。但是在決策中有一些很傳統(tǒng)的優(yōu)化模型和運(yùn)籌學(xué)的模型。

舉幾個(gè)簡(jiǎn)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(lái)。

一、物流選址及路徑優(yōu)化

比如說(shuō)選址問(wèn)題，尋求一個(gè)區(qū)域內(nèi)最優(yōu)的倉(cāng)庫(kù)，成本最少，每個(gè)庫(kù)建在什么地方，這里面要權(quán)衡很多問(wèn)題，一次建設(shè)費(fèi)多少，服務(wù)區(qū)域有多大，如果區(qū)域大了，運(yùn)輸成本就高了，這里就是數(shù)學(xué)規(guī)劃的問(wèn)題。

那么怎么選才好？以前，我把它寫成一個(gè)整數(shù)規(guī)劃，然后去算，有些算法，幾個(gè)月都算不出解來(lái)，但是客戶有很多需求都是有時(shí)限的?，F(xiàn)在把它看成是一張網(wǎng)絡(luò)，就要把這個(gè)點(diǎn)放在上面，進(jìn)行隨時(shí)的調(diào)配，重新選址，這個(gè)時(shí)候我的算法就非常的快，然后就會(huì)有很多的近似算法。這里面的算法，選址的問(wèn)題，我們?cè)谂c客戶合作的過(guò)程中有很多這樣的問(wèn)題。

另一個(gè)問(wèn)題更復(fù)雜一點(diǎn)，選一個(gè)倉(cāng)庫(kù)提供一個(gè)區(qū)域服務(wù)，叫 hub 的選址。有些物品不是從倉(cāng)庫(kù)發(fā)到某一個(gè)顧客上，而是要經(jīng)過(guò)中轉(zhuǎn)站，再到顧客上。那么這個(gè)中轉(zhuǎn)站怎么選才好。通常我們把選址的問(wèn)題，叫作戰(zhàn)略性的決策，一旦選了以后，幾年都不會(huì)變。決策也分為戰(zhàn)略決策，戰(zhàn)術(shù)決策、operation 決策，而我這里談的是 operation 決策，我現(xiàn)在要送貨，送到這么多的點(diǎn)上，如何把貨都送出去，然后回到出發(fā)的地點(diǎn)，最終要使整個(gè)距離最小，這叫「旅行商問(wèn)題」，也是很經(jīng)典的確定性問(wèn)題。

在實(shí)際中，也叫車輛調(diào)度問(wèn)題。當(dāng)然現(xiàn)實(shí)問(wèn)題比這更復(fù)雜，因?yàn)榭赡苡幸惠v車不能跑了，幾千上萬(wàn)輛車，每輛車跑哪些地點(diǎn)，哪些區(qū)域，又怎么選址，還要考慮取貨和同時(shí)送貨，取貨必須要保證某一個(gè)時(shí)間點(diǎn)或者時(shí)間窗口。這是運(yùn)籌學(xué)比較擅長(zhǎng)的問(wèn)題，要實(shí)時(shí)低解決這些問(wèn)題。

比如我現(xiàn)在有 5 輛車，要服務(wù)這個(gè)區(qū)域。首先建立一個(gè)服務(wù)區(qū)的概念，怎么把這個(gè)大的區(qū)域分成 50 分點(diǎn)，每一個(gè)區(qū)域選擇一個(gè)分點(diǎn)，這叫「區(qū)域選擇」。在分這個(gè)區(qū)域的時(shí)候，我要知道每個(gè)區(qū)域的工作量都是多少，盡量分的均勻，要不然一個(gè)區(qū)域很大，跑兩天跑不完，一個(gè)小區(qū)域半天就跑完了。

我的一個(gè)學(xué)生在和杉數(shù)在一起研究，怎么把區(qū)域所有的工作量都分得一樣，每個(gè)給的這個(gè)點(diǎn)就是車的出發(fā)點(diǎn)，可以很快的劃分出來(lái)，在作一些路線規(guī)劃。

這張圖里面有 50 輛車，需要找路徑，這是一個(gè)實(shí)際問(wèn)題。每一條街道都要跑，我在劃分這個(gè)區(qū)域的時(shí)候，每個(gè)區(qū)域里街道的總長(zhǎng)度是基本上相似的。在跑這個(gè)區(qū)域的時(shí)候，怎么跑到最大，把所有的街道都跑一趟，這就是路徑問(wèn)題，這是地圖公司需要考慮的。

大家肯定用過(guò) GPS ，其中有兩個(gè)核心技術(shù)，一個(gè)是衛(wèi)星定位，經(jīng)度緯度定位以后。剩下所有的地理信息位置，都是搜集過(guò)來(lái)的，但是街道的地理數(shù)據(jù)不斷在變，所以每次都要把街道的信息更新都要重新搜集進(jìn)來(lái)，派一輛車把每個(gè)街道跑一遍。這個(gè)時(shí)候要把城市的街道都跑一遍的話，不可能跑一輛車，可能需要 50 輛車。那么怎么劃分這個(gè)車輛的區(qū)域，以前是用郵政編碼來(lái)分，由于城市區(qū)域的改變，有些郵政編碼覆蓋的區(qū)域大好幾倍，這樣分就不合理，所以要根據(jù)瞬時(shí)情況進(jìn)行分析。如何判斷有效，比如原來(lái)要用 75 輛車現(xiàn)在 60 輛就夠了，原來(lái)用 2 天時(shí)間現(xiàn)在一天半就夠了，這個(gè)技術(shù)，諾基亞在全世界 26 個(gè)國(guó)家使用。

我原來(lái)認(rèn)為我刨出來(lái)最后的路程最短，后來(lái)又提出一個(gè)要求，在排路徑的時(shí)候，盡量向右轉(zhuǎn)。因?yàn)樽筠D(zhuǎn)所要花的時(shí)間，比向右轉(zhuǎn)高出 5 到 10 倍，最后我們用運(yùn)籌學(xué)的辦法把這個(gè)解決了。

再舉一個(gè)路徑優(yōu)化的問(wèn)題，大家都在搞所謂的無(wú)人倉(cāng)，有一些小車搬運(yùn)載有貨物的托盤到空閑工作臺(tái)，然后小車搬運(yùn)托盤從工作臺(tái)回到倉(cāng)庫(kù)空儲(chǔ)位，這叫回庫(kù)，然后小車搬運(yùn)空托盤從工作臺(tái)到托盤回收處，叫回收，這里面都是一些貨柜，怎么拖起來(lái)怎么用，就需要路徑規(guī)劃和協(xié)調(diào)。

在國(guó)內(nèi)，研究機(jī)器人，研究的比較多的是提高每個(gè)機(jī)器人自身的能力，做的非常好。但是在很多問(wèn)題上，缺少通盤調(diào)配和安排。單個(gè)機(jī)器人能力很強(qiáng)，但是在一個(gè)團(tuán)隊(duì)中時(shí)就不一定了。我們比較缺乏統(tǒng)籌的軟件決策系統(tǒng)。我們很注重個(gè)人能力的提高，但是期缺乏一種集體的統(tǒng)籌的決策開(kāi)發(fā)。每個(gè)機(jī)器人都在瞎跑，這樣肯定不行，無(wú)人車也是。

很多公司都在考慮無(wú)人車的技術(shù)多強(qiáng)，但是其實(shí)最主要的問(wèn)題是什么，反而是無(wú)人車之間的協(xié)調(diào)、調(diào)配和統(tǒng)一指揮。

比如說(shuō)這是工作臺(tái)，某一個(gè)區(qū)域的貨來(lái)了以后，要進(jìn)行分擔(dān)，這里面有很多問(wèn)題，比如路徑問(wèn)題。從設(shè)計(jì)上來(lái)說(shuō)，是設(shè)計(jì)成單行線還是雙程線，如果設(shè)置單行線，跑的距離要長(zhǎng)，碰撞的可能性就少一些，這里面都可以通過(guò)優(yōu)化來(lái)解決。比如杉數(shù)與京東 618 活動(dòng)的物流倉(cāng)統(tǒng)籌調(diào)配合作，其中的算法也都是算出來(lái)的。

這里面是三配，機(jī)器人怎么配到貨柜，怎么收檢這個(gè)站。目前的方法是用機(jī)器人用托盤拖這個(gè)貨柜，把整個(gè)的貨柜拖到旁邊的這個(gè)臺(tái)上，然后又把這個(gè)拿下來(lái)，再把托盤送回去。首先是機(jī)器人，把整個(gè)的貨柜拖起來(lái)，可能那個(gè)貨柜員就檢一個(gè)東西下來(lái)。那么為什么貨柜不動(dòng)，讓貨柜員坐在機(jī)器身上然后去檢貨呢？因?yàn)檫@樣貨柜可以裝的更高了，空間利用率更高了。而且人坐在這個(gè)機(jī)器上，不僅可以前后移動(dòng)，還可以升降貨柜，放的更高，運(yùn)行過(guò)程中形成三位的倉(cāng)庫(kù)而不是平面的倉(cāng)庫(kù)，這樣我們就可以計(jì)算出來(lái)，貨的密度增加多少，倉(cāng)庫(kù)的利用率可以增加多少。在中國(guó)，人力相對(duì)比較便宜，但是房子非常貴，這樣就能更加節(jié)省成本，但是整個(gè)也是靠產(chǎn)品運(yùn)輸來(lái)優(yōu)化問(wèn)題進(jìn)行求解。

工業(yè)界總是覺(jué)得我們需要深度學(xué)習(xí)、機(jī)器學(xué)習(xí)，需要把預(yù)測(cè)的精度再提高 1%，卻忽略了測(cè)不準(zhǔn)的這個(gè)定理，精度到一定程度就不可能再提高了。所以在測(cè)不準(zhǔn)的情況下，在決策上是不是可以做點(diǎn)工作，在知道測(cè)不準(zhǔn)，可能有不同狀況出現(xiàn)的情況下，決策是不是可以調(diào)整一下。比如說(shuō)，可以保證我在期望值省時(shí)一些，但是我保證永遠(yuǎn)不會(huì)破產(chǎn)，防備那些惡性大事件發(fā)生。所以這些模型在 OR 應(yīng)用到很多的。比如說(shuō)今天給到這個(gè)送貨員的送貨任務(wù)有 10 單，我們做了一個(gè)輔助工具 PonyPlus ，可以幫助送貨員如果選擇送貨路徑。

二、庫(kù)存管理

這里面最典型的是庫(kù)存問(wèn)題，就是典型的知道你測(cè)不準(zhǔn)，我怎么能夠把局測(cè)做到最好，把庫(kù)存做到最好。以前早的時(shí)候還沒(méi)有深度學(xué)習(xí)，比如你是小零售商，你進(jìn)貨進(jìn)多少，進(jìn)一個(gè)星期的貨，但是不知道這個(gè)星期有多少，多的有多的損失，少的有少的損失。所以這個(gè)時(shí)候運(yùn)籌學(xué)就有一套方法來(lái)處理這個(gè)問(wèn)題。

比如你是小零售商，一個(gè)星期要進(jìn)多少貨，進(jìn)多了，有多的損失，進(jìn)少了，有少的損失。

這個(gè)時(shí)候運(yùn)籌學(xué)就有一套方法來(lái)處理這個(gè)問(wèn)題。最近，美聯(lián)航因?yàn)闄C(jī)票賣多了，有人上了飛機(jī)后被拖下去。這是典型的不確定環(huán)境下的決策問(wèn)題，飛機(jī)上座位是固定的 300 個(gè)，你事先只賣 300 張票，不會(huì)賣多，來(lái)的人都可以登記，問(wèn)題是總有 5 %到 10 %的人，因?yàn)楦鞣N各樣的原因是不會(huì)來(lái)的。所以航空公司一般都會(huì)多賣一點(diǎn)。最好的情況是不來(lái)的人數(shù)正好是我多賣的人數(shù)。但是這個(gè)人數(shù)永遠(yuǎn)是測(cè)不準(zhǔn)的，也就出現(xiàn)了美聯(lián)航的這個(gè)問(wèn)題。

這類問(wèn)題也出現(xiàn)在很多電商中。通常周轉(zhuǎn)率在 29 天的，那么現(xiàn)在降 16.5%，庫(kù)存的金額大家也都知道零售商最怕的就是庫(kù)存周轉(zhuǎn)率太低，買了人家的東西自己又賣不出去，庫(kù)存金額降 19.2%，現(xiàn)貨率提升了，GMV 上升 1.9%，而周轉(zhuǎn)天數(shù)下降到 24.4 天。就是說(shuō)我們主要是降低了這部分人力，在不損失這兩個(gè)標(biāo)準(zhǔn)的情況下。

還有一個(gè)辦法根據(jù)某一個(gè)電商的特點(diǎn)，叫閃購(gòu)，出一份貨賣一個(gè)星期就不賣了，此時(shí)電商把那個(gè)星期的預(yù)測(cè)，需要備多少貨就決定下來(lái)。我們采取兩階段的策略，首先我有一個(gè)總的估量，但是我發(fā)貨的時(shí)候是發(fā)三天的貨，通過(guò)第一天的銷量我再?zèng)Q定追不追貨，本來(lái)一周的需求量是 100 件，我實(shí)際送到前沿倉(cāng)庫(kù)的是 60 件，我是否需要把這 40 件補(bǔ)上去就看第一天的銷量，第一天的銷量對(duì)后續(xù)的預(yù)測(cè)度更高。

杉數(shù)的一個(gè)產(chǎn)品經(jīng)理設(shè)計(jì)了一個(gè)叫 StockGo 的智能庫(kù)存決策系統(tǒng)。我們覺(jué)得應(yīng)該給每一個(gè)中小電商，至少提供一個(gè)可能的工具，觀察庫(kù)存的這個(gè)周轉(zhuǎn)，幫助他決策，這里面有很多的功能，比如說(shuō)對(duì)目前庫(kù)存狀態(tài)的量化評(píng)估，對(duì)高精度的銷量預(yù)測(cè)，高精度的補(bǔ)貨策略，供應(yīng)鏈管理的智能化轉(zhuǎn)型，這里面包括很多機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的工具，對(duì)你的庫(kù)存狀態(tài)進(jìn)行評(píng)估，精確到每一個(gè) SKU，還有補(bǔ)貨策略，以及個(gè)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(jìn)行診脈。

總的目的是把這些 OR 的東西應(yīng)用到經(jīng)濟(jì)中。很多 ERP（企業(yè)資源應(yīng)用系統(tǒng)）的公司用了這個(gè)系統(tǒng)后，通常周轉(zhuǎn)率會(huì)提高到 50%，資金及人力成本降低，電商自動(dòng)化庫(kù)存能力也都提高，這樣一個(gè)小工具，能夠?yàn)閺V大的小電商服務(wù)。你也可以自己調(diào)整，但是至少給了你一個(gè)可能性。

三、投資組合優(yōu)化

我最近還研究一些投資組合，也就是防范風(fēng)險(xiǎn)。

美國(guó)有一位經(jīng)濟(jì)學(xué)家 Harry M. Markowitz ，他有一個(gè)著名的理論叫現(xiàn)代投資前沿理論。他把投資組合的問(wèn)題寫成一個(gè)二代規(guī)劃，其目標(biāo)函數(shù)不是線性函數(shù)，而是二次函數(shù)，所有的約束也都是線性的，如何最快的解這個(gè)問(wèn)題解？這個(gè)時(shí)候我們就有很多的問(wèn)題，那么這個(gè)模型中為什么出現(xiàn)了二次函數(shù)？在統(tǒng)計(jì)中，二次的X的平方通常描述的是變化量，通常需要波動(dòng)不太大，這就是簡(jiǎn)單的這個(gè)二次函數(shù)，實(shí)際上要解的也就是二次規(guī)劃，常見(jiàn)的軟件Barra、Axioma、ITG、Mosek。

現(xiàn)在，華爾街搞風(fēng)險(xiǎn)控制的都是用二次模型，用的求解器也就使用的 Mosek 。那么在交易過(guò)程當(dāng)中，你的算法你的求解器比別人家快一些，我個(gè)人認(rèn)為高頻交易的競(jìng)賽也就是算法速度的競(jìng)賽。我知道國(guó)內(nèi)就有用到過(guò)這樣的模型，自己解需要解 10 秒鐘的時(shí)間。從 10 秒到 0.04 秒，這里面有算法的模型。

FICO（ FICO 信用分是由美國(guó)個(gè)人消費(fèi)信用評(píng)估公司開(kāi)發(fā)出的一種個(gè)人信用評(píng)級(jí)法）也是二次規(guī)劃的問(wèn)題，很多很多大數(shù)據(jù)公司，越來(lái)越重視優(yōu)化。美國(guó)最早的大數(shù)據(jù)公司就是產(chǎn)生 FICO 的一家公司，國(guó)內(nèi)是叫征信打分，最早的是一家公司把個(gè)人所有的信息收集起來(lái)給這個(gè)人的信譽(yù)打一個(gè)分。到美國(guó)租房要擔(dān)保，首先就是看這個(gè) FICO 分。

這個(gè)公司后來(lái)做的很好，大家都用他的 FICO 。包括在網(wǎng)上查一查這個(gè)征信也都要交錢，這是美國(guó)很早的大數(shù)據(jù)公司，收集很多公司對(duì)每個(gè)人也都有打分。

運(yùn)通公司是一個(gè)純信用卡公司，實(shí)際上是一個(gè)擔(dān)保公司。我總跟人家講運(yùn)通公司是合法的高利貸公司，利率確實(shí)比較高。那么他的核心技術(shù)就是防范風(fēng)險(xiǎn)，希望你消費(fèi)但又希望你不要還錢而且希望你還錢不要還得太快，但是又不希望你永遠(yuǎn)不還。運(yùn)通公司有一個(gè)專門的團(tuán)隊(duì)從事相關(guān)工作。

我當(dāng)時(shí)團(tuán)隊(duì)幫運(yùn)通公司搞了一個(gè)怎么追債軟件，很多是基于算法的。國(guó)內(nèi)公司做這種 AI 軟件的非常熱。中國(guó)的文化也比較適合。

為什么？因?yàn)樵谥袊?guó)，數(shù)據(jù)公開(kāi)是比較自由的，像美國(guó)大公司數(shù)據(jù)絕對(duì)不會(huì)給你的，所以我覺(jué)得這種公開(kāi)自由為 AI 開(kāi)辟了很多前途。

但是中國(guó)公司在發(fā)展過(guò)程中忽略了算法的力量，他們通常是以問(wèn)題為根本，找了一些參考資料，在開(kāi)源軟件中找一個(gè)算法進(jìn)行試一試。這是要花非常大的這個(gè)功夫，確實(shí)是要耐得住寂寞，但是要用人家的開(kāi)源軟件，人家不給源代碼，就永遠(yuǎn)會(huì)被牽著鼻子走。我知道其實(shí)他們很需要線性規(guī)劃或者說(shuō)其他的運(yùn)營(yíng)規(guī)劃。但是你要買別家公司的，出于安全考慮也不太妥當(dāng)。

現(xiàn)在有很多公司比如 CPLEX ，Mosek ，還有些大學(xué)，不光是做實(shí)際應(yīng)用，也培養(yǎng)自己的算法開(kāi)發(fā)，這樣就比較有核心技術(shù)了。真正的成為技術(shù)公司而不是咨詢公司。所以投資要耐得住寂寞，要有核心的技術(shù)。

未來(lái)，AI、深度學(xué)習(xí)和機(jī)器學(xué)習(xí)提供了很多的支撐，模型規(guī)模也飛速增長(zhǎng)，需要超大規(guī)模的優(yōu)化算法。以前我認(rèn)為就要搞出個(gè)萬(wàn)能的算法，解所有的線性規(guī)劃都要解得快，但是我后來(lái)反觀看 AI 和人的思維并非是通用的，他是非常定制的，我可以什么方法對(duì)某一類方法用的好就用那個(gè)方法，不是追求某一個(gè)統(tǒng)一的算法，或者類別法。反而是比較定制化的，用中國(guó)化來(lái)講比較實(shí)用主義一些。不一定追求理論上的完美，有一個(gè)統(tǒng)一的算法，所以這點(diǎn)上，我覺(jué)得反過(guò)來(lái)，AI 對(duì)運(yùn)籌學(xué)會(huì)有很大的促進(jìn)，什么問(wèn)題需要什么樣的算法，本身需要學(xué)習(xí)的過(guò)程。

還有一個(gè)問(wèn)題，我們以前比較重視凸劃，但是大量的問(wèn)題是非凸規(guī)劃。現(xiàn)在需要考慮集群化，軟硬件結(jié)合，如何利用 GPU 實(shí)現(xiàn)并行運(yùn)算，包括應(yīng)用在智慧供應(yīng)鏈、智能金融、健康管理等領(lǐng)域。比如掛號(hào)系統(tǒng)，有很多很多的問(wèn)題能不能采取更好的方法，這個(gè)方法在 OR中叫排序。

總的來(lái)說(shuō)，我一直在研究運(yùn)籌學(xué)和優(yōu)化。從 1982 年到現(xiàn)在，大半輩子看到學(xué)術(shù)研究的起伏變化。我原來(lái)比較重視理論，很多問(wèn)題都是寫文章，證明一些東西，也小有成就，但是人到年紀(jì)大的時(shí)候會(huì)覺(jué)得最大的利益還是對(duì)一般人生活產(chǎn)生一些影響。不光是有一定的學(xué)術(shù)造詣，把自己的學(xué)術(shù)成果轉(zhuǎn)化成技術(shù)，對(duì)人的基本生活產(chǎn)生影響，這才是 OR 的本質(zhì)，OR 是一個(gè)接地氣的科學(xué)，是一個(gè)落地的科學(xué)，怎么落地，需要經(jīng)過(guò)我們的試驗(yàn)，像深度學(xué)習(xí)、機(jī)器學(xué)習(xí)這些技術(shù)也確實(shí)對(duì)物流業(yè)產(chǎn)生一些影響。我希望通過(guò)我們的努力，促使中國(guó)的企業(yè)，能從一個(gè)比較粗狂的形式進(jìn)一步拓展為依賴于大數(shù)據(jù)、國(guó)際技術(shù)來(lái)進(jìn)行決策的環(huán)境里面。