從單體智能到群體統籌，優化演算法正在推動人工智慧新浪潮

過去兩年出現了人工智慧的熱潮，特別是以深度學習演算法為代表人工智慧在中國市場出現了井噴現象。根據麥肯錫統計，2016年全球科技巨頭在人工智慧上投入了 200億到300億美元，VC/PE投融資達60億到90億美元。在中國，根據鈦媒體TMTbase全球創投資料庫的數據統計，目前共收錄中國人工智慧企業398家、共發生571起投資事件，投資總額高達571億人民幣。

就在AlphaGo先後挑戰世界和中國圍棋高手後，關於人工智慧的熱炒更有甚囂塵上的趨勢，也有行業專家發出人工智慧泡沫的警告。然而，人工智慧泡沫現象卻有一個意想不到的效果。2017年6月24日，在由鈦媒體與大數據運籌優化公司杉數科技聯合舉辦的「鈦媒體AI大師圓桌會」中，來自美國與中國的頂級優化演算法專家均表示，人工智慧熱帶動了優化演算法的繁榮。

斯坦福大學李國鼎工程講座教授、華人運籌學領袖、杉數科技首席科學顧問葉蔭宇表示，機器學習演算法強化了單體機器的智能，但在機器人群體協同工作時則需要「通盤考慮、統籌優化」的優化演算法。正因為雲計算、大數據與人工智慧的井噴，才出現了超大規模的大數據，而這正是優化演算法繁榮的基礎，優化演算法的發展也將反過來推動人工智慧進入新階段。

演算法戰爭與戰爭演算法

斯坦福大學李國鼎工程講座教授、華人運籌學領袖、杉數科技首席科學顧問葉蔭宇

2017年4月26日，美國防部在一份備忘錄中對「戰爭演算法」進行了描述，提出了「演算法戰」概念，更為重要的是組建了「演算法戰跨功能團隊」，該團隊將通過編寫人工智慧、機器學習等代碼來改變作戰方式，比如利用人工智慧對無人機採集的海量視頻數據進行分析以獲得豐富的戰爭情報。

而早在二戰的時候，還沒有大數據甚至也沒有計算機，在獲取數據的途徑、數量和速度都很有限的前提下，發源了對後來全球社會經濟有廣泛影響的「戰爭演算法」：運籌學。葉蔭宇介紹說，運籌學是一種研究優化的學問，就是對於所有的實際生活中出現的問題，不是簡單是找一個可行的方案，而且是一定要找到最優的方案。用現代的話說，就是要把事情做到極致。

生活在1707年到1783年的著名瑞典數學家萊昂哈德·歐拉就曾說過：這個世界上的任何事情或事物都有最大值或最小值。在二戰中，盟軍使用數學模型解決各種作戰的最優化問題，包括雷達部署問題、運輸船隊的護航問題、反潛深水炸彈投擲問題、太平洋島嶼軍事物資存儲問題、項目管理問題等等，這些問題的解決保障了最後的勝利。

二戰結束後，人們將運籌學廣泛應用到企業和政府之中，包括生產、服務、金融等行業。由於運籌學源於解決現實世界中的決策問題，因而後來湧現了大量運籌學演算法，運籌學各重要分支得到快速發展，包括線性規劃、非線性規劃、整數規劃、組合規劃、圖論、網路流、決策分析、排隊論、可靠性數學理論、庫存論、博弈論、搜索論等。

現代運籌學利用統計學、數學模型和演算法等方法，為複雜問題尋找在滿足約束的條件下能夠最大化/最小化某一目標的最優決策，典型的應用就是解決複雜巨系統的優化決策問題。複雜巨系統指的是規模巨大、構成要素複雜、包含眾多子系統的系統，如電力系統、城市交通網、數字通信網、柔性製造系統、水資源系統、社會經濟系統等。

複雜巨系統性能的優化將產生巨大的經濟效益或社會效益，而其中運籌學的應用就能起到重要作用。比如工廠生產、貨物庫存、銷售中心和消費區域等管理等，不能對各個環節孤立地進行研究和管理，必須把這些環節連接起來，以獲得全局優化的運行管理。

能夠解決複雜巨系統的優化問題，才是以運籌學為代表的最優化演算法的最大價值，甚至對於一個國家來說具有著戰略意義。從商業價值這個角度來說，大數據是從0到1、人工智慧是從1到2、統計和運籌優化演算法是從2到N。掌握了以運籌學為代表的優化演算法，才能真正贏得未來的演算法戰爭。

大數據時代下的商業決策

美國紐約大學助理教授陳溪

葉蔭宇曾獲得美國運籌與管理學會馮諾依曼理論獎（運籌管理學界最高獎），也是迄今為止華人唯一獲獎者，2014年美國應用數學學會優化大獎（每三年評一人）、2012年國際數學規劃大會Tseng Lectureship獎（每三年評一人），曾主持和參與美國波音、FICO、運通、美國衛生部、美國科學基金、美國能源部以及美國空軍科研部門等多個科研項目。

1982年葉蔭宇赴美深造，當時人工智慧經歷了一小波高潮後，由於沒有大數據等現代技術的支撐，理論研究與商業應用都處於停滯狀態，但運籌學則在各行各業方興未艾，從市場營銷、生產計劃、庫存管理、物流運輸、財政會計到人事管理、設備維修、工程最優化、計算機與通信系統以及城市管理等都有廣泛的應用。

隨著計算機技術高速發展，要解決的問題規模不斷增大，運籌學的應用範圍也取得革命性的突破。大量演算法、軟體產生，大數據時代給運籌學進一步帶來了生機——如何將大數據轉化為最優決策成為運籌學重點的課題。美國紐約大學助理教授、博士後師從機器學習之父Michael I Jordan（螞蟻金服智囊團主席）的陳溪也認為，大數據的出現推動了機器學習、大規模統計推斷與運籌學演算法三大領域齊頭並進，由此形成了大數據驅動下的商業決策。

葉蔭宇介紹了大數據驅動下的商業決策的三個階段：基於數據收集與管理的描述型（Descriptive）決策，數據成為大數據時代商業決策的基礎和公司發展的「原燃料」，通常由計算機和信息科學技術完成；基於規律性分析的預測型（Predictive）決策，從大數據中提取信息，獲得事物背後的規律，通常由統計和機器學習技術完成；但僅僅對數據的管理與規律性分析並不能釋放數據的巨大價值，必須真正提升決策質量、從海量數據中發掘出規律，才能讓大數據產生實質性價值，這就是基於決策建模與求解的處方型（Prescriptive）決策。

運籌學將實際中決策問題轉化為數學模型，用高效的優化演算法求解，運用系統科學和優化演算法獲得最佳決策及戰略，並實現決策的自動化、流程化、規範化。在美國和歐洲，已經實現了運籌學演算法的軟體化與工具化。例如，在投資組合優化及相關決策領域，就有Barra、Axioma、ITG、Mosek等知名軟體，其中Mosek大規模數據優化軟體是歐洲第一大優化軟體，葉蔭宇教授同時擔任該公司科技顧問委員會主席、創始人也是在葉蔭宇的指導下對優化演算法有了深入了解，並創立了該公司，目前華爾街進行風險控制的軟體求解器有很多都使用Mosek軟體。

葉蔭宇認為，高頻交易的競賽就是演算法速度的競賽。如果一家軟體的模型求解速度需要10秒鐘，而其它家軟體的速度為0.04秒，那麼誰掌握了0.04秒求解軟體的源代碼誰就有核心競爭力，而從10秒到0.04秒就是演算法的力量。

前不久的美聯航事件，是典型的不確定環境中庫存管理決策問題。航空公司機票超售是因為總有5%到10%的乘客因為各種原因不登機，而航空公司在不確定的條件下到底要超售多少張機票以彌補損失，當出現超售後有人不願意下機的情況下，該如何鼓勵乘客改乘下一班飛機，這都是運籌優化演算法的範圍。在不確定和測不準的隨機或複雜環境下的困難決策，也是人工智慧和機器學習演算法的薄弱之處。

數據驅動商業場景中的決策優化

美國明尼蘇達大學助理教授、杉數科技CTO王子卓

Mosek公司成立於1997年，迄今已經有20年的歷史。而國內近年來在人工智慧的產業化和商業化方面取得了一些進展，但優化演算法是整個人工智慧推進中不可缺失的一環，在國內卻處於相對弱勢情況。此外，即便是機器學習和深度學習的底層演算法開源求解器，在國內也尚未見到。

2016年中，幾位來自斯坦福運籌學領域的教授和博士，從斯坦福校徽的「杉」和大數據的「數」取名，創立了杉數科技，開始致力於在中國推廣運籌學的商業應用以及開發機器學習和深度學習的底層求解演算法。杉數科技目前已經有了京東等大企業客戶，2016年7月獲得了來自真格基金和北極光創投的210萬美元天使輪融資。

美國明尼蘇達大學助理教授、杉數科技CTO王子卓，曾獲美國運籌管理學會收益管理分會2015年最佳實際應用獎提名，參與過美國運通、華為、IBM、希捷等項目，其中為IBM定製的定價策略系統獲美國兩項專利，為IBM創造過巨額的利潤。

王子卓介紹了互聯網時代由大數據驅動的定價策略，他認為好的定價策略是企業的「生命線」，特別是互聯網商業模式下的實時定價更決定了酒店、零售、航空、租車等行業和企業的生死存亡以及能否獲得更大的發展。

那麼電商等實時企業如何更好的獲得「生命線」，如何制定自己的定價策略？首先這就需要了解消費者的構成、偏好以及消費行為等大數據，其次在獲得了消費者或消費者群體大數據的前提下，做出價格、時間、地點等銷售決策。所以數據驅動的定價策略就是在正確的時間和正確的地點，以正確的價格為正確的客戶提供正確的產品與服務。

現在，杉數科技智能決策提供一套基於數據的完整定價解決方案，包括目標場景、底層模型、優化策略、高效演算法、信息回收、模型迭代等環節。其中，在構造和選擇底層模型的時候，由於消費者在面臨多個選擇、不同價格、不同質量等信息時會改變購買行為，雖然有時候會出現不理性行為但依然可以從大數據分析中得出規律，隨後通過非線性、離散、高維與動態演算法等建立定價決策模型，再設計獨特高效演算法得到精確最優解/高質量近似解，採用並行計算架構就可以同時對大規模多SKU 問題有效求解，最終實現在線獲得最優解、滿足實時性要求。當然，價格計算不是一勞永逸，市場在變化、環境在變化、價格也在變化，動態調價已經成為很多行業的趨勢，也就是在線學習消費者購買行為後不斷更新演算法模型。

杉數科技創始團隊自2016年以來，利用自己在定價方面的獨特積累和技術，已經為國內多個行業的龍頭企業，包括電商、物流、出行等，提供了收益管理方向的精確量化軟體開發和諮詢服務，合同額達到了近2000萬。

陳溪進一步介紹了在線學習與在線決策的聯動影響與決策演算法。在線學習與在線決策聯動，有兩個基本的選擇：一是通過最少的嘗試以獲得對象的最大化信息（Exploration，勘探）；二是在已獲得信息的基礎上做出最佳決策以最大化收益（Exploitation，收穫）。一個經典的例子就是多臂老虎機問題（Multi-Armed Bandit Problem，MAB）：不同老虎機的收益都是隨機的，有的隨機收益低、有的隨機收益高、有的能出現高額隨機收益，那麼如何通過最少次數的嘗試盡量多地獲得每台老虎機的收益水平，從而優化拉老虎機的策略？2014年，王子卓、葉蔭宇等人的一篇學術論文討論了用於單一產品收益最大化管理的MAB演算法。

多臂老虎機MAB演算法有著廣泛的商業用途，比如電商可以把該演算法用於某個產品消費群體的認知和開發。陳溪在2016年參與的一篇「電商個性化收益管理的統計學習演算法」中就探討了杉數科技為唯品會開發的演算法。當時在美國，某電商每個月甚至每兩個禮拜，就定期給女性顧客寄一個內有5件衣服的盒子，顧客可以選擇一件付款再把剩下的退回，如果5件衣服都不喜歡就會象徵性收取郵費。以此來探知女性消費者的消費行為數據，並用於相關演算法的開發。

陳溪強調，由於現實中的商業環境極為複雜，因此需要機器學習、統計分析和運籌優化的共同作用，才能做出最優化的商業決策。

清華大學交叉信息研究院助理教授、杉數科學家李建

清華大學交叉信息研究院助理教授、杉數科學家李建介紹了基於時空大數據的機器學習演算法，所謂時空大數據中是生產生活中帶有時間軸的地理大數據。李建表示，隨著社會發展、企業運營、工業生產朝著精細化運作的方向發展，對於生產中一些關鍵性時空屬性的預測和控制就顯得越發重要。

時空大數據有著廣泛的應用，例如：對於交通路況的預測，可以幫助交通部門調整和優化交通指揮和布局；對於給定路徑的出行時間預測，可以幫助人們更好的規划行程；對於在線租車來說，準確預測未來一段時間內的訂單量和區域分布，可以幫助公司更好的進行車輛調度，從而提高車輛共享效率; 對於物流公司而言，對各網點收發貨量的良好預測，可以幫助公司提前進行運力、人力等資源的調度，從而提高物流效率，增加收益；無人駕駛對周圍障礙物運動位置的預判，可以幫助駕駛系統提前規劃調整路徑，從而提高安全駕駛係數。

時空數據在各行各業中海量產生，對於這些數據的合理挖掘與利用可以幫助生產者乃至整個社會提高生產效率。

人工智慧新浪潮：結合優化演算法的快速智能決策

喬治亞理工學院終身教授藍光輝

機器學習和人工智慧是大數據時代科技發展的產物，近幾年有了突破性的發展，代表性成果包括圖像識別、語音識別、自然語言處理等，應用場景包括自動駕駛、智能診斷、無人機等。然而，機器學習和人工智慧所基於的主流深度神經網路學習演算法，還需要與優化演算法結合，才能適應現實商業世界中超大規模、快速實時響應等需求。

來自喬治亞理工學院的終身教授藍光輝，其主要研究領域為隨機優化和非線性規劃的理論、演算法和應用，包括隨機梯度下降和加速隨機梯度下降等於用於解決隨機凸和非凸優化問題。藍光輝也是國際上機器學習和深度學習演算法方向頂級專家，華人年輕一代優化演算法的領軍人物之一。

所謂凸優化/非凸優化是國際上一套已經研究很完備的優化演算法理論體系和求解演算法，如果把某個優化問題轉化為凸優化/非凸優化問題，就能快速給出最優解。簡單理解，凸優化就是指某個問題可以找到局部最大值或最小值，而非凸優化就是指某個問題雖然沒有局部最大值或最小值，但依然有幾個局部優化點。換句話說，非凸優化就是可以找個幾個局部優化的解決方案以供決策，可用於投資組合交易、航線管控、生產排班、資源調配、信號傳輸等領域。

例如在2017年6月21日到24日的北京汛期最強暴雨天氣中，根據航旅縱橫統計，從21日0:00-23日12:00，全國延誤航班架次11805架，取消航班架次3052架。在這種情況下，航空公司和鐵路公司能否實時的根據受影響航班、天氣、人流等數據，及時優化調整航班與鐵路車次，就成為了影響整個社會經濟運行的重要因素。這不僅僅是智能學習和預測，還需要超大規模、快速實時響應，才能夠解決實際的問題。

藍光輝介紹，自2015年以來，大規模凸優化及非凸優化演算法取得了很大的進展，已經能夠處理超過一百萬甚至達上億變數的超大規模數據集。把凸優化及非凸優化演算法用於機器學習演算法的優化，就能大幅加速機器學習演算法的速度。杉數科技的科學家們也一直在開發自己的機器學習與深度學習演算法求解器。同時也幫助上海財經大學協同開發國產的最優化求解器的開源軟體，推進我國開源社區在優化演算法方面的進展。

H2O與TensorFlow是兩大界頂級機器學習求解器，其中H2O是發布最早、影響力最大的機器學習開源軟體之一，已經服務於三百多家金融、互聯網企業，被全世界70000多名數據科學家和8000多家單位所使用。而TensorFlow是谷歌開發并力推的深度學習計算引擎，也可作為通用的機器學習求解器，是Github排名第一的世界頂級開源項目，在語音識別、圖像識別、機器翻譯等各人工智慧領域有著廣泛的應用。

藍光輝介紹說，杉數科技的優化求解器軟體在9個公開數據集上與TensorFlow和H2O兩種求解器進行了對比測試。其中，在針對分類模型的數據集上，杉數科技求解器的求解速度在所有數據集上均大幅高於TensorFlow，提升速度為10倍~70倍不等；而在計算速度大幅領先的情況下，杉數科技求解器預測效果仍略好於TensorFlow。針對回歸模型的數據集上，在3個公開數據集上的對比測試來看，在不影響求解精確度的情況下，通過選擇合適的超參數使得杉數科技求解器軟體的求解速度仍快於TensorFlow數倍，而預測效果則大致相當。

與H2O比較來看，針對分類模型數據集，在預測精度大致相同的情況下，杉數科技在幾乎所有數據集上求解速度都大幅度領先於領先於H2O；而在回歸模型數據集上對比，通過選擇合適的超參數，杉數科技的求解器求解速度略慢於H2O，但預測精度能遠高於H2O。

也就是說，在新一波人工智慧浪潮中，中國的科學家們已經掌握了並不落後，甚至領先國外的核心演算法及軟體工具，把優化演算法代碼與中國企業的商業流程無縫結合起來，真正掌握從單體智能到群體協同智慧的「軟實力」。

「核心演算法是一個國家的軟實力。只要互聯網不死、數據與信息不死，演算法就永遠存在。掌握了核心演算法，一個國家才能在未來一波又一波人工智慧浪潮中掌握主動權。」葉蔭宇強調說。

2017鈦媒體AI大師圓桌會第一期圓滿舉辦，在業界影響廣泛。接下來的7月和8月，我們還將聯合杉樹科技繼續舉辦「高維預測和大數據處理」、「人工智慧：在不確定中博弈」、「AI創業與矽谷」、「AI社交網路」共四場與大師面對面的機會。

報名鏈接點擊這裡：

http://www.tmtpost.com/event/2017/ai/#guest

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！