斯坦福大學講席教授、馮 · 諾依曼理論獎獲得者：葉蔭宇
钛媒體特别專題策劃《數字思考者 50 人》：探訪中國 50 位獨具代表的數字化思考者。我們理解的 TechThinker ，涵蓋了中國數字化浪潮中的技術踐行者、政策制定者與投資決策者。在這場長達 10 年的乘風破浪中，我們每個人都在分享技術進步的果實，卻鮮有人知道結果背後的故事。我們期待通過《50 人》，還原中國數字化推進過程中的關鍵決策，同時也爲你呈現數字思考者們的管理與經營之道。
國際市場震蕩不定，供應鏈波動劇烈、芯片短缺、碳排限制 ...... 百年變局疊加世紀疫情，大環境的震蕩層層傳遞到企業生産制造中，當這些限制條件突然産生的時候，整個企業的生産運營如何應對？怎樣能夠在受到限制的情況下，仍然最大化利用産能去實現生産？
這時簡單依靠經驗 " 拍腦袋 " 決定顯然不再奏效，因爲人工經驗總是基于過去已經發生的，沒有辦法快速地應對不斷産生的新問題，也無法精确優化一個高度複雜與随機的大系統。
盡管在工業數字化的進程中，方式方法持續升級，但是常規的數字化系統要麽協同性不夠，要麽精準度較差，計算和決策效率低，一旦遇到變化就顯得非常脆弱，更不要說在多種突變因素之下快速制定優化方案，沒有辦法真正發揮數據的價值，而此類問題正是智能決策技術所擅長解決的。
小到一個需求的波動、一個生産場景下的急單插單，大到疫情、國際形勢這些黑天鵝事件，智能決策就是在大量的約束條件下，快速找到最優的解決方案，讓資源的使用效益最大化。比如訂單滿足率最大化、庫存成本最小化，或是運輸成本最小化等等。
随着數字化轉型進入深水區，外部經濟增長放緩，對于企業而言，如果不緊跟步伐做出轉型，那麽面臨的就不是賺不賺錢的問題，而是生與死的問題。越來越多的企業渴望通過引入智能決策，以直觀發現、分析、預警數據中所隐藏的問題，及時應對業務中的風險，向最優決策無限靠近。
智能決策的共識在倒逼中逐漸建立起來，但實踐道路比想象中艱難得多、複雜得多。
技術被寄予厚望，但技術也有能力邊界。随着 ChatGPT 大熱，很多人都開始暢想 AI 技術能在工業的複雜決策場景中發揮越來越重要的作用。
從上世紀 80 年代開始，葉蔭宇教授就一直專注在運籌優化領域的研究。2009 年曾獲得美國運籌與管理學會最高獎，馮 · 諾依曼理論獎，也是獲得此獎的首位華人學者。在他看來，精确的數學建模仍然是主流的方法，運籌學的誕生就是爲了解決問題，因爲有可解釋性、可控性，" 有些企業管理者會特别關注決策結果的可解釋性。特别是在工業運用中，有些是多目标的，不是隻有一個目标函數，要權衡各種不同因素，權衡不同的利益，完全靠黑箱是會有問題的。"
不過，技術的使用并不是 " 非黑即白 " 的選擇題，數字化的商務決策中，一般要經曆建模、求解、決策多個流程，AI 的強項在于量化、需求管理、規律性分析，而決策中則需要平衡與優化一些高度複雜，約束互相制約的優化模型和運籌學模型。盲目的追求單一技術的 " 通用性 " 并不是最好的方式，"AI 也不會完全取代優化算法 "，将運籌學和 AI 深度融合，各取所長，才是更實際的做法。
比起短平快的 To C 企業 ,To B 企業接受考驗的鏈條更長、維度更多，技術之外，要解決的問題和場景更複雜。一方面既要深入行業，又要避免掉進勞動密集型的定制化陷阱。另一方面，像經營決策、計劃排産、資源調度等等，這些答案都掌握在行業 Know-How 手中。
技術與實踐短兵相接的地方不是一個接觸點，而是一個多方位的接觸體，既要向内招攬行業專家，歸納不同行業底層邏輯，平衡服務邊界與服務成本，又要向外坐在一起了解一個個具體的需求，向下紮根服務能力。
面對技術在業務面前 " 自證價值 " 的問題還要拿得出 " 真金白銀 " 的量化指标：在庫存上節約了多少錢，在訂單滿足率上提升了多少個百分點，産能利用率提升了多少，産能浪費降低了多少，碳排放指标合理利用了多少……
凡此種種，我們不難看到，智能決策技術落地的背後早已不是一個方向性的大問題，而是實踐過程中十個、百個、千個的小問題。此刻，唯有紮紮實實的苦功夫，才是真實有效的。
去年下半年，葉蔭宇教授開始了六年一次的學術假期，這次他把大部分時間放在了國内，走訪企業、在智能決策公司杉數科技指導算法研究、在大學授課。借此機會，钛媒體 APP 和葉蔭宇教授聊了聊運籌優化的應用發展與趨勢、AI 的影響和融合等話題，希望借由他多年的學術研究視角，以一個更理性的角度看待當下的熱點與實際問題。
從 AlphaGo 到 ChatGPT，深處是求解優化問題
钛媒體：您有關注目前大熱的 ChatGPT 嗎？
葉蔭宇：從我的角度來說， ChatGPT 在應用場景中還是屬于一種你來我往的形式，有人把它叫做 " 博弈 "，有人把它叫做 interaction（交互）。之前的 AlphaGo 的場景是下圍棋，也是你來我往的博弈過程。其實嚴格地說，瞄準這種場景的過程，在運籌學中很早就有模型，例如常見的 " 馬爾可夫決策過程 "（Markov Decision Process），就是刻畫如何在不同情況下，采取最優的行動（action）。
最近又出了一個 Markov Decision Process with generation（生成式馬爾可夫決策），generative 有兩個含義，一個含義就是更多的案例，更多的語種，用 ChatGPT 來說就是更多的文本出現了。可以采索的 action 可以不斷地創造新的答案，新的回答。ChatGPT 将大語言模型和強化學習有機的結合起來，使得我們可以對語言模型的輸出質量進行有效評價，這樣的獎懲反饋機制可以使得 ChatGPT 不斷進步，創造出更好的文章。而本質上，強化學習也是一個基于馬爾可夫決策過程的多階段複雜優化問題。它将機器學習和馬爾可夫決策過程融合起來，自動地學習馬爾可夫決策過程中的獎勵函數和狀态轉移過程。
钛媒體：也就是說，不管是 AlphaGo 還是 ChatGPT，最終都可以追溯到求解優化問題。
葉蔭宇：所有這些模型都是先要搭建一個框架，多少層，多少個函數源，是什麽架構等等，最後架構出來。AlphaGo 和 ChatGPT 某種程度上可以看作數據，算力與算法在工程上的完美結合與實踐。在這個過程中，每個部分都發揮了極其重要的作用。毫無疑問，算法是其非常核心的重要環節。
钛媒體：之前看過您一個發言，講到了當年選擇專業的時候，也是 AI 和運籌學做了一些權衡的，後來還是選擇了運籌學。
葉蔭宇：對，我 1982 年去美國的時候，AI 也是非常火熱的時候，當時我還參加了一個叫做 " 構造一個專家系統 "（Experts System），就是建一個好的方法，希望把所有專家的東西整合起來，形成一個統一的回答、統一的意見。
但是當時有兩個瓶頸，第一個是數據不大，當時沒有網絡，大家隻能在報紙上搜集東西，太慢了，沒有很大的數據來訓練那個專家系統；第二個就是哪怕數據大了以後，算力跟不上，就不可能把模型訓練得很好。
後來我就改做運籌學，搞算法，在某種意義上也是因爲那個方向當時遇到了瓶頸，轉而去搞底層算法構造、底層算法設計。
不要盲目 AI 化，要和優化算法融合使用
钛媒體：我們和一些做大模型研究的人交流過，他們說原來很多算法随着參數、數據的增加，曲線會有平緩的趨勢，但現在在大模型下，隻要往裏面灌更多數據，加更多參數，曲線還是在非常陡峭地在增長。所以我也想聽一聽您的意見，人工智能這套打法，将來對運籌學的理論和實踐會有什麽影響？
葉蔭宇：運籌學和 ChatGPT 能做事情還是有一些區别的。ChatGPT 包羅萬象，什麽問題都能給你輸出一個看似說得過去的回答，但是在專業性很強的問題上，比如超大規模複雜系統的快速求解，它肯定是做不了的。而且 ChatGPT 目前還很難自主的進行數學建模，比如爲一個大規模複雜問題，準确的收集相關的數據，分析約束，自動進行建模。打個比方，某種程度上，他更像是一個全科醫生，各種病都能看的，有些問題看得還不錯。運籌學，以及求解器，像是一個專科醫生，在某些特别複雜的專業問題上，造詣會更高深一些。
運籌學有時候也有一些類似做法，比如窮舉法。比如說有一個優化問題，現在算力這麽高、這麽強，把所有解都求出來，然後找一個最好的。但是這樣的話比較暴力。
目前像 ChatGPT 這種，畢竟有時間讓它訓練，哪怕訓練一個月也可以等得起，就算是出下一代的 GPT 也可以。但是有些實際問題是等不起的，比如說現在杉數科技搞了一個南方電網的現貨市場的調度問題，這個調度過程中狀況變化太快，理想狀态是最好是每秒鍾都能重新計算，我們把它叫做 online optimization（在線優化）。美國電力日内市場的計算間隔爲 5 分鍾，但國内日内市場更爲複雜，當前的計算間隔爲十五分鍾，計算未來一小時（以五分鍾爲顆粒度）的機組調度問題。時間顆粒度的細化大幅度提高了調度模型的複雜程度，同時要求算法的求解能力也需要提升。
再就是從人類的追求來說，暴力法總是太粗暴了，目前的做法确實可解釋性也是個大問題，本來 AI 就是要把算法搞得更精細，能夠節省成本，用最少的時間，最小的案例辦更多的事，這也是爲什麽當時在美國後來對算法比較情有獨鍾的原因。
另外，我覺得 AI 也不完全是靠暴力的。AI 的底層設計中一定是有方法的，不然爲什麽說國内有些同樣的産品可能訓練不出來，不然它也可以暴力緻勝。所以這點上講 ChatGPT 肯定不是簡單的暴力方法，必然有更好的技術，比如說在底層設計中運用了最好的優化算法。實際上國内要趕上去，不光是模型、架構、數據要比它全，也要把算法設計、底層訓練搞得更精細，更有效。
钛媒體：基于大模型的人工智能，其實是一個算法的黑箱子，很難追溯内在的邏輯。在整個求解器的模型裏，現在存在不存在這樣的黑箱子問題？
葉蔭宇：優化裏确實也有黑箱問題。比如有一類問題我們連建模函數的形式都沒有，需要用到優化的 zero order method（零階算法）來進行求解。這類問題的應用場景越來越多了。比如說石油行業的鑽井問題，由于看不到底下的石油分布在什麽地方，因此在什麽地方鑽井，在什麽地方注水，這些就完全沒有表達式，隻能觀測結果，隻有 input（輸入）和 output（輸出）。
又比如說工業界，當時我們做優化，結果鋼鐵行業突然來了一個碳排放，這個環境因素怎麽表達成一個解析式放到優化目标裏呢？此外還有一些社會問題，政策場景，甚至包括直播帶貨，這個模型有解析式嗎？有公式嗎？要優化什麽東西？隻能通過做了這個事以後得到，是 a 就有這個結果，是 b 就有那個結果，在某種意義上，這些都是屬于一種黑箱優化問題。
以前我們認爲要用優化求解器必須要有一個所謂的特定目标函數，而且目标要有一定的表達式，約束也要用數學公式來表達。現在要跳出這個圈子了，就是要對付黑箱子。另外黑箱子問題的背後還是有一個規則，有一個好和壞的區别，雖然可能數學性質不好，甚至導數不存在，但是隻要兩個東西能夠比較誰好誰壞，就可以做優化。
钛媒體：黑箱會不會導緻決策失控進而帶來風險？
葉蔭宇：雖然模型是一個黑箱模型，但是解必須要有可解釋性，這是我認爲最重要的問題。而且，要能夠控制。
我們現在特别強調問題的魯棒性，黑箱模型的決策一定要有魯棒性，不能讓它肆意妄爲，通過這樣的結果保證風險可控。我自己認爲這要通過決策模型間的調節，把魯棒性加上去，把風險函數加上去，這樣盡管黑箱，還是可以兜底的。
钛媒體：ChatGPT 出來後，有些人就在預測說 AI 很快就會有自主意識。
葉蔭宇：我倒不覺得用 ChatGPT 做決策會帶來失控，應該還是可控的。AI 最終還是人在它的脖子上拴了一個繩子，你怎麽引導，它就會怎樣。包括黑箱這些東西，也可以通過調整參數讓它的回答變成可控的，不是不可解釋的。
我現在倒是擔心另外一點，就是如果我們這個社會普遍都來用這種 ChatGPT，會帶來單一化的風險。如果大家都用這個做作業的話，ChatGPT 就是唯一标準，這個社會就不那麽多姿多彩了，真正這個社會要能夠開放，還是要多樣化，還是要有一些個性化，不同的聲音、不同的創新。
钛媒體：您提的這個也是我有點擔心的問題，現在大家如果都 AI 化，就有點像當年做高頻交易的狀态，都用同樣的算法，會在一個時刻形成刺激振蕩，變得非常可怕。
葉蔭宇：對，在某些特定環境下，可能要這樣，但是對一個社會來說，并不希望都是一個面孔，都是一種聲音。所以在這個意義上，我覺得反而是另外一種風險。
另外，我覺得 AI 還不能完全取代優化算法，優化算法還是有一定的規律，有一定的機理的，而且把它的思路放進去，有些企業高層是能夠理解的。現在有些企業高層還是覺得 AI 不可信，質疑是怎麽出來的？下一次出來會不會又不一樣？或者出來的話，爲什麽這個比那個好？特别是在工業運用中，有些東西是多目标的，不是隻有一個目标函數的，要權衡各種不同因素，權衡不同的利益，所以完全靠黑箱還是有問題的。
求解器要向多樣化發展
钛媒體：您在很早的發言裏提到過行業定制版的 AI，在您看來，行業定制版 AI 落地的難度有多大？瓶頸在哪裏？
葉蔭宇：我跟葛冬冬、王子卓（兩位均爲杉數科技聯合創始人）他們也提過，一定要做有定制化的求解器。我們以前搞運籌學，總是希望有一個算法能夠解所有問題，後來發現，追求能夠一個算法解所有的問題是很好，但卻忽視了很多問題本身是有特點、有特征的。我們要根據問題的特征，選擇不同的方法，有時用内點法，有時用單純形法，有時用原始型的方法，有時用對偶的方法……
最近我們就在做這個試驗，針對不同問題，得出在那個特征下的最好的工具，也是通過機器學習的方式，我們把它叫 ML To Optimize（機器學習驅動的優化方法）。
以前我們在學術上認爲搞特定問題的算法設計是不好的，但是你仔細想想怎麽能夠把問題解決，哪怕用不同武藝對付不同的敵人，這在某種意義上也是說得過去的，這就是定制化的問題，而且這個優化，你可以看到采取不同方法，速度可以提高十倍、一百倍。
钛媒體：您覺得這個行業特點怎麽體現出來呢？在将來的這套智能決策裏，比如說行業 know how 怎麽體現出來呢？
葉蔭宇：行業中的 know how 要結合領域知識，我現在感覺有個問題是國内的人才培養上，搞算法的和搞業務的是分開的。從教育層面要培養這樣一種人，對算法也懂，但是不一定要非常精，但是業務又很熟，這個中間的橋梁作用非常重要。
另外我覺得從我們搞求解器、搞算法的這些人，也需要主動走出去，了解某一個行業，了解他們的痛點，求解器作爲最底層的軟件，需要在外面做很多包裝，需要很多系統，很多軟件，這樣才能提升它的應用效率。
钛媒體：做定制化的話，投入和産出以及未來規模方面的問題如何平衡？
葉蔭宇：比如說做金融決策的 FICO Xpress（美國一家分析軟件公司），就是把優化作爲核心部分，然後在核心上面構造了更多層的應用，那樣就大多了，哪怕隻是用到金融行業裏，用戶已經足夠多了，結果它就更容易吸引顧客，更容易賣錢，市值也高。
钛媒體：以前求解器相對小衆，現在華爲、阿裏這些大廠都參與了進來。
葉蔭宇：光有求解器的話，這個量很小的，它是太底層的路線，大投入的話我覺得會浪費一部分資源，搞什麽東西不能太多，大概三五家就可以了，搞得太多的話就惡性競争了。
可以去做，但是不一定要做求解器，比如專門做一些能源方面的、供應鏈方面的或者通信方面的，這就是我剛才說的個性化，我們最缺的是這樣的東西。
在美國，做求解器的主要是三家：Fico、Gurobi、IBM Cplex。谷歌雖然也有一些搞求解器的人，大規模線性規劃搞得還不錯。但是他們更注重研究這個東西如何加速 DeepMind 或者底層的一些東西，微軟的那個部門直接叫 Quantum Computing，跟我也保持交流，對量子計算和其它一些業務相關的算法更強調一些。
钛媒體：優化算法技術有很多成熟的應用場景，例如金融、供應鏈、物流等等，這幾年有什麽新的應用場景被發現？比如前面提到的能源類
葉蔭宇：能源不是新應用場景，很多年前，國内的南方電網、國家電網，都有很大的 OR（Operations Research，運籌優化）團隊，專門做優化的，并且能力不錯。
但是新能源如何接入，這就是一個新問題。比如怎麽更加安全地把一些新能源融合到供電體系當中。比如風能光能容納進來如何考慮它的随機性，電動車的充電樁怎麽布局。
還有就是在醫療治病方面，包括癌症治療決策，醫療資源規劃等方方面面，優化都用上去了。再一個就是前些年比較火的自動駕駛，也會用到很多優化問題，就是最優控制的問題。
钛媒體：在國内外，運籌優化的應用場景有什麽樣的不同嗎？
葉蔭宇：在發展趨勢上，其實沒有很大不同。決策環境中比較有規則的，規則比較清楚的，标準比較統一的，運籌優化用得都會比較好一些。
但是我個人認爲運籌優化反而在國内有更好的發展空間，你像我剛才說的自動駕駛能不能上道，可能在美國要真弄個十年還弄不下來，但是在我們國内可能很快可以達到一個共識，運籌優化也是同樣道理。
不過，國内也要讓那些企業有更多的自由空間和環境，不要把他們的手腳綁定了，讓他們能夠更有信心一些。
钛媒體：目前優化算法、求解器産品的落地，都還是需要極高的智力資源投入，這也限制了這個技術在産業的滲透速度。您覺得這個問題的答案是什麽？
葉蔭宇：這個發展滲透需要環境，需要生态構造慢慢培養，人家也在看我們目前正在做的這個事情，到底能不能起來。
钛媒體：這些應用的企業有什麽共同特點嗎？
葉蔭宇：都是頭部企業或者腰部以上企業，規模比較大。特點有三個，一是數據完備，沒有數據，這個事情是做不成的；二是意識完備，領導重視，也有專門的部門或者人力；三是體量大，意味着它有足夠資金投入，願意花錢做這個事情。
钛媒體：在應用智能化技術來幫助決策方面，您對國内企業的建議是什麽？
葉蔭宇：還是要一步步地走，像美國那樣，從一些比較确定的、可解釋的決策模型、決策算法，主要是運籌優化方面的來做起，做得更高了以後再看 AI。因爲美國也在嘗試 AI 怎麽用，現在也比較彷徨，主要是它不能保證一定的魯棒性，在一些像航空等對安全性要求很高的領域，要是出一點錯的話，都是不得了的，是要用傳統的工具。
钛媒體：剛才也談到了學術的起起伏伏，AI 在美國的确做了很多年的學術冷闆凳，它一直不是顯學，這幾年因爲各種原因，算力、數據等等，一下子就起來了。您怎麽看待美國這麽年學術的起起伏伏，而且現在也在談基礎創新，您覺得坐冷闆凳的能力是不是才是這種基礎創新最需要的東西？
葉蔭宇：我覺得 AI 最近的發展不能說是 AI 自己憑空而起，而是得益于其他學科的不斷發展，有很多綜合因素需要考量，比如很重要的兩點，一是硬件方面，計算機越來越快；另一個是算法的改進，比如大規模線性與非線性優化的算法不斷提升。
所以在這個意義上确實要耐得住寂寞，隻要有興趣你就去做，盡管當時不是在風口上，我覺得這也是好的。有時候搞研究不要追風，政策也不一定說因爲這個東西很火，就趕緊把資源都放到那個地方去。各個學科像是一個網一樣，不均衡發展的話，還是會被拖後腿。（本文首發钛媒體 APP，作者｜韓敬娴）
更多精彩内容，關注钛媒體微信号（ID：taimeiti），或者下載钛媒體 App
