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，是杉數科技（創辦于2016年7月，曾獲真格基金、北極光創投的天使投資）的首席科學顧問，同時也是美國運籌與辦理學會最高獎——馮·諾依曼理論獎迄今唯一華人獲得者。

“AI 大師圓桌系列”是鈦媒體聯合杉數科技舉辦的深度 AI 系列論壇，也是鈦媒體大師圓桌會的重要組成部分（點擊報名圓桌會系列活動）。在大數據初創公司杉數科技的支持下，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 對產業的顛覆性影響。

在人工智能的商業應用中，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年代初發展起來的一門新興學科，其主要目的是在決策時為辦理人員提供科學依據，是實現有效辦理、正確決策和現代化辦理的重要方法之一。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“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成分的關系。無論是物流倉儲，還是風險保障，運籌學都在其中飾演著重要的角色。

事實上，運籌學中“優化”這一概念對于機器學習自己也是適用的——好比說算法方面。隨著計算能力的提升和大數據時代的來臨，利用算法提高機器學習的能力成為了目前業界的焦點之一。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在人工智能的商業應用中遇到的問題：過于重視機器人自己的能力，而在通盤調配和統籌如何優化上依然是弱項。

點擊圖片進入上海站、深圳站活動報名地址

以下為葉蔭宇在鈦媒體聯合杉樹科技舉辦的“AI 大師圓桌會”上的演講實錄：

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，但是阿誰時候很多年輕人不知道什么是AI，阿誰時期也沒有很多的數據，有些（結論）就總結不出來，AI 就慢慢的沒落下去了。我個人比較喜歡數學，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，并且是必然要找到最優的方案。

Nothing at all takes place in the Universe in which some rule of maximum or minimum does not appear. ——數學家歐拉

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，到了極值。

運籌學的起源，是一部分數學統計阿誰時候還沒有計算機，數學怎么能接地氣，怎么落到實地，怎么真正起到應用的對人們生活產生一些影響，這樣的數學家們就開始尋求這樣的方案。也有一些緊迫感，在二次大戰的時候，如何研究盟軍配置，還包孕一些博弈問題。

標識表記標幟性的結果就是 1947 年 George Dantzig 提出線性優化的單純形法，為優化中最經典的算法。其實美國早在 20 世紀就提出來了，但是阿誰時候沒有算法，阿誰時候也不需要算法。因為阿誰時候沒有計算機，把最優解選出來很慢，能不能有數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，雖然他本身因為搞數學，沒有得諾貝爾獎。

后來運用到經濟發展中，運籌學得到很大的發展。特別是之后計算機的高速發展，以前可能需要 1 個小時解出來的，現在不到 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，很多都需要依靠優化。

整體而言，所謂“優化”就是——量化我們的很多決策。

滿足必然的約束條件下，使某一個函數最大，這就是優化問題。量化一件事物，就需要建模。一般優化過程就是從建模到求解，然后再到決策，最后我們需要一套算法來求解。