斯坦福大学讲座教授、冯·诺依曼理论奖获得者：叶寅宇
▎ChatGPT包罗万象，更像是全科医生，而运筹学和求解器就像是专科医生。
作者丨韩景贤
本文首发于钛媒体APP
国际市场动荡、供应链剧烈波动、芯片短缺、碳排放限制……百年变局叠加百年疫情，大环境的冲击层层传导至企业生产。 当这些限制突然出现时，整个企业的生产经营该如何应对？ 如何在限制条件下最大限度地利用产能实现生产？
这时，单纯依靠经验来做出“拍脑袋”的决定显然已经行不通了，因为人工经验总是建立在过去发生过的事情的基础上，没有办法快速应对不断出现的新问题，也不能准确地优化高度复杂和随机的大型系统。
虽然工业数字化过程中方式方法不断升级，但传统的数字系统要么协同性不够，要么精度差，计算和决策效率低，一旦遇到变化就非常脆弱，更何况当他们遇到变化时，他们非常脆弱。 在突发变化下快速制定优化方案并不能真正发挥数据价值的最大化，而这类问题正是智能决策技术擅长解决的。
从需求的波动、生产场景的紧急订单，到疫情、国际局势等黑天鹅事件，智能决策就是在大量约束条件下快速找到最优方案，实现资源利用最大化。 利益最大化。 例如，最大化订单履行率、最小化库存成本或最小化运输成本等。
随着数字化转型进入深水区、外部经济增速放缓，对于企业来说，如果跟不上转型的步伐，面临的将不再是赚钱的问题，而是生死存亡的问题。 越来越多的企业渴望引入智能决策，直观地发现、分析和预警数据中隐藏的问题，及时应对业务风险，向最优决策靠拢。
顶着压力逐渐建立了智能决策的共识，但实际路径比想象的困难和复杂得多。
技术有很高的期望，但技术也有能力边界。 随着ChatGPT的流行，很多人开始想象AI技术能够在复杂的工业决策场景中发挥越来越重要的作用。
自20世纪80年代以来，叶银玉教授一直专注于运筹学和优化领域的研究。 2009年获得美国运筹学与管理学会最高奖项冯诺依曼理论奖，是首位获此殊荣的中国学者。 在他看来，精确的数学建模仍然是主流方法。 运筹学因其可解释性和可控性而诞生，是为了解决问题。 “有些企业管理者会特别注重决策结果的可解释性。 特别是在工业应用中，有些是多目标的，并且不只有一个目标函数。 必须权衡各种因素，权衡不同的利益，所以完全依靠黑匣子是有问题的。”
然而，技术的使用并不是一个“非黑即白”的选择题。 数字化业务决策通常涉及建模、求解和决策的多个过程。 人工智能的优势在于量化、需求管理和规律性分析。 决策需要平衡和优化一些高度复杂的优化模型和相互制约的运筹模型。 一味地追求单一技术的“通用性”并不是最好的办法。 “人工智能不会完全取代优化算法。” 将运筹学和人工智能深度融合，取长补短，更加切合实际。
与短期快速的To C公司相比，To B公司接受的是更长的链条、更多的维度的考验。 除了技术之外，要解决的问题和场景也更加复杂。 一方面，我们既要深入行业，又要避免陷入劳动密集型定制的陷阱。 另一方面，业务决策、生产计划、资源调度等的答案都掌握在行业Know-How手中。
技术与实践接触的地方不是一个接触点，而是多方面的接触体。 要向内招募行业专家，总结不同行业的底层逻辑，平衡服务边界和服务成本，向外坐在一起了解具体需求，扎根服务能力。
面对摆在企业面前的技术“自我证明价值”的问题软件 鲁棒性，需要获得“真金白银”的量化指标：库存节省了多少钱、订单履行率提高了多少个百分点，产能利用率有所提高。 减少了多少、减少了多少产能浪费，合理利用了多少碳排放指标……
从这一切不难看出，智能决策技术落地的背后不再是一个大的方向性问题，而是实践过程中的十个、数百个、数千个小问题。 此时此刻，只有脚踏实地的努力，才是真正有效的。
去年下半年，叶银玉教授开始了为期六年的学术假期。 这次他在中国的大部分时间都在拜访企业，在智能决策公司杉树科技指导算法研究，并在大学任教。 借此机会，钛媒体APP与叶银宇教授聊了运营优化的应用发展与趋势、人工智能的影响与融合等话题。 我们希望用他多年的学术研究视角，从更理性的角度看待当前的热点话题和问题。 实际问题。
从AlphaGo到ChatGPT，深度是解决优化问题
钛媒体：您关注过目前流行的ChatGPT吗？
叶银宇：在我看来，ChatGPT在应用场景上仍然是一种来回的形式。 有人称之为“游戏”，有人称之为互动。 之前AlphaGo的场景是下围棋，这也是一个你我来回的博弈过程。 事实上，严格来说，针对这种场景的过程在运筹学中早已被建模，比如常见的“马尔可夫决策过程”，它描述了在不同情况下如何采取最优的做法。 行动。
最近，另一个带生成的马尔可夫决策过程（Generative Markov Decision）已经发布。 生成有两个含义。 意义之一就是更多的案例、更多的语言。 在 ChatGPT 中，这意味着会出现更多文本。 可搜索的动作可以不断创造新的答案和新的答案。 ChatGPT将大型语言模型和强化学习有机地结合在一起，使我们能够有效评估语言模型的输出质量。 这样的奖惩反馈机制可以让ChatGPT不断改进，创作出更好的文章。 本质上，强化学习也是一个基于马尔可夫决策过程的多阶段复杂优化问题。 它融合了机器学习和马尔可夫决策过程，自动学习马尔可夫决策过程中的奖励函数和状态转移过程。
钛媒体：也就是说，无论是AlphaGo还是ChatGPT，最终都可以追溯到解决优化问题。
叶银宇：所有这些模型都需要先搭建一个框架，有多少层、有多少功能源、什么架构等等，最后搭建起来。 AlphaGo和ChatGPT在某种程度上可以看作是数据、计算能力和算法在工程上的完美结合和实践。 在这个过程中，每一个环节都扮演着极其重要的角色。 毫无疑问，算法是其最核心、最重要的部分。
钛媒体：我之前看过您的一个演讲，您提到您在选择专业的时候，在人工智能和运筹学之间做了一些权衡，然后选择了运筹学。
叶银宇：是的，1982年我去美国的时候，人工智能也很流行。 当时我还参与了一个项目，叫“构建一个专家系统”（Experts System），就是构建一个好的方法，希望把所有专家的东西结合起来。 将它们整合在一起，形成统一的答案和统一的意见。
但当时有两个瓶颈。 首先是数据量不大。 那时候还没有网络，大家只能在报纸上搜集东西，速度太慢了。 没有大量数据来训练专家系统； 第二个是即使数据很大，之后如果计算能力跟不上，就不可能训练好模型。
后来转行从事运筹学，研究算法。 从某种意义上来说，是因为当时那个方向遇到了瓶颈，所以我转向了底层算法的构建和设计。
不要盲目使用AI，而是将其与优化算法相结合
钛媒体：我们和一些正在做大规模模型研究的人进行了交流。 他们表示，许多算法过去随着参数和数据的增加，曲线会变得平坦。 但是现在在大规模的模型下，只要往里面注入更多的数据，随着更多的参数加入，曲线仍然增长得非常陡。 所以我也想听听你的意见。 未来人工智能将对运筹学的理论和实践产生哪些影响？
叶银宇：运筹学和ChatGPT能做的事情还是有一些区别的。 ChatGPT 包罗万象，可以为您的任何问题提供看似合理的答案。 但它肯定无法解决非常专业的问题，比如超大规模复杂系统的快速解决。 而且，ChatGPT目前很难独立进行数学建模，例如准确收集相关数据、分析约束、自动建模大规模复杂问题。 比如，从某种程度上来说，他更像是一名全科医生。 他能治疗各种疾病，而且有些问题他也能治疗得很好。 运筹学和求解者就像专家一样，在一些特别复杂的专业问题上会有更高的造诣。
运筹学有时也有类似的做法，比如穷举法。 比如说有一个优化问题，现在计算能力这么高这么强大，找到所有的解，然后找到最好的一个。 但这样会更加暴力。
目前像ChatGPT，毕竟还有时间让它训练。 哪怕训练一个月，也等得起，哪怕下一代GPT发布了。 但有些实际问题却不能等。 例如，山数科技解决了南方电网现货市场的调度问题。 调度过程中情况变化太快。 理想的状态是每秒都可以重新计算一次。 ，我们称之为在线优化。 美国电力盘中市场的计算间隔为5分钟，但国内盘中市场更为复杂。 当前计算间隔为十五分钟，计算下一小时的机组调度问题（粒度为五分钟）。 时间粒度的细化大大增加了调度模型的复杂度，同时要求算法的求解能力也需要提高。
而且，从人类追求的角度来看，暴力的方法总是过于粗暴。 当前方法的可解释性确实是一个大问题。 本来，AI就是为了让算法更加精密，节省成本，用最少的时间，用最少的时间。 更多的案例可以做，这也是为什么当时美国对算法情有独钟的原因。
另外，我不认为AI完全依赖暴力。 AI的底层设计一定有方法。 不然为什么国内一些类似的产品无法训练呢？ 否则，也可以以暴力取胜。 所以从这一点来看，ChatGPT绝对不是简单的暴力破解方法。 一定有更好的技术软件 鲁棒性，比如在底层设计中使用最好的优化算法。 事实上，中国要想迎头赶上，不仅要拥有更全面的模型、架构和数据，还要让算法设计和底层训练更加精细和有效。
钛媒体：基于大模型的人工智能实际上是一个算法黑匣子，很难追溯其内在逻辑。 整个求解器模型是否存在这样的黑箱问题？
叶银宇：优化确实存在黑箱问题。 例如有一类问题我们连建模函数的形式都没有，所以我们需要使用优化的零阶方法（零阶算法）来解决它。 此类问题的应用场景越来越多。 例如，在石油工业的钻井问题中，由于我们看不到石油在下面分布在哪里，所以根本没有表达在哪里钻井、在哪里注水。 我们只能观察结果，只能观察输入和输出。 （输出）。
另一个例子是工业。 当我们在做优化的时候，钢铁行业突然出现了碳排放。 如何将这个环境因素表达成解析表达式并纳入优化目标呢？ 另外还有一些社会问题、政策场景，甚至还有直播。 这个模型有解析公式吗？ 有公式吗？ 应该优化什么？ 只有做这件事才能获得。 如果是a，就会有这个结果，如果是b，就会有那个结果。 从某种意义上说，这些都是黑盒优化问题。
过去，我们认为要使用优化求解器，就必须有所谓特定的目标函数，并且目标必须有一定的表达式，约束条件也必须用数学公式来表达。 现在我们要突破这个圈子，那就是对付黑匣子。 另外，黑箱问题背后还是有规律的，有好坏之分。 虽然数学性质可能不好，甚至导数不存在，但只要能对两个事物进行比较，看看哪个更好，哪个更差，就可以做到优化。
钛媒体：黑匣子会导致决策失控并带来风险吗？
叶银宇：模型虽然是黑盒模型，但是解决方案必须是可解释的。 这是我认为最重要的问题。 并且，能够控制它。
我们现在特别强调问题的稳健性。 黑盒模型的决策必须是稳健的，不能任意妄为。 通过这样的结果，可以保证风险可控。 我个人认为，这需要决策模型之间进行调整，增加鲁棒性，增加风险函数，这样即使是黑匣子，仍然可以保证。
钛媒体：ChatGPT出来后，有人预测AI很快就会拥有自主意识。
叶银宇：我不认为用ChatGPT来做决策会导致失控。 应该还是可控的。 最终，人工智能的脖子上拴着一根绳子，它会按照你的引导而行动。 包括黑匣子之类的东西，你也可以调整参数，让它的答案是可控的，而不是无法解释的。
我现在担心的还有一点，那就是如果我们的社会普遍使用这种ChatGPT的话，会带来简化的风险。 如果大家都用这个来做功课，ChatGPT将是唯一的标准，这个社会也不会那么丰富多彩。 真正成为一个开放的社会，还是需要多元化，还需要有一些个性化，不同的声音，不同的创新。
钛媒体：你提到的这个问题也让我有些担心。 如果现在大家都用AI的话，那就有点像过去高频交易的情况了。 它们都使用相同的算法，会在某一瞬间形成刺激性的振荡，这会变得非常可怕。 。
叶隐语：是的，在某些特定的情况下，可能是这样的，但是对于一个社会来说，我们不希望每个人都有同样的面孔和声音。 所以从这个意义上来说，我认为这是另一种风险。
另外我认为AI不能完全取代优化算法。 优化算法还是有一定的规则和机制的，一些企业高管如果融入他们的想法就能理解。 如今，一些企业高管仍然觉得人工智能不值得信任。 他们怎么会提出质疑呢？ 下次出来的时候会不会不一样？ 或者如果它出来了，为什么这个比那个更好？ 特别是在工业应用中，有些事物是多目标的，并不只有一个目标函数。 必须权衡各种因素，权衡不同的利益，所以完全依赖黑匣子还是有问题的。
求解器应向多元化发展
钛媒体：您在早期的演讲中提到了行业定制的人工智能。 在您看来，行业定制AI的落地难度有多大？ 瓶颈在哪里？
叶银宇：我和葛东东、王子卓（都是杉树科技的联合创始人）也提到，我们一定要打造一个定制化的求解器。 当我们从事运筹学的时候，我们总是希望一种算法能够解决所有的问题。 后来我们发现追求一种算法解决所有问题是一个好主意，但是我们忽略了很多问题本身都有自己的特点和特点。 我们要根据问题的特点选择不同的方法。 有时我们使用内点法，有时我们使用单纯形法，有时我们使用本原法，有时我们使用对偶法......
最近，我们一直在做这个实验，以根据不同的问题（也是通过机器学习）找到该功能的最佳工具。 我们称之为 ML To Optimize（机器学习驱动的优化方法）。
过去，我们在学术上认为针对具体问题的算法设计是不好的，但如果你仔细思考如何解决问题，即使你用不同的武术来对付不同的敌人，这在某种意义上是有道理的。 这就是定制。 化问题，通过这个优化，你可以看到，通过采取不同的方法，速度可以提高十倍、一百倍。
钛媒体：您认为这个行业的特点是如何体现的？ 比如未来的智能决策中，行业知识将如何体现？
叶银宇：行业的Know-how一定要和领域知识结合起来。 现在我感觉国内的人才培养存在问题。 搞算法的和搞业务的是分开的。 从教育角度来说，我们需要培养这样懂算法的人，但不一定要非常老练，但也对业务非常熟悉。 这个桥梁作用非常重要。
另外，我觉得我们这些开发求解器和算法的人也需要主动走出去，了解某个行业及其痛点。 作为最底层的软件，求解器需要大量的封装和大量的系统。 很多软件可以提高其应用效率。
钛媒体：在定制方面，您如何平衡输入和输出以及未来的规模问题？
叶银宇：比如做财务决策的FICO Xpress（美国分析软件公司）以优化为核心部分，然后在核心之上构建更多层应用。 即使它只用于金融行业，这也会非常有用。 已经有了足够多的用户，因此更容易吸引客户，更容易销售，市场价值也更高。
钛媒体：以前求解器比较小众，现在华为、阿里巴巴等大厂都参与其中。
叶银玉：如果只有解算器的话，量是很小的。 这水平太低了。 如果大量投入的话，我认为会浪费一些资源。 你不能做太多事情。 大约三到五家公司就足够了。 做得太多了。 这将是恶性竞争。
你可以做到，但你不必成为解决者。 例如，您可以专注于能源、供应链或通信。 这就是我刚才提到的个性化。 我们最缺的就是这种东西。
在美国，主要有三种求解器：Fico、Gurobi 和 IBM Cplex。 尽管谷歌也有一些人致力于求解器，但它在大规模线性规划方面做得相当不错。 但他们更注重研究这个东西如何能够加速DeepMind或者一些底层的东西。 微软的部门直接叫量子计算，他们一直和我保持着沟通，他们更加重视量子计算和其他业务相关的算法。
钛媒体：优化算法技术有很多成熟的应用场景，比如金融、供应链、物流等，近年来发现了哪些新的应用场景？比如前面提到的能源品类
叶银宇：能源并不是一个新的应用场景。 很多年前，南方电网、国家电网就拥有庞大的运筹团队，专门从事优化工作，能力也不错。
但如何连接新能源是一个新问题。 比如如何将一些新能源更安全地融入到供电系统中。 比如如何考虑风能、光能的随机性，电动汽车充电桩如何布局等。
此外，优化应用于医疗的各个方面，包括癌症治疗决策、医疗资源规划等。另外一个是自动驾驶，这几年相当流行。 它还用到了很多优化问题，这就是最优控制问题。
钛媒体：国内外运筹学和优化的应用场景有什么区别吗？
叶银玉：从发展趋势来看，其实没有太大区别。 如果决策环境的规则比较多，如果规则比较明确，标准比较统一的话，运筹学和优化会更好用。
但我个人认为运筹优化在中国有更好的发展空间。 刚才我也说了，自动驾驶能不能上路，在美国可能十年都做不到，但在我们国家可能很快。 可以达成共识，运营优化也是如此。
但也必须给予国内企业更多的自由空间和环境，不能束缚他们的手脚，这样才能更有信心。
钛媒体：目前优化算法和求解器产品的实现仍然需要极高的智力资源投入，这也限制了该技术在行业的渗透率。 您认为这个问题的答案是什么？
叶银玉：这个发展和渗透需要环境和生态结构慢慢培育。 人们也在关注我们目前所做的事情能否取得成功。
钛媒体：这些应用公司有哪些共同特点？
叶银玉：都是头部公司或者腰部以上的公司，规模都比较大。 有以下三个特点。 首先，资料齐全。 没有数据，这件事就做不成； 二是意识齐全，领导重视，有专门的部门或人力； 第三，规模大，就是有足够的资金去投资，愿意花钱。 金钱可以做到这一点。
钛媒体：您对国内企业应用智能技术辅助决策有何建议？
叶银宇：我们还是需要一步步走，像美国一样，先从一些相对确定、可解释的决策模型和算法开始，主要是运筹学和优化，到了更高层次之后再看AI 。 因为美国也在尝试使用AI，所以现在很犹豫。 主要原因是无法保证一定程度的鲁棒性。 在航空等一些安全要求较高的领域，一旦出现问题，后果将十分严重。 ，就是用传统的工具。
钛媒体：我刚才讲了学术的酸甜苦辣。 多年来，人工智能在美国确实一直处于学术边缘。 它从来都不是一个突出的主题。 近年来，由于各种原因，包括计算能力、数据等，它突然起飞了。 。 您如何看待这些年美国学术界的起起落落，现在也开始谈基础创新？ 您认为坐冷板凳的能力是这种基础创新最需要的吗？
叶银宇：我认为人工智能最近的发展不能说是人工智能本身造成的，而是得益于其他学科的不断发展。 需要考虑的综合因素有很多，比如有两点非常重要。 首先，在硬件方面，计算机变得越来越复杂。 越快； 二是算法的改进，比如大规模线性和非线性优化算法的不断改进。
所以从这个意义上来说，你确实要能耐得住孤独。 只要你有兴趣，你就可以做到。 虽然当时没有引起人们的注意，但我认为这也很好。 有时在做研究时，不要追逐趋势。 政策不一定说因为这个东西很受欢迎，你就应该赶紧把你所有的资源都放在那里。 每个学科就像一个网络。 如果发展不平衡，仍然会被拖延。
*温馨提示：喜欢钛媒体公众号的朋友请关注！根据公众号推送新规则，请将钛媒体设为“明星”，以便您能第一时间收到推送消息。 已经设置过的朋友需要重新设置“星星”。
-----------华丽的分割线----------
下载钛媒体应用程序，领先一步，更深入一步。
下载【钛媒体App】，领先一步，更进一步。
万水千山总有爱，点这里看看可以吗
