「人工智能會提供偏早期的功能，比如從資料到規律。在規律之後，從規律到決策是運籌學的範疇。」
在斯坦福運籌學博士、杉數科技聯合創始人兼 CTO 王子卓看來，人工智能和運籌學都能通過資料幫助人們解決實際問題。但與人工智能專注于預測、識别等功能的準确性相比，運籌學更在意的是給出商業、金融等場景下完整的解決方案，解決具體的行業問題。
杉數将自己定義為在資料科學和運籌學之間的資料化決策公司
在供應鍊、物流、車輛調配等具體應用場景中，人工智能技術正在與運籌學等學科共同協作。或許以資料化決策公司杉數科技為例，可以一窺兩者的相似與不同。
以 TSP 問題為例，了解運籌學的決策方式
在 Wikipedia 中，對運籌學的解釋是「一門應用數學學科，利用統計學和數學模型等方法，尋找複雜問題中的最佳或近似最佳的解答」。具體來說，運籌學是一門研究怎樣處理事情更有效的學科（是以達成「優化」或「最優化」常常是運籌學的目标），關注的往往是當今社會經濟發展的熱點，如航空公司的定價、超售問題，物流中的排程問題，共享經濟中的資源調配問題等等。
但凡涉及「決策」，就會有運籌學的用武之處。起源于第二次世界大戰的運籌學，是因英美兩國為有效配置資源，召集科學家研究軍事作業規劃而誕生。團隊的研究成果幫助盟軍打赢「不列颠空戰」、「北大西洋戰争」、「太平洋島嶼戰争」，戰後研究成果轉移為和平用途。如今，從管理、金融、計算機、軍事到日常生活的具體問題，運籌學都能給出可實施的解決方案。
想要更形象的了解運籌學，旅行推銷員問題（Travelling salesman problem, TSP）是個不錯的例子。作為運籌學經典模型之一，它描述的是「給定一系列城市和每對城市之間的距離，求解通路每一座城市一次并回到起始城市的最短回路」。
1930 年，TSP 問題被首次形式化，成為最優化中研究最深入的問題，許多優化方法都以此為基準
運籌學的解決方法，是先将 TSP 問題用數學形式寫出，即構模組化型；第二步則是通過模型算出哪個線路可以達成預定目标，如優化時間、周遊所有城市等等，即算法。在現實生活中，TSP 問題往往有很多附加條件，比如必須在某時間視窗前往某城市，或者必須先前往 A 城市才能去 B 城市等等，這些限制條件同樣需要反應在建構的模型中。
「對于現實中的項目，需要根據實際業務場景需求提出的合适模型，這些模型往往是在經典模型上作修改。怎麼修改模型會最有效、能求解，正是決策學背景的用武之處。」
設計食品攤點網絡同樣是運籌學适用場景之一，杉數的成員曾幫助美國著名橄榄球隊 49 人隊的主場球館 Levis Stadium 設計最優的食物快送攤點網絡, 解決食品攤點位置的部署、送貨員的數量和安排等問題
除了 TSP，運籌學還有不少适用于不同情況和場景的模型，如多目标規劃模型、整數規劃模型、存儲模型、排隊模型等等。這些模型對應着商品定價、電網的布局和配置設定、空鐵的時刻表安排、信用卡額度評估、業務轉化率提升等等重要的實際應用。
電商、金融、供應鍊，杉數的「三大首選行業」
在上世紀 90 年代，人們認為用運籌學解決問題最為耗時的部分，是收集資料和建立模型。如今資料量大幅提升，不僅收集資料不再是困擾，更是運籌學能在近幾年快速發展的原因之一。
「運籌學在一些經典場景下有比較成熟的模型，但現實是不斷有新情況産生。比如同樣是路徑優化問題，由于共享經濟産生了拼車等一系列新的業務點，就不再是完全的經典模型。新的決策、新的限制要加入其中，對模型的修改也是核心難點。決策學的背景能夠幫助解決怎麼建立模型、怎麼滿足業務需求和怎麼求解。從項目角度看，這的确是需要花時間的過程。
目前，杉數科技主要涉及三種決策支援服務：收益管理、風險管理、供應鍊管理。收益管理主要應用在電商、金融領域，通過交易資料、行為資料、競争資料等多元度資料找到不同場景下最優定價和銷售政策，在不增加流量投入的前提下提升銷售收入；風險管理是針對金融等行業客戶，提供從精準營銷、征信、高危交易識别到不良資産處置的完整服務；供應鍊管理則包括訂單、庫存、倉庫、貨運、配送等各個環節提供優化方案，在提升供應鍊的響應速度和柔性的同時，幫助企業控制成本。
圖為收益管理中促銷管理的解決方案之一，尋找決策是一個複雜又系統的過程
2015 年底，杉數科技的前身「内點科技」成立，便開始市場探索。到 2016 年 7 月正式成立，再到如今，杉數的客戶從電商巨頭、網約車平台到金融平台、銀行等等均有涉及。
對于為什麼選擇電商、金融和供應鍊作為首先進入的行業，杉數有自己的考慮。第一是行業應用背景廣泛，有足夠大的市場空間；第二是有優勢和積累的行業，在過往的工作中接觸較多、經驗豐富。這三個行業剛好應用廣泛，同時團隊成員都有相關積累——波音公司的貨運路線規劃、美國運通卡的反欺詐、IBM 解決方案報價系統、AOL 廣告投放優化等案例中都有團隊成員的身影。
不過短短一年多時間，杉數是如何進入這些「大行業」的？在 CTO 王子卓看來，搞定這些大客戶似乎并沒有多困難，「我們接觸這些企業時，他們之前可能對運籌學接觸很少、不夠了解，但隻要一說我們在做的、适用的場景和模型，就會發現都是他們想要的東西。」
目前杉數以為「大公司」提供決策解決方案為主，但「接項目」并不會是他們的最終模式。「我們希望對行業加深了解後，以标準化的方式服務行業，希望能将提煉出來的東西産品化、軟體化、SaaS 平台化，能讓更多人使用。」
運籌學與人工智能的交彙
與人工智能學科的發展軌迹相似，運籌學也曾在 50、60 年代經曆過熱戀期，随後墜入冷淡。直到近 10 年來，新行業的産生和資料的發展，為運籌學的重新崛起帶來不少積極影響。
專家系統曾是運籌學與人工智能的交彙點之一，如今兩者的交彙更多表現在不同次元的互相支撐。回到最初的 TSP 問題，現實生活中人們往往會面對大量不确定性，如路程時間的不同、是否堵車等，機器學習強大的預測功能會在這些部分發揮作用，在其他模型中也同樣如此。運籌學的優化思想則為神經網絡、圖像分割等提供啟迪。
從應用上看，定價系統、推薦系統、風控系統都有人工智能和運籌學的身影。那與深度神經網絡這類難以解釋的模型相比，運籌學模型的可解釋性會更好嗎？「從運籌學的角度看，解釋性展現在決策能帶來的變化，走這條路要花一個小時，其他的路需要 1 小時 10 分鐘，決策本身就是可以解釋的。」運籌學本身沒有解釋性這個概念，因為它所提供的是不同決策對目标的影響。
在為企業提供決策支撐的同時，杉數還在進行機器學習優化引擎的開發。與 H2o.ai 類似，這款優化引擎可供各類機器學習方案調用，提升學習效率。目前，杉數已經完成回歸類分析、分類及變種問題上的算法開發，仍在開發更多場景、優化并行效率，預計将在今年 7 月正式釋出。
「這本質上還是優化問題，機器學習領域的人重點大多放在什麼模型比較好，往往忽視了模型建立之後怎麼找到最好參數的過程。小的問題運算速度無所謂，大的問題效率就變得很重要，我們團隊的背景正是專門研究優化算法效率的。」
資料化決策的三個關鍵杠杆
目前杉數團隊共有 40 人左右，包括科學家、算法工程師、IT 工程師等等。與大部分創業團隊不同，杉數擁有龐大的科學家團隊。無論在優化算法、資料還是金融，杉數都有斯坦福大學、哈佛大學、布朗大學等教育背景的科學家作為支撐。
杉數的創始團隊均為斯坦福博士，其中首席科學家葛冬冬目前任上海财經大學交叉科學研究院院長，CTO 王子卓 24 歲即博士畢業，兩人均為斯坦福大學終身講席教授葉蔭宇的學生。葉蔭宇教授是國際最知名的運籌學專家之一，曾獲運籌管理學領域最高獎馮·諾依曼理論獎，也是目前唯一一位華人得主。
「他研究了一輩子運籌學，但歸根到底（運籌學的）意義要發揮到實際中去。」老師希望有一家公司能将運籌學推向社會，作為學生的葛冬冬和王子卓以此為前提考慮創業，于是便有了杉數科技。
「這個學科在中國的發展水準還是相對落後，主要原因在于缺乏工業界的應用。一門學科的發展很大程度上取決于社會發展的需要，如果很多公司都需要這個學科 ，它肯定會發展得不錯，是以我們希望以此推動整個領域的發展。」
據悉，2016 年 8 月，杉數科技已獲得由真格基金及北極光創投聯合投資的 210 萬美元天使輪融資。
在今年的機器之心 GMIS 2017 全球機器智能峰會上，杉數科技首席科學家、上海财經大學交叉科學研究院院長葛冬冬将莅臨現場，分享他關于運籌學與人工智能的思考。杉數科技 CTO 王子卓将參與「探索人工智能的應用場景和商業化」 圓桌論壇，與衆多工業界嘉賓一同探讨人工智能産品與應用的新方向。
同時本次大會還邀請到 UC Berkeley 計算機科學教授 Stuart Russell、LSTM 之父 Jürgen Schmidhuber 等衆多重量級嘉賓。
2017 全球機器智能峰會（GMIS 2017）是由機器之心主辦的關注全球人工智能及相關領域的行業盛會，将于 5 月 27 日至 28 日在北京 898 創新空間舉行。
有關 GMIS 2017 大會的更多亮點，我們接下來将持續為大家展現。在機器智能時代，機器之心誠邀人工智能從業者及愛好者參會。擷取大會詳情及購票資訊，請點選「閱讀原文」檢視大會官網。