當我們在讨論 AI 使能千行百業的時候，這意味着什麼？
在生産線上，我們看到越來越多的工廠已經裝上了缺陷檢測系統、裝置監控系統、智能分揀系統…… 甚至在生産前階段，我們也看到了智能設計系統、原料配比系統…… 毋庸置疑，AI 已經為這些場景帶來了生産效能的提升。
與此同時，AI 的落地還面臨着多方面考驗，比如全局協同和資源利用最大化問題如何解決，碎片化、定制化、作坊式的開發模式如何走向規模化等。
在 9 月 23 日召開的華為全聯接 2021 上，華為雲提出了更加豐富、強大的解決方案，釋出了「天籌」AI 求解器、華為雲盤古藥物分子大模型等 AI 服務。
華為進階副總裁、華為雲 CEO、消費者雲服務總裁張平安表示，「天籌」AI 求解器是一款結合了傳統運籌學技術和前沿 AI 技術的商用求解器，突破了業界運籌優化極限，在全球權威的 Hans Mittelmann 線性規劃單純形求解器榜單中斬獲第一。而華為雲盤古藥物分子大模型則實作了全流程的 AI 輔助藥物設計，可以将先導藥的研發周期從數年縮短到一個月。
這些 AI 能力都将通過華為雲開放給相關行業的從業者，提高生産效能。
那麼，華為雲為什麼要開發 AI 求解器？「天籌」AI 求解器和傳統求解器有何不同？華為雲盤古藥物分子大模型具體用來做什麼？華為進階副總裁、華為雲 CEO、消費者雲服務總裁張平安以及華為雲 EI 服務産品部總經理賈永利為我們解答了這些疑問。
為什麼要開發 AI 求解器？
「某工廠有數千種零件、上萬名勞工、數百個廠房，疫情期間訂單暴漲，如何安排這些資源才能消化更多的訂單？」
「某大型機場，每天有上千個航班降落，在廊橋機位與遠機位的比例為 1:3 的情況下，如何讓更多的航班停靠在廊橋？」
對于制造、零售、物流等行業的從業者來說，這種問題想必非常眼熟。他們每天都要做出類似的決策，最終目的都是實作最優的資源配置。
如果場景比較簡單，變量和限制條件都比較少，企業可以用手工方式解決大部分問題（比如用 Excel 排期）。但随着業務規模的擴大，這類優化問題的複雜度會越來越高，變量和限制條件可能增至百萬、千萬級。這時候，要想實作資源的最優配置就沒那麼容易了，即使采用簡單的啟發式或機器學習方法可能找到的也隻是次優解。
對此，張平安表示：「數字化給企業帶來的好處之一，就是讓企業可以把大部分複雜的商業、營運的問題抽象成數學問題，通過全域的數字化感覺、多域系統資料連通，獲得影響複雜商業問題的各種變量和限制，在企業全局和局部求方程的最優解。比如通常熟知的運輸、物流行業的裝箱問題，城市交通、路徑規劃和生産排産問題，就可以轉換成為對一個萬級、百萬級、千萬級變量的方程組的求解。解決複雜的數學優化問題，就要引入一項根技術：求解器。」
華為進階副總裁、華為雲 CEO、消費者雲服務總裁張平安釋出天籌 AI 求解器
當然，很多人知道，求解器是用來求解數學規劃問題的軟體。它就像一個電腦：你把問題以數學形式輸入進去，它就可以幫你計算出結果。從理論上來講，它能處理上千萬甚至上億變量的數學模型，優化産業鍊和供應鍊，給複雜場景決策問題一個最優解或近似最優解。
但知道是一回事，用不用是另外一回事。為什麼不用？因為門檻對很多企業來說太高了。「不要說一般 IT 工程師了，可能連學運籌學的人都要經過教育訓練才能會用。」賈永利談到。
由于求解器的技術壁壘高、研發難度大，長期以來，高性能商用求解器的核心技術始終是由歐美企業主導的。
通常來講，求解器的應用分為兩個步驟：一是模組化：将問題通過數學形式準确有效地表達，就像給應用題建立方程組；二是求解：把資料和數學模型輸入求解器，讓求解器自動把最終結果算出來，獲得一定範圍内的最優解以支撐決策。賈永利舉例說，「比如一個供應鍊的路徑規劃問題看似就是中心倉和周邊倉庫的多種組合問題，但如何把這個問題翻譯成求解器能了解的數學問題并不簡單。」
開發和使用門檻高，那多招一些研究運籌學或求解器的專業人才不就好了嗎？但現實情況是：沒有那麼好招。賈永利說，「求解器對數學基礎和工程能力的要求都比較高，且其核心技術都把持在各商用求解器廠商手中，研究者很難給出在通用問題上超越商用求解器的算法或政策，是以做這方面研究的人很少。」
也就是說，對于大部分企業來說，求解器就像那個伫立在東海的「定海神針」：東西是公認的好東西，但沒有幾個企業有孫悟空這種專業人才來駕馭。
在發現并深入研究了這一困境之後，華為雲發現，AI 可以幫忙解決這個問題，于是便有了「天籌」AI 求解器。
「天籌」AI 求解器有何獨特之處？
前面說到，「天籌」AI 求解器是将運籌學和 AI 相結合的商用求解器，那麼 AI 的作用展現在哪裡呢？
首先是上層套件的智能化。求解器隻能了解特定的輸入，但如何把具體問題轉換成這種輸入難住了一大批從業者。是以，「天籌」AI 求解器首先要做的就是充當一個「翻譯官」的角色，通過上層套件、工具的智能化來幫助使用者簡化求解器的使用過程，使得具體生産問題到求解器的映射變得更加簡單，降低求解器的使用門檻。
其次是求解過程的智能化。經典的求解器大多是基于數學經典算法的，但華為雲發現，求解的過程其實也可以加入人工智能，進而提高求解速度，這也是所謂的「AI」求解器的另一層含義。
華為雲主要從更好用和更智能角度來将 AI 和求解器結合：更好用是解決求解器在适應不同場景問題下的最佳參數和政策的配置問題，使得客戶不需要反複試驗不同的配置參數和政策；更智能是解決固定場景下結合曆史資料來優化求解器性能的問題，使得求解器不斷适應客戶場景和問題，求解效果越來越好。
在 AI 和運籌學發生碰撞之後，華為雲的「天籌」AI 求解器實作了多項突破：
- 突破了求解規模極限，支援億級規模問題的求解；
- 突破了求解速度的極限，利用分布式并行加速技術，速度最高可以提升 100 倍；
- 突破了模組化效率極限，從人工模組化到 AI 智能模組化，模組化效率最大可以提升 30 倍；
- 突破了求解效率極限，從人工調參到 AI 的自适應調優，效率最高可以提升 30%。
在全球權威的 Hans Mittelmann 線性規劃單純形求解器最新榜單中，華為雲天籌 AI 求解器斬獲第一，重新整理世界紀錄。
華為雲天籌 AI 求解器斬獲第一（
http://plato.asu.edu/ftp/lpsimp.html更新于 9 月 18 日）
目前，華為雲「天籌」AI 求解器已經在天津港等多個大型企業中得到應用，與金融、制造、供應鍊、交通物流等行業場景深度融合，并帶來巨大的經濟效益，例如供應鍊生産排産和供需模拟、生産配料、港口、交通管理、供暖等。
作為世界前十的港口，天津港的年集裝箱吞吐量接近兩千萬箱。為了實作更高的吞吐效率，天津港與華為雲合作開發了基于「天籌」AI 求解器的新一代港口智能計劃平台。該平台可以幫助天津港通盤考慮港口規劃中千萬級的限制條件和變量，完成整個港口計劃僅僅需要 10 分鐘，計劃速度最高提升 144 倍。
華為雲盤古藥物分子大模型有什麼用？
如果說全局協同和資源使用率最大化問題離不開 AI 求解器，那麼變革碎片化、定制化、作坊式的開發模式則離不開預訓練大模型。這些大模型具有極高的通用性，就像一個内功深厚的武林高手，隻需少量學習便能掌握新的技能。也就是說，在面對不同場景時，這些模型隻需要相對較少的新資料和調參便能實作複用，避免重複造輪子，進而加速 AI 在各個行業的大規模落地。在新藥研發領域，動辄十幾年的研發周期、十幾億美元的研發成本一直困擾着研究者。其實，大部分的時間和金錢都花在了試錯上：為了找到一種有效的藥物分子，研究者需要對各種不同的化合物以及化學物質進行測試。AI 模型的出現大大縮短了這一試錯過程，它可以在數字世界裡完成海量預測，篩選出一部分極具潛力的分子供研究者在實體世界進行實驗。
華為進階副總裁、華為雲 CEO、消費者雲服務總裁張平安釋出盤古藥物分子大模型
但是，這種 AI 模型的建構是非常有難度的。首先，AI 模型的訓練往往需要大量的資料，而資料往往又是制藥公司的核心資産，被視為商業機密，在不同機構之間基本不會共享；其次，藥物資料不同于圖檔和文本資料，如何用深度學習的方法對藥物資料進行模組化是目前學術界的熱點難題；這些門檻将有志于新藥研發的普通醫藥研究者拒之門外。
針對這一困境，華為雲和上海藥物所合作，研發了華為雲盤古藥物分子大模型，希望能革命性地提升新藥的研發效率。張平安表示，該大模型學習了 17 億個小分子的化學結構，對小分子化合物深度表征，可以高效生成藥物新分子，計算蛋白質靶點比對、預測新分子生物化學屬性，并對篩選後的先導藥進行定量優化，實作了全流程的 AI 輔助藥物設計，在 20 多項藥物研發任務（包括新分子生成、屬性預測、結構優化等）中達到業界頂級水準。
今年 4 月，華為雲釋出了盤古系列預訓練大模型，包括自然語言處理（NLP）大模型、計算機視覺（CV）大模型、多模态大模型和科學計算大模型。而華為雲盤古藥物分子大模型則是「盤古家族」的新成員。這一大模型依托于華為雲醫療智能體 EIHealth 平台，目前已經在西安交通大學第一附屬醫院等機構得到應用。借助這一模型，該院設計出了全新的廣譜抗菌藥物，将先導藥研發周期從數年縮短到一個月。
當然，除了新藥研發之外，盤古大模型在物流、金融等領域也已經取得了一些成果。
賈永利表示：「AI 發展到今天，部分行業、領域已經開始了從『可用』到『好用』的過渡。希望我們的求解器對使用者來說不隻是快，更重要的是要簡單，要易用，能真正讓行業把它用起來。華為雲将在 AI 技術上持續創新，結合衆多 AI 成功落地的經驗，推動行業知識與 AI 進行深度融合。」