上海财大教授何斯迈：当器官移植遇到匹配难题，可以用 AI 提高配对率

雷锋网消息，根据 Crunchbase 的数据，从今年开始截至到7月份，各类投资者在全球 AI 和机器学习公司上的投资金额已达36亿美元。而去年一整年这个数字才33亿美元。

 AI 已经不可避免地成为很多人眼中的风口。对于 AI 领域的参与者来说，也许当下需要严肃思考的是：究竟什么才是真正适合他们的 AI 细分方向？本次在杉数科技跟钛媒体联合举办的第三期 AI 大师圆桌会上，何斯迈教授进行了题为“收益与库存管理中的博弈行为”的主题演讲。雷锋网了解到，何教授是上海财经大学信息管理与工程学院教授，中国运筹学会青年科技奖获得者，同时也是杉数科技的科学家顾问。

何教授用肾移植作为例子解释了 AI 是如何帮助肾移植提高匹配效率的，在目前 AI 系统的帮助下，器官交换移植配对系统的效率一直在提升，最好的系统效率已经到了90%，也就是能保证达到理论最优解得至少90%的配对率。另外在各个非盈利肾移植机构内，肾移植的数量已经从每年28000例提升到33600例。

在接受采访时，何教授也表示，AI 在器官移植中的应用在美国比较多了，但是中国法律层面还没有放开交换移植，所有优化空间非常少。“我想这种交换移植的方法应该慢慢地会在某个时间节点放开。我们现在应该先研讨一下可行性。”

随后，何教授介绍了 AI 如何帮助商家定价。他表示，定价是一个非常动态，变化很快的过程。客户、友商、商品性质都会导致定价产生重大变化，这时就需要 AI 帮助商家进行重要的决策。

在演讲中，他还提出一种定价模式——鲁棒定价。“本质上是即使预测精度不尽人意，依然有可能通过模型和理论保证给出的定价策略有效，并且风险可控。利用供需关系去做定价，通过整体的调整，可以让销量、营收和利润增加。”

何教授在接受采访时表示，商业化其中一种是标准化场景的应用，包括图像识别、语音识别、自动翻译。标准化场景的好处在于复制性高，应用的领域比较宽，往往是To C 的。但一定要是这种标准化程度比较高的场景才能做 To C 。还有一些就是所谓的复杂场景，要做定制化服务的时候，现在往往只能做 To B 的服务。

“现在我觉得智能零售的潜力是比较大的，慢慢地也可能会渗透到智能制造。但智能制造的企业的技术积累目前还没有智能零售的企业积累那么多。因为智能零售往往也是电商企业，它的企业基因在那里，有很多技术储备，能够很快地消化我们的新技术。包括我们给它们开发的产品，它们有很好的数据平台，能够比较快地整合进去。”

以下为嘉宾演讲实录，雷锋网做了不改变原意的编辑。

何斯迈：大家好，我主要是介绍 AI 怎么与运营管理和商务中的实践结合起来。

演讲主要是关于商务智能，就是运营管理中的人工智能。主要内容分三块，其中第一部分是 AI 在器官移植中的应用，也是向 Sandholm 教授致敬（他是肾移植这方面的专家）。这一系列工作由于社会的极度需求，对公众利益有着重大意义。

第二部分是关于收益管理，主要讨论在定价和库存这些具体的决策问题的时候，怎么把 AI 和具体的商务环境结合。

第三部分，在收益管理，包括库存管理的时候，也需要考虑到一些策略性的顾客行为，这个牵涉到很强的博弈背景。 顾客观察到或猜测出商家的决策规律，会相应的做出一些策略性的购买行为，对商家的策略效果及最优决策有很大的影响。

在运营管理领域的人工智能应用主要分三大块。一部分和传统的 AI 很接近，也就是有数据以后怎么去分析数据，怎么依托数据进行预测。一部分是模型，需要结合具体的商务环境和需求，进行定制化的调整。一部分是算法，因为商务场景经常需要在有限的时间和计算资源内，解决复杂的决策问题。

传统的 AI 现在有一些很好的应用，比如说著名的 Alpha Go 。在图象识别、语音识别、文字翻译这些领域， AI 已经做得很好了。这些领域都有一个普遍的共同特征，是目标非常明确。比如说图象识别、人脸识别，评判标准就是识别准确度多高？一般来说无论是问题还是目标定义都比较明确，外部环境也比较稳定。

但是在商务智能的时候，我们面临完全不同的问题和环境。今天的商务环境，可能到明年就完全不一样了，经济大环境可能会变，竞争对手也在变。尤其在 AI 的应用领域，目前很多应用是关于电商。但是对于主流电商来说，目前每年的增长率都极高。可能每一年内，它的产品结构、客户结构都在变。

第二个大问题，在商务环境中有很多目标，但没有唯一明确的目标。可能企业在里面，有的部门想要追求库存管理的优化。另外的部门想要保证定单满足率，越高越好。收益管理中销量和利润之间的往往也需要平衡。在不同部门之间追求的目标并不一致时，我们应该如何决策？在具体的实际场景，不同部门之间的需求差异如果能够充分挖掘、不同约束之间的复杂关系如果可以得到充分梳理和考虑，对于收益的提升是非常显著的。因此需要结合问题的本身，通过模型把 AI 的技术和问题更好结合起来。

这儿说一些具体的例子，首先是器官移植，传统的器官移植主要是两种，一种是亲属捐献。另外一种传统的捐献方式是死者捐献，死者在死前签署器官捐赠协议。但是，基本上任何一种器官，死者捐献的数量目前来说是远远不够的。比较严重的肾移植，只有10%-20%，这个数目是非常非常低的，那么怎么办？

在医疗实践中，经常有亲属愿意捐献但是不能捐献，往往是因为血型、各种抗体的原因导致不匹配。因此有可能会有这样两个家庭，A的家属给自己的亲属A捐献不了，但是适合另外一家的病人B。 而B的亲属的器官适合病人A。在这种情况发生的时候，双方可以通过交换捐献的方式解决问题。慢慢的这种应用越来越广泛，因为它确实能救很多人的命。后面大家发现，能不能做得更多？比如说我两个人配不起来，但是三个家庭通过循环的方式进行匹配，四个家庭、五个家庭都可以。历史记录最多的一次是同时有十多个家庭构成大循环一起手术，但是这种移植方案有一个严重的问题，就是多台手术必须同时做。因为肾移植可能出现捐赠者突然反悔，这是会出现严重的问题，尤其是反悔方的捐赠对象的亲属已经捐赠完毕的情况出现。为了避免这些问题出现，现在的法律就严格规定，必须在同一个时间交换执行。但即使如此，有时候还是会有一些问题。

还有一种方法是链式匹配。简单的说就是将死者捐献的器官移植给某个病人，但是前提条件是病人的亲属答应把肾捐给下一个病人，这个病人的亲属又答应把肾捐给下一个，形成链式反应。链式移植的最大好处是并不需要严格同时执行，每一个家庭都是病人先得到肾再由捐赠人捐献器官。如果有人反悔，虽然会有一些负面的影响，但是相对来说小很多。链式移植的另一个好处是可选择性高，相对来说，会大大提高系统的移植效率。缺点是会消耗一部分死者捐献的肾源。

目前美国已与2007年已经正式立法，允许交换移植。已经成立了一些机构和平台作为肾移植交换机构，比如说 UNOS 等。主要是非营利性的，目的是搜集病人的数据和愿意捐献器官的亲属的数据，更好地把这些亲属匹配起来。在这些机构建立4-5年之后，肾移植的数量从每年28000例提升到33600例。

但是链式移植会面临一个道德难题，死者捐赠的肾远远不够满足无亲属捐赠的病人需求。一个肾在一方面可以通过链式移植救很多的病人，但是同时一定会有病人因此无法得到合适的器官移植。这个有点像著名的电车难题，轨道上有一群小朋友在玩。当你看到一个火车过来了，可以选择将火车扳一个岔道从而拯救这些小朋友，但是会害了在岔道上工作的另一个人。这是一个普遍性的道德难题。所以在肾移植的时候，决策不是简单的人越多越好。因为有些类型的病人，因为抗体和血型特殊很难配上，在只追求短期移植效率最高时这种特殊病人就会积压下来。在这种时候，就不是一个简单的预测，我必须预测每一个肾捐给一位病人之后能活多久，他们之间移植存活率有多高。这种时候我们用机器学习，让人工智能决策，效率会高很多。 

这种决策是典型多阶段的动态决策，牵涉到一些冲突，这种时候你怎么去解决？目前来说在 UNOS 使用整数规划算法，好处就是相对来说移植率比较高，每一个阶段配的人数比较多，但是也有一些问题。我们最近有一篇论文，提出了一个比较简单的随机近似算法，用这个算法甚至可以不依赖计算机，达到很高的效率。并且困难病人不会积压。目前这个器官交换移植配对系统的效率一直在提升，最好的系统效率已经到了90%，也就是能保证达到理论最优解得至少90%的配对率。

接下来介绍一下 AI 在收益管理中的应用，这个是基于我们跟很多家电商合作时碰到的实际问题。在收益管理中间，关键的一个问题就是如何定价。这个问题很复杂。

首先，对于不同产品定价逻辑不一样。很多商家只是简单地预测定一个价格能够卖多少件，然后选取一个看上去比较合适的价格。但这是不够的。有些产品在市场上采用最简单的成本定价，就是成本是多少，加一个权重，产生售价。而在电商环境中，大部分关键产品采用的定价逻辑都是比价活着跟价，就是要保证比竞争对手价格低。大家现在能看到很多电商平台的产品都会保证比竞争对手产品价格低，如果高了会赔偿损失。还有一些产品，它面临的竞争环境不是很激烈，那么它的定价逻辑要考虑供需关系。这种时候往往是利润空间比较大的。还有其他的定价方式，比如价格歧视，区别于一般的定价对所有顾客都是统一价格，价格歧视需要对不同顾客给出不同价格，从而最大化利润。我们还提出一种定价模式，叫做鲁棒定价。本质上是即使预测精度不尽人意，依然有可能通过模型和理论保证给出的定价策略有效，并且风险可控。综上所述，如果对产品没有比较好的理解，那么根本不可能做到一个合适的定价。对不同的产品，首先要了解不同的产品定位，决定基本的定价逻辑。

其次，定价需要考虑很复杂的因素，简单拿数据分析的时候，容易把一些关键因素漏掉。比如说需要考虑友商的价格和客户的心理价位。今天我一直定价20，但是友商可能从20调到25，如果数据中不包括友商的价格因素不可能做出高精度的预测。

此外还有顾客价格的敏感度，有些顾客对于价格无所谓，小幅度调整的时候，他关心的是你的服务。但是另外有些顾客会比较敏感。 这会产生一个有趣的问题，商家是做周期性做促销，还是一直让价格定在中间保持平稳更好？另外还有季节性的产品。或者替代性产品，比如手机，三星、苹果、华为等等，他们之间有严重的替代效应。最后是互补性产品，顾客买电脑的时候会买键盘、鼠标各种配件。

定价的时候最大的挑战是促销，不光是你自己做促销，竞争对手也长期做促销，很多产品，你会发现一年90%的时候，你或者你的竞争对手都在做促销。这时候怎么定价，促销会产生各种各样的影响。

比如说从跟价和比价的时候使用对象是什么？高关注度和竞争度比较高的产品，在比价的时候，有一个很严重的问题。计算顾客对价格的量价关系，传统的统计或者经济学模型往往用参数模型，很多人用线型模型。但是在比价的时候，量价关系一般极度脱离线型关系。顾客在心理价格段附近比较敏感，偏离心理价格比较远的时候不太敏感，这里会牵涉到很多问题，比如说怎么捕捉心理价格位，这往往和友商的价格以及类似产品的价格有关。

还有一个就是我调了价格，友商很可能跟着调。这种情况是动态的，我可以选择跟着友商一起调价，也可以避开调价做促销的日子，拿到他不做促销的时候去做。这时所要采用的手段包括网络爬虫及机器学习，预测和捕捉对方的行为。因为牵扯到博弈，需要知道在市场上，我们是一个价格主导者，还是价格跟随者，跟竞争对手处于一个什么关系？具体的决策和市场定位密切相关。

另外，我的当期利益和远期利益的平衡点是什么。比如亚马逊的策略，是在竞争对手中保持绝对低价。这个策略在美国大获成功，使得亚马逊取到垄断地位。但是在中国同样的策略效果很差，亚马逊基本被挤出市场。

关于供需关系，我们可以看到利用供需关系去做定价的话，通过整体的一个调整，可以让销量、营收和利润都大幅增加，而且幅度相当高，这是鲁棒定价的效果。

图中所示是某闪购电商平台的订货策略效果，我们通过两阶段，第一阶段采用鲁棒定货，第二阶段结合人工智能学习的手段，把新数据运用进去，可以对绩效产生大幅度提升。