人工智能是当前最热门的科技概念，常常伴随人工智能出现的还有一个词汇，那就是运筹学。
运筹学是什么呢？简而言之，运筹学就是将实际问题转化成数学模型并高效求解的一套方法。
运筹学并非新鲜事物，它起源于上世纪四十年代，并被应用于军队资源调配和商业优化等诸多领域。但长期以来，运筹学在国内只是一个小众概念，不被大众所熟知。在沉寂了大半个世纪之后，运筹学为何忽然热门了起来？它在当下的商业活动中有哪些应用？又将带来哪些价值？带着这些疑问，雷锋网对杉数科技CTO王子卓进行了一次专访。
王子卓认为，这个问题可以从两方面来回答。首先是运筹学本身的发展。得益于计算机技术的高速发展，运筹学在过去二十年间获得了巨大的提升。过去研究人员虽然掌握了算法，但运算仍然需要人力来完成。计算机技术的发展使得研究人员可以运用这些算法在短时间内解决复杂的实际应用问题。
理论的背后还需要数据作为支撑。过去几年，人类以前所未有的速度生产和积累了海量数据，这些数据进一步推动了运筹学的发展，为之拓展了更多的应用。基于海量数据，研究人员可以运用模型做出真正对企业产生价值的决策。
另一方面，人类商业生产活动自诞生以来，便一步步走向精细化运作。在相对宽松的竞争环境下，粗放型的经营模式也能获得不错的收益，商家对提升经营效率的需求并不强烈。当前中国经济正处在转型升级阶段，市场竞争加剧，商家开始越来越重视新技术的运用，以此提升经营效率。运筹学作为一套行之有效的工具，自然引起了他们重视。
王子卓向雷锋网介绍，运筹学和当前热门的机器学习有许多相似之处，它们的核心都是“模型+算法”。机器学习也运用到了许多运筹学优化方面的技术，只不过前者更偏重于研究某一类算法优化问题，比如图像、语音识别；这类问题有其特殊的性质，而这些性质是运筹学领域不大关注的。另外，机器学习还结合了统计等其他算法，会产生一些不同的结果。
但由于机器学习本质上运用到的还是优化方面的算法，任何运筹学领域的最新进展都将促进机器学习技术的进步。而机器学习则拓展了运筹学的应用场景，带来了新的问题，并激发出新的模型和算法。二者是相辅相成的。
区域划分和选址
区域划分和选址是物流行业面临的首要的问题。物流企业需要选择每一个网点的具体位置，以及这个网点负责哪片区域，这些将直接影响到企业的效益。
在这个问题中，物流企业首先要弄清楚自己的目标，即通过区域划分保证每个区域的面积、需求量和配送时间大致相同，并将其以数学的形式表达出来。
实际划分过程中物流企业还将面临许多约束，比如某两个点属于同一区域，另外两个点又不在同一区域等等。为此，研究人员需要用算法对结果进行优化。单纯的平面划分并不复杂，但物流企业还需要考虑到时间维度，因为很多时候快件投递是有时间窗口的。区域划分并非一个静态问题，而是会随着时间不断变化的。
划分完区域之后，物流公司还要考虑选址问题：区域中哪些地方是网点，哪些地方是投送点。这个过程中同样需要考虑很多因素，比如目标送货员从哪里出发最近，怎样设置网点才能实现平均送货时间最短，或者最长送货时间最短等等。
区域选址之外，还有更高维度的枢纽选址问题。大型物流公司的物流网络遍布全世界，为了保证货物快速有序流通，需要设置一些枢纽。如何选择枢纽地址对提升送货效率至关重要。
和区域划分一样，选址问题也可以转化为数学形式，设定相应的目标和约束，通过合适的算法得出最佳决策结果。
定价与收益管理
物流行业的另一个重大课题是定价和收益管理。所谓定价和收益管理，就是指商家如何在正确的时间将正确的商品以正确的价格卖给正确的人。
要实现好的收益管理，首先需要采集和整理数据，包括用户的基础信息、历史交易数据等等。有了这些数据之后，再用机器学习进行客户挖掘、对消费者进行标注、分析消费者对价格的敏感程度等。并最终决定对什么样的产品制定什么样的价格，在何时推荐给什么样的人。
具体到物流行业，其中很重要的一点就是如何制定产品线或产品目录。物流企业需要给目录中的每一个产品制定相应的价格，并实现整体收入的最大化，这时候就需要考虑到不同产品和服务之间的相互影响。
另外对于一些新的产品和服务，由于缺少消费者数据的积累。商家无法一步到位制定合理的价格，这时就需要用到动态机器学习，不断积累数据并进行分析，学习消费者的行为，总结其选择的规律。
物流行业中另一个常见的问题是非标产品定价。物流行业其本质就是在不同时间将货物送到不同的地点，其中时间是一个非常敏感的因素。因此，物流企业需要通过机器学习算法挖掘消费者对每一单价格的反馈，做到更好的个性化定价。
路径优化
路径优化也是物流行业中非常基础性的问题。物流企业每天都会接到大量的送货和取货需求，如何设计一条最佳路线，在满足所有需求的前提下，压缩成本并保证效率呢？
王子卓介绍，以车辆调度为例，这是一个非常复杂的过程，需要同时考虑多个因素。这一场景涉及多个送货员和多个出发点；同时需求是不断实时变化的，有的是取货，有的是送货；道路上也充满许多不确定因素，比如路面的承受重限制等。这时就需要用到很多运筹学优化和机器学习方面的技术。
此外，运筹学优化算法在仓储领域也大有用武之地。比如仓库内的货物摆放问题，不同货物的取货送货频次是不一样，根据常识大家都知道要把频繁取送的货物摆放在靠近出口的位置，以提升仓储效率。但仓库内货物种类众多，如何摆放才能实现效率最大化呢？光凭主观臆测是不够的，管理人员需要建立起一套合理的算法。先用机器学习算法预测每种货物的出货频次和需求，然后用运筹优化算法计算出合理的摆放和路径方案。
王子卓特别强调，除了物流行业运筹学算法还可以运用到很多其他领域。只不过杉数科技作为一家初创公司，将首先聚焦于物流行业，因为物流行业的供应链问题相对容易标准化一些。与充满人为因素的金融行业相比，物流行业的路径优化和仓库管理都是相对可控的系统。
王子卓指出，将运筹学算法用于物流行业，技术本身的挑战并不大。目前针对大公司的个性化或标准化方案已经很成熟了，难的是对场景的理解和把握，如何从不同企业的实际应用场景中提取出共同点，制定一套能够推广到整个行业，给每个企业带来实际帮助的方案。
杉数科技早期服务的客户主要以大公司为主，合作方式类似于咨询。这类客户的需求通常非常精细化，需要与实际业务紧密贴合。由于体量巨大，任何微小的改进都将为企业带来巨大的收益。因此他们愿意花大价钱去定制软件和算法。
实际合作过程中，杉数科技首先会详细了解客户的需求，比如说在某一个城市司机出发的位置、送货的时间窗口、司机的路线偏好等等。这些需求往往是基于客户过去的历史和习惯产生的，不一定是最佳的约束条件。有些在算法上实现起来非常困难，有些实际效果并不好，那么杉数科技就需要从算法的角度给客户提供合理化的建议。
大公司通常拥有自己的技术团队和力量，在数据处理和IT等基础工作方面更加高效出色，只是缺乏运筹优化相关的专业人才。这种情况下，基础工作——比如说数据清洗完全可以交给客户自己来完成，杉数科技只需要专注于自己擅长的运筹优化即可。
对于杉数科技而言，定制化的人服务十分耗费人力，且服务的企业十分有限。有了服务大企业的丰富经验，并从中提取出一些共同需求之后，杉数科技未来的规划是加强产品开发，推出一套标准化的服务。在标准化服务的基础之上，再根据每个企业的特定需求进行微调。这样一来既省时省力，又能降低服务的使用门槛，达到普惠大众的目标。
王子卓介绍，杉数科技目前已经推出了一款名为“小马驾驾”的标准化产品，可以为物流企业解决车辆分配、路径优化，以及线路设计等常见问题。
当前国内正处于经济转型的拐点，企业对提升经营效率越来越重视。可以预见，未来像杉数科技这样用机器学习和运筹学优化算法帮助企业压缩成本，提升经营效率的企业会越来越多，大公司内部也会成立团队进行相关方面的研究。
不过，王子卓对于杉数科技未来的发展仍然十分乐观。他向雷锋网表示，国内虽然有很多机器学习和人工智能领域的企业，但他们主要聚焦于图像、语音识别以及自动驾驶，与杉数科技并不形成直接竞争。国外类似公司相对较多，但它们还没有进入中国市场，而且即便进入短时间内也难以适应国内特殊的商业环境。
另一方面，运筹学领域的人才整体比较欠缺，而人才培养又非一朝一夕的事情。大公司虽然能够笼络到一些优秀的人才，成立自己的研究团队。但现阶段他们也乐于和专业的团队合作，共同摸索和积累经验。与大公司相比，中小企业一方面难以吸引到专业人才，另一方面也没有必要花大力气去组建自己的团队，而他们对于压缩成本提升效率的需求同样迫切。因此杉数科技未来的发展空间还是十分广阔的。
作为一家刚刚成立一年的创业公司，杉数科技已经获得了滴滴、顺丰等重量级企业的青睐，可谓成绩斐然。对于未来，王子卓表示，自己希望继续推动运筹学在商业活动中应用，同时通过与产业界紧密结合，进一步促进学界理论研究的进展。即使身在商业圈，王子卓对学界还是有一种割舍不断的情怀。
正在生成分享图...
nebula