日前，雷鋒網(wǎng)報道了鈦媒體和杉數(shù)科技主辦的 2017 AI 大師論壇，其中，杉數(shù)科技首席科學顧問葉蔭宇出席了活動并發(fā)表了學術(shù)演講。作為在運籌學領(lǐng)域的頂尖學者，葉蔭宇以《優(yōu)化算法的思想及應用》為題，主要在運籌學應用的物流選址及路徑優(yōu)化、庫存管理、投資組合優(yōu)化三個方面詳細闡述了他的看法。

從古至今，“優(yōu)化”一直是生產(chǎn)生活中重要的部分。而運籌學作為優(yōu)化算法的重要根基，在第二次世界大戰(zhàn)期間首先在英美兩國發(fā)展起來，學者把運籌學描述為就組織系統(tǒng)進行各種經(jīng)營所作出決策的科學手段。二戰(zhàn)結(jié)束后，人們將運籌學應用到了企業(yè)和政府之中，為經(jīng)濟發(fā)展加速，運籌學廣泛的引用在生產(chǎn)、服務、金融行業(yè)之中。在大數(shù)據(jù)時代，運籌學進一步蓬勃發(fā)展，而如何將大數(shù)據(jù)轉(zhuǎn)化為最優(yōu)決策成為了運籌學重點課題。

葉蔭宇簡介：葉蔭宇是斯坦福大學李國鼎工程講座教授（K． T． Li Chair Professor），也是優(yōu)化領(lǐng)域基石算法之一——內(nèi)點算法的奠基人之一。因貢獻突出，他曾獲得美國運籌與管理學會馮·諾依曼理論獎，也是迄今為止唯一獲得此獎的華人學者。在業(yè)界，葉蔭宇擔任了優(yōu)化軟件公司 MOSEK 科技顧問委員會主席、杉數(shù)科技的首席科學顧問。

以下為葉蔭宇演講內(nèi)容，雷鋒網(wǎng)進行了不改變原意的編輯 ：

1982 年剛到美國讀書的時候 AI 非常熱，但那時候年輕人不知道我差點就去搞 AI 了。那時候要搞所謂的專家系統(tǒng) AI 空間，學的語言是學 Lisp，沒有很多的數(shù)據(jù)，人家有些就總結(jié)不出來，AI 就慢慢的冷下去了。我比較喜歡數(shù)學，就從事了運籌學。

什么是運籌學？它是一種研究優(yōu)化的學問，就是怎么能夠在實際生活中，把事情做到極值，不僅僅是找一個可行的方案，而是一定要找到最優(yōu)的方案。

Nothing at all takes place in the Universe in which some rule of maximum or minimum does not appear． 這是大數(shù)學家歐拉的話。這種理論也是基于自然形成，也是所謂的一個平衡，也是能量函數(shù)，到了極值。

說到運籌學，數(shù)學怎么能接地氣，怎么落到實地，怎么真正對人們生活產(chǎn)生一些影響？數(shù)學家們就開始尋求這樣的方案。在二次大戰(zhàn)的時候，如何研究盟軍配置，還包括一些博弈問題，以前看過一個電影叫《A Beautiful Mind》，研究這個東西研究到博弈空間。

標志性的結(jié)果就是 1947 年 George Dantzig 提出線性優(yōu)化，為優(yōu)化中最經(jīng)典的算法， 這就是里程碑的意義。之后到經(jīng)濟發(fā)展中，運籌學得到很快的發(fā)展，特別是計算機的高速發(fā)展。以前是結(jié)構(gòu)問題，可能是要 1 小時，現(xiàn)在可能不到 1 秒就可以解出來，所以這個硬件的控制，也有算法的提高。

運籌學比 AI 要老，但是 AI 和機器學習又提供了一種機會，很多頂層的東西都是要靠優(yōu)化，不管是學習還是剛才講到的要用決策問題。

整個來說，所謂優(yōu)化在滿足我們時有很多要決策的，而且也都是需要比較量化的。滿足一定的約束條件下，使某一個函數(shù)最大，這就是優(yōu)化問題，怎么把一個問題變成這個東西，就需要建模。所以我們一般是從建模到求解，然后再到?jīng)Q策，然后我們就需要一套算法來求解。

在這個里面，把實際問題變成數(shù)學問題，再變成優(yōu)化問題，然后來求解。什么叫大數(shù)據(jù)，有很多不同的這個解釋，數(shù)據(jù)大到一定程度以后，就可以量化了。量化以后，我們可以用數(shù)學的方程、公式來描述它，然后來決策，變成一個量化的決策問題。

1982 年我去美國中間經(jīng)歷了 AI，當時是最紅，現(xiàn)在又紅起來。但是有些點我覺得沒變的，優(yōu)化好像始終是不動點一樣，不管是你在各行各業(yè)都需要它，因為在這點上也可以說起來像統(tǒng)計、數(shù)學還是一些機理。

這里面有很多算法的問題，學習有很多深度學習、MDP、機器學習等等。

我個人怎么理解 AI？特別是大數(shù)據(jù)時代的商務決策，各自所采取的作用，我們要用到很多計算機、信息學，包括機器學習、數(shù)據(jù)搜集，然后我們要通過很多機器學習做一些規(guī)律性分析，然后建模做出決策。

從中醫(yī)的角度來說，有點像拉脈一樣，拉了脈以后老中醫(yī)有一個決策，中醫(yī)來說就是開處方藥。而在這個過程中如何判斷準確，開什么處方，有些東西要用三錢，有些東西要四錢，但是有些中醫(yī)搞的不好就是比較模糊，“當歸少許”這個就不清楚。

所以這里面是需要有一些量化、需求管理和規(guī)律性分析。我覺得機器學習確實做的好，但怎么決策里面都有一些很傳統(tǒng)的優(yōu)化模型和運籌學模型。

我給大家舉幾個簡單的例子，為什么有些決策模型并不需要深刻的理解就可以得出來？

一、物流選址及路徑優(yōu)化

比如說這個選址問題，尋求一個區(qū)域內(nèi)最優(yōu)的倉庫選擇，成本最少。我要建一二三四五個庫建在什么地方，那么這里面就要權(quán)衡很多，一次建設費多少，建設費之后我服務區(qū)域有多大，區(qū)域大了以后人家從很遠的地方跑過來運輸成本就高了，那么你可以寫成一個像這樣的數(shù)學規(guī)劃方法。

那么這樣的問題怎么選才好，以前的算法，我就把它寫成一個整數(shù)規(guī)劃?，F(xiàn)在不行，好像有些算法，像幾個月都算不出解來。現(xiàn)在很多東西，要隨時的，有些東西看成是網(wǎng)絡，就要把這個點放在上面，進行隨時的調(diào)配、重新選址。這個時候我的算法就非?？?，然后就會有很多近似算法，這里面我們也做過一些工作，就是比較確定性的這個問題，這里面的算法，選址的問題。

那么有一個問題就稍微更復雜一點，不是選址，那么選一個倉庫提供一個區(qū)域服務，但是這個是叫 HUB 的選址，有些不是從倉庫發(fā)到某一個顧客上，某一個是要經(jīng)過中轉(zhuǎn)站，再到顧客。

比如說航班的調(diào)運問題，那么這個中轉(zhuǎn)站怎么選才好，有一部分有問題，這里面就會有一些選擇。通常我們把選址的問題，叫作戰(zhàn)略性的決策，一旦選了以后幾年都不會變。決策又分為戰(zhàn)略決策、戰(zhàn)術(shù)決策、operation 決策，而這里面是 operation 決策。

我現(xiàn)在要送貨，送到這么多的點上，如何都送出去然后回到出發(fā)的地點使整個距離最小，這是旅行商問題，這也是很經(jīng)典、很確定性的。

在整個地方因為又叫車輛調(diào)度問題，當然實際問題比這更復雜，一輛車不能跑，可能幾千上萬輛車誰跑哪些地點、哪些區(qū)域、又怎么選址，這里面就非常非常復雜了，而且需要取貨，同時送貨，你取貨的話必須要保證在某一個時間點上，或者時間窗口。這個就是運籌學比較擅長的問題，要非常實時的做這些問題。

這是一個簡單的解決方案，分而治之，我現(xiàn)在有 5 輛車要服務這個區(qū)域，首先就建立一個服務區(qū)的概念，怎么把這個大的區(qū)域分成 50 分，每一個區(qū)域選擇一個分點，這個我們叫區(qū)域選擇，非常的大。

選了以后，我知道我在分這個區(qū)域的時候，每個區(qū)域的這個工作量都是什么，盡量的均勻的，要不然我一個區(qū)域很大，跑兩天跑不完，一個區(qū)域半天就跑完了。

這應用在實際問題中。大家看到了沒有，這里面有 50 輛車，現(xiàn)在這個圖在做什么，找路徑。這是一個實際問題，原來是一個大的地理數(shù)據(jù)圖，那么這個問題是每一個街道都要跑的，我再劃分這個區(qū)域的時候每個區(qū)域里街道的總長度是基本上相似的。但是哪怕街道一樣，我要拿每一個顏色的這個就有這個扯進去跑，我在跑這個區(qū)域的時候，怎么跑到最大，把所有的街道都跑一趟，這個時候就有路徑問題。

這個問題從優(yōu)化、運籌學說是研究很老的問題。要把每個街道都走一道，然后這各區(qū)域就完成了，這個主要是為了地圖公司。

美國有一個很有名的地圖公司，后來諾基亞買了。我相信大家肯定用過 GPS，是兩個核心技術(shù)，一個核心技術(shù)也就是衛(wèi)星定位，經(jīng)度緯度定位以后，所以的地理信息位置，都是搜集過來的，那么街道的地理數(shù)據(jù)，城市在不斷的變，所以每次都要派一輛車或者用圖像的信息把街道信息改變都要重新搜集進來，要派一輛車把每個街道跑一道。上面就一個攝像頭，非常高效，然后全部搜起來，去做這個事情。

這個時候每一個城市都要把這個街道跑一道的話，不可能跑一輛車，可能是 50 輛車，我們怎么劃分這個車輛的區(qū)域，以前是用郵政編碼來分，由于城市的改變有些郵政編碼，有的會大好幾倍。這樣分就不合理，我們要根據(jù)這個瞬時情況進行分析。如何判斷有效，原來要用 75 輛車現(xiàn)在 60 輛就夠了，原來用兩天時間，現(xiàn)在一天半，我們確實講，效率提高了25％ 到 30％，這個技術(shù)諾基亞還在用，全世界 26 個國家在使用。

我不知道大家剛才看到我在排序的過程中，在這個路徑過程當中大家也都沒有遇到，我原來認為我排出來最后的總路程最短，后來給我們提一個要求這里面有多少是左轉(zhuǎn)多少是右轉(zhuǎn)，你能不能排路徑的時候，盡量向右轉(zhuǎn)。因為考慮的是要完成的時間，左轉(zhuǎn)所要花的時間，要比向右轉(zhuǎn)高 5 到 10 倍。因為有紅綠燈，所以我們用運籌學的辦法把這個解決掉。

再舉一個路徑優(yōu)化的問題，大家都在搞所謂的無人倉。有一些小車搬運載有貨物的托盤到空閑工作臺，然后小車搬運到托盤從工作臺回到倉庫空儲位，我們叫回庫。然后小車搬運空托盤從工作臺到托盤回收處，我們叫回收。這里面都是一些貨柜，怎么拖起來怎么用，又要路徑又要協(xié)調(diào)。

我覺得在我們國內(nèi)研究機器人，研究的比較多的是提高機器人自身的能力，我覺得做的非常好。個人能力都非常好，但是我們國家在很多問題上，缺少通盤調(diào)配和安排。機器人那么強，在一個團隊工作的時候是不是就很強了，我們就比較缺乏統(tǒng)籌的軟件決策系統(tǒng)。就像我們中國足球到個人，也許有些能力很強，但是在一起就不行。我們很注重個人能力的提高，人都不要輸在起跑線上，但是我覺得我們國家，長期缺乏一種集體的、統(tǒng)籌的，這樣決策的開發(fā)，或者能力的提高。每個機器人都在瞎跑的話肯定不行，包括無人車。

很多公司都在考慮無人車的技術(shù)多強，但是其實最主要的問題是什么，反而是無人車之間的協(xié)調(diào)、調(diào)配和統(tǒng)一指揮。

比如說這里面是工作臺，某一個區(qū)域的貨來了以后，我們來分擔，然后這是一個動圖，整個的這個貨品的分擔，這里面有很多問題。我們在研究過程中，比如說這里面的路徑，怎么找路徑，從設計上來說，你是設計成單行線還是雙程線，這里面有學問的，如果設置單行線跑的距離要長，碰撞的可能性就少一些，這里面都可以通過優(yōu)化來進行解決。

比如，我們跟合作的電商進行物流倉統(tǒng)籌調(diào)配，其中的算法也都是算出來的。這里面是三配，機器人怎么配到貨柜，怎么收檢這個站，這個方法目前是用機器人去托盤，拖這個貨柜，把整個的貨柜用到旁邊的這個臺上，然后又把這個拿下來，再把托盤送回去。

我們中國人就很喜歡把國外的東西搬過來，首先是機器人，把整個的貨柜拖起來，可能那個貨柜員就檢一個東西下來。那么為什么說貨柜不動，而且貨源坐在機器人身上然后去檢貨呢，可能人需要多一點，但是貨柜可以裝的更高了，空間利用率更高了。

我覺得我們大家可以想到一些更好的，但是這套技術(shù)可以用，而且人坐在機器上，不僅前后移動還可以升降貨柜，可以放更高，運行過程中形成三位的倉庫而不是平面的倉庫，這樣我們就可以計算出來，包括貨的這個密度，增加多少，倉庫的利用率可以增加多少。那么對于像我們國家，人力相對比較便宜，房非常貴，是不是就更好一點，但整個也是靠產(chǎn)品運輸來優(yōu)化問題進行求解。

從優(yōu)化的模型下，各種各樣的這個決策，還有算法，我在國內(nèi)跟工業(yè)界接觸也有一段時間，工業(yè)界總是覺得我們需要深度學習，需要機器學習，需要把預測的精度再提高 1％，提高 1％。我覺得有時候忽略了一點，有個測不準的這個定理到一定時候不可能提高的，有一個不確定的這個規(guī)律存在。

股票市場存在一兩百年，也沒有人能 100％ 預測股票市場，所以在測不準的情況下，在決策上是不是可以做點工作，在知道測不準，可能有不同的這個狀況出現(xiàn)的情況下，我的決策是不是可以調(diào)整一下，從數(shù)據(jù)到?jīng)Q策我們是不是也可以做一些工作。比如說我可以保證我在期望值省時一些，但是我保證永遠不會破產(chǎn)，防備那些惡性大事件發(fā)生，所以這些模型在 OR 應用到很多的。

比如說路徑優(yōu)化，搞了一個 PonyPlus，我給這個送貨員把一個任務今天要派 10 個單，給到這個送貨員，就搞一個輔助工具怎么去路徑最好，排了一個，這里面都有這樣一些工具。

二、庫存管理

這里面最典型的是庫存問題，就是典型的知道你測不準，我怎么能夠把局測做到最好，把庫存做到最好。以前早的時候還沒有深度學習，比如你是小零售商，你進貨進多少，進一個星期的貨，但是不知道這個星期有多少，多的有多的損失，少的有少的損失。所以這個時候運籌學就有一套方法來處理這個問題。

最近大家是否聽說過美聯(lián)航上面有一個人，因為機票賣多了，上了飛機被人拖下去，后來是賠了幾個億，為什么說這是典型問題，是不確定環(huán)境下的決策？

飛機上座位是固定的 300 個，你事先只賣 300 張票，不會賣多，來的人都可以登記，問題是總有 5％ 到 10％ 的人，因為各種各樣的原因是不會來的。那么你賣 300 張票，5％ 到 10％ 是不會來，那么那部分就會損失，所以航空公司一般都會多賣一點。這個道理是一樣的它也要權(quán)衡，它知道有些人不來，我怎么多賣幾張，最好的是有些人不來，不來的人數(shù)正好是我多賣的人數(shù)。但是永遠是測不準的，也就出現(xiàn)美聯(lián)航的這個問題。

一般我們決策是什么，業(yè)內(nèi)通過拍賣的形式，你愿意乘坐下一次航班，給你多少錢，美聯(lián)航說到 600 塊錢就不向上提，所以我們要找一個權(quán)衡，多賣幾張最好。

這點我們做過很多實際案例特別是在我們國內(nèi)比較大的電商里，幫他安排，通常周轉(zhuǎn)率在 29 天的，那么現(xiàn)在降 16．5％，庫存的金額大家也都知道零售商最怕的就是庫存周轉(zhuǎn)率太低，買了人家的東西自己又賣不出去，庫存金額降 19．2％，現(xiàn)貨率提升了，GMV 上升 1．9％，而周轉(zhuǎn)天數(shù)下降到 16．5％。就是說我們主要是降低了這部分人力，在不損失這兩個標準的情況下。

還有一個辦法根據(jù)某一個電商的特點，叫閃購，出一份貨賣一個星期就不賣了，那么這個時候他們通常這個電商把那個星期的預測，需要備多少貨就決定下來，我們采取兩階段的策略，首先我有一個總的估量，但是我發(fā)貨的時候是發(fā)三天的貨，通過第一天的銷量我再決定追不追貨，不知道大家聽懂了沒有，本來一周的需求量是 100，我實際送到前沿倉庫送 60 件，頭一天的這個銷量是夠，我是否需要把這 40 件補上去就看第一天的銷量，第一天的銷量對后續(xù)的這個預測度就更高。

王曦也是我們斯坦福的學生，現(xiàn)在是杉數(shù)的產(chǎn)品經(jīng)理。設計了一個叫 Stockgo，根據(jù)我們跟電商還有其他接觸的這個規(guī)律，我們覺得應該給每一個中小電商，至少提供一個可能的工具，觀察庫存的周轉(zhuǎn)來確定，幫助他決策。

這里面有很多的功能，比如說對目前庫存狀態(tài)的量化評估，對高精度的銷量預測，高精度的補貨策略，供應鏈管理的智能化轉(zhuǎn)型，包括很多的機器學習工具還有深度學習工具，對你的庫存狀態(tài)進行評估，精確到每一個 SKU，還有補貨策略，以及個性化的全云端解決方案，也可以直接把數(shù)據(jù)傳送到杉數(shù)，然后幫你進行診脈。

總的目的是，把這些 OR 的東西對經(jīng)濟起大作用，這是已經(jīng)在跟很多 ERP 的公司發(fā)給他們使用，通常周轉(zhuǎn)率會提高到 50％，資金及人力成本降低，電商自動化庫存能力也都是在提高，這是一個小工具，到時候這些能夠為廣大的小電商服務。你也可以自己調(diào)整，但是至少給了你一個可能性。

三、投資組合優(yōu)化

最后我就講一講最近還研究一些投資組合優(yōu)化，也就是防范風險。

這里面很多情況有一個叫 Markowitz，叫現(xiàn)代投資前沿理論。Markowitz 也是在我們斯坦福工作過一段時間，把投資組合的問題寫成一個二次規(guī)劃，它的目標函數(shù)不是線性函數(shù)，是二次函數(shù)，所有的約束也都是線性。

如何解這個問題解的最快，這個時候我們就有很多的問題，因為出現(xiàn)了二次函數(shù)呢，大家知道在統(tǒng)計中，二次的 X 的平方通常描述變化量，我們需要波動不太大，這就是簡單的這個二次函數(shù)，實際上要解的也就是二次規(guī)劃，常見的軟件 Barra、Axioma、ITG、Mosek 等。

那么在交易過程當中，你的算法你的求解器比人家快一些，我個人認為高頻交易的競賽也就是算法速度的這個競賽。我知道國內(nèi)就用到過這樣的模型，自己解需要解 10 秒鐘的時間。從 10 秒到 0．04 秒，這里面有算法的模型。

FICO 也是二次規(guī)劃的問題，很多大數(shù)據(jù)公司，越來越重視優(yōu)化，我個人認為美國最早的大數(shù)據(jù)公司就是產(chǎn)生 FICO 的一家公司，國內(nèi)是叫征信打分，就是最早的一個公司把個人所有的信息收集起來給這個人的信譽打分。我 1982 年去美國要租房子到銀行開款，人家就必要 FICO，我說我是中國來的沒有，到美國租房要擔保首先就是看這個 FICO，打這個分。

這個公司后來做的很好，大家都用他的 FICO，也就提供這個服務，包括在網(wǎng)上查一查這個征信也都要交錢，這是美國很早的大數(shù)據(jù)公司，收集很多公司對每個人也都有打分。就是我說的英國優(yōu)化公司，就被這個 FICO 公司買下來，在大數(shù)據(jù)處理中需要優(yōu)化，能力需要加強。

這里面剛才我提到，我個人呢，包括杉數(shù)里我們很多人也跟美國運通公司做了很多，它是一個純信用卡公司，不是一個單元，實際上是一個擔保公司。信用卡消費什么東西，你如果消費了什么東西，把前期的這個還上，你沒什么，要還不上就加利息，我總跟人家講運通公司是合法的高利貸公司，國內(nèi)有些高利貸公司可能就是比較野蠻。但是他是比較合法的，利率確實比較高。

那么它的資源是什么，它的核心技術(shù)是什么？就是防范風險，希望你消費但又希望你不要還錢而且希望你還錢不要還得太快，但是又不希望你永遠不還。當時在運通公司我們工作的時候，有一個專門的團隊就搞這個，是一個大數(shù)據(jù)公司，特別是個人的一些數(shù)據(jù)在那個時候沒有英特網(wǎng)，有比信用卡交易紀錄的更多數(shù)據(jù)，也都是這個數(shù)據(jù)來進行識別。具體項目我不清楚了。

有一個就是我們幫他搞了一個怎么追債，運通公司信用卡如果三個月連續(xù)不還錢，人家不還錢不能雇殺手卸個脖子什么的，所以必須要通過合理的方法博弈，心理學很復雜的過程。所以有一些和追債公司聯(lián)合起來一起搞。

很多是基于算法的，國內(nèi)公司搞的這個 AI 非常熱，趨勢跟隨很緊，在有些問題上結(jié)合中國特色進行研究和開發(fā)。我個人在 AI 革命過程中，看到了中國體制的這個優(yōu)點。

為什么呢？也就是說文化的優(yōu)點，你過 AI 這個問題，說句實話，深度學習這一塊還是有很多理論依據(jù)，深度學習本身目前這個階段，理論還在發(fā)展，做事情這個過程有點像我們中醫(yī)，有什么問題它很有效，但是真正說出一個道道來還說不出來，有的時候也不是 100％ 的準確，但是準確起來非常好，一個癌癥病人吃了幾副藥好了，怎么解釋，解釋不了，所以我覺得特別適合中國的這個文化，不問緣由只看效果，西方在這塊反而比較保守的。

所以我就說中國相對來說數(shù)據(jù)還比較公開自由，壁壘意識沒那么強，像美國大公司數(shù)據(jù)絕對不會給你的，所以我覺得為 AI 開辟了很多前途。

但是中國發(fā)展過程中忽略了算法的力量，他們通常是以問題為根本，找了一些參考資料在開源軟件中找一個算法進行試一試，這是要花非常大的這個功夫，確實是要耐得住寂寞，但是要用人家的開源軟件，不給的話永遠會被牽著鼻子走。我知道其實他們很需要線性規(guī)劃或者說其他的運營規(guī)劃。但是你要買人家，出于安全考慮也不行。

比如說 CPLEX，Mosek，現(xiàn)在有些大學、包括財經(jīng)大學、杉數(shù)科技，不光是做實際應用，也培養(yǎng)自己的算法開發(fā)，這樣的話就比較有核心技術(shù)了，真正的成為技術(shù)公司而不是咨詢公司。

所以大家投資要是很有錢的話，要耐得住寂寞，要有核心的技術(shù)等等這樣的一些東西。

未來的話，我覺得真是 AI、深度學習和機器學習提供了很多的支撐，模型規(guī)模也飛速增長，因為需要超大規(guī)模的優(yōu)化算法，以前我認為我就要搞出個萬能的算法，解所有的線性規(guī)劃都要解得快，但是我后來反觀看AI是非常定制的，我可以對某一類方法用的好就用那個方法，不是追求某一個統(tǒng)一的算法，或者類別法。反而是比較定制化的，用中國話來講比較實用主義一些。

不一定追求理論上的完美，有一個統(tǒng)一的算法，所以這點上，我覺得反過來，AI 對我們的這個東西有很大的促進，什么問題需要什么樣的算法，本身需要學習的過程。

還有一個問題，我們以前比較重視凸規(guī)劃，大量的問題是凸規(guī)劃?，F(xiàn)在需要考慮如何集群化、軟硬件結(jié)合，如何利用 GPU 實現(xiàn)并行運算，包括應用在智慧供應鏈、智能金融、健康管理等領(lǐng)域，我對我們國家的掛號系統(tǒng)，有很多的問題能不能采取更好的方法，這樣的話對大家都有好處，這個東西，我們在 OR 叫排序。

總的來說我是搞運籌，因為也是搞優(yōu)化的，1982 年到現(xiàn)在也大半輩子看到學術(shù)研究的起伏變化，我原來比較重視理論，很多問題都是寫文章，證明一些東西，也小有成就，但是人到年紀大的時候維護自己工作利益所在。我覺得最大的利益還是對一般人生活產(chǎn)生一些影響，因為誰也不知道很多理論證明的結(jié)果有什么東西。

我仔細想，那些用 PonyPlus 的人，你證明不證明，我可能還是用這個方法。這就是到一定年齡的時候，就追求鼓勵這些年輕人，不光是有一定的學術(shù)造詣，把自己的學術(shù)成果轉(zhuǎn)化成技術(shù)，對人的基本生活產(chǎn)生影響，這才是 OR 的本質(zhì)，OR 是一個接地氣的科學，是一個落地的科學，怎么落地不能云里霧里說嚇死人，經(jīng)過我們的試驗，還有杉數(shù)這些年輕人都是從斯坦?；貋淼膶W生，像運籌學，深度學習、機器學習確實對電商這些也都產(chǎn)生了一些影響。

所以我就希望大家多支持我們，使得中國的企業(yè)，從一個比較粗狂的形式進一步拓展為依賴于大數(shù)據(jù)、國際技術(shù)來進行決策的環(huán)境里面。