葉蔭宇、藍光輝、陳溪、李建、王子卓的圓桌，關於演算法優化聊什麼

導語：AI 幾起幾落，但「優化」始終如同不動點，各行各業都需要。

本文作者：叨叨

6月24日下午，鈦媒體和杉數科技主辦的2017 AI 大師論壇在京舉行，論壇邀請了五位演算法優化、機器學習領域的頂尖教授、學者出席並發表學術演講，他們分別是斯坦福大學李國鼎工程講座教授葉蔭宇，喬治亞理工學院終身教授藍光輝，紐約大學助理教授、Michael I.Jordan 的高徒陳溪，清華大學交叉信息研究院助理教授李建以及杉數科技 CTO、明尼蘇達大學助理教授王子卓。

論壇上，五位科學家圍繞演算法、數據、應用，結合各自的研究領域，暢談了現狀和未來的發展。

* 葉蔭宇

葉蔭宇教授是斯坦福大學李國鼎工程講座教授（K. T. Li Chair Professor），其研究領域為連續和離散優化、數據科學和應用、大規模演算法設計和分析、計算博弈論/市場平衡，動態資源分配和隨機和魯棒決策等，他也是優化領域基石演算法之一——內點演算法的奠基人之一。

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，也曾主持、參與美國波音、FICO、運通、美國衛生部、美國科學基金、美國能源部，以及美國空軍科研部門等多個科研項目。此外，在工業界，葉教授也多有涉獵，擔任優化軟體公司 MOSEK 科技顧問委員會主席、杉數科技的首席科學顧問，同時也參與中國國家電網調度，華為、京東商城收益管理、無人倉等項目。

在論壇上，葉蔭宇教授以「優化演算法的思想及應用」為題做了演講。他早在1982年去美國斯坦福讀書、工作期間，就經歷了一次 AI 的火爆和降溫，從最紅到無人問津，和現在的火爆有些相似，因此他認為，AI 幾起幾落，但「優化」始終如同不動點，各行各業都需要。

針對 AI 在大數據時代的商業決策，需要通過機器學習大量的數據，然後進行建模、決策。但決策過程，或許會用到一些很傳統的優化模型和運籌學模型。反過來，AI 也對演算法優化領域提供了一條新的思路：

以前我認為要搞出個萬能的演算法，解所有的線性規劃都能解得快，但是後來反觀 AI 研究者的思維並非這樣，它是非常定製的，什麼方法對某一類問題用的好就用那個方法，不追求某一個統一的演算法，或者類別法。所以這點上，AI 對我們的思維有所改變。

* 藍光輝

藍光輝教授為喬治亞理工學院博士、喬治亞理工學院終身教授，他目前還擔任計算優化和應用（2014年至今）、優化演算法頂級期刊 Mathematical Programming（數學規劃，2016年至今）雜誌的副主編，是國際上機器學習和深度學習演算法方向的頂級專家。藍光輝教授的主要研究領域為：隨機優化和非線性規劃的理論、演算法和應用，包括隨機梯度下降和加速隨機梯度下降，用於解決隨機凸和非凸優化問題。

在論壇上，藍光輝教授以「凸優化，機器學習及深度學習」為題做了演講。在回顧了凸優化的歷史之後，藍教授講解了優化和機器學習之間的關係。他認為，機器學習的本質，就是要建立模型、描述數據，輸入和輸出，模型和演算法結合的部位那就是優化，用優化來解模型。

此外，他還介紹了優化的「黑匣子」：

除了機器學慣用起來做預測以外，最重要是要做決策。建立模型再做決策，涉及到優化的系統集成，不管是在機器學習過程中還是在決策過程中，都需要用到優化模型或者演算法，那麼有沒有一個工具，或者黑匣子能夠解決這個問題，有，我們叫做求解器。

有了求解器可以幫助企業解決很多的問題，比如用在做前端數據分析和尋找規律，比如用來做局測問題，然後再用於經濟、金融、軍事、工業工程、管理、互聯網領域的應用。根據問題的規模和問題的難度，求解精度的要求，可以設計不同類型的求解器，比如說中等規模的求解器，1000個到1000個變數或約束。更大規模的求解器你需要解10的9次方的這個變數或者6次方的變數，規模非常大，然後可能我們需要有不同的這個特定方法求解，加速演算法、隨機梯度演算法、坐標梯度下降用來求解更大規模的問題。

頂級的機器學習求解器，第一個是H20，它發布最早，也是影響力最大的機器學習開源軟體之一，重要的客戶有思科、paypal、ebay；第二個是 TensorFlow，是谷歌全力開發並推的深度學習計算引擎，也可用通用的機器學習求解器，是 Github 排名第一的世界頂級開源項目，在語音識別、圖像識別、機器翻譯等AI領域隨處可見，重要客戶英特爾、高通、Airbnb等。

雷鋒網(公眾號：雷鋒網)了解到，杉數科技也自主開發了一個求解器，和 TensorFlow進行對比，在9個公開數據集上對兩種求解器進行測試，比 TensorFlow 快了10倍-70倍。後續，雷鋒網還將持續關注該求解器的詳細消息。

* 陳溪

陳溪博士目前是紐約大學商學院助理教授，CMU機器學習系博士，也曾跟隨 Michael I Jordan 做了為期一年多的博士後研究。同時，陳溪博士拿過 Google Faculty Research Award，在2017年還獲得了福布斯雜誌全美 30 under 30 最有影響力的青年科學家提名。陳溪博士的主要研究領域為：機器學習、高維統計和運籌學。

在論壇上，陳溪博士以「從學習到決策」為主題的演講。陳溪博士最早就讀於CMU的商學院，一年後轉向機器學習的研究，並將機器學習的技術應用於商學院的傳統問題中，嘗試進行解決，在跟隨 Michael I Jordan 做完博士後研究後，他進入紐約大學商學院，繼續利用機器學習的技術和方法解決商學院關心的問題。他認為：

做大規模的統計推斷，和運籌運營的管理，看似不相關，但其實非常有聯繫。最根本的聯繫是這些學科都是用數據驅動的，並且最後都是要為數據服務的，挖掘數據核心的價值。我認為這三個領域結合起來才能對數據有更深更好的理解，並且做出有效的決策。

此外，陳溪博士還認為，真正商業的問題是極其複雜複雜的，光有機器學習是不夠的，要把機器學習和科學、統計結合起來，才會有新的數據產生。機器學習這幾年的發展，有圖像處理、文本處理的，通過數據可以得到更好的表現，這大大推動了機器學習的演算法發展。但商業上，大規模的公開數據集還是非常少的，以後會有更多的這樣的數據集，更多研究人員進入這個領域，這樣我們就可以得到更多的知識，這樣可以推動商業化下的機器學習或者說決策技術的發展。

* 李建

李建在美國馬里蘭大學取得博士學位，目前任職清華大學，是清華大學交叉信息研究院的助理教授。李建博士是 VLDB 2009 和 ESA 2010 最佳論文獎獲得者，也是清華211基礎研究青年人才支持計劃以及教育部新世紀人才支持計劃青年學者，他的主要研究方向為：演算法設計與分析、機器學習與深度學習、隨機優化與組合優化。

在論壇上，李建博士以「深度學習預測演算法的思想及應用」為題做了演講。在演講中他講道：

深度學習在圖像識別、語音識別這些領域，都取得了比較成功的進展，也有很成功的商業化模式，但在時空大數據方面的研究，只是剛剛起步，還沒有非常成熟的一套方法論。

李建博士認為，深度學習在時空大數據領域，有非常廣闊的應用前景，例如網約車訂單預測、出行時間的預測、商店選址等問題。

時空大數據的特點是有很多類型的數據，要解決一個可以用到方方面面的問題，比如說預測，網約車的訂單供需量的應用，數據的類型包含GPS、訂單數據、天氣數據、路況數據等等，這跟原來深度學習所處理的問題不一樣，做圖像識別只需要圖像就夠了，做語音識別只需要語音就夠了，現在有各種各樣的數據，這些數據都是不同質的，需要組合起來，才能來進行學習和預測。

* 王子卓

王子卓博士19歲從清華畢業，24歲就拿到了斯坦福的博士學位，目前執教於明尼蘇達大學，還擔任杉數科技的 CTO 。他為 IBM 定製的定價策略系統獲得兩項美國專利，並且自上線以來，已為 IBM 創造過億美元的利潤，另外此項目也被美國運籌管理學會收益管理分會提名為 2015 年最佳實際應用獎。他的研究領域主要為：收益管理與運營管理、定價問題，優化演算法設計。

在論壇中，王子卓博士以「數據驅動的定價策略系統詳解」為題做了演講。在演講中，他認為，在比較廣泛的意義上來說，一個好的定價策略，需要在正確的時間，正確的地點，以正確的價格，把正確的服務和商品賣給正確的消費者。這裡包含很多需要做決策的地方，當然價格是其中的最的一部分，這對企業來說，是非常重要的。

在行業里，哪個企業能夠利用有限的資源獲得更大的收益，就很可能決定這個企業在行業當中能否脫穎而出，能否獲得成功，而定價策略可謂是很多公司的「生命線」。這裡有很多新的機遇，有很多的挑戰，通過數據驅動的方法，利用機器學習、人工智慧技術、運籌學的技術，就能來幫助新公司在新的時代更好的迎接挑戰。

以下為Q&A採訪，雷鋒網在不更改原意的基礎上做了刪減整理：

記者：工業界相對學術界來說，有更多的資源優勢，美國高校如何應對學術人才流失的挑戰？

陳溪：美國高校提供更靈活的制度，以前不允許教授到企業，而現在允許在學校工作3天，企業工作2天，像文本分析確實企業做的比學校好，學校會回歸到更加基礎的研究，更多理解深度學習為什麼取得這麼好的效果，有哪些局限性，根據我們理解，會開發出新的演算法，以後有更加需要創新的，更加基礎的東西會在學校里完成，而大規模的應用企業會推出。

記者：怎麼看國內運籌學這一塊人才緊缺這個事？

葉蔭宇：我覺得不是人才緊缺的問題，而是導向的問題。我個人認為，中國學生學理工科都是很強的，但是，他們也是永遠追那個最時髦的，我覺得這個風氣要改一改。就像剛才講的說不定，過幾年 AI 就不那麼火，所以我覺得學生還是要把基礎打好，我非常贊成這個教育，進去不要就是搞 AI，或者搞機器學習，搞搞OR，搞搞統計（也可以）。

另外，理工科變得愈來愈受歡迎，這不僅在中國，在美國也是這樣。我們斯坦福大學，原來大部分本科生都在文理學院，而現在也都轉到工科學院，我覺得學文理學生去接觸一些理工科的知識，也沒有什麼障礙。其實無非就是一些 1＋1=2 這些簡單的術語就可以了。我記得我們斯坦福商學院的院長，也叫他們 MBA 的這個學生去聽機器學習的課。

藍光輝：在我們學校（喬治亞理工學院）其實主體部分是運籌學，包括優化、學習過程、統計等等，我們那個系排名第一，我們整個學校 10% 的學生在我們系，在美國找工作非常好找，一般本科生畢業之後會有4-5個 offer ，我們需要創造這樣的一個機會在國內，讓大家知道這個是有很大的需求。

記者：人工智慧三起兩落，是不是又會帶來人才的流動，任何產業的變化一定是基於人才的流動，怎麼看這個趨勢？以及國內產學研的結合，會不會對人才有新的要求？

李建：人才是一個很基礎又很複雜的問題，比如說 AI 這一波火了，像我是在負責我們院的招生工作，明顯的感覺到一半多以上的學生都想學 AI、機器學習，但其實其他學科的也都非常的重要，報名的學生馬上就變少。

我覺得學生也是被媒體影響，比例有點趨高，並不是它有所突破這個比例應該增加，我的感覺是增加過多了，很多重要的方向就非常缺乏學生，但這些方向也非常重要。

學生面試的時候，我們會給他說這個方向非常非常的重要，大家都往這個方向來，我們做了很多開導的工作，重新疏導，雖然媒體沒有人報道，但是你學這個，以後也有可能非常成熟。媒體鋪天蓋地的宣傳，都想搞 AI，但是我們做的事情也都在做，至少對於我來說，即便跟我學深度學習、學AI，還是會讓他學優化、學統計，把基礎打紮實。我們有一個術語叫煉丹，其實我們在煉丹，不確定性很大。我們希望學生，把基礎打好，從上到下，從理論到實際，都可以全面的應對。

記者：未來 AI 的發展趨勢如何？

王子卓：這個其實是很難預測的，隨著科學技術的發展，實際上更多不是線性的往上去，而是一個爆發性的，可能某個點就有一個突然的進度，而這個進度之後，有些人就會跟著潮流解決相關的問題，解決完了之後又會停留在某個階段。

雖然這個事情很難預測，但企業需要提高效率的這個事情是永遠都需要的，這裡面應該用什麼方法提高效率，AI 的領先技術肯定是一種，我們現有的方式幫助他們提升。

葉蔭宇：我個人認為，AI 肯定會發展，至於還叫不叫 AI 我就不知道了。大家仔細想一想，其實 AI 要解決的問題，以前不叫 AI ，或者說叫 OR 要解決的問題，統計要解決的問題，或者說計算機要解決的問題，關鍵還是要服務於人類，提高效率，減少風險，而且應用大量的數學或者量化的工具，這個趨勢是會越來越強的，在這點上，我說AI永遠不會死，因為它和統計、運籌學都一樣的，但是它會不會以另外一個名詞來出現，我覺得這個也是有可能的。

另外，我覺得中國的媒體或者所有的媒體都不需要局限於，這個叫 AI 還是不叫 AI，關鍵是它確實是用到了基於科學的決策上。反過來說在美國，我們剛剛開過一個會沒有多少人提 AI，國外根本還沒有 AI 這種專業，我們的專業還是數學、物理、統計、優化，在我們計算機系，學生一樣要學很多課程。所以在這點上，我覺得容易把一個名稱去炒的很火熱，以它來畫線，好像非 AI不 可。

藍光輝：我補充一點，我覺得還是需要一些本質的思考，因為在歷史上，也是因為某一項技術，或者知名度，過於把期望值提高，導致它解決所有的問題都非常迫切。從研究角度來說，那只是一個名字而已，真正秉承的還是一些數據的辦法、建模，不要去叫 AI 或者說不叫 AI 。

為什麼在中國AI這麼火，我覺得可能在某種意義上我們民族的浪漫主義，我們想到 AI。什麼都可以做，有這樣的感覺，我們小的時候看的動畫片，都有這種民族的情懷，而很多的老美更加的實際一些。

雷鋒網後續還將奉上此次演講的全文整理以及對藍光輝教授、陳溪博士的專訪文章，敬請關注。

雷鋒網原創文章，網站轉載請至雷鋒網官網申請授權。歡迎熱情討論，轉發分享~

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！