叶荫宇，斯坦福大学的杰出教授：AI智能决策的真正力量

下面的文章来自华夏基石 e 洞悉 ，作者叶荫宇

华夏基石数智时代第三期领导力特训营热招！

作者 | 叶荫宇，第一个冯 · 美国斯坦福大学管理与工程系和计算数学工程研究所的杰出终身教授诺依曼奖中国奖。

来源 | 华夏基石 e 洞悉，管理洞悉

咨询合作 | 13699120588

本文根据叶荫宇教授在 2024 在华夏基石十一届十月管理高峰论坛上，文章仅代表作者自己的观点(未经本人批准)

叶荫宇，首位冯 · 诺依曼奖中国获奖者，美国斯坦福大学管理与工程系和计算数学工程研究所的杰出终身教授，斯坦福管理与工程系工业联盟主任，上海交通大学人工智能研究所首席科学家，香港中文大学深圳研究所首席顾问科学家

非常感谢华夏基石给了我这次见面的机会。我是斯坦福大学，现在也是上海交通大学、香港中文大学深圳研究院的兼职教授。今天，我将报告我如何拥抱人工智能。

智能化决策-人工智能落地目标之一

如何拥抱人工智能？对我们来说，我们需要人工智能。如何落地？我认为，无论是宏观决策还是微观决策，决策都是可以智能化的，可以让 AI 这个工具可以帮助我们。

本人从事运筹管理研究，或称“数学优化”。运筹学，OperationalResearch，事实上，华罗庚先生很早就研究了我们国家的首选方法，这是我的专业之一。之后钱学森先生也做了很多运筹学相关的工作，这也是我的学术范围。1982年 2008年我去美国留学，很幸运能和斯坦福大学运筹学研究人员一起工作。

(一)人工智能三个渐进层次。

人工智能有三个渐进阶段。

首先，感知智力。是指利用语音识别、图像识别等前沿技术，将物理世界的信号通过摄像头、麦克风或其他传感器硬件配置映射到数字世界，进一步将这些数字信息提升到可理解的水平。类似于通过传感器将各种信号输入我们的大脑并储存起来。

其次，认知智能。是指 AI 基于现有的知识结构，系统可以通过处理和理解感知到的信息来解释和预测类似于人类认知过程的复杂问题。这个过程就是做一些简单的分析。

三是智能决策。AI 根据认知分析和推理结果，系统能够高效灵活地结合环境和语境信息，对概率进行全面评估，并根据特定目标做出最佳决策。AI 有助于我们的决策更优化，风险最低。第三阶段是人工智能。

(二)决策问题的核心特征

这三个阶段密切相关，但决策问题与一般简单的感知和认知不同，具有与感知和认知问题不同的鲜明特征。

1. 目标 / 精度导向

一般来说，决策有明确的目标和结果，带来明确、易于观察和评估的价值创造。因此，人类对提高决策效果的向往几乎是无穷无尽的，优化几乎成为决策的象征。决策的准确性成为核心需求。

2. 因果 / 可解释导向

一般来说，决策问题高度依赖于对可解释因果关系的识别和理解:第一，当决策效果出现偏差时，可以快速归因和调整；第二，决策通常与责任密切相关，因此需要明确的逻辑关系来判断责任。

3. 要求鲁棒和复杂性

由于决策结果对复杂的环境和目标有非常直接的影响，所以在决策过程中，保护底线和对稳定性的要求几乎和最大化价值一样重要。我们的决定必须是鲁棒的。（robustness，也就是系统的健壮性。这是系统在异常和危险条件下生存的关键)。

4. 时间 / 资源敏感

由于强烈的利益导向，决策问题一般包含明确的成本和收益考虑，现实世界中的大多数决策都有时间限制，所以决策问题往往需要在较少的时间和资源下得到很好的处理。

(三)学习路线类智能的明显缺陷

基于以上复杂决策问题的核心特点，简单的学习路线(几乎已经成为 AI 面对复杂的决策问题，象征)存在明显的缺陷。学习（Learning Algorithm）型算法面临的关键挑战如下：

首先，深度学习等学习算法系统在一些复杂的问题上可以提供比传统优化方法更好的相似解决方案，但在现实生活中更常见的决策问题上，很难提供符合要求的高精度解决方案。

其次，深度学习等学习算法系统是典型的黑盒机制。虽然近年来在训练过程中引入了许多可解释机制的探索，但其基本逻辑很难支持完美和清晰的可解释性，也很难满足高价值决策场景下的要求。

第三，由于黑盒机制和缺乏清晰的逻辑判断过程，如深度学习等学习算法系统在复杂环境下无法提供明确的界限定义来约束解决方案的范围，因此毁灭性结果的概率大大增加。

第四，由于缺乏清晰可控的逻辑顺序和对数据本身的高度依赖，如深度学习、大模型等学习算法框架的实践，能源、算率等资源的消耗远远超出预期。决策问题不仅普遍存在，而且一般都包含着明确的投入产出率逻辑，所以单从资源投入的角度来看，AI 在当前的学习算法框架下，很难实现技术对决策问题的广泛支持。

人工智能够及其落地：让人工智能做一些人类做不到的事情。

以下是一些关于大模型和人工智能以及如何落地相结合的例子。

决策者认知，并非简单的大模型就能处理。还有一个很微观的决策问题，在运筹学界也是很经典的问题，那就是背包问题。我有一个 5 一斤背包，有 5 个别物品，每一种价格都有两个特点，一是重量，二是价值。这款背包里应该放哪五件物品，促使背包里产生的总量最大，但又不超过我们的产能？能把这个问题看作是可以的 5 个别项目，资金投资只有资金投资。 500 万，应该投资哪些项目？还可视为生产线问题，有些产品，先生产什么，后生产什么，怎样做出最好的决定？

怎样才能做出智能的决定？一般来说，建立一个数据模型，比如这五个项目，我会分别定制一个变量，这个变量是否应该取。 0，要不取 1。取 0 只是不要放在背包里，取出来。 1 就是把它放在背包里。我们想要什么？为了最大化总额，目标函数通常是最大的。但是必须符合一些约束，这些约束是什么？假如决定把什么放在背包里，里面的重量不能超过 5 KG，所有的答案都给你，这是一个数学模型。所有的孩子都在中学或小学，现在都有数学模型的项目或比赛。

所以，人工智能，或者说 GPU 能否帮助我们处理背包问题？当时我们问了起来 ChatGPT，这是一个经典的背包问题，可以通过数学优化来解决。这个句子表明它已经感觉到了。可是 ChatGPT 答案是，把 1、3、5 把它放进背包里，总金额就达到了 53 人民币，换句话说，投资这三个项目。1、3、5 放在背包里，总是很重 6 KG，这将超过背包的重量。所以，这个答案是错误的。仅凭经验感知我们找不到问题的最佳解决方案。

2023 2008年，我们也问了这个问题，或者给了一个错误的答案。我们告诉它这个答案是错误的，所以我们应该重新思考。它说 1、2、5 把它放进去。这样产生的价值 43 元素，重量是满足的，只有 4 KG。但是这个问题最好的答案是什么呢？ 2、3、5 放在背包里，总金额 45 元。

这个说明是什么问题？表明 ChatGPT 现在的大模型也不是万能的，这还只是放置。 5 物体问题。在进一步调试中，我们必须引用大规模优化的求解功能或算法来找出最优解。现在华为排产，10 万个零件，如何找到最优解？现在深圳的经济发展非常好， AI 有关产业，刺激了许多产业。 GPU 制造商，芯片制造商。如果需要芯片，一定要有电路板。去深圳看看，去东莞看看。生产电路板的公司订单大幅增加，每天都要安排。 1 一万个订单的数量，如何排到每一条生产线上，每一条生产线都像一个背包问题。5 没有一个能回答，成千上万的订单排到了。 100 在一条生产线上，哪条订单放在哪条生产线上？按什么顺序生产？那是人力无法达到的。

因此，我们不应该说我们希望人工智能取代人类，或者比人类做得更好。我们应该有更高的要求。我们应该让人工智能做一些人类做不到的事情。什么是优化？人工智能如何落地？我们必须建模，让数学做人们无法达到的事情。我们要求解决现实问题，如何组织刚才提到的所有目标、变量和约束，并用数学思维连接起来？事实上，这种方法是在人工智能之前进行的。

1975 年度诺贝尔经济学奖获得者之一是前苏维埃的经济学家，列奥尼德 · 美国数学与经济学家康托罗维奇，佳林 · 库普曼斯。他们成功地将数学统计应用于经济计量学，最好地利用资源，从定性研究和一般定量分析推进到实际计量阶段，为线性规划方法的建立和发展做出了开创性的贡献。通过数学优化和数学规划方法，他们创造了这个智能决策模型， 1975 年度诺贝尔奖，但当时他们没有算法。

正如我刚才所说，要将 1 一万个甚至一百万个东西分配到几万个背包里，需要一套快速的算法才能找出来。穷举法不行，必须有精准的数学算法。模型建立后，这种算法终于出现了。

这个人在照片中间 G.B.Dantzig，发明并理解这种数学优化算法。当时提出这个算法的时候，没有电脑，没有电脑就没有算法。事实上，数学优化算法一直是人工智能发展的重要动力。算法走在电脑前。早期的数学优化算法是智能决策的基础。计算机大大提高了计算效率，逻辑计算，智能计算，才能最快得到结果。

1982年，我很幸运。 2008年到达斯坦福后，G.B.Dantzig 就是我的导师。1975 2008年，当他们两个获得诺贝尔奖时，他们特意邀请了我的导师上台，说没有他的方法，我们的数学模型就是一纸空文。不幸的是，诺贝尔没有获得数学奖。

提升求解器：优化算法的关键工具和实现智能决策的关键计算引擎

数据变量、目标约束、数学模型和算法是分不开的，包括今天的大模型。它的训练过程是一个寻找优势的过程，解决一个大问题是一个优化问题。推广建模为复杂的决策问题提供了一个健全精致的解决方案，高度一致。此外，算法解决方案使我们的解决方案完全机器化和自动化。事实上，整个 AI 它的发展离不开算法的出现。

不管是简单的回归，机器学习，人工智能等代表性物品， Alpha GO，还可以加强学习，也可以提高算法，每一步的发展都与算法的提高有关。

这个算法必须符合我们的模型，我们的规律。G.B.Dantzig 这种推广，尤其是算法编译成电脑后，数据进来了，几秒钟就找出了优化的解决方案，不需要用语言来描述。这就是所谓的求解器，一直是高科技领域发展的核心基础，或者说，算法就是芯片。许多人说，为什么我们国家的芯片不够领先？是因为工艺不够，材料不够？实际上还有一个非常落后的地方，那就是设计不够。Snyopsys 它是美国最大的芯片设计公司，其芯片设计的底层就是用来提升。为什么？比如电路板，设备放在哪里，电路怎么走，都是有逻辑的，都是要优化的。在这些方面，使用了非常强大的优化算法和求解器。化学工业生产中最著名的软件—— Aspen，其核心是提升，即求解，因为它处理的是物理过程，化学过程中的求解问题。流体力学也有同样的求解需求。

Space X 使用强大的优化算法。Elon Musk 多次失败回收火箭，随后找到了斯坦福的优化专家，我们共同提供了最佳的优化算法。火箭回收必须随时调控。由于周围环境的变化，不可能全部在预测范围内，应立即控制。还有电网和供应链问题，包括 CAD，同时也离不开优化算法。所有这些工业软件的底层都有智能优化软件。

由于提升求解器是我国工业软件的底层，我国现在的水平如何？很高兴地说，从 2019 到目前为止，国内优化软件的发展已跻身国际前列。在斯坦福培养了两名博士生，回到中国成立了一家企业。 Cardinal Operations，杉数科技。为什么要建议他们回国开发求解器？由于欧美市场处于领先地位，我国自身也无法做到。

用于华为生产和排产的所有工业软件，都起到了促进作用。 IBM 的求解器。2019 年华为被列入黑名单，很多人都是为华为做律师顾问，我为他们做供应链，包括生产制造顾问。因为我是 2002 2008年回到斯坦福，那一年华为正在与思科提起诉讼。本人毕业于华中科技大学，华为也有很多华中科技大学毕业生，也有我的好朋友，因此与华为建立了较好的关系。华为被列入黑名单，突然间工业排产软件无法使用，因为美国禁止使用它们的软件。她们来找我，结果我们做了一个替代软件，这个软件当时还没有达到国外的水平，但是比海外还要好。因为我们给的是源代码，所以美国的文件都是通过写文件放在硬盘上，然后读出来的。如果我们给出，我们可以将求解器或优化器与生产信息系统无缝连接，数据以光速传输。

2019年，这给了我们信心 2008年，我们终于推出了自己的商业解决方案。以前都是很大的数据公司领先。之后算法解决方案的解决方案有了非常好的生态环境。包括阿里、华为、联想在内的国内企业都在开发解决方案，构成了更好的竞争环境，让我们跻身国际前列。

解决优化问题的方法有很多种，我们在很多类型中都是求解器的第一名。美国建立了一个挑战，收集了成千上万的优化问题，每个人都给它自己的解决方案，并对其进行评估。在同一设备上，类似的问题就是求解器的算法不同，谁算得快，算得好，就得金牌。获得了我们的商业解决方案 6 个金牌，4 一枚银牌，美国最好的求解器。 5 个金牌。就像奥运会一样，我们至少和他们平局，甚至在很多方面都比他们好。国内所有的求解器都起来了，构成了一个非常好的生态环境。至少我可以自豪地告诉你，中国在优化求解器方面并不逊色于其他国家。

通过我们的努力，很多问题的速度提高到了 60 倍数，有的提高到百倍，甚至提高到万倍。尽管中国人没有足够的硬件，GPU 还不够，但是比较聪明，会想点子。设计优化算法是一个动脑的问题，完全依靠自己的智商来发展。

这也得到了国际的认可。欧洲的铁路运输、谷歌、美国的多层供应链等问题很多，国外很多求解器都解决不了，但是我们可以在几秒钟内解决。

拥抱 AI，拥抱智能决策

AI 能帮我们做些什么呢？AI 它可以帮助我们建模，大量的数据和大量的逻辑关系，包括创业者从顶层思考的一些问题。我们开发了一种工具，帮助创业者实现大模型。创业者的几句话，点名约束和变量，我们可以在索要数据之前快速建立数学模型。

比如我们收到这样的需求:“计划部门每天都要备货，先满足客户的需求。备货有很多优先事项。物流团队的资源每天都不一样。工厂不要占用太多的仓储成本。周转更好，运输成本控制得更好。”我们的解决方案可以立即提醒你你需要做什么。创业者可以直接和我们的大模型交谈，我们可以检测模型，甚至可以 Code 写出来。电路制造商，给出问题，自动存储数据，并立即为您计算。此外，我们还帮助预测商品消耗和周边市场的情况，并向企业家提出建议。

目前，我们已经使用了这个案例。我国也遇到了火箭回收和飞船回收的问题，这是一个典型的优化问题。解决问题的时间很高，因为需要调整视角，所以需要测量毫秒。我们已经解决了这个问题。

另外，提升求解器，人工智能已经成功地应用于南方电网的电力调度。原来，人们完全依靠自己的经验。现在南方电网有几个省，几万个电机，有风能，有光伏，有各种新能源，不确定性很高。作为一个电力市场，发出的电力必须与所用的电力相匹配，并且必须时刻控制它们，哪些应该打开，打开多大，哪些应该关闭。这时，人力无法实现，因为它们在不断变化。本来我们用的是国外的求解器，很高兴现在已经形成了国产的替代品。南方电网已经运营了两个多月的国产求解器。

再举一个例子。列车运行图是列车在区间运行和车站到发时的技术文件，其编制是决定铁路运量的关键环节。高速列车的经济效益主要取决于排班列车的数量，每一对列车的年收入增长近亿元。每个人都坐高铁，你知道原来的火车排班是怎么排的吗？完全是人工的，传统的编图方法，人工编图，效率低下，编图一次消耗数周。通常排一班出来，根据四季的不同需要，排多少车，怎么停，就画一张图。这么多车次怎么排？首先，在同一时间点，同一空间点，两列火车绝不能同时存在。出发时间，在中间的每一个时间，到达某个站后，停在哪个站台，都要整理出来，列车间的时差不能超过安全保障。目前采用新方法，基于优化算法的自动图编制，可以在1000秒内排班，保证安全。您想要排多就可以排多，想要排少就可以排少，这样能为国家节省多少能源？在疫情爆发的时候，很多高铁都是开空的，如果知道需求减少了，能不能快速排出班级，能不能少跑一些开空，节约很多能源？

如今，中国最大的煤炭运输港口是杉木数字技术为他们服务，并将人工智能落地到港口的准备和运输中。刚才提到的华为生产排放的速度有了很大的提高。

我觉得 AI 不要复制人工智能，而要超越人类智能，人类做不到的事我们要让人工智能去做。目前供应链管理，如何定价，如何库存？还有发动机制造。为什么飞机发动机做不到？很大的原因是设计问题，设计问题也是优化问题。用我导师的话说，The algorithms that turns the world，目前，地球依靠算法来促进运转。

我认为企业家应该拥抱 AI，拥抱智能决策。而现在正是落地的时候，一项新技术通常会接受生命周期。如果你迈出一步，你可能会领先。希望企业家们快点，Take Actions Now。

谢谢大家！

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com