数据、算法加人工智能，以更好地实现产学研结合
雷锋网 AI 科技评论注意到，此次研讨会不仅邀请到执教于斯坦福大学、芝加哥大学、北京大学、上海财经大学等多所国内外知名高校的知名学者，还汇聚了多名业界领军人物，大家共聚一堂，回顾历史上重要的算法，展示自己的研究成果，分析当前的产业热点，探讨在当前形势下，如何将算法与大数据、人工智能等结合起来进行研究，以更好地实现产学研结合。
会议首日，上海财经大学交叉科学研究院院长葛冬冬教授以「数据驱动的优化决策实践」为主题进行演讲。葛冬冬教授在本次演讲中首先描述了大数据时代我们所面临的挑战，他也细致分析了当今学术界与工业界的结合较之以往有何区别。「目前可以将实际中决策问题转化为数学模型，并用高效的优化算法求解。」他说道，「运筹学正迎来黄金时代。」
图：上海财经大学交叉科学研究院院长葛冬冬
而在葛冬冬教授的演讲结束之后，MOSEK 的创始人 Erling Andersen 发表了题为 Solving Conic Optimization Problem Using MOSEK 的报告，他与参会者们分享了 MOSEK 的开发经验，他们是如何应对挑战、解决问题的。作为一家创立 20 年、在世界范围内树立标杆地位的顶尖优化算法软件公司，MOSEK 目前已经实现了欧洲的全覆盖，为世界一流高校、研究院所和顶尖金融机构提供服务。
图：MOSEK 创始人 Erling Andersen
在短暂的茶歇之后，迎来了此次研讨会的特邀嘉宾——滴滴出行副总裁、滴滴研究院副院长叶杰平。他发表主题为 Big Data in Didi Chuxing 的精彩演讲，详细介绍了大数据、人工智能技术在滴滴平台的应用。滴滴自2015年就成立了机器学习研究院，后升级为滴滴研究院。滴滴研究院将大数据、机器学习、云计算结合起来，构建了云端的人工智能交通引擎，滴滴大脑。滴滴大脑能实时学习城市交通出行规律，了解交通工具和道路情况，做出最优的决策（路径规划、供需匹配、智能调度等）。不仅整体地最大化城市的交通效率，也尽可能地优化每个人的出行体验。以派单为例，滴滴的每一次派单，就如同下棋，会考虑之后N步的走法。滴滴大脑每2秒进行一次全局判断，在迅速的大量计算中，完成全局最优的智能派单。
图：密歇根大学教授、滴滴出行副总裁叶杰平
之后迎来了第一天的最后一位嘉宾，来自南加州大学的 John Carlsson 副教授。他做了主题为 Computational Geometry and Logistics 的演讲。在演讲中他指出，计算几何学和逻辑学的研究帮助科学家从复杂的数据中发现几何和逻辑上规律的特征，这些具有代表性的数据子集可以让科学家用计算机算法更好地理解每个数据集的本质以及不同数据之间的关系，最终帮助人类解决诸如生产调度、大数据医疗、选举结果预测等问题。在 AI 时代，面对海量数据，他提供了系统的分析、建模思路。
而在正会第二天，明尼苏达大学张树中教授、斯坦福大学叶荫宇教授、纽约大学张家伟教授分别上台作了主题报告。
作为运筹学领域杰出的华人代表，张树中教授的演讲主题是 A Primal-Dual Perspective of The Optimization World，在演讲中，他表示，他表示，优化里一个很重要的概念是对偶，所有优化问题里都存在着对偶问题，对偶问题里包含了很多信息，优化问题里包含潜在问题里很多很重要的结构。结合他在对偶问题上的多年研究，他表达了自己对对偶的理解，其实对偶本身并不是对立面，事情是自然的，原始即是对偶，对偶即是原始。
图：明尼苏达大学张树中教授
接下来是冯诺依曼理论奖得主、斯坦福大学管理科学与工程系、杉数科技首席科学家顾问叶荫宇教授的精彩分享。众所周知，在决策的时候存在不确定性，人们过去提出了很多方法，比如说基于数据等，但效果不是很好，叶荫宇教授表示，使用鲁棒优化的方法，即使在决策时存在不确定性，仍然有比较好的效果。之后他介绍了自己这些年在分布式鲁棒优化方面取得的进展，作为分布式鲁棒优化的奠基人，他表示鲁棒性方法的应用很广泛。在当前流行的深度学习和机器学习当中，鲁棒优化的方法和机器学习的正则化方法在某种情况下是等价的。
图：斯坦福大学叶荫宇教授
而接下来则是张家伟教授的分享，他的主要研究兴趣包括商业分析、最优化决策、供应链和库存管理等，他带来的主题是 online Resource Allocation with Limited Flexibility。他为我们描述了生产和销售问题中灵活性的重大价值——在系统中增加一点点灵活性，就能带来很大的收益。作为柔性系统灵活性研究方面的专家，他为我们描述了在生产制造、销售和运输的过程中如何更好地去满足需求。
图：纽约大学张家伟教授
上午三位教授的精彩演讲结束之后，下午是中国运筹学会的闭门会议——现代运筹学发展讨论会，在会上，来自国内外的各位专家教授简要分享了自己近期的工作成果，对中国运筹学的发展各抒己见，提出具体的建议规划。而他们研究的方向也各有侧重，机器学习、深度学习、异步计算、量子计算、大规模稀疏优化、供应链管理、组合优化、算法博弈论等多个问题，大家都各有研究和讨论。除此之外，还有对当前学术热点比如 AlphaGo 的精彩讨论。
值得一提的是，带来分享的专家教授们大多是叶荫宇教授的学生，而此次会议也恰逢叶教授的生日，借着讨论会的契机，大家在分享自己的科研成果时也肯定了叶教授的学术成就，对叶教授表达了由衷感谢。而叶教授也在最后发表精彩演讲，阐述了如何教育学生，怎么做出有品位的研究，以及对运筹学发展的一些建议。
而在会议最后一天，以斯坦福大学管理科学与工程系冯诺依曼理论奖得主、 美国工程院院士 Peter Glynn 教授为首的16位来自芝加哥大学、普林斯顿大学、哥伦比亚大学、明尼苏达大学、香港科技大学等国内外高校的学者共聚一堂，在这短暂的一天中，接连带来一篇篇精彩纷呈的学术报告。
作为第一个上台的嘉宾， Peter Glynn 教授带来了主题为 Robust Optimization, Empirical Likelihood, and Regularization 的报告。演讲伊始，他表示，自己今天的报告是受到叶荫宇教授等 2016 年的论文 Likelihood robust optimization for data-driven problems 的启发。接下来，他介绍了鲁棒优化 (robust optimization)、经验似然 (empirical likelihood)和统计学习中的正则化(regularization)三个不同领域的重要方法的深刻联系。随着机器学习在众多领域内迅速得到广泛应用，现有机器学习算法缺乏稳定性的不足逐渐暴露出来。Peter Glynn教授的这一最新研究成果为提高机器学习算法的稳定性和可推广性打下了坚实的基础。
图：斯坦福大学管理科学与工程系讲席教授 Peter Glynn
而在 Peter Glynn 教授的报告结束之后，精彩的学术报告一轮接一轮，包括 leaves 开源平台的最新进展、不确定型决策、资源分配、统计学等各个方面，活动一直持续到下午五点。至此，三天的会议圆满结束。
「学术氛围浓，数据驱动和优化的吸引力无穷」
虽然此次会议在上海举办，但雷锋网 AI 科技评论在现场的交流中发现，参会人员中有来自香港、新加坡、美国等世界各地的学生，除了学生，还有多位产业界人士。这次会议究竟有着什么力量，能吸引到如此多的同学以及业界人士来到现场，雷锋网 AI 科技评论也与现场同学做了交流。
复旦大学数学系大四的一名学生对雷锋网 AI 科技评论说道，「这次会议聚集了国内外的大师学者，做的问题很多都和我感兴趣的 data-driven 以及 stochastic optimization 有关，觉得是很好的学习机会。」
在参会这两天中，她更多的是感受到了学者们的人格魅力，她表示
很受整个会场学者气质的鼓舞，一直保持一颗热爱学术、欢迎合作、并且平易近人的心。听到老师们路上还在一直讨论自己的学术问题，分享从之前会议上得到的灵感，感觉精神上受到很大感染，心潮澎湃。
而从学术研究的角度，她对 AI 科技评论说道：「老师们在讲座中讲了很多 idea 的角度，为什么 come up with 一个 idea，如何 formalize 一个 idea，如何从不同角度去 analyze 一个 idea，不管是张老师叶老师还是家伟老师，我觉得一个好的 idea 可以带来很多方面的启发，包括其他问题上的迁移应用，也包括更深层次对以往不同方法的综合再理解。对年轻的研究者来说，如何得到 idea 可能比如何进行严格的论证更为关键。」
另一名来自香港的博士生也表达了类似的观点，他表示，这次会议最吸引他的地方就是数据驱动和优化。「这个话题是当前学术界比较火的话题，而这次会议既邀请学术大牛，从更高的角度了解学界的研究方向，也有年轻学者从不同角度出发展示自己的研究，还有企业高层展示学术与业界的融合，可以给相关方向的研究带来很多启发。」
他的研究领域是鲁棒优化，听了两天的会议后，他结合当前的热点做出了实际的思考：「机器学习现在确实很火，但并不完美，而我们 OR 领域的学者可以结合自己的研究出发，如 convex optimization 还有 robust optimization 等提升机器学习一些算法的效果。此外，OR 相关的研究也能借鉴机器学习最新算法，比如 AlphaGo 中的 reinforcement learning 还有 Monte Carlo Search Tree 的思想可以应用于 OR 相关的研究中。正如滴滴出行副总裁叶杰平教授提到的，结合 AlphaGo 的思想来做 route planning。」
对于学术研究是否有带来启发呢，他对 AI 科技评论表示，虽然现在使用机器学习算法加上数据确实也能取得比较好的效果，但是要做到更好，更多的是要利用对模型的理解结合 robust optimization 。不过他也表示，需要机器学习领域相关的研究建立更深刻的理解。
而来自东北大学统计优化方向的一名博士则表示，最吸引他的地方是共同研究的方法和问题特征。他们实验室的研究方向是钢铁行业和电力能源互联网等工业问题，他表示，虽然研究领域不同，但只有多多交流探讨，才能共同进步。
而在学术方面，他也和复旦大学的同学表达了同样的看法：
收获良多，不是简单几句能说完整的。简单说，学术方面，肯定受到了叶老师葛老师等人报告的启发。学风建设方面，感慨财大百年活动的生活，和浓郁的学术交流氛围。还有向叶老师学习，早日学成，帮助研究所和学校的发展。领域发展方面，希望借鉴他们的经验和感悟使中国工业快速发展，企业和学校良好结合之类的。
如何看待此次会议，他表示，「学术报告重在新思想启发和分享。能结合自己实际项目经验讲解科研过程，最后升华到理论，实为不易。」
会议虽然结束了，但大家的讨论还在继续，如何将算法、大数据与人工智能的研究结合起来，进行更深层次的探讨，这是值得所有业内人士共同探讨的话题。