摘要：
运筹学是一种研究优化的学问，就是怎么能够在有约束的实际生活中，把事情做到极致。而所谓“优化”，就是量化我们的很多决策。
钛媒体注：本文整理自叶荫宇在“AI 大师圆桌会”上关于“运筹学与人工智能”的演讲。叶荫宇是斯坦福大学 K.T.Li 讲座教授，是杉数科技（创办于2016年7月，曾获真格基金、北极光创投的天使投资）的首席科学顾问，同时也是美国运筹与办理学会最高奖——冯·诺依曼理论奖迄今唯一华人获得者。
“AI 大师圆桌系列”是钛媒体联合杉数科技举办的深度 AI 系列论坛，也是钛媒体大师圆桌会的重要组成部分（点击报名圆桌会系列活动）。在大数据初创公司杉数科技的支持下，2017年系列“AI 大师圆桌会”邀请到了人工智能、运筹学等专业领域具有极高话语地位的多位国际知名学者和教授来到中国，巡回北京、上海、深圳三地，旨在共同探讨 AI 对产业的颠覆性影响。
在人工智能的商业应用中，越来越凸显出运筹学的重要性。
那么运筹学是什么？
运筹学是20世纪30年代初发展起来的一门新兴学科，其主要目的是在决策时为办理人员提供科学依据，是实现有效办理、正确决策和现代化办理的重要方法之一。它诞生的时间要比 AI 早，但却与 AI 的关系密切。
叶荫宇教授作为“AI 大师圆桌会”·北京站最受期待的分享嘉宾，在这一学科深耕三十余载，深知机器学习与运筹学之间密不成分的关系。无论是物流仓储，还是风险保障，运筹学都在其中饰演着重要的角色。
事实上，运筹学中“优化”这一概念对于机器学习自己也是适用的——好比说算法方面。随着计算能力的提升和大数据时代的来临，利用算法提高机器学习的能力成为了目前业界的焦点之一。而运筹学插上机器学习的翅膀，适用范围和能力也变广变强了。
那么这两者相结合，都有哪些具体的案例可循呢？哪些方面又得到了改进呢？叶教授在演讲中给出了生动的案例，同时，他也通过大型仓储智能化、机器人化的案例，一针见血地指出了目前国内在人工智能的商业应用中遇到的问题：过于重视机器人自己的能力，而在通盘调配和统筹如何优化上依然是弱项。
点击图片进入上海站、深圳站活动报名地址
以下为叶荫宇在钛媒体联合杉树科技举办的“AI 大师圆桌会”上的演讲实录：
我长期从事运筹学的，我 1982 年刚到美国读书的时候 AI 就非常热，但是阿谁时候很多年轻人不知道什么是AI，阿谁时期也没有很多的数据，有些（结论）就总结不出来，AI 就慢慢的没落下去了。我个人比较喜欢数学，就从事了运筹学。
运筹学是如何诞生的？运筹学是一种研究优化的学问，就是怎么能够在有约束的实际生活中，把事情做到极致。不简单是找一个可行的方案，并且是必然要找到最优的方案。
Nothing at all takes place in the Universe in which some rule of maximum or minimum does not appear. ——数学家欧拉
那么这种理论呢，也是基于自然形成也是在所谓的一个平衡，也是能量函数，到了极值。
运筹学的起源，是一部分数学统计阿谁时候还没有计算机，数学怎么能接地气，怎么落到实地，怎么真正起到应用的对人们生活产生一些影响，这样的数学家们就开始寻求这样的方案。也有一些紧迫感，在二次大战的时候，如何研究盟军配置，还包孕一些博弈问题。
标识表记标帜性的结果就是 1947 年 George Dantzig 提出线性优化的单纯形法，为优化中最经典的算法。其实美国早在 20 世纪就提出来了，但是阿谁时候没有算法，阿谁时候也不需要算法。因为阿谁时候没有计算机，把最优解选出来很慢，能不能有数学的这个记忆依靠这个逻辑来算出来，这就是里程碑的意义，虽然他本身因为搞数学，没有得诺贝尔奖。
后来运用到经济发展中，运筹学得到很大的发展。特别是之后计算机的高速发展，以前可能需要 1 个小时解出来的，现在不到 1 秒钟就可以解出来，这既有硬件的提升，也有算法的提升。所以我们可以预见运筹学要比 AI，机器学习更老，但 AI 和机器学习又给予我们更多的机会。不过，我认为无论是哪一种，很多都需要依靠优化。
整体而言，所谓“优化”就是——量化我们的很多决策。
满足必然的约束条件下，使某一个函数最大，这就是优化问题。量化一件事物，就需要建模。一般优化过程就是从建模到求解，然后再到决策，最后我们需要一套算法来求解。
