全球机器智能峰会（GMIS 2017），是全球人工智能产业信息服务平台机器之心举办的首届大会，邀请了来自美国、欧洲、加拿大及国内的众多顶级专家参会演讲。本次大会共计 47 位嘉宾、5 个 Session、32 场演讲、4 场圆桌论坛、1 场人机大战，兼顾学界与产业、科技巨头与创业公司，以专业化、全球化的视角为人工智能从业者和爱好者奉上一场机器智能盛宴。
5 月 27 日，机器之心主办的为期两天的全球机器智能峰会（GMIS 2017）在北京 898 创新空间顺利开幕。中国科学院自动化研究所复杂系统管理与控制国家重点实验室主任王飞跃为本次大会做了开幕式致辞，他表示：「我个人的看法是再过几年，我们 90% 的工作是人工智能提供的，就像我们今天大部分工作是机器提供的一样。我们知道人工智能会给我们提供一个更美好的未来。」。大会第一天重要嘉宾「LSTM 之父」Jürgen Schmidhuber、Citadel 首席人工智能官邓力、腾讯AI Lab 副主任俞栋、英特尔AIPG数据科学部主任、GE Transportation Digital Solutions CTO Wesly Mukai 等知名人工智能专家参与峰会，并在主题演讲、圆桌论坛等互动形式下，从科学家、企业家、技术专家的视角，解读人工智能的未来发展。
下午，杉数科技联合创始人、首席科学家葛冬冬发表了主题为《人工智能时代，运筹学能做些什么？》的演讲，他分享了杉数科技作为创业公司在运筹学方面做出的大胆尝试，以及分享了运筹学在人工智能时代所扮演的角色。以下是本次演讲的主要内容：
在现在社会中，任何一个学科都受到了很大冲击，要面对与人工智能之间的关系，运筹学同样如此。从技术角度讲，在大数据和AI时代里，应该有哪些事情是属于运筹学这个领域的呢？
葛冬冬分享到，数据本身有最初的全链条，最开始需要去采集、挖掘、管理，包括去存储，是属于信息科学的范畴。拿到数据后，根据拿到的数据做规律性的分析，得出一些规律，认识到这个世界如何运转，那这个属于统计学习、深度学习，甚至机器学习的范畴。
若是拿到数据以后，总结了很多规律，对于很多现实的东西，一个人要做决定，做决定的时候，发现这个规律可能是很复杂的，最后建立了一个非常复杂的系统，这个系统怎么根据复杂的规律之间错综复杂的关系，把最优化的决策找出来，这就是运筹学的任务了。
运筹学是一个交叉学科，跟各个学科可能都有一定的关系，因为任何事情都需要优化，即寻找解决事情的“最优解”。运筹学最初的用途是在军事上，后来在金融、供应链方面用处越来越多。
葛冬冬解释到，「从古至今，这个世界上发生的优化，无非就两件，要么是最小化，要么是最大化，任何一件事情，其实都是遵循这个原则的。」一个人，想最大化什么事情，想最小化什么事情，比如想最大化挣到的钱，又想最小化付出和贡献，这是人类的本性，说白了就是好逸恶劳。但是也存在约束，就需要运用运筹学，寻找最优解。
而在最近两年，葛冬冬明显感觉到运筹学在如今社会的机遇和挑战。他认为，此刻有两点机遇是最重要的。
第一，是算法。一个很复杂的系统需要求解，很多时候这些问题，本身是一个连续优化的问题。而优化算法是运筹学最擅长，最根本的领域问题。现在数据越来越大，问题越来越复杂，这种情况下，怎么高效地设计算法，很自然带来这些问题，需要做运筹优化的算法专家去回答。
第二，社会环境发生的变化。葛冬冬2009年从斯坦福回来，在商学院工作去拜访一些企业，当时的企业很多丝毫认识不到有问题需要优化，认为现在发展很快，可以赚到钱。而这两年，意识发生了明显的改变。这其中有两个因素，第一个因素，近几年经济下行，有很大的发展压力。很多企业如果不做精细化管理赚不到钱，不得不开始正视和考虑这个问题。第二个，对于大数据或者是人工智能这个社群的发展，优化运筹中有很多人是并不觉得特别理解，觉得有威胁。但是葛冬冬却对此非常感激，认为是大数据和人工智能社区对于唤醒企业的量化意识起到了至关重要的作用。运筹学将结合大数据和AI，发挥巨大的作用。
挑战当然不能忽视，运筹学作为交叉学科，计算机学家、经济学家、统计学家都可能来挤压运筹学从业者的生存空间。葛冬冬举例讲解了杉数科技的运筹学和其他学科之间“相爱相杀”的关系。
他分别从选址问题、收益管理、KIVA系统等方面进行实例分享：
其中收益管理中存在二八定律，80%的东西其实占的销量很少。所谓的长尾商品，有的商品可能几个星期卖不出去一件，这种商品，其实顾客对价格不是特别敏感。但如果几年不变价格的话，无法知道价格弹性是什么，而价格弹性意味着价格变动跟供需之间的关系，价格从来不变，就无从知道价格弹性，而没有弹性则没有办法进行收益管理。葛冬冬的团队采用了一种鲁棒优化的手段，证明了实验性调价不会影响销量，可以一边调价做测试，不影响销量和利润，同时得到了需要的弹性分析数据。同时，他们也采取了机器学习的方法，让商品特征与弹性建立起联系，也能够很好的拟合出弹性。最后事实证明，调价的策略是比较成功的，运筹学得到了应用。
此外，葛冬冬讲到，杉数科技与一家公司联合开发了一套类KIVA系统，即一套小机器人在里面跑来跑去在里面运货。这是一个AI场景，每一步运用到运筹学的方法。第一步，需要把机器人、托架、工作站三者匹配起来，达到最大效率，不发生浪费，这个问题最后转化为大规模的整数规划问题，这是非常典型的运筹学手段。第二步，活动区域的划分，使得大家的活动尽量均衡起来，避免有的区域很拥挤，有的区域很稀少，同样用整数规划问题做了一个求解。第三件事情，防止碰撞，KIVA最开始碰撞是经常发生的，杉数的解决方法是把它提升到一个三维的空间，把时间作为第三维度，在三维空间中如果不交叉，这个事情自然而然就不会碰撞。从一开始设计就天然地避免了交叉，再次运用运筹学做了这样一套系统。
葛冬冬也谈到了优化算法在机器学习经典模型中的基石作用。例如，他们团队开发了国内第一个基本机器学习模型的算法求解器，通过对于坐标下降，拟牛顿法，随机梯度，加速梯度算法，nesterov算法等多种算法的改造和叠加应用，在一些经典的数据集上的测试，能够得到比Tensorflow和知名算法平台H2O在一些经典模型上快50倍的效果。
最后，葛冬冬谈到，「运筹学，要顺应这个改变，它能做的事情是很多的。为机器学习提供模型的思考，算法的保障，同时也是数据到决策全面调整最核心、最后的一环，非常关键。再者，通过优化和建模的方法，对实际问题能够起到很多的指导作用。」
