傅淼：AI这个熊孩子让企业智能化领域重新焕发青春
9月6日那天，如果你走在杭州大街上，遇到非本地口音的人，估计只有三种可能：游客、创业者、或者投资人。
这一天，创业邦主办的“2017 Demo China创新中国秋季峰会”在杭州洲际酒店开幕。从海内外超4000个报名项目中筛选出的92个优质项目团队都来到了杭州，参加最终的决赛路演，有超过1500位国内外投资人参会，并有多位业内大佬到场并发表演讲。
此次大会的主题为“风口/布局”，人工智能必然是绕不开的话题。我们的CEO傅淼应邀参加了此次峰会，并以《企业智能化的未来想象空间》为题发表了主题演讲。
傅淼算是这个行业的老兵，在进入创投行业之前，就在这个领域耕耘多年，对这个行业发展的历史脉络和未来趋势了然于胸。早在1998年，傅淼就加入了美国的i2 Technologies公司，为中外多家大型跨国公司提供了企业智能化转型服务，客户中包括大名鼎鼎的Gateway、东芝、联想、华为等等。i2专注研究企业的智能化供应链管理，并开发出了当时最先进的软件产品。
结合自己20年的工作和投资经历，他讲了自己对于商业决策支持系统和人工智能的理解：
企业智能化探索的“青春年代”
不要小瞧这个六岁的“熊孩子”
决策支持系统路上的三剑客：OR、BI、ES
一句绕口令描绘智能商业的终极梦想
以下为演讲全文——
傅淼：
大家好！今天大会给到我的主题是《企业智能化的未来想象空间》，看到这个题目的时候，有一种昨日重现的感觉。
1
企业智能化探索的“青春年代”
首先给大家看一下这张照片：
看到这个奇怪的建筑你或许会想这到底是个啥？有人可能会猜是个奶牛场。嗯，有点关系。其实，这是Gateway Computers位于美国南达科达州北苏城的生产基地，也是当时他们的全球总部。这个厂房外墙的装饰就是Gateway独具特色的奶牛花斑。
也许换一个角度看起来更像个全球总部，不过在这个照片的视野之外，就是一望无际的玉米地。
19年前也就是1998年秋天，是我工作的第一年，当时我工作的公司叫i2 Technologies，Gateway就是我的客户。我在这片一望无际的玉米地中间的大厂房里没日没夜地工作了3个月，项目的名称是“智能化工厂排产系统的实施”(The Implementation of Intelligent Factory Planner)。
“没日没夜”并不是夸张。当时我负责在AS400小型机上调试优化模型，每修改一次数据模型都要跑四五个小时才能出结果，再花两三个小时分析结果，再修改模型，再跑四五个小时。
到了夜里，这四五个小时我通常会先把模型跑上，开半个小时车回酒店睡三个小时，凌晨起来再开半小时车回来看结果再修改，再跑一次，再回酒店睡一觉再来上班。就这么干了三个月。记得有一天凌晨，我离开厂房时发现地上结了白白一层霜冻，就是那天，模型跑通了。
我讲这段经历，除了缅怀一下已经逝去的青春，还有几个目的。首先想说，最近AI非常热，我们好像突然开始把智能化和一切连在一起，其实，企业智能化的努力很早就开始了。而且，我们国内也不像大家想象的那么落后。
2001-2002年，我带领团队在联想做了智能化供应链的项目，包括智能化的销售预测、智能化供应链计划、智能化工厂排程、智能化销售及运营计划等多个模块。2002年到2004年，我又带领团队在华为完成了全球集成供应链智能化的项目，到现在这个系统还在高效运转并且不断升级迭代。
第二个目的，是为了说明计算的复杂度和算力的矛盾，工厂排程每天都要4、5个小时才能跑出当天的计划，这已经是时间窗上的极限，时间再长就很难融入每天的工作流程了。同时，运行时间和模型的复杂度息息相关，也和计算平台的算力息息相关。
在当时Gateway这类商业化机构能接受的性价比范围内，这种AS400小型机已经是他们能得到的最强大的计算平台了。
第三个目的，我想引出我稍后的论述，AI的进步对解决这个矛盾的意义。
下面我们回到对人工智能的讨论。
2
不要小瞧这个六岁的“熊孩子”
六岁，正是一个“熊孩子”的年纪。AI等于几岁孩子的智力？从代表AI最高水平的谷歌平台综合来看，和人类6岁智商是类似的，这是大家比较有共识的结论。因此，业界通常认为，目前AI在商业领域的应用，主要是在一些以成年人类的标准来看，不需要太高智能的场景进行自动化替代或人机交互的体验升级。
但是，我们对这个问题有不同的看法。我们认为只要正确地定义好问题，目前AI的发展程度已经可以在商业决策支持领域发挥重要作用。
为什么6岁孩子的智力能够帮助我们更好地做商业决策呢？注意上面提到的结论是，AI目前的水平“综合”来看和人类6岁的智商类似。但是，很明显，这个6岁的孩子是个“偏科”的神童，至少他在围棋上已经可以战胜人类最伟大的棋手。
所以，目前AI在人类的某些高级智能活动领域已经远远超过成年人类的最高水平。关键是，我们如何准确地找到这些AI可以充分发挥其能力的问题。
把围棋这类问题抽象化，我们尝试定义这样一类问题：客观上它的正确解是存在的而且理论上是可以通过数值计算精确求解的，但是它的计算复杂度已经远远超越了计算机的算力，所以无论是人还是计算机，都是要用近似方法求解，只不过计算机可以比人做得更精确更快。
如果我们在商业决策领域能够找到符合这个条件的一些问题，AI就可以在这类问题上更好地帮助用户。
3
决策支持系统路上的三剑客：
OR、BI、ES
自从计算机诞生以后，人类就试图借助于其强大的数值计算能力建设一个可依赖的决策支持系统（Decision Support System，DSS），让我们来回顾一下这个领域的发展历史。
首先从运筹学（Operations Research，OR）来看，商业决策的目标是追求最大化收益。商业决策绝大多数都是微观经济层面上的决策，微观经济学上最核心的假设是所有的人包括法人都是理性的经济人，其决策的目标就是追求经济利益最大化。从OR的角度看，商业决策的过程就是最优解搜索的过程。
OR从40年代首先出现，已发展了70年。在这70年内，OR发展的很成熟，在很多领域都发挥了巨大作用。其中有这样一个非常传奇的公司，以OR为核心技术，取得了相当大的商业成功。这家就是前面提到的我服务过的公司i2 Technologies。
这家公司依托于OR理念首先提出了智能化供应链的理念，并形成了一套强大的产品，借助这个理念和这套产品征服了全球财富500强中的约400家，其中包括国内的联想和华为。这家公司的市值在2000年最高达到了500亿美金，并且以93亿美金的天价收购了Aspect，是当时软件史上最大的并购。
然而，2009年i2以约3亿美金卖给另外一家上市公司JDA，JDA私有化后被黑石收购，i2这个品牌就消失在历史中了。虽然相关的产品仍然在服务客户，但是作为软件史上的一代传奇就此落幕。
为什么基于OR的i2没能延续其商业上的巨大成功？原因有很多，但是在底层产品逻辑这个层面上，我个人反思有三个原因。
一是局部优化。学过OR的都知道，运筹学里优化最大的敌人就是不小心陷入局部最优解。即使在算法层面追求的是全局最优解，如果你所依托的数据都是内部数据的话，本质上还是局部的优化。
二是静态模型问题。作为一个优化模型的构建，有几件事情要做：（1）要选择决策变量；（2）要对目标函数的形式进行决策，并对目标函数里的参数进行设定；（3）要对约束条件的形式进行决策，并要对约束条件里参数进行设定。
这些都选择好了以后才能形成可用的模型，在上一代的OR系统里面，这些都需要很多专家来参与，最后设定好这个模型，一旦设定以后就不会轻易更改，这就是一个相对静态的模型。但是实际上，我们的产业环境是飞速变化的，一个静态模型很难准确来反映瞬息万变的外部环境。
第三就是算力不足对建模的限制。对一个基于运筹学的优化问题来说，有建模和求解两个环节，建模的选择范围和求解的方法是息息相关的：1）建模过于复杂，求解的计算复杂度过高；2）建模太简单，很难准确反映现实。因此，运筹学里的建模就成了一门高超的技艺。
算力的不断提升在不断解放建模的约束，但是算力的提升基本上和摩尔定律同步，而计算复杂度通常是随着变量数的增加以指数曲线上升的。也就是说，18个月内算力的提升很容易就被多出来的几个变量吃掉了。因此运筹学领域里有大量的理论工作是去研究发明近似算法来提升解算效率，降低解算时间，但通常很难获得大幅改善。
发展到今天，二十年已经过去了，企业智能化的世界里又发生了哪些变化呢？
首先，大数据的发展解决了数据孤岛问题，也就间接解决了由于数据孤岛导致的局部优化的问题。
其次，AI的最新发展，可以在建模和求解两方面让“古老”的OR技术重新焕发青春：
从建模的方面：AI的应用可能使模型构建和演变的决策变得自动化，模型自动适应和自动演化成为可能。
从求解方面：基于AI的近似求解算法有可能使得计算负担随变量数上升的曲线没有那么陡峭，也就是说对模型的复杂程度没有那么敏感，可以给建模工作更大的腾挪空间来更精确的描述世界。
除OR之外，跟DSS相关的另外两个领域是BI（BusinessIntelligence）和AI的一个分支领域专家系统（Expert System，即ES），时间关系今天就不展开讲了。简单说就是跟AI的发展都颇有渊源，而且随着AI的最新发展又迸发出新的活力。
总结一下，历史上OR、BI和AI在DSS领域的应用都各自取得了不同程度的成就，但是总体来看，离建立起高度可依赖的商业决策支持系统还有不小的距离。那么基于AI在过去几年的重大突破，再和OR、BI结合，是否可以催生新的商业决策模式呢？
4
一句绕口令描绘智能商业的终极梦想
我们把这个新的模式称为智能商业，Intelligent Business，注意不是Business Intelligence哈。
这就是我们提出的智能商业框架，可以看到这个框架跟传统的BI模式在单体层面上基本类似，都是有一个数据层，一个模型层，上面有应用层。
这一代跟上一代有什么不一样的地方呢？
首先它不再是一个企业内部的局部优化，它要考虑企业供应链上下游的情况，也要考虑不同供应链之间的关系，也就是考虑一个完整的产业生态网状结构的关系。
其次从数据层面，在这样一个大数据时代，企业所能接触到的数据丰富程度是空前的。以前更多的是挑战打通内部的数据孤岛，现在除了内部数据，还有供应链上下游企业之间点对点的数据交互，还有更大的云化的外部数据。
在传统的决策支持系统里，因为没有明确的相关性，这些外部数据的利用率很低。但是外部环境对企业经营可能有更大的影响，外部数据隐含着很多相关性。利用现在的大数据技术，可以为企业决策带来更多的数据信息，通过AI的方式把里面有用的信息挖掘出来，再应用到整个决策支持系统里面去。
第三个层面就是利用反馈和闭环能够对模型进行自动的优化。
关于模型的自动优化，我想再进一步解释一下。这句话很像绕口令，但可能是我整个演讲里最重要的一句话：为构建一个支持决策的优化模型而做出的关于决策变量的决策，这可能恰恰是AI-Enhanced DSS的核心所在。
AI的应用可能使模型构建和演变的决策变得自动化，意味着模型本身，包括决策变量、目标函数、约束条件，这些本身成为了优化的决策变量，形成了一个优化的嵌套，这也意味着基于机器学习的模型自动适应和自动演化成为可能。
当然，这无论从理论上还是实践上都需要大量的工作要做，但是这样的机制才是真正的Intelligent Business，这是我们努力的终极目标。
下面，我举几个我们投资的公司案例。
鸿鹊，中国第一家独立的、完善的酒店收益管理体系。他们通过将展会、竞争群价格、市场指数等外部数据源，OTA、官网、APP等批发商渠道数据源，以及酒店前台系统(PMS)的预定、历史、预测等内部数据，集合至收益管理系统进行加工、运算、处理，并将数据分析、优化决策实时反馈至酒店前台系统，该系统进一步向各个渠道实施动态定价、房量分配、订房限制、升档销售等一系列策略，最终帮助各大酒店实现客房收入提高3-7%、利润率提高50%-100%、市场占有率提高5-30%。
这里体现了一些我们的核心理念，包括数据源的开放和实时接入，包括跟市场和用户的全面交互，以及基于反馈的闭环自动优化层面。当然，这个模式自动优化现在很大程度上还是一个半自动的，但是它代表了一个趋势。
第二个我们投资的一家气象大数据公司，帮助经营状况和天气密切相关的企业客户提供决策支持，其中用到很多人工智能的技术。这家公司通过AI对近60年的原始气象大数据，以及高精度实时气象数据进行分析，实现对天气情况的精准预测。比如说像欢乐谷这样的企业，在获得预测结果后，便可以决定是否启动游园活动，同时融合保险产品，对冲掉易受气象影响业务的经营风险。
第三个是一家做精准营销智能投放的平台。精准营销的理念已经不再新鲜，但是人工智能技术的应用使得精准投放的效果上了一个台阶。
第四个是一家智能超市管理平台，利用人工智能技术为超市经营提高效率。通过为超市提供SaaS系统、智能硬件收集数据、使用人工智能算法，为超市提供陈列规划、品类管理、商品空间管理、库存管理和价格管理，为品牌商提供位置竞价、消费者行为分析、信息订阅、数据报告等，最终帮助超市提升坪效、改善盈利能力。这个团队在本领域已有多年积累，目前恰逢智能超市、无人超市的风口浪尖，必将有所作为。
我们知道自动驾驶领域对自动化程度有一个从level0到level5的分级方法，这里我借用这个体系对不同行业的智能决策支持的自动化现状做了评价。
在做这个研究之前，我们觉得智能商业还在早期。但很快我们发现发现很多行业的业务决策已经非常自动化，像广告自动投放、航空公司的收益管理定价，至少在具体操作层面上都处于level5。而另外一端，也就是完全依赖人类决策、没有任何系统支持的level0阶段的行业，现在几乎找不到了。
在不知不觉之间，智能商业已经来到了我们身边。
另外，星河互联有很大一部分业务是风险投资，在支持风险投资决策上我们也在建设一套基于智能商业理念的决策支持系统。
智能商业是星河重点布局的一个方向，我们非常看好企业智能化的未来。
我们的理念是“无商业不智能，无智能不商业”。谢谢大家！
猜你喜欢：