Peter Glynn助力杉数科技，大师圆桌系列第四场“AI，创业与硅谷”活动圆满完成

7月28号，由杉数科技举办的大师圆桌系列第四场——活动在上海圆满完成。此前猎云网曾报道了杉数科技举办的AI大师圆桌系列的第三场活动。上一次大会上，杉数科技创始人兼首席科学家葛冬冬和Tuomas Sandholm教授探讨了AI技术如何服务于公众、社会，如何创造新的商业机会。在本次大会上，葛冬冬教授继续就“AI技术在商业中如何发挥想象力”展开演讲。此外，本次大会还邀请了斯坦福讲席教授Peter Glynn、VERASTI创始人&CEO匡中睿，分享他们对人工智能的看法。

以下是Peter Glynn教授的演讲，经猎云网（ ilieyun
）整理：

近年来，在人工智能取得重要突破的领域，有一些共同的特点：，例如无人驾驶；，例如游戏比赛；在这些领域中，

人工智能的一个巨大优势是能够实时进行复杂的决策。但因为商业、市场环境的改变，过分依赖历史数据也可能会误导管理者对未来的判断。例如2008年金融危机后整个市场的环境、监管措施和机构操作方式经历了大洗牌，导致的结果是，尽管我们有海量的金融历史数据，但其中大部分的参考价值并不大。

我在这里提出一个可能的解决办法——。随机模拟方法允许我们建立灵活多变的模型来模拟当采取不同决策时，未来的市场结构和商业环境所对应的变化。管理者可以通过不同情境下的模拟效果来判断决策的风险，尤其是单纯依靠历史数据所无法预知的风险。我认为，管理科学是最能体现人工智能与随机模拟相结合的价值的领域。

人工智能在取得令人瞩目的成就的同时，也面临一些严峻的挑战。

例如在语音识别领域，最先进的技术也经常会闹出误会。但这其实没关系，人类自己也会犯错。然而如果机器做出的错误决策会导致极为严重的后果，这将令我们非常担心。例如自动驾驶在事故中犯的严重错误和人工智能医疗的误诊，都是性命攸关的。

我们不用雇佣很多人，一个人在机器的帮助下就能从事很多活动，做出更优秀的决策。但我们该如何安置被人工智能取代工作的人？潜在的大规模失业群体该何去何从？人工智能尤其造成的一个趋势是，失业的白领会急剧增多，这个趋势如何解决？

这种个性化的服务会方便人们的生活，但是我们是否考虑过这些信息泄露导致的重大风险？另一个问题是这些深度挖掘个人信息的算法是否会导致对特定地区、特定群体的歧视？

此外，杉数科技联合创始人兼首席科学家葛冬冬对如何将人工智能落实到创业中也发表了相关见解。以下是葛冬冬的演讲（经猎云网编辑整理）：

接下来介绍一下我们杉数的情况。我们公司总共40多个人，包括很多来自斯坦福的学生，其中还有很多博士，可以说有非常多的斯坦福的基因。

那么，科学家聚集的公司它有哪些特点呢？

像大规模的优化算法、机器学习、深度学习这些，我们都是非常擅长的，所以我们可以综合性地处理好一些公司的复杂问题。但也有一个问题，科学家比较注重的是搞理论形式，所以非常需要擅长落地的人才。很多时候科学家去给公司去做大规模服务，但是他们下一步就会问科学家一个问题：你怎么实现，你说你做了几家大公司的项目？你们写论文行，那么你们有工程化的能力吗？你们MS&E的和其他学科或者技术有啥区别？科学家不仅要解决实际问题，而且要能够和业界高效地沟通。

第二，我举几个例子来简单说一下我们如何将AI技术落实到实际创业中。

比方说商店选址问题。我们杉数的科学家们当年写了很多关于选址的理论论文。例如我们大师兄,纽约大学的张家伟教授,写了起码十几个论文，主要是一些很理论的整数规划模型。但是后来我们的科学家，清华李建老师所做的，是与百度合作，直接用百度的搜索信息数据库做文本挖掘和机器学习来确定顾客需求和选址。当时就觉得我们做运筹的，受到了很多新方法的冲击。而如今当我们又在帮一个大公司做未来很多年的规划时，预测用到了大数据技术，但是决策的时候，这些预测是不稳定的，你需要去思考缺少一些信息的情况下，事情的具体应对方式。这个时候，传统的数学规划模型，加上这些不确定信息的随机优化模型，又开始发挥作用。现在我们在实际的商业场景中去解决问题的时候，往往是多种方法并用的。

去年滴滴举办了一个全球出行预测大赛，有一千六百七十多个队伍参赛。比赛主要是预测接下来一段时间的用车缺口，就是说我的用车量和实际需求量之间的差别有多大。我们公司的科学家、清华教授李建教授和上财的王栋老师的队伍拿到第二名。我们有两个特点，一个特点就是说前面的前十名里只有我们一个队伍用的是深度学习，剩下的用的全是机器学习。为什么深度学习队伍表现不好呢？因为只是机械地调源代码，直接找开源的CNN RNN LSTM代码调参数不管用。需要自己去重写一个深度学习的架构。另一个是什么呢？滴滴最后评估下来，给了我们李建老师方案最有潜力的评价。为什么没用别的前几名团队方案呢？因为他们的模型用了几百个特征变量，我们这边只用了50个。很有趣的是，每次滴滴数据一换，前十名队伍就会大洗牌，使用特征变量多的队伍过拟合严重，名次就掉下去了。李建他们一直很稳定地在前三。

我们注意到很多机器人供应商的方案运行一会儿，就会发现有些小机器人开始偷懒躲到墙角不出来，或者横冲直撞的。所以为了提高效率，工作台、机器人和仓位，这三者怎么匹配？机器人活动区域怎么划分？路线怎么规划避免碰撞？都是重点要去解决的问题。这三个问题其实都是传统的一些重点优化问题，里面涉及了百万级变量秒级求解的问题，我们解决得很好。调用了LEAVES的solver。这个叫LEVAES的算法平台，集成了很多solver，是我们财大交叉科学院和杉数一起开发的，来做深度学习、机器学习、线性规划和非线性规划，以及一些实际问题，比如水资源调度，电网调度的求解之类的问题。斯坦福的很多教授在开发中帮了我们很多忙。

最后我再来总结一些经验。在中国开公司，特别是高科技公司，需要注意哪些事情：一是你要做marketing的事情一定要和高层沟通才有用，中国的企业，科学家往往发言权是很低的；二是你需要专业地去管理团队，教授就做科学家，不要随便插手管理；最后一点就是很多事情，工程化很不容易，对任何一个技术企业，你不要以为这个事情我有技术，我有想法，我能把它基本上写出来了就行了，绝对不够，我们后来感觉要把这一件事做成是非常困难的。

人工智能如何运用到金融监管中？VERASTI创始人&CEO匡中睿发表了相关见解，以下是匡中睿的演讲，经猎云网（ ilieyun
）整理：

那下面我讲一下我们的公司。我们的一个品牌理念就是做交易保障，就是我们通过一个灵活、安全、统一的API，对金融做自动化、个性化的交易控制。

可能里面会涉及到金融机构的白领和蓝领会不会被人工智能取代的问题。但是在我创业的这两年中，我发现我们其实是帮金融机构做一套内部应该有的服务体系。这套服务体系是用技术的语言去诠释的。

我们中间也运用了很多人工智能的技术去解决金融行业发展的一个痛点。现在做交易的这些平台和信息系统都还大概是10年前的一个状态，这是极其不合理的。但是为什么没有人在做这个事情，因为人们会发现即使做了一个很好、很漂亮的平台，但是也没有办法接入到金融机构的核心系统。因为金融机构的核心系统具有非常高的商业壁垒。我们现在通过跟金融机构的合作，打破了这个很高的商业壁垒，在技术上和模式上都给传统的提供企业级服务的厂商带来了很大的冲击。

我们相信这是整个金融市场的未来方向。专业的客户机构成为主要的服务对象，大部分金融机构的竞争都集中在这些差异化的服务上，程序化、交易量化交易，一定要实现一个可管、可控、可预知的行业标准。

另外是跨市场交易。现在可能只有证券、期货和期权，以后可能还会有不锈钢，有黄金，甚至有外盘，有石油。跨市场、跨交易所交易，监管部门的复杂度越来越高，我们的金融机构目前还不具备这个能力。