杉数科技拓荒国产「求解器」：用数学最优解，解商业最难题

配图｜扈佃杰

就像图灵的计算破译了恩尼格玛密码机，改变了历史的进程，运筹学也是二战期间的产物。当时，合理分配稀缺紧张的军事资源是另一个计算难题，盟军为此请来大批科学家来破解这个极为复杂的管理困境。自那以后，一门结合数学与管理学的新学科——运筹学（Operational Research）也就逐渐诞生了。

中国翻译家则从《史记》“运筹帷幄之中，决胜千里之外”摘取“运筹”二字，将OR译作「运筹学」。运筹学作为现代管理科学的一门基础学科，它主要在于把实际问题，转为模型，再进行求解，来实现生产成本的降低和生产效率的提升，如今小到一个部门，大到国民经济，到处都有它的用武之地。

而如果说运筹学最后的求解，往往需要一个最优算法，「求解器」就是提供了一个计算系统完成这项工作。换句话说，求解器相当于手机中的“芯片”或数学中的“计算器”。求解规模越大，就越依赖求解器，因此现在工业制造、能源电力、航空航天、零售业、交通物流等各个行业的资源运筹中，有大量核心算法都离不开求解器这个神秘的“黑匣子”。

然而在过去长达30余年里，求解器市场一直被欧美发达国家所垄断，中国在商用求解器本土产业是个无人区，凡是需要用到求解器的企业，都要直接购买国外求解器“三大厂”Gurobi、CPLEX或XPRESS。

直到一家中国企业——杉数科技诞生。

多年前，苏广俊从斯坦福大学管理科学与工程系（MS&E）取得硕士学位，毕业后回国，成为了杉数科技的初创团队一员。

但苏广俊的加入其实早有苗头。出国深造之前，他原本是上海财经大学的学生，一次偶然，听了老师葛冬冬的课，两人因此结识。

葛冬冬在国内任教之前，就是斯坦福大学管理科学与工程系运筹学博士，他师从冯·诺依曼理论奖的唯一华人获奖者叶荫宇，后者是运筹学泰斗级人物。叶荫宇曾经提出：“数据对企业而言，真正的商业价值，在于其对决策的优化能力”，而运筹优化学则很好地解决了这一难题，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，实现决策的自动化、流程化和规范化。

图：苏广俊（图左）上海财经大学毕业照，图右为葛冬冬，葛冬冬是杉数科技联合创始人之一、斯坦福大学管理科学与工程系运筹学博士、上海财经大学交叉科学院院长。

大四还没毕业，苏广俊就已经在跟着葛冬冬（杉数科技联合创始人之一）做项目，其中京东一个POC项目效果很好，甚至成就了一份千万级大单。苏广俊告诉科技行者，最终打动他毕业回国加入杉数科技的，是葛冬冬老师的一句话：“你想不想见证我们所学的求解器技术在企业里真正落地产生价值的样子？”

当时苏广俊在美国已经看到了这一市场空间，美国已有核心玩家，中国却还是一片蓝海。近几年，企业的数字化转型更是验证了当时的判断。商业需要更多量化的、精细的决策，求解器的用途也因此越来越大。

无专精则不能成。因此，虽然杉数科技成立的那年，被称为人工智能元年，但与其他AI公司不同的是，杉数坚定将运筹学和机器学习结合起来，帮助企业解决一切复杂业务场景中决策难题。最终在2019年5月，杉数推出自研大规模商用求解器“Cardinal Optimizer”（COPT），成为我国第一个自主研发的商业级别求解器，COPT一经发布，即刻在线性规划求解性能夺得榜单测试第一，成功跻身世界顶尖商业求解器之列。且在短短三年内，就实现了五个版本迭代。

杉数科技的求解器COPT不光在性能上有突破，在价格上也有突破。上文提到的欧美求解器“三大厂”，按照惯例以核数定价，核数越高，价格越高。在中国没有商用求解器之前，进口求解器的价格基本是卖方市场。杉数科技的COPT发布后，无论核数多少，均以打包价出售，倒逼国外厂商将价格降下来竞争中国市场。据官方指出，杉数科技COPT求解器已服务有1000多家企业与个人用户，行业覆盖了工业制造、轨道交通、航空航天、能源电网、零售电商、仓储物流等国计民生领域，为企业创造了数以亿计的经济效益。

图：斯坦福团队与京东团队合影。

今年，杉数科技入选了英特尔“AI百佳创新激励计划”六期优秀团队代表。基于英特尔至强可扩展处理器和OpenVINO™工具套件优化后，杉数的解决方案得到了一定程度的性能提升，库存订单满足率优化效果显著，仓内优化相比人工效率提升4倍，从而显著提升企业利润。

我们经常说任何技术不讲落地终将失败。苏广俊如今已是杉数科技解决方案副总裁，经手的项目数不胜数，非常擅长将求解器技术与企业智能决策相挂钩。他说，“要么在场景扎得深，要么在行业扎得深，当你在场景扎得深再去拓展其他行业的相同场景，它可借鉴的东西是很多的。”

不过，蓝海不可能永远广阔，只要市场空间确定，竞争迟早会来。国内一些巨头也开始布局求解器市场。比如华为开发求解器，已用于EDA设计等领域；阿里的求解器，也用在阿里云的资源调度优化。放眼未来发展，杉数科技自身也是不断求解的成长过程。

01 “我们和只打技术牌的AI公司有很大不同”

科技行者：咱们专攻智能决策，按说也是一家AI赛道上的玩家，这个赛道拥挤着大量的创新公司，外界怎么去理解杉数科技与他人的不同？

苏广俊：我们和一般的AI公司有很大不同，多数AI公司在语音、文本、图像等方向用一些前沿技术，去解决一些单点状智能化的东西，比如图片识别。

而杉数科技所在的智能决策领域，解决的问题和场景更复杂。要实现智能决策，一定要了解每个行业的头部企业，要弄清楚他们错综复杂的供应链里原先是怎么做决策的，不是要推翻它们，而是汲取其中一些精华，再融合到我们的技术里去做创新。这是我们有别于其他强调技术的AI企业的最大一个点。

科技行者：所以要解决的不只是技术问题，还有商业问题。

苏广俊：是的，在发展的前一两年里，我们也很强调技术，但单有技术解决不了问题，很多技术很牛的企业如果跨不过这道槛，很有可能前期就死掉了。杉数能够坚持6年，技术是基础，对行业的理解、专注在行业的know how是真正支撑我们长期发展的一个重点。

科技行者：那作为技术出身的公司，怎么去了解行业的know how，杉数的经验是什么？

苏广俊：一方面，公司一直有个传统，不把技术供养在象牙塔顶端，我们要求所有的技术工程师、特别是算法工程师负责的每个项目都要跟客户有非常紧密的关系，甚至坐在一起想解决方案，而不是通过中间人传话，我们会把技术往前推，让他们去理解客户的需求，去理解行业的know how。

第二方面，公司成立两三年后就开始大力组建业务部门，通过招揽一些行业专家、业务顾问加入我们，一来帮助我们梳理客户需求，二来帮助我们把公司技术传递给客户。所以这两点保证了我们公司区别于其他只打技术牌的公司很重要的点。

科技行者：总结而言就是两手抓，一手抓行业前线，另一手抓行业人才。

苏广俊：对，第一让技术往业务前线去靠，第二我们也招揽很多行业业务人才。

第三点也很重要，就是行业的选择。对于大多数创业公司来说，前两年都是铺开去做，哪个行业客户有需求就去哪，不管需求是什么。我们前期也经历了这样的阶段。

后来我们开始思考，就算技术再前沿，每家公司能做的事情是有限的，这时候就要做选择。

只有真的定位清楚自己提供什么服务、专注什么行业、什么场景，才能从做一个项目变成做十个项目，做十个项目变成做一百个项目。真正理解一个行业、一个场景，最起码要做十个项目以上，并且在这个场景里我们是否有比其他公司更多的know how，以及这些know how是否能够真正做到可持续、可复制、可量化。最近两三年，我们一直在判断哪些行业场景自己能做，定位很清晰。

科技行者：最后梳理出来哪些行业场景？

苏广俊：基于求解器技术，杉数有三条业务线：泛零售、工业制造和基础设施。前两条业务线「泛零售」和「工业制造」，都是基于求解器技术去提供一个端到端的供应链计划。每家公司都有商业计划、供应链计划、生产计划，杉数主要围绕其中的核心业务场景去深钻，比如供应链计划、生产计划，为企业提供更智能的决策大脑服务。

第三条业务线「基础设施」主要承担的工作是，从我们定位的标准行业、标准场景以外的先头部队不断去探索还有没有一些新的行业、新的场景去做，不断探索新的可能性。现阶段，基础设施着重在大交通、能源、电网等行业做前沿研究。

不过也要再强调一下，要实现这些场景创新，底层我们最核心的还是求解器，为我们做决策提供底层引擎的作用。

02 求解器，我们用6年走完国外数十年的路

科技行者：既然说到了求解器，我看咱们公司介绍说在打造中国首个商业求解器“Cardinal Optimizer”（COPT），所以求解器的价值含金量有多高？

苏广俊：打个比方，求解器就像电脑里的CPU一样，专门做一些复杂的、抽象的运算，帮助我们去做一个更快更好的求解结果，企业供应链计划里用到的决策，就调用这样的求解器去算得更好更快。

求解器的含金量，从它的技术难度去看，在杉数的求解器落地之前中国没有一家提供底层求解器服务的公司，基本都被欧美巨头垄断，像IBM、Gurboi等等，巨头们也是经过几十年沉淀才能把研发成果转化成商业结果，这是很漫长也很复杂的道路。

更细化去看，一个好的商用求解器，里面最起码有百万行量级的代码，所以它的含金量和技术难度是很高的。同时，基于求解器的ToB服务那可能是一个千亿甚至万亿市场。所以我们有一个底层核心求解器，再在上面搭建一些面向企业的ToB服务，为客户提供端到端的智能决策技术平台。

科技行者：我可以认为杉数在国内求解器领域是开拓者的角色吗？

苏广俊：是的，在我们商用求解器发布之前，所有中国企业要用这样的求解技术，只能去采购欧美巨头的服务，在现在比较紧张的中美局势和国际形态下，拥有自主可控的国产替代技术，是一个很重要的点。

杉数的COPT确实填补了国内求解器领域的空白，我们对未来充满了信心，因为对于大多数比如说石油、航天、电力等等这样非常关键的支柱企业，都在呼唤新的国内竞争替代者，我们在这些领域也有落地。大环境趋势对我们至关重要，也对我们有积极影响。

03 供应链要转型，底层是求解器，上层是供应链场景优化

科技行者：从刚才的谈话中我发现，要更好的应用求解器，数据永远都绕不开而且非常重要，那么客户究竟要做哪些准备，来给自己打造一个更优质的数据基础？

苏广俊：一方面，现在很多企业都已经上了一些ERP系统，我觉得这是最基础的，企业运营过程中，数据是要留痕的，通过数据运营企业，这是我们做决策智能化很重要的基础，这也是我们没有办法去逆转或者去帮助他们做的事情，因为已是常态。

另一方面，现在有很多数据搜集的手段，有时候我们用到一些细颗粒度的数据，随着物联网的成本下降，企业以及应用方案的广泛性，数据质量确实也不错。所以现在最起码一些头部甚至有潜力成为独角兽的腰部企业，数据质量都不错。

04 未来你如果不懂这些技能，就相当于“文盲”

科技行者：我那天在看公司资料的时候，发现有一个关键点是运筹学，“运筹”这个词也是高频出现，据我所知运筹学是非常难的学科，它和求解器之间有什么关系？

苏广俊：运筹学是一门学科，求解器就是在这门学科里发展出来的工具，因为运筹学就是要把真实世界里面发生的事情变成一个数学模型，之后把数据放进去求解一个最优结果，求解器就是做这样一个结果求解的工具，两者是这样的关系。

科技行者：这么一说就相当容易理解了，你曾经引用过斯坦福大学Garth Saloner 教授一句话，他说“If you’re a Stanford MBA student head over to the Engineering School and learn everything you can about AI, deep learning, automation. Now. ”，他会把AI、深度学习、自动化这些技术作为重点，从你的角度怎么解读这句时不我待的观点背后的大环境？

苏广俊：10年前或20年前，你在企业工作，一定要懂Excle、懂PPT、懂各种信息化的系统，那么现在或未来推行人工智能做智能决策的时代，你一定要懂机器学习、运筹学，企业未来都是按照这样的套路或系统支撑运营，如果你不懂这些就没办法在企业生存。

在我们这里或者在一些非常前沿的头部客户那里，这个趋势已经有苗头，他们有专门的技术结合业务的双重严格要求的岗位发出来，他们招这种人才去更好使用AI系统。从产业端看也是这样的趋势，而且这样的趋势不可逆转，未来你不懂机器学习、人工智能等等，很有可能你就是三四十年前的文盲。

我在斯坦福上学的时候深有感触，我们工程学院里技术专业的课，有很多斯坦福MBA学生来听来看，他们投入了很大精力。甚至有一些课程，MBA学生的技术和编程能力比我们一般的工程学院学生还强，所以这确实是趋势。

图：苏广俊生活照。

科技行者：感觉大家都很卷。

苏广俊：挺卷的，我们和一些客户合作，像雀巢、宝洁、好丽友等等，它们现在的IT团队已经不再像五年前十年前的IT团队，只是修修电脑，做做系统运维，现在他们的IT团队深度和业务绑定，他们也招一些算法工程师，帮助他们去做业务的变革和日常的运作，这个趋势确实已经在一些头部企业蔓延了。

科技行者：这本书我读完后，瞬间变成了李光耀的粉丝，里面对各国的解读也是很到位的。

苏广俊：对，能屈能伸，摆准自己的态度。