活動開始，主辦方順豐集團CTO兼順豐科技CEO田民為活動致辭，田民首先回顧了物流的英文單詞Logistics的起源。Logistics起源于希臘文Logistikos，意為“計算的科學”，拿破侖的政史官A.H.若米尼在總結(jié)征俄失敗后最先使用Logistics的概念，以此作為軍事術(shù)語。此后該單詞又相繼流入美國和日本，由于Logistics常被用于運輸場景，日語將其概括為“物體的流動”，而淡化和忽略了“計算的科學”深層含義。

 

　　當前很多人認為物流就是搬運貨物，但其實物流背后涉及到數(shù)學、統(tǒng)計學、運籌學，并且通過與人工智能機器學習等技術(shù)交叉結(jié)合可以更加有效的解決許多更復(fù)雜更難計算的問題。田民呼吁大家要冷靜下來看待人工智能，了解人工智能和機器學習背后的原理和適用場景，這也是此次活動的意義所在。

 

　　隨后，美國加州大學伯克利分校教授Martin Wainwright從學術(shù)角度分享了他看到的人工智能落地的現(xiàn)實狀況，并闡述了對人工智能、機器學習以及數(shù)學優(yōu)化之間關(guān)系的理解。他認為人工智能是機器學習和統(tǒng)計學的一部分，而這些問題在落地時往往需要計算機優(yōu)化算法的幫助來尋找解答。

 

　　Martin著重提到了利用大數(shù)據(jù)實現(xiàn)的智能預(yù)測功能，以Netflix為例，人工智能算法的最大商業(yè)價值便是對用戶觀影數(shù)據(jù)分析，然后實現(xiàn)精準推薦。這其中需要解決的是數(shù)據(jù)降噪、應(yīng)對丟失數(shù)據(jù)、合理降維等問題。接著，Martin詳細講解了如何高效地優(yōu)化人工智能問題，尤其是數(shù)據(jù)降維在其中的作用：在人工智能建模時，我們需要收集海量數(shù)據(jù)，進行評測。當數(shù)據(jù)量太大了之后，人工智能算法運行會非常耗費計算和存儲資源。利用隨機概括（randomized sketching）法，可以將大數(shù)據(jù)的信息進行壓縮，并在合成的新數(shù)據(jù)上進行機器學習。在一些例子中，1000個合成數(shù)據(jù)上的機器學習仍可保證百萬級數(shù)據(jù)所能實現(xiàn)的精度和準度，效率卻大大提高了。

 

　　此外，Martin還看好人工智能在藥品領(lǐng)域的落地，現(xiàn)在醫(yī)藥健康是一個非常大的領(lǐng)域，如果利用人工智能生產(chǎn)個性化的藥品，這將會是一個很大的市場。但是，現(xiàn)在人工智能研究是在一個有限的條件下研究具體的問題，能否進入更大的范疇是值得思考的問題。此外，人工智能目前在提高單體智能方面做得不錯，但是怎么樣把人工智能應(yīng)用到系統(tǒng)層面，提高群體的智慧和管理，這可能需要結(jié)合運籌學和統(tǒng)計學算法。

 

　　杉數(shù)科技聯(lián)合創(chuàng)始人兼CTO王子卓接著Martin的話題普及了運籌學的概念。運籌學是將實際問題轉(zhuǎn)化成數(shù)學模型，并高效求解的一套方法?，F(xiàn)代運籌學大約起源于上世紀四十年代，在第二次世界大戰(zhàn)時，軍隊有很多關(guān)于資源調(diào)配的問題，比如如何部署雷達、調(diào)配軍隊、投炸彈等。而在人類社會中，任何活動都需要找到一個最好的決策，通過最好的參數(shù)實現(xiàn)最準確的預(yù)測。這些問題僅靠簡單的想法很難得到一個最好的決策，因此需要一個系統(tǒng)的方法來量化解決，也就是運籌學。

 

　　王子卓介紹了物流行業(yè)中常見的三類運籌學問題。第一、區(qū)域的劃分和選址的問題。物流公司要制定每一個送貨隊伍負責哪個區(qū)域，每一輛車負責哪個區(qū)域，物流樞紐怎樣選擇才能使效率最高或成本最低，這些都會直接影響物流效益。

 

　　第二、定價和收益管理。定價和收益管理就是讓商家在正確的時間，把正確的商品以正確的價格賣給正確的人。物流行業(yè)很重要一個問題是如何制定它的產(chǎn)品線，消費者會從產(chǎn)品目錄里面選擇一種服務(wù)，對不同服務(wù)里面的項目有相關(guān)性，商家要建立其中的相關(guān)性，然后決定如何去制定產(chǎn)品線。

 

　　第三、路徑優(yōu)化的問題。物流行業(yè)中，路徑優(yōu)化是最基本的一項技術(shù)，在物流需求產(chǎn)生后，物流公司如何設(shè)計一個路線去拿到需求，如何以最小成本，最短時間滿足需求。在實際場景中，這些問題會變得非常復(fù)雜，因為有非常多的因素要考慮，因為有多個需求，多個送貨員，多個出發(fā)點。除此之外，有的是實時需求，有的是時間窗口，有的是取貨，有的是送貨，會有不同的限制。另外因為中國的承重限制，會產(chǎn)生有很多路程上的不確定性，時間上的不確定性，這樣的情況下如何制定一個路線可以更好的服務(wù)消費者，這對物流公司是一個非常重要的問題。

 

　　活動最后，騰訊AI實驗室主任張潼介紹了目前團隊的研究方向，并分享了中美兩國在人工智能研究上的不同之處。

 

　　張潼介紹，騰訊此前就做過人工智能方向的研究，曾經(jīng)辦過一個研究院，也做過搜索方面的研究，積累了一些有人工智能背景的人才。而騰訊重點做人工智能是2016年，建立了AI Lab。AI Lab主要圍繞兩個方向，一個是幫助騰訊業(yè)務(wù)更好落地，另外一個積累技術(shù)，開拓新技術(shù)，也包括產(chǎn)品方向的技術(shù)。具體來說，分為四個細分領(lǐng)域。

 

　　一、游戲相關(guān)。游戲在AI方面是比較相關(guān)的，騰訊也有很多游戲方面的數(shù)據(jù)，AI Lab利用這些數(shù)據(jù)將游戲體驗做得更好，更加貼近真實世界。

 

　　二、新聞搜索。這方面是跟內(nèi)容理解有關(guān)的研究，利用人工智能解讀新聞和視頻的內(nèi)容，然后實現(xiàn)新聞的精準推送。最近微信也剛剛建立了搜索部門，AI Lab也會幫著做個性化推薦。

 

　　三、社交對話。例如各類智能音箱里面的語音助手，騰訊也在做自己的語音助手，這類語音助手需要人機對話的支持，騰訊AI Lab的任務(wù)是讓騰訊的語音和對話達到世界頂尖水平。

 

　　四、語音開放云。騰訊通過AI Lab把人工智能技術(shù)積累下來，然后通過云的方式共享出去，幫助騰訊做平臺和生態(tài)。

 

　　關(guān)于中國和美國在人工智能上的對比，張潼認為，國內(nèi)很多的互聯(lián)網(wǎng)公司和創(chuàng)業(yè)公司的技術(shù)人員，有比較強的技術(shù)能夠落地。做工程的人員都有數(shù)據(jù)的經(jīng)驗，也有很多人更愿意做各種各樣的嘗試，這都是國內(nèi)的優(yōu)勢。美國的技術(shù)水平相對比國內(nèi)較厚一點，在學術(shù)研究上美國還是比較領(lǐng)先，但是國內(nèi)創(chuàng)新能力也在慢慢加強，而且國內(nèi)在產(chǎn)品落地上稍微領(lǐng)先一點。