「人工智能会提供偏早期的功能，比如从数据到规律。在规律之后，从规律到决策是运筹学的范畴。」

在斯坦福运筹学博士、杉数科技联合创始人兼 CTO 王子卓看来，人工智能和运筹学都能通过数据帮助人们解决实际问题。但与人工智能专注于预测、识别等功能的准确性相比，运筹学更在意的是给出商业、金融等场景下完整的解决方案，解决具体的行业问题。

杉数将自己定义为在数据科学和运筹学之间的数据化决策公司

在供应链、物流、车辆调配等具体应用场景中，人工智能技术正在与运筹学等学科共同协作。或许以数据化决策公司杉数科技为例，可以一窥两者的相似与不同。

以 TSP 问题为例，了解运筹学的决策方式

在 Wikipedia 中，对运筹学的解释是「一门应用数学学科，利用统计学和数学模型等方法，寻找复杂问题中的最佳或近似最佳的解答」。具体来说，运筹学是一门研究怎样处理事情更有效的学科（因此达成「优化」或「最优化」常常是运筹学的目标），关注的往往是当今社会经济发展的热点，如航空公司的定价、超售问题，物流中的调度问题，共享经济中的资源调配问题等等。

但凡涉及「决策」，就会有运筹学的用武之处。起源于第二次世界大战的运筹学，是因英美两国为有效配置资源，召集科学家研究军事作业规划而诞生。团队的研究成果帮助盟军打赢「不列颠空战」、「北大西洋战争」、「太平洋岛屿战争」，战后研究成果转移为和平用途。如今，从管理、金融、计算机、军事到日常生活的具体问题，运筹学都能给出可实施的解决方案。

想要更形象的理解运筹学，旅行推销员问题（Travelling salesman problem, TSP）是个不错的例子。作为运筹学经典模型之一，它描述的是「给定一系列城市和每对城市之间的距离，求解访问每一座城市一次并回到起始城市的最短回路」。

　　1930 年，TSP 问题被首次形式化，成为最优化中研究最深入的问题，许多优化方法都以此为基准

　　运筹学的解决方法，是先将 TSP 问题用数学形式写出，即构建模型；第二步则是通过模型算出哪个线路可以达成预定目标，如优化时间、遍历所有城市等等，即算法。在现实生活中，TSP 问题往往有很多附加条件，比如必须在某时间窗口前往某城市，或者必须先前往 A 城市才能去 B 城市等等，这些约束条件同样需要反应在构建的模型中。

「对于现实中的项目，需要根据实际业务场景需求提出的合适模型，这些模型往往是在经典模型上作修改。怎么修改模型会最有效、能求解，正是决策学背景的用武之处。」

设计食品摊点网络同样是运筹学适用场景之一，杉数的成员曾帮助美国著名橄榄球队 49 人队的主场球馆 Levis Stadium 设计最优的食物快送摊点网络, 解决食品摊点位置的部署、送货员的数量和安排等问题

　　除了 TSP，运筹学还有不少适用于不同情况和场景的模型，如多目标规划模型、整数规划模型、存储模型、排队模型等等。这些模型对应着商品定价、电网的布局和分配、空铁的时刻表安排、信用卡额度评估、业务转化率提升等等重要的实际应用。

电商、金融、供应链，杉数的「三大首选行业」

　　在上世纪 90 年代，人们认为用运筹学解决问题最为耗时的部分，是收集数据和建立模型。如今数据量大幅提升，不仅收集数据不再是困扰，更是运筹学能在近几年快速发展的原因之一。

「运筹学在一些经典场景下有比较成熟的模型，但现实是不断有新情况产生。比如同样是路径优化问题，由于共享经济产生了拼车等一系列新的业务点，就不再是完全的经典模型。新的决策、新的约束要加入其中，对模型的修改也是核心难点。决策学的背景能够帮助解决怎么建立模型、怎么满足业务需求和怎么求解。从项目角度看，atv，这的确是需要花时间的过程。

目前，杉数科技主要涉及三种决策支持服务：收益管理、风险管理、供应链管理。收益管理主要应用在电商、金融领域，通过交易数据、行为数据、竞争数据等多维度数据找到不同场景下最优定价和销售策略，在不增加流量投入的前提下提升销售收入；风险管理是针对金融等行业客户，提供从精准营销、征信、高危交易识别到不良资产处置的完整服务；供应链管理则包括订单、库存、仓库、货运、配送等各个环节提供优化方案，在提升供应链的响应速度和柔性的同时，帮助企业控制成本。

　　图为收益管理中促销管理的解决方案之一，寻找决策是一个复杂又系统的过程