2015 年底，杉数科技的前身「内点科技」成立，便开始市场探索。到 2016 年 7 月正式成立，再到如今，杉数的客户从电商巨头、网约车平台到金融平台、银行等等均有涉及。

对于为什么选择电商、金融和供应链作为首先进入的行业，杉数有自己的考虑。第一是行业应用背景广泛，有足够大的市场空间；第二是有优势和积累的行业，在过往的工作中接触较多、经验丰富。这三个行业刚好应用广泛，同时团队成员都有相关积累——波音公司的货运路线规划、美国运通卡的反欺诈、IBM 解决方案报价系统、AOL 广告投放优化等案例中都有团队成员的身影。

　　不过短短一年多时间，杉数是如何进入这些「大行业」的？在 CTO 王子卓看来，搞定这些大客户似乎并没有多困难，「我们接触这些企业时，他们之前可能对运筹学接触很少、不够了解，但只要一说我们在做的、适用的场景和模型，就会发现都是他们想要的东西。」

　　目前杉数以为「大公司」提供决策解决方案为主，但「接项目」并不会是他们的最终模式。「我们希望对行业加深了解后，以标准化的方式服务行业，希望能将提炼出来的东西产品化、软件化、SaaS 平台化，能让更多人使用。」

　　运筹学与人工智能的交汇

　　与人工智能学科的发展轨迹相似，运筹学也曾在 50、60 年代经历过热恋期，随后坠入冷淡。直到近 10 年来，新行业的产生和数据的发展，为运筹学的重新崛起带来不少积极影响。

　　专家系统曾是运筹学与人工智能的交汇点之一，如今两者的交汇更多表现在不同维度的互相支撑。回到最初的 TSP 问题，现实生活中人们往往会面对大量不确定性，如路程时间的不同、是否堵车等，机器学习强大的预测功能会在这些部分发挥作用，在其他模型中也同样如此。运筹学的优化思想则为神经网络、图像分割等提供启迪。

　　从应用上看，定价系统、推荐系统、风控系统都有人工智能和运筹学的身影。那与深度神经网络这类难以解释的模型相比，运筹学模型的可解释性会更好吗？「从运筹学的角度看，解释性体现在决策能带来的变化，走这条路要花一个小时，其他的路需要 1 小时 10 分钟，决策本身就是可以解释的。」运筹学本身没有解释性这个概念，因为它所提供的是不同决策对目标的影响。

　　在为企业提供决策支撑的同时，杉数还在进行机器学习优化引擎的开发。与 H2o.ai 类似，这款优化引擎可供各类机器学习方案调用，提升学习效率。目前，杉数已经完成回归类分析、分类及变种问题上的算法开发，仍在开发更多场景、优化并行效率，预计将在今年 7 月正式发布。

　　「这本质上还是优化问题，机器学习领域的人重点大多放在什么模型比较好，往往忽视了模型建立之后怎么找到最好参数的过程。小的问题运算速度无所谓，大的问题效率就变得很重要，我们团队的背景正是专门研究优化算法效率的。」

　　数据化决策的三个关键杠杆

　　目前杉数团队共有 40 人左右，包括科学家、算法工程师、IT 工程师等等。与大部分创业团队不同，杉数拥有庞大的科学家团队。无论在优化算法、数据还是金融，杉数都有斯坦福大学、哈佛大学、布朗大学等教育背景的科学家作为支撑。

　　杉数的创始团队均为斯坦福博士，其中首席科学家葛冬冬目前任上海财经大学交叉科学研究院院长，CTO 王子卓 24 岁即博士毕业，两人均为斯坦福大学终身讲席教授叶荫宇的学生。叶荫宇教授是国际最知名的运筹学专家之一，曾获运筹管理学领域最高奖冯·诺依曼理论奖，也是目前唯一一位华人得主。