上财 X 院葛冬冬：运筹学是交叉学科，我们需要看到产业界发生了什么
本文于2018-01-02刊载于微信公众号“AI科技评论”。
作者：思颖
2009 年，葛冬冬博士毕业于斯坦福大学，师承运筹学泰斗叶荫宇教授。2013 年，他进入上海财经大学信息管理与工程学院，并受命牵头成立管理科学与量化信息研究中心，后在学校大力推动下，筹建交叉科学研究院（X 院），并担任院长。在学校高度支持下，X 院在短短数年时间内便引入何斯迈等学界「红人」担任教职。目前，X 院科研成果累累，与工业界联系紧密，同时，从 X 院走出来的学生很多在斯坦福大学、普林斯顿大学、芝加哥大学、卡耐基梅隆大学等国外一流大学继续深造。短短四年时间，X 院便成为上海财经大学的一道独特风景线。
「每年复旦数学院的前五名学生中，一般会有两个在我们这边学习。今年是前两名，去年是第二、第三名。」X 院院长葛冬冬教授对 AI 科技评论直言。
「我当时在复旦读数学，听了葛老师在我们学校的一场讲座。之后慕名来财大找他，想申请在他的门下学习。」目前就读于斯坦福大学，明年就要去 Facebook 工作的一位同学如是说道。她曾在葛冬冬教授门下读研。复旦与财大只有一条马路之隔，借助地理优势，复旦数学系有不少学生慕名来找葛冬冬教授。
除了致力于让学科建设国际化，让更多的人才走向更广阔的天地，葛冬冬教授目前也作为杉数科技的首席科学家，同时活跃于学界和业界。
他是如何在四年时间内把 X 院打造成这样一个在口碑和品质上都得到学生们高度认可的学院？筹建 X 院的初衷是什么，有什么不一样的人才培养模式？而同时投身于学界与业界，他对于科研又有什么不一样的看法？带着这些疑问， AI 科技评论对上海财经大学 X 院院长葛冬冬教授进行了一次专访，以下为访谈内容， AI 科技评论做了不改变原意的编辑整理。
葛冬冬：2009 年在斯坦福大学管理科学与工程系获博士学位，导师叶荫宇教授。在运筹优化和计算机理论科学的国际一流期刊与会议，如 Operations Research, Mathematics of Operations Research, Mathematical Programming, FOCS, SODA, ICML 等发表过多篇论文。主持过国家自然科学基金青年基金，浦江计划等基金。担任过多个国际著名期刊的特约审稿人，参与过波音，谷歌，上海通用等国内外公司的多个优化项目。近期的主要研究课题为稀疏优化、组合优化、健康管理、运营管理、网络与大数据。
Part 1 交叉科学院
运筹学本身就是交叉性学科，我们当时觉得学习学习姚期智先生的模式也挺好的
运筹学本身就是一个交叉学科，它自身的基础理论其实很清晰。运筹学主要的特点是需要联系各个学科，解决实际问题。我们在致力于科研时，特别是接触到一些大的实践性项目的过程中，发现其中交叉的知识点特别多，所以就萌生了需要重视交叉学科的想法。
实事求是地讲，我感觉现在很多问题都会跟多个学科产生交叉，比如说在解决运筹学领域的问题时，你得了解数据科学、人工智能很多方向的知识。而运筹学在历史上跟经济、金融、管理、数学、统计等学科都有很多交叉，所以我们决定成立交叉科学院，把多个学科都放进来，做一个兼容开放的平台。当时就是这么考虑的。
之前也有很多现成的例子，像清华姚期智先生的交叉信息研究院。目前我们财大的教员中，从他们那出来的有陆品燕、王子贺、还有一个要毕业的博士生。我们觉得学习姚先生这个模式也挺好的。
每个研究所的存在都要有一定的合理性，盲目挂牌占名字没有意义
我们交叉科学院的研究水平，从科研上来讲是非常强的。我们老师们今年发表的论文涵盖管理学、运筹学、优化理论、机器学习、应用数学，甚至营销学等各方面的顶级期刊，大家基本上都是奔着国际一流的科研内容去的。
理论和实际两方面是交叉科学院考虑问题的出发点：
- 我们跟滴滴等经济共享体有合作，又有明大共享经济研究所来寻求合作，因此成立了共享经济研究中心。
- 学院下属的金融科技研究中心与招商银行、国金证券都有大规模、稳定的合作关系，此外我们长期跟很多金融机构也有合作。近期的这些合作都是针对于金融科技方面的问题，比如说征信、风控、AI 如何跟量化投资结合。
- 并行优化国际实验室主要负责 leaves 求解器的建设。我们觉得大规模并行优化算法的设计，对机器学习和深度学习很需要的一些底层算法、大规模优化加速算法有重要的意义。随后我们就主动去推动、开发这些算法和软件。并行优化国际实验室现在的这些工作，对行业也有提前的指导意义。
- 人工智能实验室是我们和杉数科技联合成立的，旨在帮助他们解决目前存在的很多实际问题。例如从顺丰，京东，永辉等企业来的很有意思的问题。
每个研究所都是根据实际问题去考虑，进而设计运行机制。比如金融科技在很大程度上是项目驱动的，因为目前金融领域的容错性很小。虽然目前对金融科技喊的很凶，但在我们看来，这个领域的实际做法比较保守。这里面存在很多新概念，你去做一个与金融相关的系统，用了 AI 技术的，往往是黑箱子，可解释性差，很难往下推。像我们做金融科技，就是先摸着石头过河。
我们覆盖的领域有很多，确实体现了交叉学科的特点。外面有比较值得去做的事情，我们就去做，一边做一边积累经验，根据需求将我们的研究所发展起来。每个研究所的做法都不大一样，都要有一定的合理性，并不是说盲目的挂牌占一个名字。很多研究所就是为了占个位子，那没有意义。
Part 2 人才培养
冠冕堂皇的话不讲，我们离国际水平还存在差距
我们在 X 院的学术建设上是一个比较良性的循环，我们成立的不只是一个学院，更像一个平台和枢纽，连接国内和国际学界。冠冕堂皇地说，就是缩小国内外差距。
我们一直比较鼓励学生去做科研，特别是本科生。但感觉国内整体的科研氛围还是偏弱，至少现在的很多科研都是教师之间互相合作，或者跟国外合作。仅仅依赖跟学生合作，然后指导学生做出很好的东西，我觉得困难。没有培养体系，基础建设没完成，再聪明的学生也很难帮你做事情。
培养体系的差距体现在哪呢？就比如博士培养，这需要一个很成熟的体系——一群水平很高的年轻人集中在一起，有一个完善的体系，每一门课都能高质量地完成，此外还需要一些很好的老师，能够给学生以全世界最高水平的指引。前面提到的这些像一个生态系统，这个生态系统缺一环都建设不好。国内的大学，包括我们自己在内，可能是某一环某两环做的比较好，但是想要达成整个生态系统的良好建设，都有这样或那样的缺陷。
坦白来说，我觉得我们的老师大多数还不具备用全世界一流的眼光来指导学生做事情的能力，包括我本人，我觉得都有一定差距。
尽自己所能来帮助学生，让他们得到更好的发展
国内教育的最大好处是基础训练得很好，是吧？你看数学系的学生，理论学得很好，但不是每个人都会去做纯数学。将学生吸引过来之后，我们会花很多时间跟国外的教授合作，指导学生确立科研方向，培养他们的兴趣，适合的同学，会把他们送到国外去读博士。
我本人算是小城市出来的，在九十年代出国，那时候算很早就出国了，在国外待了十几年才回来。回想起来，出国、去世界名校念书，给我带来彻底的改变。我觉得这种机会确实非常宝贵，非常难得。
人的生活环境不要一成不变。把学生留在身边，可能对你个人帮助更大，对你要做的事情帮助更大。但很多时候不见得就好，至少对我来说，我不觉得是一件很好的事情。这样做至少在我这儿，对某些学生是亏的，我们还是尽可能的希望帮助学生。特别有天赋的学生，或者说比较适合出国继续深造的学生，你何必把他圈在国内呢？他出去待几年，会对他有更大的好处。
前几年我们老师也少，自己培养高质量博士也比较困难，所以我们的做法是把最好的学生从全国各地吸引过来。到目前为止，北大、清华、华东五校，南科大，甚至一些国外的本科或者硕士毕业生，例如Oxford，UCLA，都有学生在我这，通过我们这个平台出国深造。
总有一天条件会成熟，现在我们的老师已经很多了，跟国外的合作也很成熟，这时候我觉得可以招录学生了。今年我们招了相当于是第一批真正的学生——八个硕博连读生。
Part 3 产学研结合
在运筹学和交叉科学这个领域，为了造 paper 而造 paper，没有意义
谈到学界和业界，这是比较大的题目了，下面我说说叶老师（叶荫宇教授）常常给我们谈到的。
叶老师曾表示自己也做了几十年算法的研究，实际上会发现很多算法就是纸上谈兵。说得很好，理论也很漂亮，结果证明得还不错，但其实你自己心里清楚，实用性有时候存疑。虽然从科学研究的角度来说，可以允许这种不实用，但是要有创新性，有前瞻性，来源于生活但又高于生活。
现在很多时候，大家为了造 paper 而造 paper。运筹学和交叉科学具有强烈现实应用背景，你去做这些东西没有意义。
最近这几年，大数据和人工智能兴起以后，很多问题都改头换面，和以前不一样了。如果你还只是坐在这里讲讲十年前、二十年前的那些东西，或者去报纸上看看有哪些案例，再拿出来跟学生去讲，没有说服力的！这些东西学生不信，你也不信，对不对？
我们需要看到产业界发生了什么事情，就像叶老师倡导成立杉数科技，他想观察目前最新的业态，找到一些比较先进的理论，指导大家去适应这个潮流。
我觉得这是一个很好的机会，既然去做这件事情了，你就能清楚地知道产业界在关注哪些实际问题，哪些理论能给他们提供帮助。
时代在变，也出现了很多新的机遇和挑战
另外，最近几年，特别是数据驱动类问题，它们的形态、量级跟以前完全不一样了。这带来了很多新的科研机会，比如说很多时候，整个算法体系需要重构，整个理论体系也需要重构。
在很多领域，很多重要的问题都是非常新的。就像李飞飞在前几天的演讲上所表达的观点——这个领域里最具变革性的成果还有待发现。我觉得她说的其实挺对。
你会发现经济、管理、金融等领域普遍呈现这种情况：新的工具一直在发展，大家也在尝试，这些工具很有效，但根本性的理论却没发展起来。
所以接下来就是产业界推动学界来思考一些新的问题。
此外，对学生的教育也会比较明确。一方面，可以知道学会什么样的技能你的学生才有就业竞争力；另一方面，可以培养学生的科研意识，培养起他对未来不会被淘汰的重要科研的兴趣。
总体来讲，产学研这三者结合会形成一个良性循环。在这个过程中，杉数、顺丰等公司都能得到价值，意识到科研的重要性。下一步他们会扩大科研团队，增加科研投入的力度，从经济上支持高校，形成一个很好的循环。
当然，目前也需要一心投身学界的老师
帮业界做项目，从我们的经验上来看，很多时候会很累。不光是工作量大，会存在很多非创造性的工作。比如说帮企业做项目时，需要跟业务去对接，需要理解他们的业务逻辑，还要关心如何落地。当成果转化成软件，还需要去关心稳定性，抗干扰性，怎么工程化等问题。
这些事情其实跟科研关系不大，所以有些做科研的老师只关心创新性，不愿意从事这种项目，这无可厚非，甚至应该鼓励。而且这也没什么不好，大学之所以为大学，是需要有这样的老师存在的。
在与顺丰、京东、滴滴等大公司合作的过程中，我们请了很多国内外的高校教授帮忙。在这个过程中我们发现，解决问题的能力往往与科研水平还是有关系的。绝大多数情况下，论文写得好的老师对实际问题的理解其实更深刻，给出来的指导会更有用。
Part 4 运筹学与人工智能
回到运筹学，它与机器学习相互促进
机器学习、深度学习底层的算法，在很大程度上都是依靠运筹学来设计的。学科之间需要良好的互动，结合起来促进底层算法的大规模发展。AI 会为运筹学提供很多软件、硬件体系结构上的支持，促进算法效率的快速提升。运筹学优化算法里的结论，也可以帮助 AI 来设计算法。
现在 AI 社区里有很多人在从事算法方面的工作，因为不能光等着运筹学来输出，他们自己也会去设计。特别是深度学习，深度学习本质上就是个非凸优化，在这一领域他们做了很多工作。
运筹学发展到现在，说白了，经历过那么两三次大的算法诞生，对学科产生了很大的推动作用。下一个推动性的算法的产生，我觉得会得益于 AI 。我们能借鉴 AI 提供的一些工具，倒逼运筹学产生新的算法，飞跃解决一些根本性的模型。我们实验室现在从事的研究，就借鉴了很多 AI 方面的想法。
在未来，我认为这个改变很可能会在接下来五年甚至是三年之内发生。这个预言可能有很多人不信，特别是在运筹学领域。但我最近看到一些例子，呈现的结果远远超乎我的想象。我个人的观念大概几个月就刷新一次，而我现在很相信这一点。
说深度学习像中医，并不是否定
叶老师在今年六月份的时候就说过深度学习像中医，当时我们没敢让媒体报导，现在有人挑头出来说它像炼金术，我们就可以说了。当然，我要声明，叶老师说这句话不是否定，而是肯定。深度学习确实能解决问题，它也不是没有理论依据，而理论就像李飞飞说的，『现在我们还处于很早期，正在发展。』
实际上这是个机会，像数据科学，包括机器学习，将来一定是最重要的学科，没有之一。深度学习的实用性，确实推动着各个方面，不光是理论，包括软件和硬件的飞速发展。人工智能和数据科学基本上会主导人类发展的方方面面，但现在基础理论建设并不健全，有很多事情可以去做。我觉得现在是一个黄金时期。
整体说来，大家从事科研的时候，都要去想想，自己现在做的事情跟 AI 有多大的关系，怎么去更好的结合它。你不去结合它，你就一定会被 left out。我们成立 X 院也是这个原因——我们要主动拥抱它，而不能坐等着，被动消极地去 follow。此外，还需要更进一步，自己主动去引导潮流，预言潮流，走到最前列去。
运筹学要发展，要加紧输入新鲜血液
运筹学在今年受重视程度明显提升了，我知道很多公司，像顺丰、滴滴、京东、美团、饿了么等，他们现在对于 运筹学有明确的岗位需求，并且需求也变多了，这一年工资涨了快一倍，这显然是一个非常大的提升。一旦需求变强，我相信就会带动学科培养人才的积极性，发展也会更快。
但是整体来讲，学界的反应会慢一些。
我最近和港中大深圳校区的罗智泉副校长聊了聊，发现他们在运筹学上的建设速度、雄心和规模，用一个词来形容就是非常可怕，如果照目前这个进度，不要说全国第一，亚洲第一都指日可待，他们招了很多全世界重量级学者回来。罗校长有影响力，他也懂行，水平高，有一定的权利来招聘人才，港中大的制度也比较灵活。可以看到，他们的发展会很快。我觉得我们的发展速度跟人家还是不能比，这让我感到很焦灼。我们毕竟是个小学校，对一个学科的重视，再怎么超常规，还是有局限性的。
任何一个地方，如果你还是固步自封，不加紧输入新鲜血液，很快就会掉队的。
