奇弦智能科技公司创始人兼CEO在2017钛媒体 T-EDGE 年度国际盛典上

钛媒体注：钛媒体T-EDGE国际年度盛典，作为钛媒体年度最重要、在科技领域最举足轻重的年度国际峰会，每一年年末希望能够对当年发生的和未来可能发生的做一些重要盘点和预判，同时，搭建一个平台通过线上线下交流，助力全球前沿创新者的价值发现与落地。

人工智能除了大数据、图像识别、语音识别，还有哪些可能性?在 2017 钛媒体 T-EDGE 年度国际盛典上，奇弦智能科技公司创始人兼 CEO、同济大学经济与管理学院副教授陆云波给出了另外一种可能——把一个公司整体装到计算机里去，让它具备思考能力。

在陆云波看来，今天的人工智能已经被偏见化了，人们 80%的注意力都放在机器学习、深度学习这些具体、单独的技术上。但实际上，能让一个产业真正落地的人工智能，一定是端到端的多种技术的组合应用。

从工业时代到信息时代，再到今天，很多人认为人工智能时代已来，但陆云波却认为，现在仍处于信息时代与人工智能时代之间的过渡阶段——2.5 时代(大数据时代)。拿企业管理优化领域来说，今天的 AI 更多还是围绕单点的智能。

“但是如果能把一个企业的运行规律和数据结合起来，塑造一个全息计算的模型，我们就能在模型上开启很多全新的想象。它能把所有单点的智能一揽子连接起来形成一个大脑，这正是我们看到的方向，也是我们正在做的。”

陆云波给奇弦智能的定义是，“一家能够极速构建组织大脑的公司”。目前奇弦智能首先将全息计算模型应用到了物流领域，帮助物流企业构建一个“游戏化”的系统。通过这个系统，物流企业能在这个虚拟的快递公司里，测试一趟运输中可能出现的各种问题，并全局计算得出一个最优的运输方案。

而这样一个组织大脑的应用范围并不局限于物流行业，“比如说我们把一家制造业公司，或是一家零售公司装进去，还将产生不同的化学反应。” 陆云波说道。（本文首发钛媒体，作者/谢康玉）

以下是陆云波在钛媒体 T-EDGE 国际年度盛典上的演讲全文,略经钛媒体编辑:

前面上午快结束的时候，也有嘉宾说到，今天的AI有一点娱乐化、泡沫化。那一个同济大学经管学院的教授来讲AI，是不是也会娱乐化和泡沫化呢？其实我还想再加一个词儿，今天的人工智能还有一点偏见化。为什么这么讲？

今天讲到人工智能就会想到大数据、机器学习、深度学习，这些已经占了我们80%的注意力。那么我们是否想象过一些其它的可能性呢？所以今天我想和大家分享的是另外一种可能。我们有没有可能把一个公司整体装到计算机里面去，让它具备思考能力呢？

在这里我想先分享一个小故事，当然这个故事是假的。说森林里面有一条蜈蚣非常会跳舞（非常优美、是大家崇拜的对象），但是有一只小乌龟很嫉妒它，就说你刚开始跳的时候是先出28只脚还是36只脚？你跳到75只脚的时候，下一只脚是怎么出的？这条蜈蚣就想我怎么会不知道，然后回去就拼命地想，想着想着最后连舞都不会跳了。

今天的人工智能显然已经开启了一个全新的、广阔的未来。她已经让很多的东西变得能够自动处理。但是如果问她，你为什么这样做？还有没有其他的可能性？对她来讲就是一件非常具有挑战性的事情了。

所以结合到物流公司，今天有数不清的包裹在整个物流系统里流转。我们要有大量的设备、管理者、决策者和工人才能让整个系统正常运转。但是这个系统本身是没有感觉、不会思考的。如果你想去问这个系统说，你换一种方式来运作会不会更好，它是不会回应你的。这样的系统今天还不存在。

今天我要特别分享的是，我们在这个方面已经跟物流行业里面一些顶尖的公司做了尝试，正在帮助他们构建这样一个“大脑”，让他们工作中大量的管理决策能够以智能化的方式来处理。

在这个地方我还是要回答一下刚刚抛出的一个问题：一个管理学院的老师为什么来讲AI？

20多年前我刚进同济大学读书时，特别爱玩游戏。当时我读的虽然是管理专业，但我一直在思考一个问题：我们可以花几千万上亿来做一个游戏，带来巨大的商业价值。但是对于一家世界500强，拥有几百亿产值的大企业，他是否愿意花几千万上亿来做这么一个把整个公司都搬进计算机中的一个“游戏化”公司呢？如果他有了这么一个虚拟的公司，我相信他们能在上面做很多的事情。当然这在20年前是不可能的。

那个时候比尔盖茨写过一本书叫《未来之路》，里面就描述了说，在未来，数据是无处不在的。

那个时候我就在想，如果等到未来数据无处不在的时候，我们是否能疾速高效地把一家公司整体还原进计算机中、把它整体克隆进去呢？这是我在20年前一直问自己的一个问题。所以，我就跨界到了计算机。

今天我们看到的人工智能都是深度学习、机器学习（它也源自于神经网络）。我在20年前去看人工智能经典教材的时候，会发现第一章是序论、第二章是引擎，第三章才是神经网络，第四章是机器进化，第五章是状态机。

今天为什么说人工智能被偏见化了？其实让一个产业真正落地的人工智能一定是端到端的多种技术的组合应用。就像AlphaGo也不仅仅只是深度学习，它是很多技术组合的创新。而我们要实现一家公司的实时可计算，仅靠深度学习肯定也是远远不够的。

所以在过去的10多年里，我们投入了大量的精力去研发。也正是这种专注，使得我们今天研发出了目前为止能够极速构建组织大脑的技术，如果稍微不谦虚一点来说，我们很可能是目前唯一的一家。

今天我们还很年轻，虽然这个技术研发了十几年，但我们公司只有一年半多的历史。在这一年半的时间里面，我们已经跟国内10家顶尖物流公司中的7家建立了合作，帮助他们逐步推进、共同构建这个大脑。

今天我们团队里面80%的人都是省理科竞赛一等奖的获得者。我们团队40%的人则是没有参加高考、直接保送大学的全国计算机竞赛一等奖获得者。

所以，我们有一整个团队正为这个事情努力着。

我们的领域就是把人工智能跟管理相结合，再落地到具体的行业。所以我们来对标一下这个行业、这个领域里正在发生的一些事情。

大家知道只有工业时代才有企业。1.0时代，我们知道的管理优化公司就是麦肯锡、波士顿和贝恩，我们俗称叫MBB，他们针对某个特定的难点或问题，为企业提出解决方案。

到了信息时代（2.0时代），就有了一系列的信息化产品，如SCM（供应链管理系统）、ERP（生产制造管理系统）和ERP（客户关系管理系统）等，同时也诞生了一系列千亿级的公司。这些公司大家比较熟悉的有SAP、甲骨文。包括跟在后面的IBM、埃森哲，以及我们熟知的PWC、安永等一系列咨询公司。顶尖的这些公司都非常大。

现在，人工智能时代来了。我们今天满眼看到的是视觉识别、图象识别、语音识别。那么有没有可能把AI技术组合创新、应用在我们这个领域中呢？如果有的话，应该是什么样子。

它首先应该是一个产品，同时这个产品不再是协作、协调的，它一定是决策的，而要完成一系列决策的就应该是一个大脑。

在这个智能时代到来的时候，还有没有更多的可能呢？我今天想提出一些全新的观点，我认为今天的我们还处在2.5时代（大数据时代）。

今天的企业把所有的数据都汇总在一个数据仓库里，使我们能够去计算。同时我们也能用一系列的AI算法在这上面去挖掘到一系列有价值的点来解决问题。

比如说国内BAT中的某一家，他们说想看看员工的离职是否能找到相关性。于是他们结合大量的数据，应用了一些算法去加载。结果发现员工密集使用饭票的这个行为，跟他的离职率有高达50%的相关性。

我们同样有一个经典的案例，当啤酒和尿布在超市里放一块儿时，能够同时促进啤酒和尿布相关的销售。

但在这里我们发现一个巨大的缺口——这些数据是怎么来的。这些数据来自于企业，企业是运行、运作的，而这些运行、运作是有规律可寻的。当你仅顾着沉淀这些数据的时候，便丧失了数据本身之间的因果关系。

举一个例子，假设我手上有一台来自于未来30年后的CT扫描机。这个CT机对着我的身体，能以秒的级别，把我身体里的每个原子都扫描进超级计算机中。这样我整个身体的大数据就存进了这个计算机中。

但这个大数据里是没有我整个身体的运行机制的。诚然我们有了这些数据，能够在这上面加载很多AI算法，为我们带来很多有价值的决策，从而能更好地管理身体，让我们更健康。

但是，今天的AI都是围绕着一个点的AI。当然我说的还是在企业服务管理优化的场景里。

假设我这个来自于未来的CT机，能把我生理运行的规律也扫描进去，我们就会发现，如果你研发了一个新药，这个药在原来（2.5时代）的大数据模型上是没有办法做任何测试的。但是当你把你整个人数字克隆到这个计算机里面的时候，你研发的新药就能实现测试了。

我想描述一下这两者之间的区别。在AI领域里专门做研究的人都知道，我们今天只知道AI能干什么事情，但是我们不能问她为什么这样做。就像你不能问蜈蚣为什么它跳舞能跳得那么好一样。

但是如果能把一个企业的运行规律和数据结合起来，塑造一个全息计算的模型，我们就能在模型上开启很多全新的想象。这个模型上不再是一个单点的智能解决方案，它能把所有单点的智能一揽子连接起来形成一个大脑，去实现一个系统的智能解决方案，这正是我们看到的方向，也是我们正在做的。

我们现在把这个技术首先应用在物流的领域。今天在座的各位平时都会寄包裹，也会收到包裹。我们能够感知到的就是快递小哥拿了你的包裹，骑着车到了一个门店，门店一辆车装出去，后面装到哪里就不知道了。

事实上对快递公司来讲，这背后有一个庞大的网络。这个网络在无时不刻处理你的包裹，快递公司的老板和COO每天也都在“跳舞”，目的就是为了实现让这个网络的成本更低、效率更高。

这个过程中间绝对不是一个单点的问题。我举一个例子，假设今天华东大暴雨，同时华北雾霾，整个中国航空基本上就陷入了半瘫痪的状态，我们深圳广州也会受到波及。在这种情况下，道路上也会非常拥堵，这些车、这些飞机上都是装了包裹的，这些包裹都是有时间目标的。一旦这种情况发生，对于一家快递公司而言损失就发生了。

当发生这些损失的时候，能否有一个中央大脑能告诉你该怎么做才能挽回这个损失呢？显然今天是没有答案的。我们今天在物流里已经看到有很多的场景，比如把一个仓库完全地自动化。

但我们要是问这个仓库说，你把你的结构改一改，是否会变得更高效？或者问这个仓库，如果有一批货晚来了，我能不能插队？能否拥有更高的优先级优先卸车来保持时效？这在今天是做不到的。同样对于刚才描述的那些问题，我们目前仍没有一个系统、也没有一个大脑能让它去挽回这些损失。这是第一个场景。

第二个场景，比如说今年上半年，我们国内某一家著名的快递公司，要重构整个华东的网络。理论上我们今天这些数据都有，所有环节的数据也有，那么路由的网络该怎么调整呢？我们能否拿这些数据来自动计算呢？

现在是很难做到的。我们今天还是得请专业的咨询公司，他们用传统的算法告诉你这样改是好的。但这样改了真的好吗？当他落地的时候，才发现到了6个月以后还没有结论，他很难去计算和衡量。所有的这一切都需要先把整个公司还原进去，只有这样我们的组织系统才能具备某种程度的思考能力和推理能力，我们的企业才会变得更加智能。

我们以前一直都在埋头干活儿，基本上也不怎么去说。这次也非常感谢钛媒体的邀请，也算是我们的处女秀。希望刚才分享的这些事情，能够一点点打破对AI的某种偏见。

当然刚才我们分享的这个组织大脑，不仅仅只能用在物流行业，它还可以用在很多其他相关的领域。比如说我们把一家制造业公司，或是一家零售公司装进去，还将产生不同的化学反应。希望以后有机会再和大家分享，谢谢大家！