'一騎紅塵妃子笑，無人知是荔枝來。”這是中國古代對快遞最廣為人知的描述。良駒日行千里，馬不停蹄從嶺南到長安，只為確保荔枝的鮮美。時至今日，品嘗一顆鮮美的荔枝已不再困難，同城快遞甚至半小時就能送到家中。物流行業(yè)的蓬勃發(fā)展，也加劇了企業(yè)之間的競爭，如何利用創(chuàng)新科技推動業(yè)務跳出紅海，是很多物流企業(yè)都在思考的問題。

隨著時代的發(fā)展，人工智能成為了決定性的技術，我們所談的企業(yè)數(shù)字化轉(zhuǎn)型也正在從“互聯(lián)網(wǎng) ”向“AI ”遞進，“AI 行業(yè)”正成為不可忽視的變革力量。正因為如此，微軟亞洲研究院在2017年11月成立了“創(chuàng)新匯”，旨在與各個行業(yè)的專家，基于最領先的人工智能技術與行業(yè)經(jīng)驗，一起探索人工智能和行業(yè)融合的新模式。其中，東方海外航運（OOCL）就是“創(chuàng)新匯”的首批成員企業(yè)之一，經(jīng)過一年多的合作研究，現(xiàn)在已經(jīng)取得了相當喜人的合作成果。今年，國內(nèi)領先的快遞物流綜合服務商順豐速運旗下的順豐科技也正式加入了“創(chuàng)新匯”，成為第二期的會員，并開始了具體的合作規(guī)劃?？梢?，物流行業(yè)與人工智能的深度融合之旅已經(jīng)開啟。

微軟亞洲研究院副院長 劉鐵巖

很多人認為人工智能是一組現(xiàn)成的工具，可以直接打包提供解決方案；而從事人工智能研究多年的我們則認為，更應該把人工智能視為一種方法論，需要根據(jù)具體問題進行定制化設計，才能真正成為可用的技術工具。每個行業(yè)所面臨的痛點不同，每個應用場景的特點不同，因此人工智能想要真正落地，需要結(jié)合行業(yè)的領域知識，進行深入的定制。物流行業(yè)也不例外。而我有幸深度參與到了“AI 物流”的跨行業(yè)研究中，希望借此機會與大家分享一些心得，給更多的行業(yè)企業(yè)帶來一些啟發(fā)。

用AI抽象物流業(yè)務的本質(zhì)：供給與需求的智能化匹配

物流行業(yè)要解決的最根本問題，是供給與需求的匹配。無論是像順豐這樣的快遞業(yè)務，還是像東方海外航運這樣的海上運輸，都是在解決供給與需求匹配的問題，即把東西送達到需要的人手里。如果將整個大物流行業(yè)的業(yè)務場景高度抽象，我們就可以得到以下幾個最基本的應用場景：

場景一，供需預測。物流企業(yè)并不是在業(yè)務訂單來了之后才開展業(yè)務的，而是會在客戶下單之前就要預估站點訂單的數(shù)量，并事先規(guī)劃運輸工具或是預測每個港口運送的貨物數(shù)量、空箱數(shù)量等。為此，需要利用時序數(shù)據(jù)，結(jié)合歷史經(jīng)驗，考慮節(jié)假日等因素進行預測；而當有意外情況發(fā)生，如道路擁堵、船只遭遇風暴等，還要能夠根據(jù)具體狀況進行動態(tài)調(diào)整。

場景二，供需評價。絕大部分的物流需求是善意的，但仍然存在遇到惡意需求的風險，比如蓄意騙保等。所以，如何做到異常檢測、事先預警，也成為物流企業(yè)亟待解決的課題之一。

場景三，路徑優(yōu)化。這是物流行業(yè)的核心應用場景。當知道供給和需求分別在哪里后，就要決定在什么地點，派什么車輛、船只，走什么路線，如何運輸貨品效率最高、成本最低，是否需要設立中轉(zhuǎn)站、集散中心，或是建立自己的倉儲等等，這些都是路徑規(guī)劃需要考慮的問題。同時，一旦遇到了突發(fā)狀況，也要能夠及時調(diào)整，重新快速優(yōu)化路線。此外，如果某條路徑所對應的供需關系存在惡意風險，還需要在路徑上多加入一些審查或校驗的機制，以實現(xiàn)必要的風險控制。

其實，上述供需匹配的問題并不是物流行業(yè)所獨有的，現(xiàn)實世界中很多問題都可以歸約成供需匹配問題。這不僅包括泛物流行業(yè)（例如電商、倉儲、出租車派單業(yè)務、共享單車擺放等等），也包含非物流行業(yè)（例如推薦系統(tǒng)、搜索引擎、云計算的數(shù)據(jù)中心管理等等）。前面提到的各個場景在這些問題里也都有特例化的表現(xiàn)。因此，我們對于智能物流的研究，其實并不局限在物流行業(yè)本身，而是會對更多行業(yè)起到輻射作用。

那么如何才能利用人工智能技術解決物流的問題呢？我們需要人工智能領域的科學家與物流行業(yè)專家深度融合，相互分享各自的專業(yè)領域知識，將專業(yè)洞察整合到人工智能的解決方案之中。這也是微軟亞洲研究院在與東方海外航運以及順豐科技在合作過程中的切身感受。

智能航運：競合多智能體強化學習毫秒完成實時路徑優(yōu)化

在微軟亞洲研究院與東方海外航運的合作中，我們覆蓋了供需預測和路徑優(yōu)化這兩個物流行業(yè)的主要業(yè)務場景，通過運用深度學習和強化學習等最新的人工智能技術，來優(yōu)化現(xiàn)有的航運網(wǎng)絡運營。

事實上，過去的幾十年里，航運企業(yè)通常采用基于運籌學的組合優(yōu)化方法來實現(xiàn)路徑規(guī)劃。這種方法一般需要首先對供需進行預測，然后基于預測結(jié)果，將有關客戶、港口、航線、區(qū)域的限制信息人為設置成現(xiàn)有商業(yè)軟件的約束條件，并用其進行求解。但對于東方海外航運來說，其全球港口數(shù)量眾多、船只數(shù)目也很大，采用這種方法會讓商業(yè)軟件不堪重負。作為一種折中，人們通常需要將幾個港口劃成一個片區(qū)進行處理，而即便如此，實現(xiàn)一次優(yōu)化仍然費時費力，每天可能需要花費數(shù)個小時來計算路徑優(yōu)化的方案。而一旦外部條件發(fā)生變動，就不得不重新執(zhí)行如此費時費力的優(yōu)化過程，才能做出合理的應激反應，這種延時對于航運公司會造成不小的損失。此外，對貨品和空箱的供需預測，很難做到非常高的精準度。這種情況下，先預測再優(yōu)化的方式或造成誤差傳導，導致整個優(yōu)化過程的效果受損。

為了突破方法的局限性，我們在與東方海外航運的合作中探索出了一套全新的解決方法——競合多智能體強化學習技術（Coopetitive Multi-Agent Reinforcement Learning）。傳統(tǒng)的運籌學思路是希望在全局上求解優(yōu)化問題，而競合多智能體強化學習技術則把每一個港口和船只建模成智能體，對原來的復雜問題分而治之，以去中心化的方式進行求解。我們在各個智能體之間建立了高效的通信機制，通過協(xié)調(diào)智能體之間的利益分配與轉(zhuǎn)移，來促進智能體之間的合作，同時協(xié)調(diào)他們之間的競爭，最終起到全局優(yōu)化的目的。

通過采用這種競合多智能體強化學習技術，我們可以在以下方面取得長足的進步：

• 路徑優(yōu)化的時間減少至毫秒級。每個智能體的局部運算可以并發(fā)進行，傳統(tǒng)運籌學方法需要好幾個小時進行的路徑優(yōu)化，利用競合多智能體強化學習技術則可以縮短到毫秒級。當某個智能體遇到突發(fā)狀況時，系統(tǒng)只需調(diào)動周圍相關的幾個智能體自己協(xié)調(diào)就能解決，無需從頭開始重新計算。

• 自動學習、適應變化，可與環(huán)境持續(xù)交互。當某個港口停運或者某一航線發(fā)生變化時，多智能體模型可以實時獲得信息，并動態(tài)調(diào)整和反饋，快速適應新的環(huán)境。無需像傳統(tǒng)運籌學方式那樣，人為重寫規(guī)則，再做優(yōu)化。

• 實現(xiàn)預測和優(yōu)化的端到端學習，消除誤差傳導。在競合多智能體強化學習中，預測環(huán)節(jié)與優(yōu)化環(huán)節(jié)是一體化進行的，不需要分階段、按順序執(zhí)行，因此，也就不存在誤差傳導的情況。

智能體的訓練可以利用實際運營數(shù)據(jù)，也可以通過自我博弈的方式來獲得提升。我們?yōu)榇嗽O計了復雜的仿真系統(tǒng)和分布式計算框架，可以使模型訓練又快又好，目標每年可為東方海外航運節(jié)省1,000萬美元的運營成本。今年，東方海外航運將正式在其部分航運業(yè)務網(wǎng)絡中運行該人工智能解決方案，預計將會對其業(yè)務效率帶來大幅度提升。

除了可以提高效率，新的解決方案中的每個智能體模型還可以針對港口的調(diào)度員進行模仿學習。在過去，航運調(diào)度員會根據(jù)自己的經(jīng)驗對商業(yè)軟件給出的調(diào)度方案進行調(diào)整，方案的實際采用率甚至不足50%。但競合多智能體的模仿學習能力，可以學習不同調(diào)度員的行為習慣，生成更易于被調(diào)度員所接納的方案。人工智能作為助手，結(jié)合調(diào)度人員的專業(yè)經(jīng)驗，將進一步提升東方海外航運的運輸調(diào)度效率。這種人工智能（AI）與人類智能（HI）的結(jié)合，也將是未來人工智能普及的常見模式。

智能理賠預警，準確率提升60%

順豐有大量面對個人用戶的快遞業(yè)務，因此會出現(xiàn)一定幾率的需求風險，如惡意騙賠等。在前期與順豐展開的合作中，我們的切入點正是供需評價這一業(yè)務場景。順豐科技在加入微軟亞洲研究院“創(chuàng)新匯”之后，希望與我們一起探索理賠預警模型的建設。

什么樣的快遞訂單有風險？該如何去判斷？傳統(tǒng)做法是從訂單信息中提取人工特征，利用梯度提升樹方法學習理賠預警模型。然而，當模型達到一定準確率后，繼續(xù)提升模型性能會付出極大的人工代價。另外，當線上數(shù)據(jù)分布發(fā)生變化時，原來的人工特征也容易在新的場景下失效，造成線上模型性能的下降。

為了構建合適的優(yōu)化方案，微軟亞洲研究院的研究員對數(shù)據(jù)進行了深入分析，發(fā)現(xiàn)方案構建的核心難點在于，歷史數(shù)據(jù)中理賠訂單僅占全部訂單的萬分之幾，極度不平衡的樣本比例使得傳統(tǒng)機器學習方法無法達到理想效果。目前已知的處理不均衡數(shù)據(jù)的解決方案，無論在學術界還是工業(yè)界，均達不到智能理賠預測問題的要求。

為了解決這個難題，我們采用了“深度因子分解 基于精度的級聯(lián)”方案，利用多次選擇交叉驗證集減少由于分布變化造成的影響。通過對歷史數(shù)據(jù)的測試，目前該模型在固定召回率的前提下，準確度已經(jīng)比原始方法提升了約60%。

未來，微軟亞洲研究院的研究員將和順豐科技的行業(yè)專家一起繼續(xù)探索元學習、對抗學習、分布式機器學習等先進的機器學習技術在理賠預警中的應用，進一步提升預警模型效果。同時雙方還將研究其他物流行業(yè)的創(chuàng)新應用場景。

企業(yè)數(shù)字化轉(zhuǎn)型：需要行業(yè)專家與AI科學家的化學反應

每次與企業(yè)合作伙伴交流時，大家問得最多的問題是“人工智能到底能幫我們做什么？可以怎么做？”如今大家都知道人工智能技術的重要性，但在行業(yè)中能做好真的不容易。其中，最根本的原因在于：行業(yè)專家對人工智能技術的了解有限，而人工智能科學家很難有機會深入到行業(yè)一線。只有雙方專家的深度融合，才能實現(xiàn)行業(yè)數(shù)字化轉(zhuǎn)型的落地與創(chuàng)新。

微軟亞洲研究院“創(chuàng)新匯”就提供了這樣一個讓行業(yè)專家和人工智能科學家可以無縫協(xié)作的平臺及創(chuàng)新合作的機制。在與東方海外航運等“創(chuàng)新匯”第一期成員企業(yè)的合作過程中，我們與行業(yè)專家們充分實現(xiàn)了“開放、平等、信任”的研究合作模式。行業(yè)專家放心傳授行業(yè)洞察、分享真實業(yè)務數(shù)據(jù)，研究員則毫無保留地貢獻模型、算法以及調(diào)參技巧等。正是基于良好的研究合作模式以及微軟亞洲研究院在人工智能領域20多年的積累，我們的研究員才可以在短時間內(nèi)針對不同的行業(yè)問題找到最佳的人工智能解決方案。

同時，微軟亞洲研究院也在合作中收獲良多。一方面，我們的研究員得到了成長，行業(yè)洞察力大幅提升，成為了擁有復合型創(chuàng)新能力的人工智能人才；另一方面，我們形成了人工智能研究的閉環(huán)，使得人工智能的科研工作不只是停留在理論和學術論文層面，而是能夠真正地解決更多的實際問題，這也是人工智能技術本身的最佳歸宿。

逆水行舟，不進則退，當下緊跟人工智能的發(fā)展節(jié)奏尤為重要。只有真正深入、全面地擁抱人工智能，企業(yè)才有可能在未來領先同行10年甚至20年。未來，我們希望與更多行業(yè)企業(yè)分享人工智能的前沿技術，共同探索“AI 行業(yè)”更廣闊的發(fā)展前景，一起迎接數(shù)字化轉(zhuǎn)型新時代！