大家好，这里是人民会客厅。我是许博。

我国具有全球最完整的工业体系、强大的生产能力、完善的配套能力，其中，工业软件被誉为工业制造的大脑和神经。随着全球传统制造加快向智能制造的转型升级，工业软件也正在成为智能制造的核心基础性工具。今天在直播间我们非常荣幸地邀请到了杉数科技联合创始人兼首席科学官葛冬冬教授，欢迎您，葛教授。

主持人好，大家好。

我们知道，工信部出台了“十四五”软件和信息技术服务业发展规划当中就提出了要补足国内产业链短板弱项，其中工业软件将是重点补强的一个环节。能不能先给我们介绍一下数学工业软件和工业生产之间到底是一个怎样的关系呢？

好的。工业软件就是在我们现在制作业，特别是更广泛的工业智能里，它往往是一个承担着核心技术和核心系统的角色，比如我们大家可能经常听到的像一些CAD、CAE、CAM、EDA等等高端的制造和设计软件，过去几年，一直也是我国孜孜不倦，很多企业在攻关的重点核心技术。对这些技术来说，对这些工业软件来说，你会发现，它的底层通过对于各种流体力学、各种方程的建模以后，这些软件底层最终还是要解决一些比较大规模的复杂的系统问题，有的是线性系统，有的是非线性系统，这些都是通过非常高效的数学算法来实现的。从这点上讲，这些工业软件的底层是需要数学工业软件对它提供支持的。另一方面，很多现代工厂的生产和调度中的核心问题，其实也是要通过一些直接的数学工业软件来进行支持的。比如说我们日常会看到的像大规模的生产、制造、排产、排程、产销协同，包括我们经常见到的航空、公交、铁路，这里面的交通工具和乘务的排班、路线的规划，再有就是像油气的开采、炼化、运输，电网的电力调度优化、机组组合优化、电价实时动态调整，以及整个供应链和产业链的产销协同、仓网、库存、物流等等，这些非常大的系统调度、优化、仿真和分析，这些其实都是有着底层需要各种各样的复杂的数学模型和算法进行支持的。这些计算和仿真系统，往往直接对接行业软件，再去结合底层的数学专业软件一起对软件驱动的。从这点上讲，我们可以看到一些耳熟能详的，比如大家经常提到的MATLAB，以及一些大的专业公司，像西门子、IBM，他们其实都是有一些比较成熟的所谓的工业软件和数学工业软件来对这些行业进行支持的，而且历史都很久了，就是非常成熟。

非常专业，但是总的听下来，我们可以听出来，刚才像葛教授提到的数学工业软件主要服务于生产端、制造业这样的企业端，可能离我们消费者稍微距离远了一些，我们并不是直接能够感受到它的提质增效的力量。

对的。一般来说，我们打开手机，我们会看到很多软件，这些软件就是我们日常使用的，因为我们顾客，英文叫customer，一般说这一类是B2C，C就是customer，企业服务于个人，服务于个体顾客的软件，大家平常感知的。我们刚才谈到的大规模的比如生产制造、运营管理，这些需要专业的软件，这些专业软件一般说大的企业叫business，所以这一类我们叫做2B，这一类我们刚才谈到的这些一般是2B的软件。

总体来说是促进整个工业生产高质量发展非常重要的一个抓手。

我们现在的工业处于新旧动能转换、转型升级的十字路口，对于这样的一些基础工业行业，像石油、电力，这些行业他们在进行智能化的转型过程当中又会遇到一些什么样的挑战呢？

当前，大数据、云计算、人工智能这些新技术都在深刻演变，产业的数字化、智能化，包括绿色化、低碳化这些转型都在不断地加速，智能产业、数字经济这些概念越来越强、越来越蓬勃发展，总的来讲，改变的全球，包括我们国内的生产资源配置方式、产业发展模式和我们的生活方式，这是一个非常强的趋势。但是智能化的过程中，不管是基础工业还是现在新兴的工业都面临着很大的挑战。挑战就是说，从技术的角度讲，我个人的观察，它有几点比较困难的，当然我专注的方向是数学，也可以说是从数学的角度来讲，我们观察到有几个特点，第一，运营管理的复杂体系，复杂程度是大幅度上升的。因为这个产业链全球化生产规模扩大，包括互相之间深度融合，使得难度就变得很大，比如说我们遇到了像我们日常用的电器，国内最大的电子制造厂，给我们生产优化的问题，生产优化的问题里面有200多家工厂、几千个车间，15万种原材料和二级部件，所以这个就非常大。

光看这些数字，可以想象到它的复杂程度，并且根据市场的变化，可能原材料的特点、市场的供求度都会有变化。

对，上游可能几百家供应厂商，这些厂商的供给其实是不稳定的。包括它运输，都会有突发状况，包括生产都会有突发状况，一方面，其实我们也观察到这些电子制造厂，包括那些汽车厂商，国内比较大的八大汽车厂，他们都是这样一个流程生产，目前都是智能管理的方式，就是根据这些订单，比如每天晚上需要把未来70天的订单的生产规划给算出来，现在要求颗粒度越来越细，比如最近一周，他们经常的做法就是最近一周需要把几千个车间，当天晚上做规划，凌晨发指令，每个车间每小时需要调用哪些原材料和元器件，又去生产哪些东西，要到小时的颗粒度都算出来。

未来一天每小时的生产的颗粒度吗？

不止未来一天，可能是未来14天的都要算清楚。

精确到每个小时。这会带来什么样的挑战？之前是什么样的精细度？

之前我知道的，比如说几十个工厂之间，因为原材料互相竞争，都需要。这个协调就很困难。以前遇到这个问题，当几十个工厂一起规划的时候，问题规模太大，以前数学工业软件是解决不了的，大家经常干的事情，我知道以前国内还没有这些软件，用国外的软件，国外的软件也规划不清楚，所以大家经常做的事情就是车间主任互相打电话协调，非常耗时耗力，得到的生产方案又不是最优的，这是经常见到的。

刚才我们提到运营复杂度。另外，现在我们讲究消费者这一端对需求要求越来越高，大家也看到了，所以就对生产端响应度的速度、敏捷度也要求越来越高，比如刚才我提到这个问题，就是生产的问题，因为每天都得算，计算的频度越多，这样对它的动态调整就越好，优化效率就越高。这个问题过于大，只能做到每天一算，即使每天一算，也只有晚上，比如半夜12点，大家把当天生产信息搜集过来以后，12点才能开始运行这个软件进行计算，所以4小时一算。我们也碰到了比如说有一些，我以前和国内最大的电商之一进行无人仓的智能运作，大家看到过几百个机器人跑来跑去，未来保证这个时刻调度计划是一个最智能的，要求是每4秒钟一算。其中有3秒还要做各种指令分配，留给你真正计算的时间只有一秒钟。再典型的就是我们碰到过的，比如说像飞船，比如说空间的飞行器，飞行器飞行的时候，它的姿态是要控制的，不然飞行器会失控的，基本上这种飞行器的调整是一秒钟进行40次调整，所以基本上每40分之一秒也就是毫秒级别，要对它进行一次计算，做姿态调整的时候。所以，每40分之一秒要解决一个计算问题，必须40分之一秒给出回应，这个响应度上要求是非常高的。

我们光听这些数字，40分之一秒，每一秒要做出一些计算，这对于我们实际的技术当中带来的挑战是什么呢？

从这点上讲，从我们数学家角度讲，对这些问题建模，你需要建立个比较高效的模型，第一，能够反映这个问题的难度和真实度，第二，这个模型是便于计算的，另外是你如何求解它，在规定时间内设计不同的算法、测试，真正把这个问题按照时间的硬性要求解决掉。从这点上讲，问题规模越来越大，在顾客端要求越来越高，所以对计算的算法效率强调也越来越大、越来越高。

现在我们有时候在说发展软件算力系统当中有一些卡脖子的技术，在具体到您所研究的领域当中，这些技术会显示在哪里？在您的研究当中是不是有一些突破呢？

我们这个领域，以前在2016年创办这个公司，做这些事情之前，这些领域基本都是欧美统治的，就几个大的软件占了市场95%以上，都是美国的一些专业的数学工业软件，当然还有百分之几很小的是一些开源软件，大概是这样一个现状。

数学工业软件如何突破像您刚才说的这些大的挑战？比如它的复杂度、响应度、敏感度，我们平时在技术当中又是如何突破它的？国产数学工业软件目前研发的状况又是怎样的呢？

说到底，底层是一些算法，算法本身是数学和工程技术结合共同应对这些挑战。刚才提到有小时级别的，有分钟级别的，有秒级别的，还有毫秒级别的，各种问题，不同的问题有不同的难度。比如刚才举的电子制造，国内最大的电子制造厂。他这个问题最后我们建模的时候我们发现这个问题的变量大概四千万个，它的约束大概6千万，总体来讲有一亿级别规模的大问题。我记得十几年前我读博士的时候，那时候我们处理的问题也是和航空有关的，那时候的问题大概差不多是100万规模的，就用IBM的专业软件还是需要6-8个小时才能处理出来，现在一亿级别以后这个难度非常大。为了这个事情，我们当时蹲在人家工厂里，花了半年时间，应对这些挑战，四小时必须算出来，我们琢磨问题本质，最后在数学上一个矩阵，这个矩阵有一些什么样的特点，怎么进行更高效的分解，一些更高等的计算技巧如何嵌入到里面，所以花了半年一点一点调整，把它解决掉。当然，这也是我们国产软件的一个好处，我们可以蹲在那儿，一些数学家仔细研究这个事情。至于说我们现状，从全球包括工业软件和专业的数学工业软件，比如MATLAB，仿真的AnyLogic、FlyMcu，包括我们优化决策的IBM的Cplex，国外的现状还是比较成熟的，无论是开源社区，还是商业软件，发展得都还是比较成熟的，我们国内，像很多都是新起的，过去十年，工业4.0这个概念兴起，人工智能、大数据这些概念兴起，国家对于数学也很重视，所以，国内也进入了一个比较好的时期，有一些领域，比如刚才提到的功能齐备的计算软件、一般性的仿真软件，都还处于有差距还在奋力追赶的过程。也有一些领域，比如我刚才提到我们所从事的底层的大的数学系统进行优化的，我们叫做数学优化或者叫做数学规划的专业求解器，这个领域我们现在等于是我们做了COPT求解器，基本上算是达到了世界一流。

比较有意思的是，这个还是很有意义的，我记得大概2004年-2009年在斯坦福读博士的时候，每天的工作就是把一些问题，比如说航空、物流这些问题，建模成一些数学的问题，然后把这个数据拿过来，放到学校的服务器上，每天晚上把模型设计好。毕业以后就回国了，工作了一些年以后发现国内对这块很重视，所以我们一些斯坦福的几个师兄弟尝试着成立一个公司，利用我们的经验，看看能不能做这个事情，还是时间很长的，这也是挑战之一，这个壁垒很高。很多专业的经验和技术的积累还是不够的，而且周期很长，投入又很大。不过我们做了几年以后，在2019年左右推出了第一版，当时是处理最简单的线性系统，优化优化线性系统。我们基本上把它做到世界第一，美国有一个专业的测试榜，第三方的测试榜，高校在维护的，你可以在那进行测试和比较，我们把线性系统当时做到第一，后来慢慢把线性、非线性、整数，不同的系统，到目前我们做了几个模块，基本都在世界第一、第二的位置上。特别是我们的整数，整数就是我刚才提到的，可能大家不太理解，整数是比较困难的一类问题，这类问题在工业当中有80%的问题是整数，这个软件特别难设计，我们现在把它做到世界第二了，和第一还是有一定的差距。

这在具体应用中，它会对企业的生产过程会产生一个什么样的作用或者效力呢？

整数确实非常的重要，举个例子，比如高铁，高铁的发车，我们的地铁，我们的公交这些，怎么合理地安排线路、安排发车、安排日常的规划。刚才提到电网，比如全国有几千个电站，怎样调动它，怎样把电力在全国范围内进行分配，最后都是整数优化的问题。

我们大概听出来了，您也提到过去这十年我国整个数字技术的发展，也提到您个人在浪潮当中发展的一些感受。我们都在说创新是引领发展的第一动力。在整个过程当中，您觉得从研究到实验室，从数据到车间，让您觉得创新带来亮点的，或者在您观察的角度，您觉得可圈可点的地方是什么呢？

首先对趋势而言，我们过去十年，我们观察到的一些事实，第一就是转型，不管是高科技企业还是传统的工业，我感觉我们接触几百个客户，大家共同的一个认识就是对这个事的认识越来越深，需求也越来越紧迫，所以这是一个非常强的趋势。如何通过数字化转型，数字化和智能化转型，来保持企业的竞争力，所有的企业家，我感觉都很关注这个问题。

演进路径，我们发现也很有意思。2016年我们做这个事情的时候，第一批企业就是互联网企业，因为他们有数据，有对这个事情的认知，也有这方面的技术力量，他们是最容易尝试高新事物的企业。第二批是外企，他们有全球的总部，总部会不停地让他们推一些科技方案，所以他们采用本土的科技方案也有一定的兴趣，而且这个事情因为长期熏陶，他们对这个事接受度比较高。第三批就是过去这几年，特别是2018年、2019年到这几年，我们注意到一个很大的趋势就是来自国企和民企，国企一方面是也确实到了转型的时候，特别是大的复杂系统越来越大，传统的一些日常管理式的软件和人力的经验管理是无法应付了，所以他们也被迫，但是又很急迫的加入潮流当中。民营企业很多时候是比较注意观察这个趋势的，当他发现周围比如领头的这些外企都在做这样的事情，国企做这样的事情，他们会加入这个事情，他们最开始是比较犹豫的。民企的好处，一旦加入以后，他们会非常的坚决，动作会很快。所以，演进的趋势是一级一级的，非常有意思的，我所看到的。

从我们服务的经验来看，刚才我们也提到了一些，当然也有很多别的行业，比如说像供应链的仓网规划，库存补货、收益管理，包括航空的航班规划、紧急恢复、物流的路网优化、设施选址、卫星雷达的定位、信息处理，包括我们智慧城市建设里面的智能水网、智能电网、智能公交，突发事件的应急管理，这些都有很多。甚至包括我们的金融，资产配置的优化，风险的管理，以及我们宏观经济的调度和规划，还有碳中和多目标的协同优化，这些最后都是需要专业的数学软件，特别是一些工业软件来帮助他们进行这种复杂系统的调度、规划和分析的。

我们对整个行业领域发展的趋势有了一个了解之后，我们再看，在智能化转型的过程当中，实现国产化数学工业软件的替代，我们又具备什么样的优势和必要性呢？

必要性是显然的，有两点，首先从软件安全的角度，我们要保证自己有自主的软件，可控。第二，在保障数据安全的角度讲，对于国计民生的很多重要领域，数据是要掌握在自己手里的。无论从任何一个方面看，必要性是非常强的。发展工业软件，特别是国产的，不管是任何一个重要的软件，优势有如下几点：

第一，从我们经验来看，很多企业的问题本身都很复杂，所以要根据企业的情况做很多定制化的，这时候要求你把你的软件打开，根据企业的情况做定制化。做了定制化之后可能效率更高、速度更快，能找到更好的最优解。这个事情一般国外的软件提供给你一般是黑盒子的形式，你打不开的，所以很多事情又没法做。包括有些更进一步的，我们有时候很多现在容易受到限制，所以很多时候必须用国产的硬件，这些硬件各种各样的都有，你必须跟你的系统，你的软件必须跟它不同的硬件做不同的编译和配置，甚至说做一些软硬一体化或者嵌入式的系统。这个事情，国外的软件肯定不会给你做的。当然，还有就是我们在售后服务、技术支持上，国内软件肯定会更好，这一点来讲，我们也注意到很多企业迫于无奈，只好找一些国外的开源软件做一些改造。但是开源软件改造的话，第一，里面到底有些什么样的细节，有时候你不太理解。第二，这个东西一旦你出错了，该软件是不负责维护的，出错了，你也不知道该怎么办，也找不到人来帮你。从这一点来讲，我们还是要发展国产软件。

最后能否介绍一下数学工业软件又如何来助力构建高质量发展的现代化产业体系呢？有没有一些实践的案例和我们一些分享一下？

刚才也提到不同的行业，这些不同行业里面，工业软件都会有各种各样的作用，有一些是直接的，比如就像制造，高端的制造，里面就需要大量的行业软件，对它深入进行做建模，来实现比较复杂的功能。另外一方面，就是我刚才说的，像很多国计民生的重要行业，需要大规模的资源调度和管理的软件。比如说从民生来讲，刚才我也提到，我们从整个制造端到顾客端，供应链长链条，或者产业链长链条，我们要做各种各样的管理优化和管理智能决策，这是从民生角度讲。

从国计角度讲，刚才提过的，像交通、能源、电力、航空这些基础设施的运营调度，对社会层面和企业层面的管理韧性都是很大的考验。从我们的经验上，我可以举几个例子，比如说我刚才提到的能源和电力，这关乎每个人的日常生活，大家也能看到，高峰期，有些电力调配就调不过来，就可能会发生一些事故。因为全国电网是很复杂的，有几千个电站。比如我们和南方电网电力调度控制中心的合作，南网管了南方五个省的电力日常调度，我们就跟他们的，我们做国内首个定制化的出清系统，帮助在南方五省大范围内进行电力的调度和电网的管理。这个方案考虑的时候，比如里面有直流和交流的迭代，梯级水电等复杂的约束，这些都是很复杂的约束问题。最后当你用数学模型来刻画的又是几百万级别的变量，同时你要去求解它，而且要求是几十分钟之内必须把它算出来，每天要不停地进行迭代计算的。到目前为止，我们在南方五省的实验效果，运行效果还是很不错的，对机组分配最优，降低发电成本，提升整体运营效率都是有很明显的效果。很重要一点，这些核心的，像电力非常核心的系统里面，我们彻底实现了100%的代码国产化，这是非常关键的，意义很重大。

高铁的运行大家可以想像，一天有几百趟高铁在一条线路上在跑，所以对控制来讲是非常关键的，这些车辆几点钟从哪发车，几点钟到哪里，要走哪个轨道，这些事情要严格控制，不然会出事故。但是这个事情本身的调度，系统是很复杂的。所以，铁道部、国内很多高校近些年来重点研发的事情，这个事情属于复杂系统的调度和优化，也是我们比较擅长的。最近我们对国内最繁忙的一条线路做了这方面的验证，比如这条线路上一年，目前规划是每天有584趟列车，传统线路的调用安排方式是通过人力，有些有经验的专业的专家需要几天时间去把高铁运行图把它制定出来。现在通过数学工业软件，就是刚才提到的杉数优化求解器COPT，通过这个建模和计算，基本上在1200秒之内可以实现把584趟列车全部安排进去，并且我们会发现还能安排进去更多的列车，这个效果是非常显著的。

让它真的是达到了更高效的运行态势，并且在这当中还会对一些原来人工安排它所不太具备的会出现什么样的问题呢？

人工安排的话，我们也发现了，其实有时候安排的不是最优的，包括有时候因为过于复杂，当人脑确实安排不过来的时候会突破一些限制。突破限制就意味着效率降低了，这就是数学的好处。我把这些限制，我们找到最优的安排方案，最优的路径来安排这件事情，都能安排下去，而且能给它增加更多的营收、更多的列车。

当然也有一些高精尖的事情，像刚才提到的飞行器，飞行器在空间飞行的时候，一秒钟进行40次姿态的调整，40次姿态的调整，每一次大概都有，大家知道它是自动控制的问题，自动控制有很多力学的方程，这些力学的方程就是在每四十分之一秒的时候，你需要把力学方程组给它进行一个求解，这个问题比较困难，所以只能进行近似的求解，但精度会比较好。后来我们发现，像这些问题会考虑很多别的因素，比如说芯片在太空中是要受到各种侵蚀的，所以芯片速度非常慢。数据不能太大，在这种情况下，虽然变量不大，几百个变量，但是要求四十分之一秒在一个很慢的芯片上必须算出来。未来做这些事情，不光是要在算法上进行加速。

还有环境的因素要考虑进去

对，要考虑环境的因素。最后怎么办呢？当你加速效果达不到的时候，作为一个国产化软件，这就是我们的好处，我们可以把机器打开，硬件打开，给它做一个嵌入式的系统定制。

再迭代升级一下。

对，编译过程中省略了很多，就起到很好的加速效果，最后能实现飞船的平稳着陆，这也是一个比较有趣的案例。

这还是核心的知识产权掌握在自己手里硬实力的一个体现。

对，不然这个事情就很难做了，就没法做了。

直接迭代升级就可以了。

对。总的来讲，我刚才也讲了一些例子，当然我们也看到，比如我们做一些城市智慧交通的调度，比如平台调度之类的单位去合作，最开始的时候，也是一个比较有趣的演进路径，最开始大家去调度的时候，在平台上有了数据化，可视化，大家看到屏幕上这些东西，需求都反映上来了。怎么做调度呢？很简单，比如把车辆分给离它最近的顾客，这就是一个典型的经验式的调度行为，它是最优的吗？不是最优的。那么我们就会进行最优调度，并且间断性的进行迭代调优，比如北京城有几万个需求，把这几万个需求固定下来，每一秒钟进行瞬时计算，寻找一个全局的最优配置。

最优配置随时在变，根据变化的环境、场景，在做不定式的计算。

对，这样每秒钟我都会计算一次，保证每秒钟最优。再过一秒，我们再去看的时候，就会发现现在不是说我只考虑每一秒最优调度了，还要考虑每一秒调度对未来的影响，比如我们要考虑半小时以后那边有一个演唱会。

预期效应也要算在里面？

对，这叫智慧交通，削峰填谷，这就会用到，当时我们用到优化求解器，用COPT去计算它。另外一方面也用到很多人工智能的技术，比如现在比较热门的强化学习，大模型，在七八年前，那时候就开始把这些概念已经成功运用到这些大的平台上去了。

预期效应也要算在里面？

对，这叫智慧交通，削峰填谷，这就会用到，当时我们用到优化求解器，用COPT去计算它。另外一方面也用到很多人工智能的技术，比如现在比较热门的强化学习，大模型，在七八年前，那时候就开始把这些概念已经成功运用到这些大的平台上去了。

现在已经可以来进行实践落地了吗？

对，当时我们做过五个城市的测试，效果还是非常好的，明显的把各项指标都提高了，这些技术一直在演进，后面每一年我跟他们交流这些平台，发现他们逐渐地对底层计算逻辑，用深度学习、人工神经网络、人工智能的很多手段，把这个事情做得越来越精确，越来越智慧。所以，可以看到一个很好的科技向善的一个帮助。

今天非常感谢葛教授跟我们的分享，介绍了很多。的确是这样，数字产业化、产业数字化，在各个行业领域的高质量发展带来了很大的助推作用。我们也期待科技的日新月异能够助力我们的美好生活。

好了，今天的节目就是这样的，感谢您的收看，再见！