我一直觉得自己是一个“反应迟钝”的人，说话比较慢条斯理，对困难不敏感，不谙人情世故。清华硕士毕业后，我去了美国宾夕法尼亚州立大学攻读土木工程与运筹学的博士，后来在美国的物流公司和咨询公司工作了近14年。2016年，在年迈父母的翘首期盼中，我回到了国内。
不惑之年，走向未知，对我来说需要极大的勇气。幸运的是，和华为的相遇打消了我所有的担忧和顾虑。面试时，华为供应链的主管仔细听我讲述自己过往的经历和对物流、大数据的思考，激动地对我说：“我们有非常多的物流难题，亟待科学家来解决，我们真的很需要你！”虽然从未在国内企业工作过，我担心自己格格不入，但看着他们眼底流露出的真挚和渴求，一种被需要的欣喜涌上心头。我想，或许可以把2年作为一个小目标，看看我能为华为做点什么。
没想到，这一路走来已是5年。5年时间，我见证并参与了供应链从人拉肩扛到科技驱动、数字化技术驱动的转变，特别是在智能装备的使用、人工智能技术的领域取得了很多的科技创新。
不得不说，供应链的很多问题非常具有挑战性，因为这里有许多数据量庞大、且有无数约束条件的复杂问题。但每一次攻克挑战性难题后的酣畅淋漓和愉悦满足，是很难用语言来形容的。这也许就是激励我们不断向前、取得一些突破的最大动力吧！
一片空白的开始
我刚来供应链的时候，物流部正在做数字化变革，领导把我领到了物流部的资源规划部门，让我熟悉一下情况，参与到变革中去。至于怎么切入、有什么任务、具体怎么做，都是一片空白。
对我来说，有两件事是我预期之外的。一是华为物流业务的复杂程度。从原料到半成品，再到给170多个国家和地区发货，产品种类错综复杂，各个环节环环相扣。二是数字化基础薄弱。当时供应链数据的基础设施还没有构建，缺少计算资源，也没有宽表（字段比较多的数据库表），很多物流履行的数据都是散落在不同的Excel表里、纸面记录中，甚至是操作人员的脑袋里，加上涉及采购、制造等部门的跨部门协作，数据获取难度极大。而业务人员习惯于手工操作，不擅长数据分析或者使用工具，数字化技能比较欠缺。
我记得刚来不久，遇到数据量超过几十万行或者报错的情况，业务人员用Excel根本搞不定，只好急匆匆来找我，问我怎么办。我还是挺惊讶的。我当时做的第一件事，就是向领导申请服务器，尽快配上计算资源，并完善数据库表，不能我们上了战场，连把枪都没有。而现在物流上，我们构建起物流的“天网”“地网”，实现了物流运输的可视，还在努力打造一张有韧性、能抗打击的物流网络，希望它像八爪鱼一样，任何一只触角被砍断，也能迅速自愈；在仓库里，“人找货”而变成了“货找人”，智慧物流一定程度上成为现实……回看初期的兵荒马乱，我总会特别感慨，变化真的太大了！
这种变化是怎么发生的呢？我觉得除了硬件能力，更重要是人的能力的提升。供应链业务人员的学习能力真的很强，他们跟着我们这些专家一起学习，从头开始学习各种编程语言，学习解决问题的数字化思维，把各种复杂的问题进行分类，有些归为运筹优化的问题，有些归为机器学习问题，然后再从最简单的问题入手，互相交流，互相启发，在短时间内各个击破，进步神速。
寻找单点技术的突破
就我个人来说，一开始，我也是在和业务人员交流的过程中寻找一些技术的突破口。从2017年开始，我参与组织建立了一个物流的智能运营平台，端到端拉通从原料到仓储、发货的数据，并通过简单的数据分析，生成预警。比如一旦发货能力不够或者仓库有爆仓风险等，国家的物流经理就会收到预警，及时地进行调整。也是在这个过程中，我发现了一个关键点：很多问题不仅仅是一个数学问题，而首先是一个业务问题，前端数据来源的准确性，直接影响后端预测的准确性。即使到现在，我们也在不断精进这部分的能力。
举一个例子。当时海关出口需要人工来判断报税类别，比如一台电脑是由鼠标、键盘、显示器等多个配件组成的，海关专员需要把这些配件“打包”成一台电脑来报税。按照大多数国家的报税规则，这样一来，可能关税为零，但如果把每一个配件分开来报税，就会被当成单独的item（物料），按照单个item的税率来报税，税率可能会特别高。按照“打包”报税还是按照单个item报税，需要以遵从各国的海关要求为前提，并结合人工的经验判断，但这样的分类完全依靠人的经验判断，工作量大而且效率低，特别痛苦。
其实，这是一个典型的机器学习的问题。如果我们能历史上成套的操作数据梳理出来，再让机器去学习这段规律，就能把业务人员解放出来。但业界没有现成的算法，我们从零开始构建起“决策树”的模型。打个类比，要判断一杯饮品是什么？首先得先看里面有啥成分，如果有咖啡成分，我判断这是一杯咖啡类饮品，具体是什么咖啡？再来看里面是否有牛奶或奶油，如果有，继而可以判断这是一杯拿铁、卡布奇诺、摩卡或其他。然后，再来看里面是否有巧克力，如果有，大概能判断是一杯摩卡。
有了这套模型，我们让机器去学习历史出口清关发票数据，分析出它们的共性，把海关专员脑中的知识和经验固化下来，代替人工来做这部分工作，不仅效率高，而且准确率很高。
再举个例子，当时在很多国家我们采用的都是“一车一站点”的派送模式，既不考虑这辆车能不能装满货或是否需要二次上站，也不考虑周边站点是否可以协同派送等，导致“最后一公里”的运输费用昂贵，存在大量的浪费。
我就想，能不能做一些优化？比方说用大一点的车来运送附近的几个站点？这当然是一个很好的主意，但在实现上有诸多限制。首先，要在合同签署时就对物流费用的报价模式进行约束，不再按照原来的一个站点为单位来结算，而是按照车辆数量来结算。其次，要根据不同车型的车辆报价、站点位置的分布、站型的特点等各种因素来综合判断是否合算。为此，我们在车辆调度领域也做出了一个算法模型，在各种因素的限制中找到那个最优解。
这些单点的突破虽然不能一下改变全局，但给了我很大的信心。我相信，星星之火可以燎原，只要循着这个方向往前，我们就能积沙成塔，把物流的数字化能力建立起来。
物流网络规划：贪婪的未必是最优的
2018年的一天，供应链管理部的总裁熊总问我：“你能不能估算一下，中国区的省暂存仓究竟设置多少个合适？”我理解，熊总是对当时物流商设置的省暂存仓数量有疑虑，因此，我花了一两周时间做了一个数学模型，来模拟显示省暂存仓的数量对整体配送时效的影响。比如从深圳出发，3天配送90%的客户，大概需要几个暂存仓，提供一个理论的测算参考，帮助物流商动态判断省暂存仓的设置是否合理，从而帮我们更好地控制成本。受到这个问题的启发，我突然想到，其实这个模型可以继续拓展，应用于华为在各个国家的物流网络规划上。
比如，我们在各个国家通常都只有一个中心仓，设置中转仓是一个常见的操作。试想一下，一个项目如果要新建一两千个站点，站点遍布各个区域，每一趟都从中心仓发货显然不现实。但要设置多少个中转仓？设在哪里合适？其实这就是在构建“港口--一级物流节点--二级物流节点--客户”的多级物流网络，需要综合考虑综合成本和配送时效，在短时间内完成物流网络规划，并给出最优结果。
这是一个很难的组合数学问题。因为我们不确定要设置几个点，也不知道设置在哪儿，组合起来就是有无数个解，有无穷无尽的答案，而我们要在短时间内，在这个巨大的搜索空间之内，找到最优解，无异于大海捞针。
拿到这个题后，我的第一感觉是，刁钻的题一定不能用常规的解法。如果用常规的方法，比如贪婪算法和精确求解算法，很可能陷入僵局。因为贪婪算法的原理是，每走一步，找到的都是附近最优的解，而不会从整体最优上加以考虑，这样很可能掉进陷阱而不自知；而如果使用精确求解算法，由于网络规模太大，难以在短时间内求解出结果。两个方法都不是最好的答案。
经过一段时间的思考和讨论，我们跳出了“最优”的禁锢，创造出一种基于改进变邻域搜索的多级物流网络规划方法。简单说，就是既然我们找不出全局最优解，那就退而求其次，算一个局部的较优的解出来。每走一步，先眼观六路耳听八方，从较大的范围去判断较优的解所在的区域，然后再在这个区域找较优的解，把范围一点点缩小，兼顾时间和成本，取得一个接近最优的解。这是一种改进的“局部搜索算法”，我们还为此申请了专利。
物流网络规划产品上线后在各个国家投入使用，使得物流网络布局不再是按照经验“拍脑袋”，而有了数字化算法引擎作为依据。对比业界同类型算法软件，一次建模分析从原来的2~3天缩短至10分钟，求解速度大大提升。物流专员根据当时、当地项目的需求，在电脑上使用这个工具，就能很快算出来需要设置多少个中转仓、设置在哪儿合适，不再需要专业人员的协助，提升了仓配一体典型国家的物流时效。
这件事让我很有成就感，因为物流网络规划问题是一类NP-hard（非确定性多项式）问题，这类问题有数量庞大的可行解，被位列世界七大数学难题之一，而我们通过巧妙的方式相对快速获得了比较满意的解决方案。贪婪的未必是最优的，最优的未必是最快的，真正好的算法，是要在众多约束条件之下取得一个相对的平衡。
仓库“自画像”，十分钟搞定
从2019年开始，“智慧”仓库、无人仓库被提上日益重要的位置，让仓储机器人、无人叉车、无人机、机械臂等，替代人工来捡料、包装、运输……但任何一个算法的应用，前提是要先有一张仓库的“自画像”，就像房子的户型图一样，能准确显示出货位之间的距离，货位和操作台之间的距离等，否则再聪明的机器人也要“抓瞎”。
怎么把这张“自画像”画出来，是一件很让人头疼的事。以前的操作方法是人工测量。以X国某仓库为例，存储占地5000平方米，有效货位10000多个，假设每个货位仅做一次距离测算，每次测距要10秒，总共要花28小时，记录用2小时，需要不眠不休干一天半才能完成这张“自画像”。
业界有没有先进的办法？有！激光AGV可以派上用场，在一个陌生的场景，它只需走上几圈，就能自主建立地图，但它也有短板，一台激光AGV的价格在十几万到几百万不等，且无法上高层货架。
既然现有方法无法大规模普及，我们只好开始思考新的办法。研究后我们发现，每个仓库在建设过程都有一张Excel的布局信息表。它记录了仓库的所有建设数据，包括几个货柜、每排间隔多大、每个平面区域有多少个货位、过道有多宽等信息，如果能够把这张Excel变成图，就可以画出仓库的“自画像”。
但这个转化的过程是比较复杂的，因为仓库布局千奇百怪，数据很多、很细，需要不断筛选，只让特定的数据在图上显性化出来。就像搭建房子，我们要把关键数据先找出来，搭建房子的骨架，再按照图纸把每个部分一点点搭建起来。
有了“自画像”后，我们还要计算出每个货位之间的最短距离。对于数万平米的仓库来说，货位数量成千上万，货位距离组合有千万甚至亿级以上，计算量庞大，还要考虑路径中障碍物的影响。为此，我们发明了一种基于图搜索的仓储距离图谱自动构建算法，将库区类型分为地面货位、高架货位及过道和无过道场景，然后利用最短路搜索Dijkstra算法分别进行测算。
这个方法在4个区域配送仓和1个海外国家仓应用后，拣料路径大幅改善，缩短拣料距离约16%，共节省作业时间1000多个小时。拿上文提到的X国某仓库来说，算法自动计算全部货位之间的最短距离只要10分钟。这种仓储距离图谱的自动构建方法，应该是我们在仓储领域，取得的最重要的突破之一。
轮船啥时到岸？我们有了预测方法
这两年，虽然受到新冠疫情的影响，我们依然要把货物源源不断地运输到全球170多个国家和地区。有哪些线路可以走？某个节点出了问题，我们有什么备选路线？为了确保在任何情况下都能找到一个最优路径，我们把全球航空公司的航线运能动态接入系统，构建了“天网”，把卡车和轮船的路线运能动态接入系统，构建了“地网”。这样，我们就可以通过模拟供需情况，找到各种情况下的最优路线，比如什么时候中转最少、什么时候货期最短、什么时候成本最低等。
在构建“地网”的过程中，我们发现海运轮船的ETA（预计到达时间）很难预测。船舶航行靠泊的时间表准确率低，常常是事后更新。因为影响船舶到港时间的因素非常多，如大雾、风暴、塞港、港口罢工、节假日……加上海运周期长、在途航行轨迹差异大，时间表根本无法准确估计。但另一方面，准确的ETA有助于调整船舶装卸顺序，优化装卸作业，对后续的收货准备、清关，以及从港口到仓库的运输计划、生产排产计划都有重要意义。
那段时间，我一直在思考，怎样才能预测更加准确呢？
我们不是魔术师，变不了魔术，只能从现有的数据入手。我们发现，轮船行驶在海上，有时候会传回实时的GPS数据，尽管这些数据是跳动的，时有时无，不一定准确。还有什么？对了，我们可以收集到每条航线的历史GPS数据，通过学习，得出航线的特征模型，画出一条基准路线，包括航行轨迹、港口驻留时间、港到港航行时间、速度、距离。
有了这两部分数据，我想到了动态滤波--一种在有各种噪声的不确定条件下，进行预测估算的工具。阿波罗飞船登月的时候就用到了这种方法。因为飞船起飞前经过理论计算的路径和预计位置不准，所以需要实时监测来修正，虽然实时监测的位置也不准，但把两个不准的数据放在一起，用这个算法就能计算出相对准确的位置和速度。
我们把动态滤波工具移植到了海运场景中。历史航行数据存在偏差，实时监测的GPS数据也有偏差，但用卡尔曼滤波算法，再结合船舶航行靠泊的时间表，就能得出一个相对准确的预测结果。这就好比天幕中散落着无数星星，但有些星星特别亮，通过连接这些星星，我们可以画出一个星座的形状。
这种基于动态滤波的海运ETA预测方法，让预测的准确率大大提升，在不少航线可以达到80%的误差在一天以内，而且实现了自动化，我们不需要苦哈哈地人工查询船期计划，可以利用系统承载算法，实时刷新数据，并进行动态ETA预测，不仅提升了管理效率，还降低了成本。这套预测方法也被我们申请为了国家专利。
想要攻克天下最难的问题
工作之余，我喜欢在网球场上快速奔跑、转移腾挪。时而高高跃起，时而扑地救球，时而急速前趋，时而缓步退后……一场对决下来，大汗淋漓，畅快无比。这和我解出某个难题时的感觉一模一样。
有人问过我，为啥总有奇思妙想，如何能产出这么多的专利？我觉得解题思路未必是最关键的，更重要的是定义难题的能力。记得供应链总架构师CHENYUE博士说过，科学家身上似乎都有一种基因，想要去攻克天下最有挑战的问题，我觉得确实如此，场景越复杂，越激发我们每个人身上的这种渴求和潜能。但前提是要真正了解业务实质，把业务痛点和业务需求，有效地转化成一道具体的题目、一个算法、一个模型，在众多条件的约束中寻找相对最优解。这个相对最优解未必是最顶尖的、最领先的，但一定是最适合的，能产生最大应用效果的。换句话说，业务的收益和变现才是衡量技术创新成功与否的标准。
5年时间，供应链从“数字化”走向了“数智化”，以后还将走向“数治化”。世界日新月异，未来的变化很难预判，唯有不断提升能力，保持韧性，才能有效应对各种不确定性。所以，我会继续沉下来，扎下去，在业务中不断挖掘技术创新的“宝藏”。与大家共勉。
来源/《华为人》
作者/TANG HAO
