算法能解决所有问题吗？重新审视优化算法应用的边界

上个月跑南京江北的工业园区做调研。有家能耗管理服务商吹得天花乱坠，说上线了某某优化模型，能帮园区降15%的用电成本。三个月后复盘，实际只降了不到3%。

不是所有问题，都适合套优化框架

很多人拿到问题第一反应就是找个优化算法套进去，对吧？优化的核心逻辑很简单：给定约束空间，找到目标函数的极值。但这个逻辑成立的前提，是约束清晰、目标可量化。少了任何一个，再精巧的算法都是无本之木。

举个最常见的例子，城市共享单车调度，目标写的是“满足用户骑行需求”，但这个需求怎么量化？早高峰商圈门口缺100辆车，和深夜郊区地铁站缺10辆车，哪个优先级更高？不同的权重设置，出来的最优解天差地别。多数做落地的人，随便拍脑袋定个权重，算出结果就交差，本质上是把自己拍脑袋的结果，套了个算法的壳而已。

去年我跟进过一个养老机构床位分配的项目，团队用算法算出的最优方案，把失能老人全部集中在一楼，床位利用率能提12%，还能减少护理员的行走距离。结果方案一公布，老人集体反对——不少住了五六年的老伙伴本来住邻屋，方案直接把人拆开，完全没考虑老人的社交需求。最后项目只能推倒，重新加了N多不可量化的约束，才拿出一个大家都能接受的方案。

说实话，这种错误真的一抓一大把。为了能套进优化模型，硬把模糊的目标数字化，把动态的约束静态化，最后出来的最优解，在实验室里好看，到现实里根本走不通。

落地路上，看不见的约束才是真门槛

圈内讨论技术，所有人都盯着目标函数的设计、收敛速度的提升，很少有人聊实际落地的硬约束。什么是硬约束？就是算法算出了最优解，你也根本没法执行。

我听过一个港口集装箱堆存优化的项目，算法在测试集上能帮龙门吊省10%的油耗，现场一跑完全不对。算法算出来某个箱子要放第三作业区第二排，结果第三区当天临时堆了一批海关扣的违禁品，全封了，解直接废了。还有制造业工序优化，算出来排程能缩短8%的总工期，结果要求某个工序的工人连干12小时，违反劳动法，谁敢用？

你别说这些都是小概率的意外。实际做应用，意外才是常态。优化算法绝大多数都是基于静态假设做的计算，而现实世界是动态的，到处都是没写进需求文档的潜规则、临时变动的规则、说不清道不明的人情世故。这些东西，很少有人愿意花时间整理进模型——哪有调参发论文舒服？一堆脏活累活，要天天泡在现场跟管理员、老工人聊，磨半个月才能理清楚一半，很多做算法的年轻人根本耐不住这个性子。上来就跑公开数据集，出结果，发论文，看起来漂亮，碰到真问题就歇菜。

不过话说回来，也不能全怪年轻人。现在甲方采购就认新名词，什么遗传算法、大模型优化，你不说个新潮的概念，人家根本不签单。至于能不能解决问题，那是上线以后的事。

真正成熟的应用，要给人留足空间

现在到处都在吹全自动无人决策，好像有了算法就可以把人踢开，我一直不认可这个方向。真正靠谱的优化应用，从来不是算法扔给你一个所谓的全局最优解，而是算法输出若干个符合约束的可行解，把最终的决策权交给懂现场的人。

还是拿园区能耗优化来说，算法不用硬给一个“降本最多”的解，你可以给三个选项：第一个降本幅度最大，但要牺牲三条生产线的柔性换产能力；第二个降本幅度中等，保留完整换产能力；第三个降本少两个点，但刚好满足本月的碳排放考核指标。让园区运营自己选，哪个不比算法硬塞的解靠谱？

还有一个方向我特别认同，就是增量优化。不对现有流程动大手术，只在现有框架里抠可以优化的空间，一点点调整。很多做了几十年的老工厂，生产线布局早就定了，不可能拆了重建，你上来给个全局最优的布局方案，说能提20%效率，有什么用？不如就从每个班次的物料运输路线入手，每次改个百十米，一年下来也能省十几万的油费，没人会反对，落地起来顺风顺水。

我之前认识一个做城配路线优化的团队，他们的产品就一个核心逻辑：算法出初稿，司机随便改，改完算法再重新迭代，越用越准。说白了，优化的目的从来不是出一个漂亮的学术结果，是解决真问题。解决不了真问题，再精巧的算法都是空的。

那天离开园区的时候，那个服务商的负责人跟我吐槽，说现在做项目太难了，甲方就认新算法，不认实打实的小改进。我笑了笑没说话。

哪有什么万能的算法。能解决真问题的，就是好的。对吧？