来源：环球网
【环球网科技综合报道】过去三年，在与微软亚洲研究院“创新汇”成员企业探讨 AI 如何在各行业落地的过程中，微软亚洲研究院的研究员们发现，资源调度优化是很多领域都存在的通用问题，这也是为什么经久不衰的“运筹学”广泛应用于各行各业的原因。基于三年来与成员企业的合作研究，微软亚洲研究院近日发布了多智能体资源优化平台“群策 MARO”，并将其开源。
记者了解到，微软亚洲研究院的研究员们将资源调度优化这个场景高度抽象，搭建出了一个可以让 AI 技术更好赋能这一场景的、通用的技术平台 MARO。具体而言，MARO是一个面向多行业横截面上的全链条资源优化 AI 解决方案，对于 MARO 已经涵盖的场景，用户只需提供合规的数据，MARO 就可以构建仿真环境并支持分布式并行训练，进而给出最终的解决方案；而对于尚未支持的场景（如不同的资源实体，不同的资源产生和消耗逻辑等），MARO 则可以在限定的成本下帮助构建可行的方案。
据微软亚洲研究院介绍，MARO 适用于由资源供需不平衡导致的资源利用率低的问题，致力于更好地在不同参与者间以合理的成本提高资源利用率，为行业创造更大的利润空间，且为社会节省不必要的资源浪费。这其中，利用创新技术助力企业和组织在关键场景中高效配置资源、节能减排，也是微软可持续发展战略中的重要一环。
微软亚洲研究院表示，双11其实就是一个典型的仓储物流行业资源匹配的场景，由于大家的“爆发式”采购，几年前曾出现“爆仓”的问题，但近两年这个问题相对得到了缓解，其主要原因就是仓储物流调度水平的大幅提升。其他常见的、需要资源调度优化的场景还有共享单车中自行车与站点、人的匹配，物流运输中集装箱与港口、船只、货物的匹配，电信领域无线基站带宽与用户流量的匹配等。
从技术角度来看，智能资源调度优化可以分为三个层面：最底层是信息感知层，在这里需要通过一些智能感知技术把整个过程真正数字化，比如共享单车场景里的每个停车点、每辆单车，或是航运物流里的每个集装箱、船只、港口等；第二层是信息的推理层，它建立在信息感知层之上，通过预测模型刻画未来的资源供需情况，然后基于这些情况来设计算法去优化资源调度；最高层则是智能决策层，该层无需额外的算法模型，因为智能模型可以直接利用第一层和第二层的信息给出最终的优化方案，实现完全的、端到端的决策。目前，业界的优化应用大多处于第二层，而 MARO 在兼顾第二层需求的前提下，可助力资源优化实现第三层中的智能决策。
此外，考虑到不同行业用户对 AI 技术的掌握程度会有所不同，MARO 平台提供了三种面向不同用户的构建方式，以帮助相关人员由浅入深地应用 AI 技术创建自己的资源调度优化模型。同时，平台也降低了科研成果在真实场景中应用的门槛，让 AI 可以助力解决业界更多的实际问题。
