他是2021全球Top1%高被引数学家，曾是UCLA数学系终身教授，今又成Egon Balas奖唯一中国得主

据该奖项官网介绍，INFORMS 优化协会的 EgonBalas 奖成立于 2020 年，每年颁发给在优化领域做出贡献的人。截至获奖当年的 1 月 1 日，获奖者获得最高学位不应超过 15 年。该奖项主要嘉奖在优化领域具有创新性和影响力的工作，包括理论、算法和/或计算，获奖者可获得 3000 美元奖金和一份引用证书。

官方颁奖词称，印卧涛的研究从理论分析到实用算法，再涵盖到代码开发。在全球范围内，他是算子分裂方法、并行和分布式计算、无中心优化、压缩感知和变分图像处理领域最有影响力的研究者之一。尤其是对成像科学的贡献，为高效优化算法注入了理论严谨性，并在过去 15 年间产生了持久影响。与此同时，他也是 2021 年度全球 top1% 高被引的数学家。

自高中起，他就对数学和物理非常感兴趣，本科则到南京大学数学系学习。他说，报志愿时所有第一志愿都是数学，第二志愿是计算机。本科期间，他也曾接触到运筹学，他发现运筹学能把实际问题通过一层抽象变成数学模型，然后运用相关知识或工具去解决实际问题。

2006 年，印卧涛获得哥伦比亚大学博士学位。读博期间，他主要研究随机过程和最优化，这或许为日后他加入产业界埋下了伏笔。

他用天气预报的例子，解释了数学在计算机科学中的作用和角色。首先，需要利用微分方程，将天气的物理过程转换成数学表达，微分方程随着时间演化，而如何控制演化过程的误差，则与级数展开相关。另外，在实现算法的同时要考虑数据结构，以保证算法的有效性。

基础数学是简洁高效的美，而运筹学在实际运用中显得更加有用和有趣。数学与计算科学家印卧涛谈到，运筹学是一个典型的交叉科学，与应用数学、经济学、工业工程和管理科学都有关联。

智能决策与运筹学密不可分。作为一个工具，运筹学正变得越来越重要，比如最优化方法、博弈论等已应用在 AI 和新能源等诸多领域。以新能源领域为例，广受关注的光伏发电，由于受天气影响较为明显，因此产生的电能并不稳定。如何准确预测产电量、并将不稳定的能源合适地调度到用户侧，正是决策优化和自动控制领域面临的新问题。

此外，运筹学中的一些基本理论包括多目标优化、双层优化，也可用于日常生活。这些理论在数据科学的研究和开发中，更是必不可少。

目前，他已在高效计算方法的研究上取得不少影响力的成果。以算子分裂为例，其实质是将复杂数学问题分解为一组简单的子问题，此前他和学生发现的 Davis-Yin Splitting 算子分裂新方法，对算子分裂的发展做出了突破性贡献[1]。

他表示，计算是把一个复杂场景变成最简单的可算的单元，Davis-Yin Splitting 方法的优势在于以下三个方面：

首先，Davis-Yin Splitting 方法是一种单调算子的分裂法。单调算子是一种性质比较好的算子，也是很多具体算子的抽象，比如凸函数的梯度、对称正定矩阵、反对称矩阵等。这种抽象且性质好的算子，可让很多计算问题简化成一个单调算子求根问题。

其次，Davis-Yin Splitting 的计算效率比较高，可直接分解更复杂的三单调算子问题，无需引入额外变量。

此外，该算法的理论很简单，且对一系列问题都具备较好的加速效果。

对于无中心优化，印卧涛解释称它涉及到不同的原理。目前，CPU 和 GPU 单核处理速度不够快，为加快解决复杂问题，需同时使用多个 CPU 和 GPU，这便是并行优化，它可分为有中心优化和无中心优化。

有中心优化的特点是存在一个进行数据汇总和调度的中心节点，其它所有计算节点都需与其通讯。也就是说，只要一个中心节点出问题就会导致整体通讯瘫痪。而他开发的无中心优化，去掉了中心节点，每个节点只与相邻节点通讯，或只跟少数的几个其他节点通讯，通讯瓶颈问题得以借此攻克。

此外，无中心优化在深度学习领域也展现出一定优势，它可将新旧机器在一个网络里混合起来同时发挥作用。这时，不再需要一个中心同步或者调度所有数据，深度学习的成本也可得到降低。

过去 10 年左右，在大数据分布式并行优化方面，他已完成多项优秀工作。据谷歌学术，其论文引用记录已超 28000 次，其中 4 篇被引数超过 1000 次，H 指数达70。这些高被引论文的共同特征，在于使用简单的新方法去解决相关问题。

2013 年，他在加州大学洛杉矶分校（UCLA）开始担任数学系终身教授。2019 年，其加入阿里巴巴达摩院决策智能实验室，担任负责人和研究员。

他介绍称，该实验室主要研究优化求解器技术、时间序列技术、可解释的 AI 技术；同时，在新能源相关的预测和调度项目，验证技术的落地性。

印卧涛带领团队在短短一两年之内开发出商用级别的优化求解器 MindOpt，多次在国际权威的 Mittelmann 榜单获得第一名。

求解器的主要功能是解决数学规划问题，在云计算、金融、能源等领域应用广泛，亦是智能决策场景的不可或缺的基础工具。由于技术壁垒高，几十年来高性能商用求解器技术始终由少数欧美企业主导，直至最近 2 年才有国内厂商崭露头角。

2020 年，他带领团队发布了求解器 MindOpt，并率先在内部做测试，结果显示一年能为阿里云节省成本数亿元。随后，求解器向社会免费开放测试，并于 2021 年云栖大会新增了黑盒优化功能。

具体来说，求解器是一款基础工具，类似于运筹优化中间的 CPU。因此，求解器往往是基于不同的应用场景而产生不同的价值。比如在能源领域，可提升新能源消纳率，从而让调度的成本更低、稳定性更强。

另据悉，在复杂系统的运筹优化方面，决策智能实验室也取得一些成果，例如“达灵”计算资源优化、“龙灵”零售个性化流量优化等。

目前，印卧涛的工作主要是指导决策智能实验室，完成具体的项目，并在一些重点的赛道上将研发的技术实践进行落地。此外，他也参与过 Alibaba Global Mathematics Competition 的出题与审核。

从 UCLA 到业界，他表示：“这是一个逐渐转变的过程。”学术界和产业界的工作节奏和模式是不同的。因此，如何将个人目标与企业目标相匹配，是成功跨界的一个重要因素。

经过磨合和学习，他发现在企业里，基于内部孵化场景所产生需求很丰富，可做的事情也比较多。同时，院内支持长期投入，这对于研究和产出的平衡很重要。而丰富的人才结构更容易形成一股合力。

他表示，自己的兴趣点在大规模计算，为了把问题解决得更快更好，需要将多个 CPU 和机器并行，进行分布式计算。而在未来三至五年内，他希望将 AI 运用到求解器的研发中，帮助求解器提高性能。

-End-

参考：

1、Davis, D., Yin, W. A Three-Operator SplittingScheme and its Optimization Applications. Set-Valued Var. Anal 25, 829–858(2017).