学院动态

　　10月18日，亚商博士课程的课堂迎来了一位分量很重的学者——同济大学经济与管理学院副院长、博士生导师王洪伟教授。一整天，他带来的是《AI将新兴技术赋能商业场景创新与数字化转型》：上午从数字经济的底层逻辑讲到大模型原理，下午直插企业落地的痛点与框架。台下坐着的，是一群正在用AI改造自己企业的老板与高管，主持人由胡慧敏担任。

　　课堂上，来自不同行业的同学也做了自我介绍：有从照明类上市公司转型做存储与芯片的HRD，也有做了25年医美、正借助GPT、豆包与DeepSeek二次创业的创始人——这正是亚商博士班“老板圈”的缩影：大家带着真实的生意而来，也带着真实的困惑。

　　一、数字经济四要素：ABCD、数据、基建与新质生产力

　　上课伊始，王教授先给“数字经济”拆了骨。他认为，理解数字经济至少有四个关键词：通用目的技术、生产要素、基础设施、生产方式。

　　通用目的技术，他用一个缩写概括——ABCD：AI（人工智能）、Blockchain（区块链）、Cloud（云计算）、Data（数据）。

　　数据被正式列为生产要素，是2020年的事；2023年国家数据局成立，2024年“数据要素×”三年行动计划出台——数据从“资料”变成了“资产”，甚至可以入表。但要真正“资本化”，还要跨过权属、定价、市场、产业结构性矛盾这四座大山，定价又有成本法、收益法、市场参照法三把尺子。

　　基础设施，过去叫“铁公基”（铁路、公路、基建），今天叫“云管端”（云计算、管道、终端）。2008年的4万亿投在铁公基，2020年的新基建则是七大类：5G、特高压、城际高铁、新能源汽车充电桩、大数据中心、人工智能、工业互联网。

　　把这三样耦合在一起，就是今天的热词“新质生产力”。再往下是“四化”：数据价值化、数字产业化、产业数字化、数字化治理。其中产业数字化是蛋糕最大的一块；数字化治理则指向智慧城市——“一网通办”“一网通管”。

　　一个判断：2025年数字经济占GDP比重约45%，北京、上海、深圳早已破50%，“十五五”目标要全面破50%。对企业而言，这不是趋势预测，而是正在发生的生存环境。

　　二、大模型不神秘：本质就是“文字接龙”

　　讲原理前，王教授先“解剖”了大模型。一切都从2017年谷歌8位工程师的那篇《Attention is all you need》说起——这篇提出Transformer架构的论文，被很多人视为生成式AI的“红宝书”，甚至把2017年称为生成式AI元年。

　　Transformer一分为二：左边编码器负责“理解”，把汉字变成一串计算机能懂的数字；右边解码器负责“生成”。大模型的两项基本能力——理解力与生成力，正对应这一左一右。

　　生成的方式，他用一个大白话讲透：叫“文字接龙”。你问一句话，模型把约7000个候选字符（汉字+标点+字母）排成一排，标出每个出现的概率，然后像掷一个7000面的骰子一样，选出下一个字；再把这个字塞回去，循环往复，直到掷出那个叫“end”的特殊字符，游戏才结束。今天全球已有约24万个模型版本，在GPQA这类基准上，人类约34分、博士约65分、顶尖大模型已超过90分。

　　所以同一个问题问同一个模型十次，答案往往不一样——因为是概率采样，不是查字典。这也解释了为什么大模型偶尔会“一本正经地胡说八道”，更解释了为什么严格的“三阶段训练”必不可少。

　　训练的三个阶段，王教授用了很生活化的比喻：第一阶段自监督预训练，让模型“会讲人话”（这一步烧钱惊人，OpenAI训练一次GPT-4要烧掉约4300万美金，折合人民币5亿以上）；第二阶段监督学习，让模型“讲真话”，靠人把专业知识整理成问答去投喂；第三阶段基于人类反馈的增强学习，让模型“讲该讲的话”，有情商、守伦理。

　　课堂上王教授也点了几支“真实的箭”：同济大学软件学院的调整、复旦新闻学院受到的冲击、以及70岁的万事利丝绸董事长借助与微软合作的大模型，把设计、生产、营销做成一条龙，客群反而年轻化。AI不是远在天边，已经在改造组织与岗位。

　　那么企业该怎么做？王教授的回答很干脆：不要去做“基石模型”（基模），那是腾讯、阿里、华为、百度这些大厂“人有人、钱有钱、数据有数据”的活儿，拿来主义即可。企业要做的，是把自己的行业知识整理好，用大厂的基模（比如腾讯混元）做“垂直大模型”。

　　两个现成例子：同济大学把连续七年全球排名第一的土木工程学科知识，投喂给腾讯的基模，做出土木工程垂直大模型；南方电网联合华为/阿里，做出电力行业的垂直大模型“大瓦特”（上海话里“瓦特”另有含义，王教授在现场还开了个小玩笑）。他特别提醒：企业最该先建好的，是一个健全的知识管理系统——没有真知识，再聪明的基模也训不出专家级模型。

　　三、判别式与生成式：别冷落了“老朋友”

　　下午一开场，王教授先泼了盆冷水：我们对生成式AI的热情，不该变成对“判别式AI”的冷落。判别式AI（小模型）讲究“一事一模”——用企业自己的数据训一个小模型，专解决一个具体问题，分类、回归、聚类三板斧已经做到极致，很多院士都在呼吁别只追新朋友。

　　他用晶科能源举例：这家全球光伏第一的企业，其数字化转型里最亮眼的成功场景——智能拉晶、切片断线监测、测试效率优化、组件智能维护——几乎全部依托传统的判别式小模型，跟生成式AI“八竿子打不着”。

　　再看数据：国际机构预测，到2032年生成式AI与制造业结合的市场规模约64亿美金——数字听起来不小，但对做传统行业的人来说，冷静下来会发现这条路还长。腾讯研究院与毕马威联合发布的《工业大模型应用报告》追踪了国内500多个工业小模型、近100个工业大模型，结论类似：真正用上生成式大模型的，少之又少。

　　面对“泡沫论”与“潜能论”两种声音，王教授旗帜鲜明地站在潜能论一边：大模型是个好东西，只是它的潜能还没被释放——而释放它的“催化剂”，叫智能体（Agent）。

　　四、智能体：让大模型既动嘴又动手

　　“大模型只动嘴不动手。”这是王教授对当下大模型最精准的吐槽——你问一句它答一句，最后活儿还得你自己干。而领导的日常工作，其实只做两件事：布置任务、检查结果。如果你有个下属，能把脏活累活全包了，你只要布置和检查，那才是你最想要的下属。

　　智能体，就是把这个“下属”造出来。2023年，北大毕业、后加入OpenAI的华人科学家温丽莲提出了一套Agent框架：智能体内部嵌入大模型，接到任务后，自己完成“规划（思维链）→调用工具→行动→反思→写入长期记忆”的闭环。

　　王教授分享了自己三年前的一个“手搓”案例：用AutoGPT框架加上GPT，搭了一个叫“调研员”的智能体，给它一个调研主题，它自己上网搜几百篇文献、逐篇读完、凝练观点、整合报告，做完还把结果反馈给你——全程没让你动手。今天门槛更低了：Manus、扣子（Coze）这类平台，对话式就能搭智能体。

　　更落地的，是平高电气的案例。这家位于河南、隶属中国电气装备集团的上市央企，财务部被各种“婆婆”（上级单位）要数据要得精疲力竭。同济大学帮它打造了“一个平台、两个智能体”：一个既会讲人话、又会讲财务真话的垂类大模型平台，加上一个“出报表智能体”和一个“答疑解惑智能体”。上线后财务部门腰杆硬了：“欢迎你们来要数据，但请把需求讲清楚。”

　　智能体还有“硬”的形态——具身智能。宇树科技的机器人能跑能跳能跳舞，但王教授提醒：大脑（决策）和小脑（协调）之外，更重要的是“场景驱动”。他举了个例子：在一个17楼的多个房间里，让机器人“帮我找一串车钥匙、一个麦克风、一块电池”——这种充满高度不确定性的“找东西”场景，恰恰需要大模型在背后驱动（2022年已有论文探索用大语言模型训练具身智能的推理能力）。

　　五、企业数字化转型的“打分表”：六层框架

　　课程最后，王教授给出了一套给“企业信息化”快速打分的框架，相当于一张体检表，听完一小时汇报就能指出对方哪里做得好、哪里是问号。

　　上层是管理层的活儿，一把手要亲力亲为：人员（员工愿不愿意用，技术接受模型TAM、UTAUT模型可参考）、战略（组织战略是主、信息化战略是仆，两者要“对齐”，战略匹配模型有四条路径）、组织（上系统前先调组织结构，交易成本理论+委托代理理论支撑）、流程（先优化流程再上系统，最忌“用先进的计算机模拟落后的手工”，RPA→智能体是趋势）、决策（面向管理层的决策支持系统DSS）、文化与伦理（数据安全、知识蒸馏可能反向泄露企业核心知识）。

　　下层是技术层的活儿，可以交给技术人员：数据资源（数据仓库、数据中台）、基础设施（云）。他特别强调，流程管理最忌“用先进的计算机，模拟落后的手工”——过去闭着眼睛都能做的流程，在新技术的背景下未必最优，必须先优化、再固化、再让智能体兜底。

　　至于去哪找参考案例，他提了一个彩蛋：哈佛商业评论与SAP在中国合办的“顶格奖”，每年评选的企业数字化转型案例写得很详细，可以按行业对标。

　　一天的课程，从原理讲到落地。给在座老板们最实在的一句话或许是：AI不是魔法，回归商业本质——真实的需求、沉淀的知识、敢变的组织，才是数字化转型真正的护城河。

了解更多香港亚洲商学院免联考MBA / EMBA / DBA 博士课程，欢迎持续关注「学院动态」。