在数字化浪潮席卷全球的当下，创新驱动创业已成为推动社会经济发展的新引擎。由国家自然科学基金委员会管理科学部主办，自然科学基金重大项目“创新驱动创业的重大理论与实践问题”研究组、浙江大学管理学院联合承办的「数智时代创新驱动创业理论建构与实践对话」会议，于2024年11月13日至15日在杭州大学举行。作为《数字化三部曲》的作者、数据计算系统的开创者，拓数派创始人兼CEO，我有幸成为此次盛会的「与实践对话」圆桌会议嘉宾，与各界学术、商业精英共同探讨数智时代的管理学升级新实践与新挑战。
2024年，毫无疑问是科技革命浪潮翻涌的一年，这一年里，OpenAI发布了支持文本、视觉、音频的全新多模态大模型GPT-4o，是的，Chat GPT不再只支持文本输出了；Midjourney AI绘画大模型也经过多次版本更新至V6.1，相比前一个版本，在绘画风格和局部重绘上升级了不止一点；初创公司Congnition AI推出全球首个AI程序员Devin，让硅谷的程序员们有了危机感；阿里巴巴推出AI助理聊天工具–通义千问，办公助理由碳基生物变成了硅基生物… 人工智能界这样的热点事件几乎每天都在上演。
可以说，我们正站在一个全新的时代「门槛」上，为什么是门槛呢？因为这是一个「to be, or not to be」的关键时刻，我们需要重新审视数据在其中扮演的角色和利用数据人类能做些什么。在这个时代，最重要的经济资产不是土地、工业化机器这些具象的实体，而是数据，就像英国经济学人周报（The Economist）描述的那样 “Data is New Fuel (数据已经成为新型燃料)”。那么 “如何利用数据跨越这道「门槛」”–成了身处于时代浪潮的企业都应该花些时间思考的问题。
数智时代下的管理学升级
虽然利用数学模型化数据计算系统将模型构建在数据之上所产生的智能给不同企业带来的“体感”不同。但我们不妨先大胆地设想一下，如果将数学模型化的「数据计算系统」构建在行业数字生态之上所产生的「智能」该有多惊人，我将在后续的推文中慢慢为大家展示。
在谈到创业机会探索画布（CEOD画布）指导实践的时候，如果我们通过行业生态或跨行业生态的数据共享、头部企业多主体互动，资源池互通，数学模型化数据计算系统将通过模型将海量数据重组生成不同的「智能」。这所带来的能量，将形成智能时代的决定性优势，也是「求同」的意义。身处在这些生态之中的中小型企业则可以利用它们发现细分市场潜能、进行应用层面的创新，并借助生态平台将创新技术落地，这是数字时代下的「求同存异」，也是智能体（Agent）诞生的雏形。
在谈到管理学在智能时代升级的时候，我提出了今天的管理理论的大部分模型还停留在上千变量上万参数以内。早在上个世纪50年代，卡耐基梅隆计算机学院创始人司马贺（Herbert A. Simon）还在工业管理学院做教授的时候就提出了用计算模型研究管理学，他的著作《管理行为》(Administrative Behavior)➋ 就希望取代简单的基于公理化数学的古典经济学模型。
数据计算系统下的新一代数据底座
休息时间，不少教授也在问及今天的大模型时代的数据底座和大数据时代的数据底座的差异和代沟，我也做了一些分享。
2002年，凯文.凯利（Kevin Kelly）曾在采访中➌ 问谷歌创始人拉里.佩奇（Larry Page）为何投资于构建免费搜索引擎时，佩奇解释说，谷歌的重点并不是搜索。他说：“哦，我们实际上是在创造一个人工智能（AI）”。利用大量的搜索数据，就能更轻松地创建人工智能。如今，谷歌搜索引擎使用人数为20亿-30亿➍，一天的总搜索量高达85亿次。看来，拉里.佩奇的梦想正在成为现实。
就像我在数字化三部曲之《数据计算系统》中提出的，我们需要由“软件公司”到“数据公司”再到“数学（模型）公司”进阶，利用数据和初始模型通过训练参数化模型成为领域计算规则，计算规则的智能预测能力让企业拥有初代「数据感知力」，再通过大量、优质的数据迭代优化模型，进而变得更加智能。在此之前，我们需要重新定义数据底座。传统的数据底座是以业务为导向的多租户文件存储库，而模型驱动的新一代数据计算系统则更专注于生产计算结果，这些模型结果将重组成各种形式的「智能」，这些「智能」又将把大量的数据转化成巨大的能量。
举个例子：假设一家制造企业拥有大量的生产数据、客户反馈和市场趋势信息。在传统数据中心中，这些数据可能仅被用于生成基本的报告和备份。
而在新一代数据计算系统中，这些数据将输入到模型中进行分析和学习。通过模型的处理、分析，企业便获得了「智能」：
1. 预测性维护：
● 故障维护：模型从设备传感器和操作日志中收集、分析实时数据，比如工时、温度、振动、压力、声音和能耗等参数，预测潜在的故障和维护需求，提示提前安排维护，减少意外停机。
● 优化维护：根据预测结果，优化维护计划和资源分配，降低维护成本、提高设备可用性
2.客户行为分析：
● 个性化推荐：模型将整合不同来源的客户数据，如在线行为、交易记录、社交媒体互动和客户服务记录。根据不同客户群体的特征和需求，提供个性化产品推荐。
● 制定营销策略：根据客户细分和偏好，模型会设计有针对性的营销和促销策略，提高转化率和客户忠诚度。
3. 市场趋势预测
● 预测产品需求：模型通过季节性分解来预测销售趋势和季节性变化，并结合经济指标、行业数据和产品生命周期等信息，来预测产品需求变化。
● 发现细分市场：根据市场趋势预测结果，模型将指导新产品的开发和现有产品改进，以满足市场需求或切入某细分市场。
● 管理优化库存：模型将优化库存管理水平，确保在需求高峰时有足够的库存，同时避免库存积压。
通过数学模型化驱动的数据底座创造智能的例子我们再反观开篇提到的「门槛」问题，你是否对数据和数据所带来的能量有了新的认知？
关注冯雷与数字化三部曲微博，了解更多日常感悟。
参考文献：
➊王小波. (1997). 沉默的大多数. 中国青年出版社.
➋《管理行为》Simon, H. A. (1976). Administrative Behavior: A Study of Decision-Making Processes in Administrative Organization (3rd ed.). The Free Press, Collier Macmillan Publishers, London, UK.
➌Kevin Kelly: inevitability, data tracking, and artificial Intelligence https://cyborguniversity.hcommons.org/table-of-contents/chapter-one-alienated-intelligence-the-private-interests-of-the-world-brain/1-4-kevin-kelly-inevitability-data-tracking-and-artificial-intelligence/
➍谷歌数据统计概览https://www.semrush.com/blog/google-search-statistics/