11月4日与6日，上海理工大学管理学院举行“沪江观察”学术活动，特聘教授、运筹学博士、博士生导师吴昌质作“数据驱动的智能决策”系列主题分享。讲座由管理学院副院长刘魏巍、MEM项目主任叶春明主持，专业学位教育中心综合办公室主任孟陈莉及学院相关师生参加活动。
智能决策的演进基础
吴昌质从人脑神经元的结构与功能出发，阐释了机器学习模拟人类智能的生物学依据。他指出，人脑拥有约1000亿个神经元，每个神经元与数千个其他神经元相连接，构成高度复杂的神经网络。早在20世纪40年代，科学家已开始尝试用数学模型模拟神经元行为，为人工神经网络奠定基础。随着前馈神经网络、循环神经网络、卷积神经网络等模型的逐步发展，机器学习逐渐形成系统化方法。神经网络历经数十年演进，早期曾因梯度消失、结构局限等问题而应用受限。直至2017年，谷歌提出以“注意力机制”为核心的Transformer架构，才推动神经网络实现跨越式发展，为当前大模型技术的兴起打下坚实基础。
在讲解机器学习方法论时，吴昌质总结了三大典型范式：有监督学习依赖标注数据进行训练，适用于图像分类等任务；无监督学习专注于挖掘数据内在规律，常用于异常行为检测；强化学习通过试错与奖励机制优化决策过程，在路径规划等领域展现出独特优势。这三种方法各具特色，为不同场景下的智能决策提供了多样化的技术路径。
吴昌质作主题分享
交通管理中的数据智能实践
吴昌质结合多个真实案例，展示了机器学习在交通管理中的成功应用。他介绍了美国波士顿校车调度项目中，强化学习如何平衡学生接送需求与车辆路径效率；解析了滴滴订单派送系统基于城市热区与冷区动态权重的车辆匹配算法；分享了澳大利亚珀斯高速公路通过匝道信号控制与可变限速技术，有效缓解交通拥堵的创新做法。
讲座现场
物流管理迈向智能决策
在物流管理领域，吴昌质系统梳理了从机械化、自动化到智能化的发展路径，并结合案例展示智能决策的落地成效。在需求预测与供应链优化方面，他以盒马生鲜为例，解析如何运用“时空图神经网络”应对新产品上市、新店铺开业时的数据稀疏问题。在运营效率提升方面，他列举了京东利用路径规划算法优化机器人分拣、菜鸟网络应用智能合单技术提升跨境配送效率等实践。此外，他还以西澳洲某能源企业的脚手架供应链管理项目为例，说明如何通过数据驱动的资源分配与调度模型，在传统工业领域实现运营成本的显著降低。
吴昌质作主题分享
吴昌质还介绍了其团队在交通管控与物流配送方面的研究成果。在与重庆合作的城市信号灯配时项目中，团队采用边界控制策略，有效缓解了中心城区的潮汐式拥堵；基于时空特征的强化学习模型，则为物流配送路径提供了优化方案。
讲座现场
机器学习与交通优化、物流管理的深度融合，正成为行业发展的必然趋势。无论是在路网效率提升、信号优化、车辆调度，还是在需求预测、库存管理与资源调配等方面，数据驱动的智能决策持续推动交通与物流系统向更高效、灵活、鲁棒的方向演进。学院将持续推动产学研融合，加强智能决策领域的研究与教学，为培养高素质管理人才、服务行业与社会发展贡献力量。
合影留念
延伸阅读——嘉宾介绍
吴昌质，上海理工大学管理学院特聘教授，运筹学博士，博士生导师。Journal of Industrial and Management Optimization的执行编辑。多年来一直从事运筹学与机器学习相关领域的研究。先后主持国家自然科学基金项目、澳大利亚国科会项目、教育部科技计划重点项目及归国留学基金项目等项目十多项；在国际学术期刊发表被SCI收录论文100多篇，在运筹优化等领域有深入的研究。
