回到课堂：理解可用于解决商业问题的人工智能技术

在课程的第二周，王玉砚教授带领大约35名MBA学生进行了一项实验，深入探究神经网络调优的精妙之处；他们“拆解”了一个模型，该模型与YouTube和Amazon等平台用于提供推荐服务的模型颇为相似。

“这与其说是科学，不如说是艺术。” 她在学生们忙着调整算法配置以解决一个模拟分类问题（例如区分猫与狗）时说道。对于大多数学生而言，这很可能是他们首次亲手调整各项参数设置，以决定机器学习模型如何基于数据进行自我优化，从而提升预测准确率。

“你无法预知哪一种神经网络配置才最适合特定的数据集。” 王教授解释道，“这正是我们将其称为‘超参数调优’的原因所在。你基本上只能采取反复‘试错’的策略：尝试代入几个不同的数值，然后在实际的预测场景中观察模型表现，从而找出究竟哪一种参数配置能带来最佳的性能。”

斯坦福商学院市场营销学助理教授王玉砚，于2025年1月开始执教《理解可用于解决商业问题的人工智能技术》这门课程。这也是学院首批开设的人工智能技术类课程之一。在2023年加入斯坦福商学院之前，她曾在业界深耕近七年，先后供职于Uber和Google旗下的DeepMind，担任机器学习科学家及工程师。

“启动一个项目，或是让产品在现实世界中产生实际影响，其最大的挑战其实并非技术本身，而在于沟通。”
– 王玉砚

这段业界经历深刻地影响了她对课程内容的教学方式。“我发现，无论是启动一个新项目，还是致力于让产品在现实世界中产生实质性的影响，其面临的最大挑战其实并非技术层面的难题，而恰恰在于‘沟通’，也就是如何说服高层领导、运营团队或产品团队，让他们确信我们所做的事情是正确且必要的。” 她说道，“在探讨人工智能相关议题时，我们彼此之间往往说着‘不同的语言’。”

王玉砚的教学宗旨并非要让学生们深陷于算法设计的繁琐细节之中，而是旨在培养未来的商业领袖，那些不仅能熟练运用人工智能领域的专业术语，更能敏锐洞察“代理式人工智能”（Agentic AI）所蕴藏的巨大潜力的领袖人才。为此，她采用了多元化的教学形式，涵盖了从课堂讲授、小型案例研讨，到邀请业界实务专家进行分享交流等多种模式。比如，Anthropic公司的Jascha Sohl-Dickstein曾在冬季学期造访了她的课堂，正是他发明了驱动图像生成技术的模型。此外，来自OpenAI以及Neo4j、LangChain等初创企业的专家们也相继来访。这些实践课程让MBA学员们对技术背后的具体细节有了更深入的理解。

“关于模型构建中的‘超参数’，我有一个疑问。” 一位学生问道。他所指的超参数，即构成模型的人工神经元层数。“举例来说，你是如何决定究竟是只设置一层神经元限制层，还是设置100层呢？”

“这个问题问得非常好。” 王玉砚回答道，“根据经验法则，通常来说，数据集越大、输入数据的维度越高，所需的神经网络规模也就应当越大。” 她强调，神经网络的理想规模取决于其具体的应用场景。“你不能指望仅仅依靠堆砌大量数据和计算资源，就能奇迹般地自动生成一个能够最大化实现你既定目标的高效模型。”

当天的课后作业将包含额外的算法训练内容，且涉及的数据集规模要大得多。

“在运用人工智能解决商业问题时，最具挑战性的部分并非构建一个精巧的模型，而是如何对商业目标进行‘翻译’。” 王玉砚说道，“这种‘翻译’工作并非技术人员所擅长。但反过来说，如果你仅具备商业洞察力而缺乏对技术的理解，往往也无济于事。我希望我的学生们都能具备将商业问题转化为人工智能可以有效解决的具体形式的能力。”