摘要：管理技术的变革带来了生产效率的成倍提高和国家的崛起。人工智能技术的发展为管理智能化带来了新希望。但沿着传统的人工智能技术路线难以实现管理智能化。管理智能化要寻找能够让计算机软件代替人从事脑力劳动的方法。如果将脑力劳动分为定量劳动和定性劳动两大类，则能够让计算机软件自动完成这两类工作的方法就是准确计算法和因素穷尽法。用这两类方法来解决管理问题，就可以实现管理工作的智能化。管理智能化的发展，会将人类从重复性的分析、计算、逻辑推理工作中解放出来，会带来管理效率的大幅度提高，因此是管理技术的未来发展趋势。
关键词：管理技术；管理智能化；管理新趋势
一、企业管理理论回顾
回顾企业管理理论发展历史，可以清晰地看到新的管理理论来源于管理实践，新的管理理论广泛传播，又对管理实践具有巨大的推动作用，并在一定程度上决定一个国家的崛起。第一次工业革命初期，轻工业从手工业中分离出来之后，英国经济学家、管理学家亚当·斯密通过别针的生产过程，总结出通过分工和专业化协作，别针的生产效率会提高10倍。亚当·斯密的分工和专业化理论通过《国富论》[1]广泛传播之后，使英国发明创造了大量基于专业化分工来从事某一生产劳动过程所需要的专业化工具，并使英国成为“世界工厂”和“大英帝国”。
1841年，美国发生了两辆火车相撞事件，掀起了一场声势浩大的追究事故责任人的讨论，这一讨论使人们普遍意识到依靠人的经验管理（当时依靠太阳升起的高度决定发车时间）必然会出现失误，导致严重后果。于是在美国企业中，广泛开展了“建章立制、按工序操作”的制度化、流程化管理运动。[2]自“建章立制”运动以来，吉尔布雷斯夫妇深入各行各业进行动作研究，为美国各行业建立起先进的生产工序流程图和动作分类体系做出了巨大贡献，并由此推动了专门从事管理工作研究的职业经理人的诞生。1881年，泰勒[3]在实践中发现，只要工人能“像机器一样按规定的最佳动作持续工作”就能达到最高工作效率，由此而引起了一场持续十多年的议会大辩论。在这一辩论过程，泰勒的动作研究和按规定动作操作的管理方法在美国企业广泛传播，并总结为科学管理的理论和方法被美国企业普遍接受。福特公司1991年推出的流水生产技术，实行泰勒科学管理所要求的“像机器一样工作的人”替换为生产设备，并按照生产工序形成流水生产线，使企业的生产效率提高了10倍。流水生产技术的广泛使用使大规模生产、大规模销售得以普及。这一系列先进管理理论和实践在美国企业率先采用，使美国超过英国成为世界上最强大的国家。
通用汽车公司在与福特汽车公司的竞争中，发明了事业部管理制度，让企业优势资源首先集中于某一个事业部，使其获得突破性发展之后反哺另外一个事业部的发展，以此来实现企业产品的多样化。这种以事业部为基础的企业管理模式有效地解决了企业发展壮大之后集权与分权、集中与分散的矛盾，促成了富可敌国的大企业的大量产生。英国和美国的实践表明，从实践中提炼出来的先进管理理论、管理方法广泛推广应用之后，使企业的生产效率提高了10倍以上，并使率先采用相关理论和技术的国家快速崛起，成为世界强国。
日本在第二次世界大战之后的迅速崛起也与采用先进管理理论和管理技术相关。[4]日本产品20世纪50年代在欧美国家是便宜货、质量差的代名词。为了改变这种局面，丰田汽车公司1953年便开始了“看板管理”实践，经过十多年的探索，在20世纪60年代形成了“准时制生产技术”（JIT），在20世纪70年代广泛传播并升华为“全面质量管理”（TQM）体系。[5]日本企业通过这两项管理技术的创新和推广应用，改变了日本企业产品质次价廉的形象，并在20世纪80年代树立起了性价比高、质量可靠的生产世界一流产品的企业形象。日本企业在发展这两项技术期间，美国企业开始探索基于计算机的管理方法。这种探索在1967年阿波罗登月计划实现之后达到了高潮，当时有句流行语“只要敲击键盘，就能控制一切”代表了人们对基于计算机管理的人类未来的美好期盼。[6]美国企业尽管先后创造并提出了“物料需求计划”（MRP）、“制造资源计划”（MRPⅡ）、“辅助设计系统”（CAD）、“计算机集成制造系统”（CIMS）、“企业资源计划”（ERP）等基于计算机应用的管理技术。但受当时计算机运算速度、信息传输技术等的限制，这些管理技术的应用并没有带来管理效率成倍的提高，甚至还出现了一些实施“信息化项目”之后导致企业经营失败的案例。[7]
近五十年来，计算机软硬件、互联网、移动终端的发展使基于计算机软件的企业管理技术获得了快速发展。近十多年来大数据、云计算、人工智能技术的发展重新唤起了人们对企业管理新技术的探索和思考（张永林，2017；曹静等，2018；Carlos,2018），在新的时代背景下，能否出现和过去分工理论、科学管理、事业部制、全面质量管理等一样有可能带来企业管理效率提高10倍的管理理论和技术？需要认真深入思考、总结和探索。2001年，北京智泽华软件有限责任公司推出“智能化财务分析系统”，能够自动对企业的财务报表数据进行分析，[8]并在1分钟之内撰写出30—50页图文并茂的财务分析诊断报告。这一工作过去常常需要一个财务专家花费一个星期的时间才能完成。从2003年开始，这一财务分析智能化技术陆续在中石化、国航、首钢、中粮、农夫山泉、蒙牛等1万家中国企业应用，从2008年开始陆续在中国建设银行、中国农业银行、招商银行、中信银行、浦发银行等100多家金融机构得到应用。这一智能化的探索经过长期实践检验，已形成了一个比较成熟、完整的理论和方法体系，应当引起我国理论界、学术界的高度重视，将其上升到管理理论，在全社会广泛讨论和推广，以进一步推动管理智能化实践的发展。
二、人工智能技术难以实现管理智能化
信息技术的发展使人类社会正在从工业文明时代迈入信息文明时代，[9]人工智能和人类智能相结合开启人机融合智能时代。[10]在这个时代重复性或机械式的脑力劳动将大量被人工智能技术取代。[11]1956年，John McCarthy提出“人工智能”（Artificial Intelligence）概念，人工智能一直沿着三条技术路线展开：一是研发模仿人类的机器人；二是开发基于规则的专家系统；三是开发基于神经网络模型的机器学习算法。机器人研发实际上是专家系统和机器学习算法在模仿人的机器的设计制造中的应用。从理论方法角度来看，人工智能技术的发展主要沿着专家系统和神经网络两条道路前进。
20世纪70—90年代，专家系统获得了快速发展，诺贝尔经济学奖获得者西蒙期望将“人的决策过程和问题求解过程”[12]用计算机软件来代替，IMB公司研发的“深蓝”（Deep Blue）机器人在1997年战胜国际象棋冠军Garry Kasparov，使基于规则的专家系统发展达到了顶峰。2014年，IBM公司成立“Watson Group”（沃森集团），继续在基于规则的人工智能系统开发方面努力。2015年，IBM与“德州大学MD安德森癌症中心”（UT MD Anderson Cancer Center）合作成立人工智能医疗部门Watson Health，开发临床决策应用系统Oncology Expert Advisor（OEA，肿瘤专家顾问），期望通过人工智能技术一举解决当前困扰人类的肿瘤诊疗问题。但是实践探索效果并不理想，合作单位于2016年底宣布中止合作；2018年，IBM的人工智能医疗部门宣布大裁员，使沿着开发专家系统的人工智能发展道路受挫。其实，当前使用的主流人工智能软件和其他软件程序，包括Python、TensorFlow、C++、Stat、SPSS等，都是基于规则的专家系统。IBM的肿瘤专家顾问系统的失败，并不是基于规则的专家系统技术本身的失败，而是IBM公司选择让机器来解决人类自身目前都不能解决的“肿瘤”问题的应用选择方向上的失败。人工智能首先是“人工”，其次才是“智能”，如果人类自身在认识和理论上还没有解决相关问题，期望让计算机模型、软件等机器通过自动学习来自动解决问题很不现实。
基于神经网络的人工智能技术在过去的60年里经历了三次大起大落，也说明这条技术路线还存在致命缺陷。让我们通过简单回顾这段历史来说明。1949年，赫布(Hebb)首次借鉴神经元理论提出基于无监督学习的单层神经网络模型，它将输入信息按照它们的相似性划分为若干类，之后通过调整特征类型之间的激活水平（权重系数），来寻求对测算集信息和训练集信息来说具有最佳学习速率的模型。[13]之所以将其称之为最佳学习速率而不是最优化模型，是因为这种模型是依靠输入和输出的数据训练所建立的，是一种数据学习（训练）得来的模型，其准确性还要用测试集数据来检验。1958年，Rossenblatt提出感知机模型，通过对输入数据的“正则化”（regularization）处理，依靠权重衰减等“泛化技术”（generalization），使模型对数据的识别能力得到进一步提高。[14]但是，1969年，Minsky出版了《Perceptron》一书，用数学方法证明感知机模型是线性分类模型，而“异或”问题是线性不可分的，如果将计算层增加到两层，则计算量会过大，并且也没有有效的算法模型来求解。此后人工智能技术陷入低潮，一直到1982年Hopfield提出“反馈神经网络”（BP，Back Propagation），通过建立“多层感知器”（MLP，Multilayer Perceptron，一种前馈人工神经网络模型），[15]将输入的多个数据集映射到单一输出的数据集上，才解决了线性不可分问题。由此而带来了基于神经网络模型的人工智能技术的第二次高潮。1986年，Rumelhart、Hintonh和McClelland提出“误差反馈神经网络”（Error BackProragation），通过输入信号正向传播和识别误差反向传播来调整各层神经网络模型的权值，以寻求模型识别（学习）精度的提高。[16]1989年，Bengio等提出“卷积神经网络模型”（CNN，Convolutional Neural Networks，是一种深度前馈神经网络模型），通过“卷积层”（convolutionallayer）和“池化层”（pooling layer）的区分，可以直接输入原始图像信息并进行识别，通过局部权值的共享降低了网络识别的复杂性。[17]但是，在2006年之前，训练一个深度有监督的前馈神经网络一直没有产生出理想的效果（在训练集和测试集中的误差较大）。2006年，Hinton等提出“深度可信神经网络”（Deep Belief Networks，DBNs），[18]将无监督学习用于（预）训练每一层，在每一层学习到的结果作为下一层的输入，用有监督训练来调整所有层（加上一个或者更多的用于产生预测的附加层），使得深度可信神经网络DBNs在每一层中可使用无监督学习RBMs来训练，为解决深层结构相关的优化难题带来希望。之后Bengio等通过引入“多层自动编码器”（auto-encoders）技术，[19]避免了数据特征提取和分类过程中的数据重建，从而使深度神经网络技术近几年在图像识别、语音识别等领域获得重大突破，掀起了人工智能技术发展的第三次浪潮，并以谷歌公司开发的“阿尔法围棋”（AlphaGo）软件在2016年打败世界冠军李胜石而达到顶峰。
2017年，谷歌公司开发完成的AlphaGo Zero，选择完全放弃从人类已积累的棋局来学习下棋经验的实践路径，用无监督强化学习模型，从一张白纸开始让机器通过自我对弈来学习积累下棋策略，经过三天的自我学习，使其达到了能够打败任何人类棋手的地步，标志着强化学习技术给人工智能领域的发展带来了深刻变化，使强化学习神经网络应用到机器翻译、声音识别、图像识别等领域，并带来质的飞跃。但这并不意味着，无监督强化学习技术所建立的人工智能模型和算法，能够实现脑力劳动的智能化。谷歌公司利用强化学习技术建立打败人类的下棋能力的模型，其根本原因是在模型训练的时候，人们已经事先设置了清晰的下棋规则和明确的输赢判断标准，并且让模型在一个固定的样本数据（棋盘约束下各种可能的走棋步数）下训练，如果没有这些下棋规则，没有人为固定机器模型的搜寻、学习范围，让其完全从一张白纸开始学习，则很难建立起能够打败人类冠军的下棋模型。谷歌公司AlphaGo Zero的胜利，恰恰说明基于规则的人工智能技术和基于模型的人工智能技术相结合，才能达到人工智能应用的最佳效果。
即使如此，基于神经网络模型的机器学习、深度学习、强化学习技术长期以来存在的一个致命的缺点仍然没有克服，即这些模型缺乏对误判结果的解释能力，不能对误判数据样本及其案例追溯询问，导致模型准确率的提高完全依赖训练样本的质量，目前这类模型的识别准确率要达到99.9%非常困难，要让其达到工业化、自动化生产应用要求的6σ（百万分之一）的误差水平则更不可能。即使人工智能技术在图像识别、语音识别等领域获得了较大突破，但在管理领域，在让计算机代替人从事管理工作的领域，目前还没有出现突破。[20]这主要是因为作为基于大数据训练的深度学习技术，不能和人类那样吸取经验教训，不能识别并纠正错误，不适合进行因果关系识别和逻辑推理（pearl,2018），因此难以真正代替人从事脑力劳动。这就需要另辟蹊径。
三、管理智能化需要使用新的理论方法
企业管理工作复杂多样、个性化程度很高，将企业管理工作智能化交由计算机软件来完成，即使不是不可能，但也至少让人难以置信。因为，管理工作需要和人打交道，需要面对大量的不确定性问题，怎样才能让计算机软件可靠地代替？大数据技术、云计算技术、人工智能技术为我们提供了大量可以使用的决策信息和强大的计算能力，在一定程度上解决了因为信息不对称而导致的不确定性问题和因人的能力有限而产生的决策判断失误问题。但是，要让计算机软件来实现管理工作的自动化，仍然需要在理论上和方法上获得创新。
不难发现，企业管理问题都可以归为两大类：一类是定量问题，一类是定性问题。定量问题完全可以交由计算机来完成，计算机的计算能力远远超过了人脑。而定性问题，最终都可以归结为因果关系分析和逻辑判断问题。因果关系分析只要能够转化成为“如果……那么……否则……”这样的逻辑判断，计算机也能够快速、准确地实现。如果所有的企业管理问题都可以区分并归结为定量问题和定性问题两大类，那么从理论上来讲企业管理的智能化、计算机化就完全能够实现，由此便诞生了管理智能化技术。[21]
通过准确计算法让计算机软件来回答定量问题，没有人会怀疑计算机软件的实现能力。如果将定性问题转化为因果关系逻辑判断，那么计算机软件也能够比人类更快速、更准确地完成这类管理问题的解决。有了解决管理问题的准确计算方法和因素穷尽方法，就可以让计算来解决定量管理问题和定性管理问题，管理工作的智能化也就能够通过编写计算机可自动执行软件而实现。由此可见，管理智能化的核心是要找到能够回答定量问题的准确计算方法和回答定性问题的因素穷尽方法。这和工业革命以来人们通过动作研究、工序研究、流程研究，以寻求机械化、自动化技术来代替人类从事体力劳动的过程非常类似，需要我们在各行各业的管理工作中寻找准确计算方法和因素穷尽方法，才能实现相关管理工作的智能化。为了说明这一核心理论方法，本研究将用神舟飞船圆满返回地球来比较通俗地说明准确计算法，用象棋机器人打败国际象棋冠军来说明因素穷尽法。
（一）准确计算使神舟飞船成功返回地球
神舟飞船不断发射成功并圆满返回地球，这一过程应该说比管理一个企业更复杂，因为这一过程存在着比管理一个企业更多的不确定性，但为什么宇航工作者能够在发射的时候就确信不出意外地让它按时返回地球？其根本原因是宇航工作者已经通过各种试验、试错，把各种不确定的问题搞清楚了，并使用准确且科学计算的办法设计飞船的运行轨迹、飞行动作和返回时间。不管飞船在太空中遇到多大阻力，不管飞船返回地球时会出现多少种不确定因素，只要经过反复试验，找到了正确计算和处理这些阻力、这些不确定因素的科学方法，就能够让神舟飞船按照事先设定的路线和轨迹飞行并返回地球。经过多次试验，将各种环境下可能遇到的各种不确定情况全部考虑到，然后交由计算机来通过自动计算和自动处理的办法准确把握和控制整个飞行过程，宇航工作者就敢于把人放到飞船舱中，让载人的飞船在太空飞行并按期返回地球。在这里，实现神舟飞船顺利返回地球的根本方法就是准确计算法，用计算的办法解决各种可能出现的问题。
推而广之，无论什么事情，无论事情有多复杂，只要通过努力找到了准确计算方法，把复杂问题简单化，让不确定问题确定化，我们就能够准确地回答和解决这些问题，就可以将这些问题的分析、判断和解决决策交由计算机来完成。由于这种判断和决策过程是基于准确计算、反复推导和验证其正确性的，则这种计算所得出的管理决策也肯定是正确的和无可辩驳的。如果出现错误或被推翻，则说明计算方法不准确或者还没有真正找到可靠的准确计算方法。同样道理，对于各种各样的企业管理问题，只要找到了准确计算方法，无论这个计算方法多么复杂，均可以让计算机来完成这项工作，让计算机或计算机软件代替管理者去从事这项重复性的计算、分析、判断、决策工作。这种通过准确计算的方法来解决管理问题的方法就是管理智能化技术。
应当说准确计算法是最可靠的管理智能化技术。它就像一把尺子，在没有这把尺子的时候，不同的人会对同一距离长短的感受不同，所得出的判断结论也不同。跑得快的人会觉得这段距离较短，跑得慢的人会认为这段距离很长。但当我们有了尺子来衡量距离的时候，我们就有了一种唯一正确的判断距离长短的尺子，距离长短就不再依靠每个人的感觉来判断，而是用尺子来度量。实现管理工作的智能化，首先就是要寻找解决管理问题的准确计算方法，让最专业、最权威的管理工作者都觉得这种做法是唯一正确的、没有争议的。这种方法的分析评价和决策建议是不被怀疑的。也只有采用这种技术来从事企业管理工作，才能够让大家信服，这种技术也才能够被广泛地推广应用。
（二）因素穷尽让象棋机器人打败世界冠军
如果受认识所限，凭借现有的知识或经验难以达到能够准确计算的程度，或者不确定因素众多，无法找到准确计算方法，在这种情况下，就需要继续进行模拟、试错试验，把各种因素、情况搞清楚，然后把这些因素考虑进去后再进行准确计算，这种考虑各种情况、不断穷尽各种可能情况的方法叫因素穷尽法或情景穷尽法。
人与人之间下象棋的过程就是不知道对方的招数、步子，对弈双方根据对方的落子不断调整和变化自己的对策的过程，尽管下棋的步数、招数千变万化，但下棋的目的只有一个，就是打败对方。过去打败对手的办法就是将各个时期国际象棋大师的各种绝招、妙招、奇招学会搞懂，装进自己的大脑，用其来应对对手可能出现的各种奇招、妙招。IBM公司的“深蓝”机器人，将各种下棋大师对垒时的绝招、妙招及其破解办法，通过计算机软件固化下来，就是穷尽各种可能情况的过程。谷歌公司的AlphaGo Zero软件，让计算机软件程序自动模拟人类下棋的各种可能情况，自动将其穷尽，按照输赢规则做出正确落子决策，并将其固化到下棋软件之中的方法，实际上也是因素穷尽方法。穷尽各种可能情况之后的下棋软件，其下棋能力确已超过了人类自身。
同样道理，如果专家学者把企业可能遇到的各种情况和各种可能性情况下处理各种可能问题的成功对策，事先固化到计算机软件之中，让计算机软件来进行分析、判断和决策，以解决相关企业管理问题，那么计算机软件的分析、判断和决策能力将会超过任何一个管理专家或经营奇才。常常出现的情况是，需要解决的问题比较复杂，专家学者难以穷尽各种可能情况，比如，载人神舟飞船发射出去之后没有按照预订的路线返回地球，在这种情况下，肯定出现了过去没有遇到过或者没有考虑过的新问题、新情况，结果飞船难以返回地球。如果出现这种情况，就说明过去仍然没有穷尽掉各种可能情况。比如，在准确计算飞行轨迹时没有考虑到强气流的影响，或者没有考虑到大气压力的干扰，在这种情况下，只要我们继续努力，把发现的新问题、遇到的新情况彻底搞清楚，然后将其考虑到飞行轨迹的准确计算之中，将其固化到计算机控制程序之中，同样的错误就不会重复出现了。
企业管理问题非常复杂，也非常繁多，但只要我们把各种可能情况都考虑了，并通过准确计算的方法来回答和解决在各种情况下的各种问题，我们也能够得出准确的、科学的、不会失败的决策意见，我们的企业管理工作也就可以交由计算机软件来自动完成。如果我们基于计算机的决策和管理导致了失败的结果，那肯定是我们没有全部考虑到各种可能情况或者没有用准确计算的办法来解决各种可能出现的问题。与解决神舟飞船按期返回地球问题相比，我们所遇到的企业管理问题要更加容易一些，毕竟各种各样的企业管理问题就在我们身边发生，我们能够直接进行各种各样的试验和模拟，比较容易将各种可能的情况、场景穷尽。只要各种各样的管理问题都找到了准确计算方法和因素穷尽方法，那么让计算机来自动控制完成这些管理工作，也就没有什么值得顾虑的问题了。因此，实现管理问题智能化的可靠方法就是准确计算法和因素穷尽法，他们共同形成管理智能化技术。
将各种可能情况穷尽掉，在现实生活中要么是不可能，要么是工作量太大。以资产结构的合理性评价为例，如果我们仅使用资产总额、收入、利润、存货、应收账款五个指标来评价企业资产结构的合理性，每个指标假设仅有大幅度增长、有所增长、变化不大、有所下降、大幅度下降五种情况，那么这些因素和情况组合起来就会有3125种情况，如果将每种情况考虑之后再得出资产结构是否合理的结论，如果对每种情况仅仅得出一行字的判断结论，将其写出来就需要使用78页的A4纸才能完成。如果让一个人在考虑3125种情况之后再给出一个企业资产结构是否合理的结论，则恐怕需要考虑好几天的时间才能给出一个答案。但是，如果事先将这3125种情况记录下来，让电脑考虑一遍各种可能情况，然后得出针对某一个具体情况的分析结论，则仅仅需要几秒钟的时间。智能化方法就是将各种可能情况事先考虑清楚，将各种情况下的分析结论和方法事先记录下来，然后利用计算机软件根据企业的具体数据分析判断企业属于哪种情况的一种方法。
如果我们人类自身对要回答和解决的问题一直没有找到准确计算法或因素穷尽法，那么让计算机软件来自动解决和回答这种问题也比较困难。只要人类自身找到了解决问题的正确方法，哪怕是只有一次，灵机一动，在大脑比较清醒的时候把问题给想清楚了，找到了解决问题的计算思路或穷尽方法，那么只要我们把这个方法记录下来，用计算机软件固定下来，我们以后遇到这种问题，就可以让计算软件来自动解决、自动回答了。
四、管理智能化技术的应用价值
当我们已经拥有了实现某个管理问题智能化的技术、方法的时候，使用和不使用这项技术对企业管理带来的效率影响则完全不同。这和当年是否使用流水生产线来生产汽车的情景一样，当我们没有发明它的时候，生产汽车依靠的是能工巧匠，各个企业之间的产品质量主要取决于能工巧匠的个人手艺和经验。在流水生产技术出现之后，用流水生产线来生产汽车，则生产出的汽车数量和质量与手工生产相比均会成百上千倍的提高。只有两个企业均采用了流水线生产技术之后，这两个企业才可能形成真正的竞争关系，才有可能通过竞争方式促使流水生产线技术朝更加精准、更加专业的方向发展，也才能使产品的质量更高，并且通过技术手段保证质量不会下降。
在出现了智能化企业管理技术和智能管理软件之后，使用这种技术和软件的企业与不使用这种技术和软件的企业之间，其工作效率也会出现成百上千倍的差距。使用管理智能化技术的企业，其分析、判断、决策等脑力劳动的质量均会有客观上的保证；没有使用管理智能化技术的企业，其管理工作质量将主要依靠企业管理者的个人智慧、经验和能力。使用了管理智能化软件的企业,计算出企业存货降低5%会带来多少利润只需要1秒钟时间，而没有使用智能管理软件的企业有可能还不知道怎么正确计算，即使知道如何计算，用手工计算估计最少也需要2个小时。使用智能化分析软件的企业，在回答“盈亏平衡点是多少”“资产结构是否合理”“资金缺口有多大”“费用支出是否合理”等企业普遍关心的问题时只需要3秒钟；在没有使用智能化分析技术的企业，回答这些问题可能需要三五天的时间。最为重要的是，许多管理问题在计算机软件的帮助下可以通过准确计算给予准确回答，但在依靠个人经验和手工计算的情况下有可能难以准确计算、及时回答。
也许有人说，对于许多经营管理问题，不同的人有不同的看法，不存在准确计算方法，比如说存货降低5％，有人计算会带来100万的利润，有人计算会带来200万的资金节约，不同的人使用不同的计算方法，会得出不同计算结果，管理问题没有唯一的答案。但是，事实上，一个企业在一个给定时点的客观现实情况只有一种情况，符合企业客观实际的分析判断方法和结论也只能是一个。如果说确实存在两种分析方法和两个分析判断结论，那其中必然有一个是正确的，有一个是错误的。因为一个客观现实只能有一种与实际情况相符的分析结论。如果我们得出了错误的、与实际情况不符的分析结论，那必然是我们使用了不同的分析方法，或者使用了不同的数据，才得出了不同的结论。在这种情况下，只要我们根据企业的客观实际情况，对比确定那种方法分析所得出的结论是与企业实际相符合的、正确的，将其固化到智能化软件之中就可以了。
在大多数情况下，得出错误分析结论的原因是出现了过去没有遇到、没有考虑到的情况，或者过去曾经出现过，但是当时并没有引起我们的重视，没有努力去寻找智能化方法来回答和解决。在这种情况下，只要我们经过客观实践，从失败事实的解析中发现出新情况或找到解决老问题的新方法，将其固化并使用起来，那么我们就不会再犯同样的错误。显然，使用了科学的、唯一正确的智能化技术和方法的企业，将可以通过智能化工具、技术来保证其不会再犯同样的错误。这说明，使用管理智能化技术和不使用管理智能化技术企业之间在管理水平上的差距将是非常巨大的。
五、管理智能化技术的应用前景
实现脑力劳动智能化的核心是要找到解决定量问题的准确计算方法和解决定性问题的因素穷尽方法，有了这两种可以将管理工作智能化的方法，人们就可以将这种解决问题的方法固化到计算机软件之中，让计算机自动完成相关问题的解决。寻找这种管理智能化的方法，实际上是需要我们提炼总结过去成功的管理实践经验，超越企业具体环境和具体行业的特殊性，让计算机来从事管理工作。[22]因此，管理智能化技术的实现需要依靠管理智能化软件，管理智能化技术的先进性也将由管理智能化软件的先进性决定。只要管理智能化软件吸纳了多数专家、学者和企业实际工作者的经验和智慧，并借助于计算机强大的和不知疲倦的分析计算功能来实现分析、判断、决策和预警工作，那么管理智能化软件的工作质量和工作水平也将会超过专家自身。
当管理智能化软件把重复性的计算、判断、决策等工作的实现之后，人类将主要解决和回答那些过去没有出现过、需要我们创造新的办法来回答和解决的问题。在这个时候，人就会从繁琐的、重复性的脑力劳动中解放出来，人就变成了从事创造性工作的人。从这个角度来看，管理智能软件和技术的发展空间非常巨大，它将带来一场管理革命。智能化的传播和发展速度，将会比机械化、数字化的传播速度更快，它所带来的社会效益和经济效益也将比自动化、电子化更大。管理智能化技术的推广应用将会带来一场新的社会分工，那些重复性的、比较繁重的体力和脑力劳动，都将由机器设备来完成，人类将会有更多的时间、更多的机会去从事创造性工作。
人们已经习以为常地让机器代替人类从事繁重的、复杂的体力劳动，但让机器代替人类从事复杂的、繁重的脑力劳动，特别是管理劳动，人们接受起来还需要一个认识过程。人们的思想观念需要转变，管理智能化技术本身需要发展完善，推广应用管理智能化技术还有很多工作要做。改革开放以来，中国企业的管理实践已经表明，中国企业一直引进、学习、消化、吸收国外的先进管理经验和技术，也确实使中国企业的管理水平和管理效率普遍增强，使中国现在已经成为世界上第二大经济体。但是，要想使中华民族伟大复兴，没有管理技术上的领先，没有企业管理水平的普遍提高，是很难做到的。幸运的是中华民族是一个勤劳的民族，中国人民也是富有创造力的人民，我们正在经历着由工业化社会向信息化、智能化社会的转变过程。只要我们勇于创新、敢于打破传统观念的束缚，就能够在这个技术变革和社会变革时代中创造出世界上最先进的管理技术。提出和发展管理智能化技术，也是朝这个方向的一种努力。只有中国企业率先采用了世界上最先进的管理技术，使管理效率和管理水平出现大幅提升并明显超过其他发达国家，中国企业才能在世界市场竞争中获得整体竞争优势，中华民族伟大复兴的中国梦也才有可能变成现实。
参考文献
[1]亚当·斯密：《国民财富的性质和原因的研究》，商务印书馆出版1972年版。
[2]小艾尔弗雷德·D·钱德勒：《看得见的手——美国企业的管理革命》，商务印书馆1987年版。
[3]弗雷德里克·温斯洛·泰勒：《科学管理原理》，中国社会科学出版社1984年版。
[4]李新春、胡晓红：《科学管理原理:理论反思与现实批判》，《管理学报》2012年第9期。
[5]翁君奕、柯银鸿、陈荣明：《库存控制模式与精准组合战略的适配及其绩效》，《管理世界》2011年第8期。
[6]Sarin,Shikhar,C.Haon,and M.Belkhouja.A Bibliometric Analysis of the Knowledge Exchange Patterns be-tween Major Technology and Innovation Management Journals(1999-2013).Grenoble Ecole de Management.35.1(2018):2-8.
[7]马庆国：《中国管理科学研究面临的几个关键问题》，《管理世界》2002年第8期。
[8]陈佳贵：《智能化：企业管理技术的发展方向》，《光明日报》2003-11-21。
[9]王天恩：《重新理解“发展”的信息文明“钥匙”》，《中国社会科学》2018年第6期。
[10]李平、杨政银：《人机融合智能:人工智能3.0》，《清华管理评论》2018年第8期。
[11]Trajtenberg，M.AI as the Next GPT:A Political－Economy Perspective.NBEＲWorking Paper，2018.
[12]Simon，H.A.，Dantzig，G.B.，Hogarth，Ｒ.，et al.Decision Making and Problem Solving.Interfaces，1987，17(5):11－31.
[13]D.O.Hebb:The Organization of Behavior.Wiley:New York；1949.
[14]Frank Rossenblatt.A Probabilistic Model for vVisual Perception.Acta Psychologica,Volume 15,1959,Pag-es 296-297.
[15]J.J.Hopfield.The Mechanism of Electron Transfer in the Electron Transport Chain,Oxidases and Related Redox Systems,1982,Pages 35-60.
[16]J.L.McClelland,D.E.Rumelhart,G.E.Hinton.The Appeal of Parallel Distributed Processing.Readings in Cognitive Science,1988,Pages 52-72.
[17]Piero Cosi,Yoshua Bengio,Renato De Mori.Phonetically-based Multi-layered Neural Networks for Vowel classification.Speech Communication,Volume 9,Issue 1,February 1990,Pages 15-29.
[18]Hinton G E,Salakhutdinov R.R.Reducing the Dimensionality of Data with Neural Networks.Science,2006,313(5786).
[19]Yoshua Bengio.On the Challenge of Learning Complex Functions.Progress in Brain Research,Volume 165,2007,Pages 521-534.
[20]Nordhaus，W.Are We Approaching an Economic Singularity?Information Technology and the Future of Economic Growth.NBEＲWorking Paper，2015.
[21]张金昌：《什么是管理智能化技术？》，《经济管理》2006年第1期。
[22]陈佳贵：《智能化：企业管理技术的发展方向》，《光明日报》2003-11-21。
张金昌.管理智能化:理论创新与技术发展[J].福建论坛(人文社会科学版),2020(10):98-107.
