人物穿透 · 底层逻辑推演 穿透胥正川 复旦大学管理学院副教授 · 智慧城市研究中心副主任 —— 技术浪潮中，那个始终站在组织一侧的观察者与讲解者 一、履历与位置 教育轨迹 2003 年 6 月获复旦大学计算机软件与理论博士学位，此后在加拿大麦克马斯特大学商学院从事电子商务方向博士后研究 [1][2][6] 。先学技术、后转向商业——这条路径影响了他后来的整个思考方式。 任职情况 复旦大学管理学院副教授；智慧城市研究中心副主任；上海交通大学 DBA 项目、北京邮电大学经济管理学院特聘教授；国际信息系统协会（AIS）成员 [1][2][3] 。公开资料中，其所在系所多以“信息管理与信息系统系”出现，2023 年亦见“信息管理与商业智能系”的署名 [3][5] ，系名或已调整。 研究领域 企业流程管理、信息系统设计、电子商务、网络营销、大数据决策、智慧城市 [1][2][3] 。总体上更接近 “技术的管理学” ：重点不在技术本身，而在组织如何采用、消化和运用技术。 公开活动 曾作“大数据、人工智能与企业创新”主题讲座（2018，复旦管理前沿论坛系列活动） [4] ；刊发《创客说：别以为大数据就是万能的》访谈（2018） [3] ；2023 年接受澎湃新闻《橱窗的革命》采访，谈零售数字化与 AI 落地 [5] ；此后亦出现在 AI 与金融科技相关论坛的嘉宾名单中 [7] 。在大模型浪潮的核心讨论圈里，他的公开声音相对有限（依据公开检索，推断）。 二、他的思维底色：三点基本立场 对技术：视为不可抗拒的时代变量。 他在访谈中表示，新科技的冲击更多是颠覆式的，企业能做的是保持开放心态、参与投资、外部孵化或战略结盟，并引用过大润发高管离职信中的说法：“战胜了所有对手，却输给了时代。” [3] 对数据：认为有限度而不是万能。 他主张“别以为大数据是万能的”，数据有其自身局限，需求会随场景变化，教育、情感、面对面交流等场景，数据的作用有限 [3] 。 对组织：认为关键在转型，而非技术本身。 他提出“数字化转型的难点不在数字化而在转型”，转型会触及组织架构与既有利益；同时认为颠覆性创新往往难以在成熟组织内部直接孵化 [5] 。 三、他的四重角色 01 学者：技术背景的管理研究者 计算机博士的背景，使他谈论技术限制时有内行人的分寸感，而非外行的猜测。他在学术体系中属于中坚力量：职称为副教授、同时承担中心副主任等工作 [1][2] ，影响力并非业内头部。 02 教师：面向高端管理者的交流者 特聘教授的身份使他常与 DBA、EMBA 等高层管理者打交道 [1][2] 。他曾坦言，面对认知已经成体系的企业家，说服和改变比较有限，更多是倾听、归纳，把符合理论的部分提炼出来 [3] 。这使他更多呈现 倾听与归纳的风格 。 03 顾问：政企与城市治理的参与者 通过智慧城市研究中心 [1][2] 和复旦管理前沿论坛 [4][7] 等平台，他参与政府课题与国有企业数字化相关讨论，议题涉及零售转型、金融科技、组织再造，以及信息茧房、大数据“杀熟”等公平问题 [5] 。立场总体温和，偏向“既讲效率，也兼顾秩序与公平”。 04 讲解者：把技术语言翻译成“人话” 无论“人货场”还是“湿营销”这类说法 [3][5] ，他的表达习惯是具体、生活化的类比，善于把陌生的技术概念还原为组织的日常经验。这是他最有辨识度的能力。 四、他在 AI 产业中的位置 可把 AI 产业大致分为四个层次： 模型研发（创造）→ 产品平台（产品化）→ 行业应用（采用）→ 治理规范（规则） 。 从公开材料看，胥正川的精力更多集中在后两层——应用与规则 [3][5][7] 。他的核心问题意识是“组织如何把一种新技术接住、消化，并合规地变成经营能力”，涉及组织内部阻力、采购决策、合规惯性等方面。 用一句话概括他在产业中的功能，可以称其为 “衔接者” ：在技术一方与组织一方之间做翻译和缓冲，帮助降低新技术进入组织时的摩擦。 五、他的公开判断，与时点印证 时间与来源 主要观点 事后回看 2018 访谈 [3] “大数据并非万能”；数据有自身局限，情感、教育等场景难以量化捕捉 这一谨慎立场后来被部分印证：数据质量、数据治理、合成数据等问题的讨论不断增多，说明他对“数据决定论”的保留有道理 2018 访谈 [3] “智能制造企业必然基于大数据；没有数据就没有人工智能” 方向大体正确，但表述略显单薄——算力与算法同样是关键变量，数据只是必要条件之一 2023 澎湃 [5] AI 趋势难以阻挡，只能顺势而为；对 AI 的最终后果（人类灭亡、永生或空前繁荣）无法预测；短期内 AI 难以产生自我意识，对我们这一代人的影响可能不至颠覆 对后果的谨慎态度有道理，不可知的部分确实难预测；但事后看，他对冲击烈度的估计偏保守 一贯立场 [3][5] 强调“人”是核心，技术应降本、普惠，同时关注信息茧房、大数据“杀熟”等公平问题 这一组判断与近年 AI 治理、人机边界、算法伦理的公共讨论高度契合 总体来看：他对“组织如何采用技术”的判断大多中肯且长期有效；对“技术本身发展速度”的判断总体偏保守。这一差异或许与他的观察站位有关，未必是能力欠缺。 六、值得注意的两面：谨慎与局限 谨慎的一面 他的“数据悲观”更像经验性的审慎：见过太多“技术万能”的叙事落空，因此坚持“人是核心、情感难量化、数据有边界” [3] 。这种审慎让他成为稳妥的组织顾问，很少给出过度许诺。 他的“顺势论”也符合多数组织的情境：对大多数企业而言，技术确实是一种外部变量，适配是理性的选择。他提供的是 稳妥者的参考框架 。 局限的一面 他的分析框架中，技术更多被当作外部变量，组织作为应变者。而当一个领域进入自我加速（算力、数据、算法互相促进）时，其演进往往快于常规直觉，他的判断因此倾向于保守。 他更像旁观式的观察者，而非一线参与者。旁观让他保持客观，也让他在技术端的判断偏慢。这种偏慢更可能是站位使然，而不是判断力的欠缺。 七、他这一代人的处境 类似履历的学者不止他一位。2000 年前后，一批计算机背景的研究者转向管理学，共同功能是为技术进入商业与组织提供解释。信息化、电商化、数字化各阶段，这种“把技术讲成组织听得懂的”的能力都曾是一种稀缺资源。 变化正在发生 “翻译”的价值在下降。 大模型本身已具备较强的说明与解释能力，管理者可以先向模型提问，再决定是否求助专家。 渠道在改变。 决策者的信息来源，越来越多来自产品实践与对话式工具，传统讲座与咨询的“中转”角色被削弱。 无法替代的部分仍存在。 涉及采购、合规、治理和责任的场合，最终仍需要可追责的人来承担（推断）。 两种可能的方向 一是保持以讲解和咨询为主的角色；另一是向 治理与规范 的方向延伸：从解释技术，转向参与制定使用边界、评估风险、设计审查机制。 从近年的公开话题看，他的关注点在朝后者移动——从“组织如何用好技术”逐渐涉及“组织如何规范使用 AI” [5] （推断，非专访确认）。 八、收束：一张图纸，还是一把钥匙 “翻译”与“治理”的本质差异： 解释技术、普及概念，主要输出信息；参与治理与担责，则要承担决策与后果。AI 让“解释”变得廉价，而“责任”越发稀缺。 钥匙的归属： 若“A…