在过去传统的库存管理方法中，集成所有产品线可以最大程度地降低库存成本，但这一方法仅适用于库存规模较小的管理模式。当库存产品的集成程度达到巨大规模，管理难度大大增加，现有的库存管理方法就无法发挥作用。

“我们的企业和美国的企业有很多不一样的地方，中国企业的特色可能是国外学者没有研究过的东西。”复旦大学管理学院教授洪流说。中国企业的新问题是这一代学者的研究机遇。例如中国的物流业，在美国纽约州境内寄一支笔需要20多美元的运费，在中国上海市内，这笔运费是前者的1/10甚至1/20。洪流认为，这一巨大差别不能简单归结为中国的人力成本更低，人力成本之外一定有一些非常高效的因素，需要把它们提炼出来。

针对这一问题，洪流开展了平台供应链的管理理论与方法研究，这项研究源于2020年国家自然科学基金重大项目，旨在深度学习中的循环神经网络框架结构，与待解决的大规模库存优化问题非常相似。因此，洪流基于循环神经网络的架构，为大规模库存管理设计一个特殊算法，将语言模型在深度学习中的方法引入到运营管理领域进行仿真优化。

以前的库存优化问题研究中，涉及的最大规模库存量为1000种产品库存。通过循环神经网络模拟的算法，企业可以同时管理50万种产品的库存。这样一来可以解决大规模库存管理问题。在实测的例子中，管理模型的运行速度提高了将近1万倍。

研究的主要贡献在于优化方法的普适性。许多复杂的管理系统，其实是一个动态变化着的网络：在库存问题中面临的是一个生产网络，在供应链管理问题中面临的是一个供应链网络，在交通问题中面临的是一个交通网络。而循坏神经网络模拟的方法具有通用性，不仅可以解决大规模库存管理的问题，未来还可以迁移到供应链、交通网络以及其他的一些大规模动态变化的网络中，解决大规模动态变化网络的普遍问题。

在中国这片土壤上成长起来的经验，可以适用于全世界的商业环境。“一个好的经验，一定有超越文化的底层原理。”洪流以学者Wallace Hopp为例，他运用数学逻辑将日本经验进行拆解，剥离带有文化色彩的因素，证明日本经验同样适用于美国环境。同样，中国经验也可以走向世界，这需要学者们“基于中国问题、中国经验，提炼一整套背后的原理”。