在過去傳統的庫存管理方法中，集成所有產品線可以最大程度地降低庫存成本，但這一方法僅適用于庫存規模較小的管理模式。當庫存產品的集成程度達到巨大規模，管理難度大大增加，現有的庫存管理方法就無法發揮作用。 

“我們的企業和美國的企業有很多不一樣的地方，中國企業的特色可能是國外學者沒有研究過的東西。”復旦大學管理學院教授洪流說。中國企業的新問題是這一代學者的研究機遇。例如中國的物流業，在美國紐約州境內寄一支筆需要20多美元的運費，在中國上海市內，這筆運費是前者的1/10甚至1/20。洪流認為，這一巨大差別不能簡單歸結為中國的人力成本更低，人力成本之外一定有一些非常高效的因素，需要把它們提煉出來。 

針對這一問題，洪流開展了平臺供應鏈的管理理論與方法研究，這項研究源于2020年國家自然科學基金重大項目，旨在深度學習中的循環神經網絡框架結構，與待解決的大規模庫存優化問題非常相似。因此，洪流基于循環神經網絡的架構，為大規模庫存管理設計一個特殊算法，將語言模型在深度學習中的方法引入到運營管理領域進行仿真優化。 

以前的庫存優化問題研究中，涉及的最大規模庫存量為1000種產品庫存。通過循環神經網絡模擬的算法，企業可以同時管理50萬種產品的庫存。這樣一來可以解決大規模庫存管理問題。在實測的例子中，管理模型的運行速度提高了將近1萬倍。 

研究的主要貢獻在于優化方法的普適性。許多復雜的管理系統，其實是一個動態變化著的網絡：在庫存問題中面臨的是一個生產網絡，在供應鏈管理問題中面臨的是一個供應鏈網絡，在交通問題中面臨的是一個交通網絡。而循壞神經網絡模擬的方法具有通用性，不僅可以解決大規模庫存管理的問題，未來還可以遷移到供應鏈、交通網絡以及其他的一些大規模動態變化的網絡中，解決大規模動態變化網絡的普遍問題。 

在中國這片土壤上成長起來的經驗，可以適用于全世界的商業環境。“一個好的經驗，一定有超越文化的底層原理。”洪流以學者Wallace Hopp為例，他運用數學邏輯將日本經驗進行拆解，剝離帶有文化色彩的因素，證明日本經驗同樣適用于美國環境。同樣，中國經驗也可以走向世界，這需要學者們“基于中國問題、中國經驗，提煉一整套背后的原理”。