10月18日，清华大学工业工程系助理教授李传浩老师带来题为“大模型智能体驱动的运筹优化建模、仿真与迭代改进”的专题分享。报告围绕AI时代大模型与智能体如何重塑运筹优化和仿真展开，结合课题组一年来的实践，为工程管理硕士同学呈现了一场前沿而生动的学术交流。

从代码与数学突破，到可验证的科学工程问题

李传浩老师首先回顾了大模型在代码与数学领域的突破。这两类任务有一个共同特点：无论是通过编译器与单元测试，还是将数学证明翻译为形式化语言，模型都能获得直观反馈，验证自己“做对没有”。受此启发，课题组尝试把这种“可验证”的思路迁移到运筹优化等决策科学问题：先把现实问题抽象为目标、约束明确的模型，再让大模型完成建模、理论分析、算法设计，并通过仿真环境提供反馈，形成完整的闭环。

让大模型构建仿真环境、迭代改进决策

报告重点分享了两个方向。其一是用大模型构建仿真环境：基于自然语言与非结构化描述，由大模型智能体自动分解系统、逐模块实现并连接，生成可执行的离散事件仿真；更进一步，还可借助统一通信框架融合多种仿真引擎，搭建冷链中心、多机器狗巡检等混合仿真场景，并转化为强化学习训练环境。其二是基于仿真反馈迭代改进决策方法：让大模型运行调度算法、读取事件轨迹与评分、定位瓶颈并并行提出改进方案。在AGV作业车间调度等经典问题上，大模型搜索出的调度策略，性能明显优于传统启发式与学习方法，展现出面向具体场景的求解潜力。

面向长远：沉淀可验证任务集与运行平台

李传浩老师特别指出，面对通用大模型能力的快速提升，研究团队更应聚焦可持续的积累：构建能够反映真实需求、可验证的研究任务集，并通过统一的运行平台，把任务、数据、方法版本与改进轨迹持续沉淀，支撑方法的迭代改进与模型评测。这正是区别于短期成果、更具长期价值的探索方向。

整场讲座深入浅出，展示了大模型与运筹优化交叉的前沿进展，也启发同学们思考如何在大模型时代开展更具价值的研究。

2027年清华MEM目标定位：通技术、懂管理、驭智能，培养AI时代产业变革的领航者。围绕DUMEM新培养理念，联合多院系拟共建9个培养方向，形成AI技术、AI产业两大板块。从培养方向设计到课程体系升级，从技术赋能到安全治理，精准回应AI时代对高层次工程管理人才的迫切需求，彰显清华MEM的前瞻布局。

  面向未来，青年学子当把握我国AI发展的战略机遇：夯实技术根基，深入产业融合，重视安全治理，在真实场景中锤炼工程管理能力。以技术为基、以管理为翼、以智能为擎，成为AI时代产业变革的领航者！