上周有个学生问我，商科背景想做AI方向的博士，有没有真正把技术和商业结合得好的组。坦白讲，大部分商学院做AI的导师要么偏纯经济模型，要么只是把AI当工具。但翻到佐治亚理工Scheller商学院的Daniel Yue时，我觉得这位不太一样——他2024年刚从哈佛商学院毕业就拿了管理学会最佳博士论文奖，研究的核心问题是"为什么企业会免费公开自己的创新成果"，直接对标当下最热的开源AI生态。说真的，这种问题意识比大多数资深教授还敏锐。
导师简介与组内情况
Daniel Yue，佐治亚理工学院Scheller商学院IT管理方向助理教授，2024年入职。博士毕业于哈佛商学院（Business Administration方向），本科是哈佛大学物理学专业。入职前还在万事达卡担任过分析软件的产品经理，有实打实的工业界经历。他刚拿了管理学会（Academy of Management）技术与创新管理分会的最佳博士论文奖，这个奖在商学院学术圈分量很重。目前他是组建初期，课题组还在成长阶段，博士生名额大概率充裕。他开设的"AI in Business"课程评分达到满分5.0，PhD研讨课也获得了5.0评价，教学能力得到学生认可。
研究方向与代表论文
有一说一，Daniel Yue的研究赛道选得非常精准。他做的是"open disclosure"——企业为什么愿意无偿公开创新知识。这个方向正好卡在AI开源浪潮的风口上，Meta开源PyTorch和LLaMA、Google开源TensorFlow，背后的经济学逻辑就是他研究的核心命题。从就业角度看，这个方向做出来的博士，对接的是科技公司的战略分析、AI政策研究、开源生态管理等岗位，也可以留学术界做信息系统或创新管理方向教职。
Google: Estimating the Impact of Corporate Involvement on AI Research
2024 | Major Revision at Management Science（独作）
Mason点评：这篇论文量化了企业参与对AI科研质量的影响，发现企业资源带来的正面效应超过了商业约束的负面成本，引用提升可达44%。选题极具话题性，Management Science接收说明方法论很扎实。独作能投MS，这在商科博士里是非常强的信号。
Igniting Innovation: Evidence from PyTorch on Technology Control in Open Collaboration
2024 | Major Revision at Organization Science（合作者：Frank Nagle）
Mason点评：以PyTorch从Meta转交Linux基金会为切入点，研究技术控制权对开源贡献的影响。发现治理结构变更后芯片厂商等互补企业贡献显著增加。Organization Science也是管理学顶刊，这篇经验研究的因果识别做得很漂亮。
Nailing Prediction: Experimental Evidence on the Impact of Tools in Predictive Model Development
2022 | 2nd Round MR at Management Science（合作者：Paul Hamilton, Iavor Bojinov）
Mason点评：通过田野实验研究AI工具对模型开发效率的影响，发现工具使用让表现提升30%，等效于10倍训练数据。这种因果实验设计在商科IS领域非常稀缺，也是他方法论多元化的体现。
如何套磁入组
★套磁友好度：🟢 主动招人型2024年刚入职的全新PI，正在搭建课题组，博士名额充裕。他的研究需要大量数据搜集和因果推断分析，对有量化技能和数据科学背景的学生需求明确。
切入角度一：从开源AI生态切入。读他关于PyTorch治理变更的论文，提出你对某个开源项目（如HuggingFace、LangChain）生态演化的观察和研究兴趣。邮件关键词：open source governance / technology platform / AI ecosystem。
切入角度二：从AI产业经济学切入。他最新的working paper研究了开源模型vs闭源模型的市场结构。如果你对AI定价策略、模型市场竞争有想法，这个切口直接命中他最新研究线。邮件关键词：AI inference market / open vs closed models / platform economics。
切入角度三：从因果推断方法切入。他的研究大量使用DID、工具变量、田野实验等因果识别策略。如果你有计量经济学或实验设计背景，从方法论角度切入也很匹配。邮件关键词：causal inference / natural experiment / field experiment in IS。
申请建议
1. 学历背景准备本科/硕士为信息系统、经济学、数据科学、计算机科学、统计学等相关专业。有top院校背景或海外经历优先。他自己是物理转商科的路径，对跨学科背景接受度应该较高。
2. 核心技能准备必备：Python数据分析（Pandas/NumPy）、计量经济学（Stata/R的回归与因果推断）、SQL数据库操作。加分项：Web Scraping、自然语言处理基础、机器学习建模（scikit-learn）。他的研究大量涉及大规模数据集构建，数据工程能力非常重要。
3. 申请材料准备研究计划围绕"技术创新的经济学分析"或"AI/开源生态的实证研究"来写。推荐信找IS或经济学方向的导师。如有SSRN working paper或者会议论文（如ICIS、WISE），直接在套磁信附上。
谁适合申 / 谁不太适合
适合申的：信息系统/经济学/数据科学背景，对AI产业有研究兴趣，有量化分析技能（计量经济学+编程），能接受大量数据搜集和清洗工作，想走学术路线进商学院做教职。有开源社区参与经验或科技行业工作经历的更加匹配。
不太适合的：纯技术背景、只想做模型开发不关心经济学分析的；对写长篇论文和做因果推断无兴趣的；希望导师手把手带、不能独立探索的（新PI组建初期需要学生有一定自驱力）；对美国博士5-6年学制有顾虑的。
家长视角一句话：这个方向毕业后对接的是商学院IS/创新管理方向教职，或者科技公司的战略分析、AI政策岗位。佐治亚理工排名稳居全美前30，Scheller商学院更是Top 20，招牌响、就业不愁。
毕业去向速览
Daniel Yue是2024年刚入职的新PI，尚无独立培养的博士毕业生。但从他所在的Georgia Tech Scheller ITM方向整体来看，历届博士毕业生去向包括：马萨诸塞大学阿默斯特分校助理教授、Elon University助理教授等学术职位，以及Amazon、Nordstrom等科技公司的数据科学与分析岗位。Georgia Tech的IS方向在全美排名前列，毕业生学术和工业界出路都比较畅通。
