AI 时代专业博士 / 高管学位项目课程设计深度调研报告

执行摘要

本研究系统调研了全球 35+ 个 AI 高管 / 专业教育项目（覆盖美国、欧洲、大中华区、新加坡、专业博士线、新派 cohort-based 玩家），对照 10+ 个主流 AI 能力框架（WEF、OECD、UNESCO、EU、McKinsey、BCG、Deloitte、Accenture、Brynjolfsson、Mollick、Karpathy 等），并整合在线学位项目教学法的实证文献，得出以下五点关键发现：

1. 市场空白真实存在。 全球范围内没有任何一个项目符合"15 门课 × 8 周 × 每周 10-15h"的总量（≈ 1,200-1,800 小时）。最接近的 CMU CDAIO 是 7 个月 19 模块，Oxford Executive Diploma 是 1 年 4 模块。同等深度的项目要么是技术导向的 MS / PhD（Stanford AI Professional、Georgia Tech OMSA），要么是单点 1 年学位（Oxford Diploma £34,310）。"fully online + 高管 + 15 门课 + 学位级"四要素同时满足者不存在。

2. 课程结构的全球默认排序是"先技术后商业后伦理"。 MIT xPRO、MIT Sloan、Berkeley、Kellogg、CMU CDAIO 等几乎所有项目都从 ML/AI 基础 → 行业应用 → 战略 → 组织 → 伦理。如果反过来排（先判断 / 品味 / 叙事 → 后技术）会非常反直觉，但符合"已在前 10% 的学员"的真实需求——他们不缺技术知识，缺判断力。

3. 用户的 5 项核心能力（判断 / 杠杆 / 品味 / 叙事 / 元学习）与主流框架的关系是 3 项共识 + 2 项独有：判断力、杠杆设计、元学习在 WEF / OECD / McKinsey / Mollick 等框架中均有明确对应；品味和叙事力是用户独有视角。同时，主流框架强调而用户未列的能力至少包括三项：Ethics / Responsible AI、Data Fluency、AI Risk Governance。这三项不补上，会被监管 / 同行视为"AI 项目的硬缺"。

4. 全球 capstone 主流是"私下提交的 PPT / Memo"。 只有 CMU CDAIO、Oxford Diploma、Berkeley 5a 做到"真实组织 + 1:1 导师辅导"。没有任何项目把 capstone 做成"长期 portfolio + 公开发布作品"——这是博士项目唯一可见的资产，也是用户项目的最大差异化空间。

5. fully online + 8 周 + 每周 10-15h 教学法有强证据基础。 Cohort-based 完成率（≈ 75%）vs. MOOC（5-15%）相差 5-10 倍；决定因素是小社群同步 + portfolio 化产出 + 1:1 success coach，三者缺一不可。Maven / Reforge 数据显示 200-700 人 Slack 是单 cohort 上限，超过即拥挤。

报告的下游用途是支持 v2 课程设计；末节"对 15 门课设计的直接启示"是本报告的核心交付物。

---

引言：研究背景、方法与假设

研究背景与项目特征

委托方计划设计一个 AI 时代的 professional doctorate / 高管学位项目，关键特征：

学员定位：已在职业前 10% 的高管 / 创业者 / 技术管理者
培养目标：5 项核心能力——判断力、杠杆设计、品味、叙事力、元学习
课程容器：15 门课 / 3 学分一门 / 每门 8 周 / 每周 10-15 小时 / fully online
总学时：≈ 1,200-1,800 小时 / 18-22 个月
优先级：市场吸引力 > 学习者痛点 > 学术合规；学术深度是资格线，不是优化目标

研究方法

本研究采用 deep-research 8 阶段流程的 ultradeep 模式：

范围界定：60% benchmark + 25% 能力框架 + 15% 教学法
并行检索：5 个 general-purpose sub-agent 并行覆盖五大调研块
交叉验证：跨源比对，标注未公开 / 不一致项
大纲细化：基于实际证据调整章节
综合分析：识别模式与差异化空间
批判审查：从"前 10% 高管"与"监管审核"两视角红队
打磨：补充薄弱处
打包：分节渐进生成

调研对象矩阵（35+ 项目）

区域 / 类型	数量	代表项目
美国头部商学院 / 工学院	11	MIT xPRO、MIT Sloan、Stanford Online AI、Stanford GSB、Berkeley Haas、Wharton、Kellogg、Columbia、UCLA、CMU Tepper / Heinz、Georgia Tech
欧洲头部商学院	8	INSEAD、IE、IESE、ESADE、ESCP、Imperial、Oxford Saïd、LBS
大中华区 + 新加坡	9	CEIBS、CKGSB、清华经管、北大光华、复旦、上交安泰、HKU、CUHK、NUS
全球专业博士线	13	USC EdD、Capella / Walden / NSU DBA、SBS Swiss / UBIS / IE / ESCP / Grenoble / Cranfield / Aston / Heriot-Watt / Henley DBA
新派 cohort-based 玩家	13	Section AI、Reforge、Maven 主要 AI 课（Hamel Evals、Wes Kao 沟通、Miqdad PM、Agentic 等）、Singularity U、Build Club、AI Tinkerers、AI Native Foundation 等
合计	54

实际抓取项目数超出原计划 30+，主要是 Maven 平台和 Kellogg AI 矩阵远超预期。

关键假设（必须明示）

项目定位为 professional doctorate / 高管学位，非传统研究 PhD
合规约束为"学分 + 学时"硬指标，而非顶级 PhD 的同行评议 / 终身教职审议
学术深度是资格线（一眼不水即可），不是优化目标
学员已具备本科以上学位 + 5+ 年工作经验 + 基础 AI 工具使用经验

如委托方修正以上任一假设，本报告的下游启示需要重新校准。

报告局限（前置说明）

大中华区项目透明度低，部分项目逐门课清单未公开
Stanford GSB / ESADE / Oxford Saïd 部分官网持续 HTTP 403，相关字段经第三方页交叉补足
学员评价深度不足——高管目标客群在 Reddit / Quora 等公开社区讨论稀薄；公众号 / 知乎多为机构投放
价格信息以 2024-2026 年公开数据为准，存在年度 10%+ 漂移

---

发现 1：全球 AI 高管 / 专业教育市场的全景与分类

1.1 五大派系，对"AI 时代核心能力"有截然不同的隐含定义

把 35+ 项目按"课程标题透露的核心能力定义"归类，可清晰拆出五派：

派系	核心定位	代表项目
技术派	ML / DL / RL / NLP 算法本身	Stanford AI Professional Program、Georgia Tech OMSCS ML、Imperial Professional Certificate ML/AI
战略派	AI 战略、商业 case、组织设计	MIT Sloan AI 旗舰、Kellogg AI Strategies for Business Transformation、Stanford GSB Harnessing AI
执行派	数据 → AI → 治理 → 组织全链路 + 落地 roadmap	Berkeley Executive Program in AI & Digital Strategy（8 月长项目）、CMU Heinz CDAIO
C-suite 软实力派	文化、人机协作、未来工作	Wharton Leading an AI-Powered Future、Stanford GSB AI-Powered Organization、UCLA Anderson Board Director
垂直派	在特定行业 / 职能里用 AI	Columbia AI for Business & Finance（金融）、IE AI-Powered Finance / Marketing / HR / Legal、CUHK Cert AI for Business 模块菜单

关键观察：用户提出的 5 项能力（判断 / 杠杆 / 品味 / 叙事 / 元学习）不属于任何现有派系。最接近的是 Kellogg 的"AI Canvas 2.0 + 商业判断"（覆盖判断力约 30%），其余 4 项无人系统涉及。

1.2 五大派系下的"产品颗粒度"分布

按"课程容器 × 总学时"分布，市场上的 AI 高管教育呈现明显的"两头大中间空"形态：

极轻量层（≤ 50 小时）：Wharton AI for Business（8h）、IE Generative AI（24h）、Section AI Crash Course（5h）、INSEAD Transforming with AI（30h）、Oxford AI Programme（50h）。价格 $850-3,063。

中等层（50-200 小时）：MIT Sloan AI（36-48h、$3,850）、Kellogg AI Strategies（40h、$3,200）、Columbia AI for Business & Finance（64-80h、$5,000）、ESCP AI for Business Certificate（120h、€4,500）、NUS AI for Senior Executives（~190h、$6,500）、Oxford AI-Driven Business Transformation（~190h、$8,852）。

深度层（200-500 小时）：Imperial Professional Certificate ML/AI（375-500h、£3,995）、Stanford AI Professional Program 三门（300+h、$5,250）、Berkeley AI & Digital Strategy 8 个月、CMU CDAIO 7 个月（$17,850）。

学位层（≥ 1000 小时）：Oxford Executive Diploma（≈ 1 年、£34,310）、HKU ICB PgDip AI & Business Transformation（18 个月、HK$118,000）、Georgia Tech OMSA（1.5-2 年、$7,000）、各家 DBA / EdD（3-6 年、£39,000-€60,000）。

用户项目的容量定位：15 门 × 80-120h = 1,200-1,800 小时，直接落入"学位层"高端，比 Oxford Diploma 还重 50%，是 Imperial Pro Cert 的 3 倍。市场上没有可直接对标的产品。

1.3 fully online 维度的存活产品

把"必须 fully online + ≥ 100 小时"两个条件叠加，市场幸存者只有：

ESCP AI for Business Certificate（18 周 / 120h / €4,500，全在线）
Imperial Pro Cert ML/AI（25 周 / 375-500h / £3,995，全在线，但要求会编程）
Oxford AI Programme（6 周 / 50h / $3,063）+ Oxford AI-Driven Transformation（5 个月 / 190h / $8,852）
Aston Online DBA（4-6 年 / £39,000，4 个 method modules + dissertation）
Capella DBA（90 credits / 17 门课 / 2 种 pathway / $45,000-55,000）
NUS AI for Senior Executives（5 个月 / Emeritus 平台）
Maven 平台所有 AI 课（4-7 周 / $500-5,000，cohort + on-demand 混合）
Reforge AI 系列（6 周 / $1,995 年费）
Section AI 系列（4-8 周或年费 $995）

用户项目特征（fully online + 学位级 + 15 门 + 高管定位）没有同时具备的对手。Oxford Diploma 不是纯 online，Imperial 不是高管定位（要编程），Capella / Aston 是 DBA 但不专攻 AI。

1.4 价格 / 学时 / 师资三角的天然落点

把市场抓到的"价格 / 总学时 / 师资明星密度"做三轴散点，呈现 4 个稳定簇：

簇	价格	总学时	师资	典型
轻量名牌型	$850-3,200	8-50h	1-3 位明星教授	Wharton AI for Business、MIT Sloan、Kellogg 旗舰
中度深耕型	$3,800-8,852	50-200h	1 个明星 + 3-5 配套	Columbia 8a、NUS、Oxford AI-Driven
重度长项目型	$10,000-35,000	200-1,000h	学者 + 业界 CDO 混合	CMU CDAIO、Berkeley 5a、Oxford Diploma
学位型 DBA	$40,000-100,000	1,500h+	学术 supervisor 为主	Capella、IE、Cranfield、Henley、Aston Online

用户项目最合理的价格区间：$50,000-100,000 全程。理由：

学时是 CMU CDAIO 的 8 倍，但价格不能直接放大 8 倍（高管价格弹性有限）
参考 Aston Online DBA（£39,000 ≈ $48,000）+ 高管溢价 + 全程导师，$50K 起步合理
上限 $100K 参考 Capella DBA + Oxford Diploma 的混合定价
这个区间能筛掉"年薪 100 万以下"的学员，符合"前 10%"定位

1.5 大中华区的特殊空白

大中华区 + 新加坡 9 个项目里，没有任何一个真正面向商业高管的 AI 博士学位项目：

AI MBA：上海交大安泰（硕士级，非全日制，课程清单几乎不公开）
AI PgDip：HKU ICB（研究生证书级，11 模块，HK$118,000）
DBA + AI 模块：CEIBS Swiss DBA、复旦-杜伦 DBA、长江 DBA、北大光华 DBA（都是传统 DBA + AI 主题课，没有"AI DBA"独立专业）
AI 主题短课：清华、北大光华-腾讯、复旦领创、上交终身教育、CUHK Cert（这些是非学位证书）

技术导向的 AI PhD 在 HKUST 广州、CUHK 深圳、复旦计算机 / 智能创新研究院等有开，但属于工科 / 数据科学院，不面向已是创业者 / 管理者的人。

结论：高管级 AI 专业博士在中文世界 + 新加坡是真正的市场空白。用户项目如果做 fully online + 英文授课 + 学位级，理论上对大中华区 + 东南亚高管极有吸引力。

1.6 一张全景对照表（按"总学时"排序）

下表是 35+ 项目里披露了完整课程清单的代表（缺失字段 = 项目未公开）：

项目	学时	价格	课程数	Capstone	师资	online 比例
Wharton AI for Business	8-12h	$850	5 模块	无	1 教授	100%
Section AI Crash Course	5h	$600	5 节	无	practitioner	100%
INSEAD Transforming with AI	30h	€2,100	5 周	ALP 互评	3 教授	100%
MIT Sloan AI Implications	36-48h	$3,850	6 模块	个人 plan	5 学术明星	100%
Kellogg AI Strategies	40h	$3,200	8 模块	Memo to CEO	1 教授（Sawhney）	100%
Oxford AI Programme	50h	$3,063	6 模块	Business case	Oxford faculty	100%
LBS Business of AI	50h	£2,305	Phase I+II	AI 计划	多人	100%
Columbia AI for Business & Finance	64-80h	$5,000	8 模块	无	5 教授+25 业界	100%
ESCP AI for Business Certificate	120h	€4,500	6 模块	Individual capstone	6 讲师	100%
MIT xPRO Designing AI Products	60h	$3,000	10 周	AI 产品提案	5 MIT 学者	100%
NUS AI for Senior Executives	~190h	$6,500	4 Pillars / 20 周	Capstone	NUS+教练	95% + 1 天校园
Oxford AI-Driven Transformation	~190h	$8,852	3 sections	Capstone + strategy statement	4 directors	100%
Stanford AI Professional	300+h	$5,250	7 选 3	每课内 project	5 Stanford PIs	100%
Imperial Pro Cert ML/AI	375-500h	£3,995	26 模块	Black-Box Optimisation	4 学者	100%
Berkeley AI & Digital Strategy	~400h	未公开	3 核心 + 2 短课 + 校园	企业 AI roadmap	Saikat Chaudhuri+	5 天校园
CMU Heinz CDAIO	~500h	$17,850	19 模块	Enterprise AI Roadmap	学者 + 大企业 CDO	7 个月混合
HKU ICB PgDip AI & BT	~800h	HK$118,000	11 模块	Final Project	HKU+业界 50/50	周末非全日
Oxford Exec Diploma AI	~1000h	£34,310	4 模块	FIA	Oxford faculty	4 次牛津集中
Georgia Tech OMSA	~1800h	$7,000	5 核+5 选+capstone	10-15 周 practicum	GT 学者	100%
Aston Online DBA	~3000h	£39,000	4 method modules + 论文	Dissertation	Aston supervisor	100%
用户项目（设计中）	1200-1800h	~$50-100K	15 门	TBD	TBD	100%

结论性观察：用户项目在容量上最像 Georgia Tech OMSA + Oxford Diploma + Capella DBA 的合体，但目标客群、定位、教学法都不一样。这是真正的"新物种"。

---

发现 2：课程结构与排序的四种主流逻辑

2.1 全球默认的"先技术后商业"排序

把所有披露完整课表的项目排成一行，可清晰看到一个默认排序律：

ML/AI 基础 → 行业应用 → 战略 → 组织 → 伦理 / 未来

具体案例：

MIT xPRO Designing AI：ML → DL → Transformers → GenAI → HCI → Superminds → Capstone
MIT Sloan AI：Intro → ML → GenAI → Robotics → Society → Future
Berkeley AI Business Strategies：Intro → ML → DL → CV/NLP → Robotics → Strategy → Org → Future
Kellogg AI Strategies：Foundations → CX → Ops → Support Functions → Industries → Creative → Transformation → Society
CMU CDAIO：Data → Analytics → AI Foundations → AI Strategy → Org → Agentic → GenAI → Risk → Leadership
NUS AI for Senior Executives：Pillar 1 战略 → Pillar 2 实施 → Pillar 3 应用 → Pillar 4 未来
Imperial Pro Cert ML/AI：Math → Probability → Statistics → ML 基础 → 各算法 → 神经网络 → GenAI → RL → Capstone

唯一反例：Oxford AI Programme 第 1 周直接讲"AI ecosystem"（AI 历史与潜力），把"地图"放最前面，是 35+ 项目里唯一一个反传统排法的。

2.2 反向排序的理论依据

为什么默认是"先技术后商业"？因为大多数项目的目标客群是"对 AI 不熟悉的高管"——他们需要先建立技术词汇表才能讨论战略。

但用户项目的目标客群是"已在前 10% 的高管"——他们对 AI 工具已经有基础使用经验，真正缺的是"判断什么值得做"和"如何把 AI 当成杠杆"。

如果反过来排（先判断 / 品味 / 叙事 → 后技术），课程结构会变成：

判断层：在 AI 输出过载时如何识别值得做的（前 3-4 门）
杠杆层：如何把 1 小时判断驱动 1000 小时执行（中间 3-4 门）
技术层：在做判断 / 杠杆设计时需要的技术理解（中间 3-4 门）
作品层：品味 + 叙事力 + 元学习的整合 capstone（最后 3-4 门）

这个排序在全球市场上没有先例，但符合用户客群的真实需求曲线。这是用户项目最大的结构性差异化空间之一。

2.3 四种主流排序逻辑的拆解

把 35+ 项目的排序提炼出 4 种结构原型，供用户参考：

原型 A：技术递进型（最常见）

模式：基础 → 进阶技术 → 应用 → 战略 → 伦理
代表：MIT xPRO、Imperial、Stanford AI Professional、Georgia Tech OMSA
适合：学员需要打技术基础的项目
对用户项目的启示：不适合直接套用，但第 5-8 门课的"技术理解"部分可以微缩到 2-3 门

原型 B：5 周 / 6 周递进型

模式：每周一个模块，从战略层到技术层逐步深入
代表：INSEAD Transforming with AI（Stock-taking → Org → GenAI → Design → Algorithms）
适合：4-8 周短期项目
对用户项目的启示：单门课内部的"8 周节奏"可以借用——比如"第 1 周建立 stakes → 第 8 周交作品"

原型 C：业务职能拆分型

模式：共享 onboarding + 按职能分赛道（Marketing / Finance / HR / Operations）
代表：IE AI for Functions（4 个赛道）、HKU ICB PgDip（11 个职能模块）、CUHK Cert（10 选 5）
适合：学员背景多样的项目
对用户项目的启示：可作为"第 9-12 门"的设计逻辑——给学员选 2-3 个垂直应用赛道

原型 D：四 Pillar 战略 - 实施 - 应用 - 未来型

模式：四个大块各 5 周，节奏感强
代表：NUS AI for Senior Executives（Pillar 1 战略 / Pillar 2 实施 / Pillar 3 应用 / Pillar 4 未来）
适合：5 个月长项目
对用户项目的启示：这是最值得借鉴的整体结构——把 15 门课分成 4-5 个 Pillar，每个 Pillar 3-4 门课，节奏感比 15 门连排更好

2.4 一个完整的反向排序参考结构

基于以上分析，给用户项目一个完全反向排序的参考结构（仅作启示，不作为最终设计）：

Pillar	课程数	主题	对应能力
Pillar 1 站位	3	AI 时代的世界观、当下技术地图、个人定位	元学习地基 + 战略性自知
Pillar 2 判断	4	判断的结构、信号 vs. 噪声、战略判断、决策实战	判断力
Pillar 3 杠杆	4	工作流解构、Agent 架构、杠杆系统、运营失败模式	杠杆设计
Pillar 4 作品	4	品味训练、编辑视角、个人叙事、传播	品味 + 叙事力

对比 NUS 的 4 Pillar：用户的 Pillar 1 是"建立判断地基"（NUS 的 Pillar 1 是 AI 战略基础——意图完全不同），用户的 Pillar 4 是"作品输出"（NUS 是 Future of AI——意图也不同）。

2.5 课程容器内部（每门课 8 周）的设计原则

仅看每门课内部的 8 周怎么排，市场上有 3 种节奏：

节奏 1：每周一专题 + 第 8 周整合

代表：MIT xPRO、INSEAD 5 周课
优点：节奏感清晰
缺点：每周内容浅

节奏 2：4 阶段 × 2 周一阶段

代表：Maven 大多数课程（Hamel Evals、Wes Kao 沟通）
节奏：Week 1-2 概念建立 → Week 3-4 工具掌握 → Week 5-6 应用实操 → Week 7-8 产出整合
优点：每阶段都有里程碑
缺点：需要强教练

节奏 3：螺旋上升 + 持续 capstone

代表：Imperial 25 周 / 26 模块
节奏：每周一个新概念 + 每周往同一个 capstone 项目里加新部件
优点：capstone 不是最后两周临时抱佛脚
缺点：需要每门课都设计成"贡献给同一个最终产物"

对用户项目的建议：节奏 3 + 模块化变体最匹配——15 门课每门都在 8 周里产出一件"中间作品"，15 件中间作品最后合成 portfolio。这与 ESCP 18 周个人 capstone + USC EdD Dissertation in Practice + ESCP EDBA 三论文 portfolio 的设计哲学一致。

---

发现 3：Capstone 与评估方式的五种形态学

3.1 全球 capstone 主流是"私下提交的 PPT / Memo"

在所有调研的项目里，capstone 设计可归类为 5 种形态，按"完成度强度"排序：

形态 1：无 capstone

代表：Wharton AI for Business、Stanford GSB AI 系列、Section AI（多数 workshop）
学员只需完成测验 / 作业 / 出勤
是市场上 30% 的项目采用的最低标准

形态 2：个人 plan / Memo（不实施）

代表：MIT Sloan AI（individual plan）、INSEAD Transforming with AI（Action Learning Project 同侪互评）、Kellogg AI Strategies（Memo to CEO）、Oxford AI Programme（business case）、LBS Business of AI（AI implementation plan）
学员写一份"如何在自己公司部署 AI"的文档，不一定真去实施
提交方式：私下提交给教授 / 教练 / 同侪
是市场上最常见的形态（约 40% 的项目）

形态 3：技术 portfolio（黑盒 / 代码 / 工具）

代表：Imperial Pro Cert ML/AI（Black-Box Optimisation + GitHub）、Stanford AI Professional（各课内 project）、Hamel Evals 课（eval dashboards + CI/CD gates）、Miqdad PM 课（端到端 AI feature deployment）
学员产出可演示的技术作品
适合技术型项目，不太适合纯高管

形态 4：真实组织 roadmap + 1:1 导师辅导

代表：CMU CDAIO（Enterprise Data and AI Strategy Roadmap，最深）、Berkeley AI & Digital Strategy 5a（企业 AI 部署 roadmap + 1:1 导师 + 公开 demo）
学员把所学应用到自己真实组织 / 数据上，最后向教职员展示
这是高管项目里最重的设计
是市场上仅约 5% 的项目采用

形态 5：学位级 portfolio / 论文 / 答辩

代表：Oxford Executive Diploma（Final Integrative Assignment + 牛津毕业典礼）、HKU ICB PgDip（Final Project）、USC EdD（Dissertation in Practice）、Capella DBA（Doctoral Project + Poster Session）、ESCP EDBA（3 篇论文：1 学术 + 2 实践）、Aston Online DBA（Dissertation + viva voce）
学员产出多件作品 / 完整论文，公开答辩
是学位级项目的标配
是用户项目应该采纳的标准

3.2 没有任何项目把 capstone 做成"公开发布作品"

这是市场最大的盲点：

所有形态 2-5 的 capstone 都是"私下提交"——给教授看、给教练看、给同侪互评。即便是 Oxford Diploma 的 FIA，也是提交给评审组而非对外发布。

没有任何项目把 capstone 设计成"对外发布的真作品"——一篇被传播的文章、一个上线的产品、一个被引用的案例、一个真在跑的杠杆系统。

最接近的反例：

Section AI 的部分 workshop 鼓励学员把作业发在 LinkedIn（但不是 capstone）
Build Club 的 Bounty 机制鼓励学员上线产品挣钱（但不是 capstone）
Lenny's Newsletter 的 PM Fundamentals 课程毕业生会发文章（自发，非课程要求）

这是用户项目的最大差异化空间：

把每门课的"中间作品"+ 最终 capstone 设计成必须对外发布
发布渠道可以是 LinkedIn / 个人博客 / 公开播客 / 真上线的产品 / 行业期刊投稿
学员毕业时拿到的不是一纸证书，而是一份公开可见的作品集
这是博士项目唯一可见的资产，也是高管最在意的"职业身份升级"的实体载体

3.3 评估的精细度与学位级要求的对照

对照 USC EdD、Capella DBA、Aston DBA、Oxford Diploma 等学位级项目的评估精细度，可看到学位级项目的最低评估标准：

评估维度	学位级最低标准	用户项目建议
课内评估	每门课至少 3 个评估点（作业 / 项目 / 考试）	每 8 周课 = 中期 + 末期 2 件作品
跨课整合	至少 1 次综合考核（如 IE DBA 的 3 天 Comprehensive Exam）	每 4 门课后做一次能力整合答辩
方法训练	3-5 门 research methods 课	把"元学习"+ "判断方法"做成 method 模块
最终答辩	viva voce / 公开 demo / 委员会评审	设计公开毕业典礼 + 同行 review
延期 / 重读机制	必须有明确的 fail / retake 路径	设计 portfolio 不达标的补救机制

3.4 "Dissertation in Practice"模式：用户项目的关键 referent

USC Rossier EdD 的"Dissertation in Practice"是用户项目最值得借鉴的评估范式：

不是传统学术论文，而是对真实组织 / 行业问题的干预型研究
学员选择一个自己工作场景的真问题，应用所学，记录干预，反思结果
评估标准是"对实践的影响"+"研究的严谨"双轨

把这套范式套到用户项目，可设计为：

学员从 Pillar 2（判断）开始就要确定自己的"博士主题"（比如"我所在公司在 AI 时代的 X 重塑")
后续每门课的作业都围绕这个主题积累素材
最终 capstone = 关于这个主题的 3 件作品：1 篇深度文章（含数据 / 案例 / 框架）+ 1 个真实部署的产品 / 系统 / 流程 + 1 个公开演讲 / 演示
答辩方式 = 公开 demo day + 行业评审 + 同行互评

这套设计的好处：

学员毕业后真的有东西可以拿出来卖 / 用 / 谈
评估天然防水（公开可查）
招生页面的素材就是上一届毕业生的真作品

3.5 评估方式与 5 项核心能力的映射

把用户的 5 项能力分别映射到评估形态：

能力	评估方式建议	参考来源
判断力	Case-based decision exam（多场景多选项 + 推理过程评分）	Berkeley AI & Digital Strategy 的"AI use case prioritization"
杠杆设计	真实部署的 Agent / 工作流系统 + 至少 3 个月运营数据	Hamel Evals 课的 CI/CD eval gates + Miqdad PM 的端到端部署
品味	编辑 portfolio（10 件作品 + 5 件"我筛掉的"+ 选择理由）	Imperial 的 GitHub portfolio 模型 + ESCP 的 capstone 哲学
叙事力	一篇公开发表的长文（≥ 3,000 字）+ 一次公开演讲（≥ 30 分钟）	Lenny's Newsletter / Wes Kao 范式
元学习	个人学习系统设计文档（3 年规划 + 已实施 6 个月数据）	USC EdD Dissertation in Practice 的反思组件

关键：5 种评估必须设计成互相独立又可整合——可以分别评分（每门课结束时），也可以作为最终 portfolio 的组成部分。

---

发现 4：师资构成的四种模式与对用户项目的启示

4.1 全球 AI 高管教育的四种师资构成模式

模式 A：学者全明星

代表：MIT Sloan AI 旗舰（David Autor + Regina Barzilay + Daniela Rus + Andrew Lo + Thomas Malone）、Stanford GSB（Fei-Fei Li 启动 + Paul Oyer + Mykel Kochenderfer）、Stanford AI Professional（Christopher Manning + Percy Liang + Chelsea Finn + Dorsa Sadigh + Emma Brunskill）
优势：学术权威 + 名校品牌
缺点：与"真实做 AI 业务"的现场感隔得远
客单价支撑：纯靠名校品牌

模式 B：学者单核

代表：Kellogg AI Strategies（Mohan Sawhney 一人主讲 8 模块）、Wharton AI for Business（Kartik Hosanagar 一人）、Oxford AI Programme（Oxford faculty 集合但无单一主角）
优势：一致的世界观 + 强人设
缺点：教授个人疲劳 + 视角单一
客单价支撑：教授个人 IP

模式 C：学者 + 业界明星嘉宾

代表：Wharton Leading an AI-Powered Future（Reid Hoffman 站台 + 5 位 Wharton 教授）、Berkeley AI Business Strategies（Sameer Srivastava + Thomas Lee + Pieter Abbeel 业界 + 学术兼具）、LBS Building an AI Business（Dr. Toby Velte 业界 PhD）
优势：嘉宾光环 + 学者深度
缺点：嘉宾出场少、不持续
客单价支撑：明星嘉宾的"曝光价值"

模式 D：学者 + 大企业实战派 CDO / CDAO

代表：CMU CDAIO（19 模块由 Doug Laney + Inderpal Bhandari + JoAnn Stonier + Mario Faria + Krishna Cheriath 等业界 CDO 主讲，配 CMU 学者）、Columbia AI for Business & Finance（5 教授 + 25+ 业界 leader 来自 OpenAI / Google / BlackRock）、HKU ICB PgDip（HKU 教授 + 微软 / 西门子 / IBM / SAP / 华为 / 阿里高管）、Maven 平台（全部由现役 head/VP of AI 主讲）
优势：内容是"做出来的"不是"研究出来的"
缺点：业界人时间不可控
客单价支撑：业界人本身是"学员想成为的人"

4.2 用户项目最应该采用的模式

按用户的优先级（市场吸引力 > 学习者痛点 > 学术合规），模式 D（学者 + 业界实战派 CDO）是最匹配的。理由：

"前 10% 高管"的身份认同：学员要的不是被学者教，是和"已经做到自己想做到的人"一起学。Maven 在 PM 圈的统治力来自此。
5 项能力里的实战部分：判断、杠杆、品味、叙事——纯学者讲不出来，必须是现役 practitioner。
学术深度的资格线：每门课配一个学术 supervisor 即可（保证不水），不需要学者全明星。
价格定位：业界明星的稀缺性 + 学者背书的合法性 = 高客单价支撑。

4.3 师资设计的具体建议（基于市场最佳实践）

每门课 3 人组（参考 ESCP 6 模块 / 6 讲师 + CMU CDAIO 多讲师模型）：

主讲（业界 practitioner）：现役 / 近期离任的 head/VP of AI 级人物，决定内容与节奏
学术 supervisor：来自顶校的相关方向教授，保证学术诚信 + 上学位课程的合规性
教练 / 助教：处理学员个体问题，跟进 capstone

全程不变的 4 类角色（参考 NUS AI for Senior Executives 的 success coach 模型）：

项目学术 chair（1 人）：整体学术负责人，签证书
项目业界 patron（1 人）：行业明星，做品牌门面（参考 Scott Galloway 在 Section 的角色）
success coach（每 8 学员配 1 个）：跨课跟进学员个人发展
客座大师（每年 5-10 位）：跨课讲座，给身份感（Reid Hoffman / Andrej Karpathy / Andrew Ng 这一档）

4.4 师资名单的市场可触达性分析

按用户的 5 项能力 + fully online + 高管定位，理想师资池的市场可触达性：

能力	理想师资特征	可触达性
判断力	战略家 + 复杂系统专家（如 Karpathy、Ben Thompson、Tyler Cowen 风格）	中等——这类人多数已是 KOL，价格高
杠杆设计	已经用 AI 单人做出过有影响力产品的人（如 Pieter Levels、Lenny Rachitsky）	高——这类人愿意教，能给课程 brand
品味	编辑 / 设计 / 产品出身的资深 practitioner（如 Ben Thompson、Frank Chimero、John Maeda）	中等——需要愿意做长线教学
叙事力	知名作者 / 内容创作者（如 David Perell、Wes Kao、Mary Pilon）	高——Maven 等平台已证明可行
元学习	学习科学专家 + 长期高产创作者（如 Cal Newport、Tiago Forte）	中等——需要愿意做高管定制

用户项目的招师策略建议：

第一届核心师资：找 3-4 位你自己人脉里能直接请到的 head/VP 级业界人物 + 2-3 位你能背书的学术人物。不要追求"全明星"——一届师资全顶尖会让后续无法可持续。
客座大师：每年请 1-2 位全球级别明星（Karpathy 出场费约 $100K-200K / 半天，预算需在客单价里覆盖）做品牌点缀
success coach：从过往学员里挖（第二届开始可行），从有教育背景的退休高管里挖

4.5 师资构成 vs. 总成本的拆解

按以下假设拆解师资成本（用于价格定位）：

15 门课 × 3 人组：~45 个 instructor 角色 × $20-50K = $900K - $2.25M / 一届
项目 chair + patron + 客座大师：~$300-500K / 年
8 个 success coach × $50K = $400K / 年
平台 / 运营 / 营销：~$500K / 年

合计：~$2.1M - 3.6M / 一届 30 人，每人 $70K-$120K 成本

这与"$50K-100K 客单价 × 30 人 = $1.5-3M 收入"的口径基本匹配（首届可能赔本，二届起赚）。

---

发现 5：价格、招生、规模的市场锚点

5.1 价格分层的市场实证

把 35+ 项目按"价格 / 总学时"做散点，呈现 5 个稳定簇：

价格段	总学时	典型项目	客群
$500-1,500	5-50h	Wharton AI for Business、Section AI、INSEAD Transforming、Maven 单课（如 Wes Kao $850）	普通管理者入门
$2,000-5,000	30-200h	MIT Sloan、Kellogg、Columbia 8a、ESCP、Oxford AI Programme、NUS、Maven AI Evals $5,000	高级管理者深耕
$5,000-15,000	100-300h	Oxford AI-Driven $8,852、Singularity U $15,900 / 5 天、CMU LEAAID $4,250	高管短期 immersion
$15,000-40,000	200-1,000h	CMU CDAIO $17,850、Stanford GSB $17,500、Oxford Diploma £34,310、Aston Online DBA £39,000	高管深度项目 / 部分学位
$40,000-100,000+	1,000h+	Capella DBA、IE DBA、Cranfield DBA、Henley DBA £73,000、各家 EMBA / DBA	学位级

用户项目的合理价格区间：

按总学时 1,200-1,800h 倒推：

下限：参考 Aston Online DBA（£39,000 = ~$48,000），保守起点
中位：参考 Capella DBA（$45-55K）+ 项目独特性溢价 = $60-80K
上限：参考 Oxford Diploma 单点学位（£34,310 ≈ $43K）+ 学位级 + 学时 1.5 倍 + 高管溢价 = $90-110K

最终建议：首届 $60K，二届起 $80K，三届以后 $100K。理由：

首届有"创业者团队 + 风险"，价格不能太硬
二届起品牌建立，价格可硬
客单价决定能不能筛掉"年薪 100 万以下"的学员

5.2 招生筛选的市场实证

学位级项目的招生标准呈现明显梯度：

最低标准（市场底层）：

本科以上学位（IE DBA、Henley DBA、Aston Online DBA）
5+ 年工作经验（HKU ICB、Henley、Aston）

中等标准（市场主流）：

本科 upper-second 以上 + 5 年高管经验（Oxford Executive Diploma）
8-10 年工作经验 + 担任战略 / 转型负责人（Berkeley AI & Digital Strategy）
10+ 年工作经验、过去 5 年担任 leadership（IESE Focused Programs）

最严标准（市场顶端）：

15 年 senior leadership 经验、约 20 国 / 15 行业（IESE Driving Impact）
≥7 年项目 / 人员管理经验 + 申请录取制（CMU CDAIO）

用户项目建议：

第一届：邀请制 + 5+ 年高管经验 + 案例审查（不公开招生，全部 6-12 个学员靠邀请）
第二届起：公开招生 + 申请审核 + 60%+ 拒绝率（这是身份信号的核心）
申请要求：5-10 年管理经验 + AI 已在使用 + 推荐信 + 命题作文 + 1 对 1 面试

5.3 规模锚点：cohort 大小的市场实证

极小（≤ 10 人）：focal Residency Winter 2026（10 startups, <1% 录取）、Maven 部分高端课
小（10-30 人）：CMU CDAIO（约 30 人）、IESE Focused（约 30 人）、Oxford Diploma（约 25-30 人）
中（30-100 人）：Berkeley AI & Digital Strategy（约 50-80 人）、HKU ICB PgDip（约 50 人）、Singularity U Executive Program（120 人）
大（100-700 人）：Maven AI Evals（700+ 来自 300+ 公司）、Reforge 单次 cohort（200-400）
超大（10,000+）：Build Club（10,000+ builders）、Section AI（数千会员）

关键数据：Maven 实证 200-700 人 Slack 是单 cohort 上限，Reforge 200-400 已经"开始拥挤"。学位级项目通常 30 人以下。

用户项目建议：

首届 6-12 人（"创业者磨产品"的真实规模）
二届起 20-30 人（学位级标配 + 仍能维持小社群感）
不要超过 40 人（超过会失去"前 10%"的稀缺感）

5.4 价格 - 学时 - 规模的三角约束

按用户的 5 项能力 + 学位级 + fully online + 高管定位，可推导出的"价格 - 学时 - 规模"稳定区间：

价格 $60-100K × 学员 25-30 人 = 单届收入 $1.5-3M
师资 / 运营成本（见 4.5）= ~$2.1-3.6M
首届预期赔本 $0.6-1.6M（这是品牌投资）
二届起，规模 + 价格双拉：30 人 × $80K = $2.4M 收入 - $2.5M 成本 = 平
三届稳定盈利：30 人 × $100K = $3M - $2.5M 成本 = $0.5M 利润

这是市场实证范围内的合理财务路径——参考 Section、Reforge、Maven 头部课程的盈利模型。

---

发现 6：用户项目的五个结构性差异化空间

基于发现 1-5 的市场扫描，可识别出用户项目相对于全球同类的五个结构性差异化空间——这些都是市场上没人做或没人做好的位置，对应用户项目的潜在卖点。

6.1 差异化空间 #1：5 项能力的命名权

市场现状：35+ 项目里没有任何一个把"判断 / 杠杆 / 品味 / 叙事 / 元学习"作为显性课程标签。

最接近的对应：

判断力 → Kellogg 的 "AI Canvas 2.0" + ESCP 的"value creation"
杠杆设计 → CMU Heinz 的"Leading Agentic AI" + Hamel Evals 的"AI engineering"
品味 / 叙事 / 元学习 → 完全空白

用户的差异化机会：把这 5 个词做成项目的核心 IP——在所有招生页面、课程描述、社交内容里反复出现，做成"AI 时代核心竞争力"的代名词。Section 的 Scott Galloway 用"strategy / brand / leadership"做到了这件事，证明这种"语言权"是可建立的。

风险：5 个词目前的市场认知度低，需要至少 12-18 个月的内容投入（newsletter + 长文 + 演讲 + 学员案例）才能建立。

6.2 差异化空间 #2：反向课程排序

市场现状：35+ 项目几乎 100% 是"先技术后商业"排序。

用户的差异化机会：先判断 / 品味 / 叙事 → 后技术。具体可设计为：

Pillar 1（站位）：建立世界观 + 个人定位（前 3 门）
Pillar 2（判断）：在 AI 输出过载时识别值得做的（中间 4 门）
Pillar 3（杠杆）：把判断变成可放大的系统（中间 4 门）
Pillar 4（作品）：品味 + 叙事 + 元学习的整合输出（最后 4 门）

这种排序的反直觉性本身就是营销点——"市场上所有人都先教技术，我们先教判断"是一个有传播性的故事。

风险：学员可能在前几周觉得"为什么不直接学 AI"，需要强叙事支撑。

6.3 差异化空间 #3：公开作品集模式

市场现状：35+ 项目里没有任何一个把 capstone 设计成"对外发布的真作品"。

用户的差异化机会：

每门课（8 周）必须产出 1 件作品
15 件作品必须满足"对外可见性"标准（发布在 LinkedIn / 公众号 / 博客 / 真上线产品）
毕业 = portfolio 完整 + 公开 demo day + 行业评审
这是博士项目唯一可见的资产，也是招生最大的素材源（上一届学员的作品 = 下一届的招生页面）

操作上的挑战：

部分学员公司的合规 / 商密要求会限制公开发布——需要设计"匿名化"或"基于公开数据"的替代路径
部分行业（医疗 / 金融）天然受限——招生时要明示
需要设计"公开发布"的辅助基础设施（学员发布平台 / 编辑助手 / 反馈系统）

这是用户项目最大的差异化空间——做成之后，外人会说"那个项目就是要让学员对外做出真东西的"。

6.4 差异化空间 #4：学者 + 现役 Head/VP of AI 师资结构

市场现状：MIT / Stanford 是纯学者；Kellogg / Wharton 是学者单核 + 明星客座；CMU CDAIO 是学者 + 大企业 CDO（最深）；Maven 是纯业界但不是学位级。

用户的差异化机会：每门课 = 学术 supervisor + 业界主讲 + 教练 3 人组，全部 15 门都用这个结构。这意味着：

学位的合法性靠学术 supervisor 保证（不水的资格线）
内容的鲜活度靠业界主讲（已经做出过有影响力的 AI 业务的人）
学员的个体反馈靠教练（每 8 人配 1 个 coach）

市场上最接近的对手：CMU CDAIO 是部分采用（19 模块里业界占 ~10 个），但学时只有 ~500h；Maven 单课是纯业界但没有学位。

用户项目用全程 1,200-1,800h × 学者 + 业界双轨，是市场上没人做的组合。

6.5 差异化空间 #5：fully online + 学位级的卡位

市场现状：fully online + 学位级 + AI 主题 + 高管定位四要素同时满足的项目不存在。

最接近的对手：

Aston Online DBA：fully online + 学位级 + 但不专攻 AI，是通用 DBA
HKU ICB AI PgDip：AI + 学位级 + 高管定位，但不是 fully online（周末非全日）
Oxford Executive Diploma AI：AI + 学位级 + 高管定位，但4 次牛津集中，不是 fully online
Capella DBA：fully online + 学位级 + 但不专攻 AI

用户项目的卡位：填上四要素同时满足的空白。这是个全球性的市场空白，不局限于大中华区——欧洲 / 北美 / 东南亚 / 中东高管都没有可去处。

风险：fully online 在欧洲市场可能会被"档次低"质疑——参考 Oxford Diploma 必须有 4 次牛津集中才能维持高端感。用户项目需要明确"为什么没有线下集中"的叙事——例如"我们筛的是真正能 100% 自己驱动学习的高管，需要被压到酒店里才能学的人不是我们的客户"。

6.6 五个差异化空间的合力

把以上 5 个差异化空间叠加，用户项目的市场定位可凝练为一句话：

> "全球第一个 fully online、学位级、对外发布作品的、为已经在前 10% 的人设计的 AI 时代专业博士。"

这句话每一个限定词都对应一个市场空白：

"全球第一个" = 真空白（差异化空间 #5）
"fully online" = 灵活性 + 反 elitism 信号（差异化空间 #5）
"学位级" = 不是证书班（合规要求）
"对外发布作品" = portfolio 模式（差异化空间 #3）
"已经在前 10%" = 不是入门项目（高门槛筛选）
"AI 时代专业博士" = 命名权（差异化空间 #1）

对 v2 课程设计的直接含义：每一门课的设计都必须能支撑这句话——课程的内容、节奏、作业、师资、评估，都要回答"这门课如何让前 10% 的高管走向 1%"，而不是"如何讲清楚 AI"。

---

发现 7：用户 5 项能力 vs. 全球 10 个主流框架的对照

调研覆盖 10 个主流 AI 能力 / 技能框架，跨国际组织、咨询公司、学术专著、企业内部模型四类，对照用户提出的 5 项核心能力，得出以下结论。

7.1 大对比表：5 项能力 × 10 个主流框架

用户能力	WEF Future of Jobs 2025	UNESCO AI Comp 2024	OECD AI Capability 2025	Anthropic 4D Fluency	Karpathy Software 3.0	Mollick Co-Intelligence	Accenture Fusion Skills	Agrawal/Gans/Goldfarb	McKinsey/BCG	Long-Magerko
判断力	Analytical thinking #1	Human-centred mindset + Ethics（顶层 4 域中 2 个）	Metacognition and critical thinking（9 域之一，精确）	Discernment（25% 权重）	显式："judgment, taste, oversight"	Be the Human in the Loop	Judgment Integration（3 子之一）	学术上最强："prediction machines don't provide judgment"	"human-AI collab as core competency"	"critically evaluate AI"
杠杆设计	无独立条目	AI system design 部分	间接	Delegation（25% 权重）	Autonomy slider + partial autonomy	Centaur vs Cyborg	整套核心：Fusion Skills	Turing Trap（augmentation 是核心）	强：10-20-70 规则 + agentic AI 17%→29%	"use AI as a tool"
品味	无对应	无对应	"Creativity"（≠ taste）	无	显式："taste" + "curators, editors, orchestrators"	显式："advantage moves to taste + judgment + test loops"	无	无	无	无
叙事力	子集，埋在 Communication（storytelling、persuasion）	无	"Language" + "Social interaction"（偏 AI 测量）	无	隐含	无	无	无	无显式	无
元学习	强："Curiosity and lifelong learning"（#8 核心 + #6 上升）	教师框架："AI for professional learning"	强："Metacognition"（9 域之一）	隐含在 Diligence + Description	隐含前提	"Assume This Is the Worst AI" 隐含	Reciprocal Apprenticing	无	reskilling 主题	无

7.2 三层结论

第一层：3 项是全球共识（判断 / 杠杆 / 元学习）

判断力被 WEF / OECD / UNESCO / Anthropic / Karpathy / Mollick / Accenture / Agrawal 8 家主流框架明确列为核心
杠杆设计（Augmentation / Human-AI collaboration）被 McKinsey / BCG / Brynjolfsson / Mollick / Karpathy / Anthropic / Accenture / Gartner 8 家列为核心
元学习被 WEF（核心 #8 + 上升 #6）/ OECD / McKinsey / BCG / Microsoft 明确

这 3 项有强 academic + 政府 + 业界三方背书，学位申请审核 / 监管 / 行业认证场景下都站得住。

第二层：2 项是用户独有视角（品味 / 叙事力）

品味只出现在 Karpathy、Mollick、Paul Graham、Wes Kao 等 essayist / practitioner 圈，没有任何主流学术 / 政府 / 咨询框架把它独立化
叙事力被 WEF 埋在 "Communication" 子项里，没有任何框架把它列为顶层能力

这 2 项是用户最大的差异化空间，但同时是最大的论证负担——在学位级答辩、监管审核、Board-level 沟通场景下，没有 academic 背书需要自己造。

第三层：3 项漏项是主流强调但用户未列

漏项	强调它的框架数	用户当前处理	建议
Ethics / Responsible AI	6 家（UNESCO 顶层、Anthropic Diligence、OECD ethical judgment、Long-Magerko、Suleyman 整本书、McKinsey 13% 公司聘 ethicist）	压进判断力，权重不足	必须显式纳入——重命名为"判断力 + 伦理判断"或单设第 6 项
Data Fluency	5 家（OECD 隐含、DigComp 2.2 核心 5 域之一、Long-Magerko 17 项中 4 项、McKinsey、AILit）	未覆盖	作为"元学习"或"判断力"的基础设施层显式纳入
AI Risk & Governance	4 家（Suleyman 三层 containment、UNESCO Ethics、EU AI Act、McKinsey 13% AI compliance）	未覆盖	设独立必修课——对前 10% 高管 / 创业者，这是 board-level 直接关切

7.3 5 项能力的内部关系（重要建议）

证据指向 5 项不是扁平排列，存在结构。建议用以下图谱替代扁平列表：

判断力 = 底座（决定其他 4 项方向）
元学习 = 元能力（决定其他 4 项进化速度）
杠杆设计 = 放大器（把判断转化为产出）
品味 = 过滤器（决定输出质量）
叙事力 = 传播器（决定输出影响范围）

这个结构图谱比扁平 5 项更有说服力，也直接对应每门课的功能定位：

判断力的底座地位 → 应放在课程序列最前（参考用户已认可的反向排序）
元学习作为元能力 → 应贯穿全程，每门课最后一周强制反思"学习方式认知改变"
杠杆 / 品味 / 叙事 → 中段课程的主战场

7.4 关键引述（用于项目对外材料的学术背书）

以下是最强 academic 引述，可直接用在招生页面 / 学术答辩 / 监管材料里：

判断力： > "When the cost of prediction goes down, the complements to prediction, the things that we use along with prediction, the value of those things goes up... Prediction machines don't provide judgment." > —— Agrawal / Gans / Goldfarb, Prediction Machines (HBR Press)

杠杆设计： > "When AI augments human capabilities, enabling people to do things they never could before, then humans and machines are complements... substitution technologies may capture the imagination and headlines, but they often lead to labor displacement." > —— Erik Brynjolfsson, "The Turing Trap" (Daedalus 2022)

品味： > "The value shifts upward: from syntax and implementation toward judgment, taste, and oversight... Best AI builders in 2025 are not just engineers; they're curators, editors, and orchestrators." > —— Andrej Karpathy, "Software 3.0" (Sequoia / YC AI Startup School talk, 2025)

叙事力： > "70% of executives believe storytelling is a super skill in the AI era." > —— Entrepreneur, "Why Storytelling May Be the Most Important and Most Undervalued Leadership Skill" (2024)

元学习： > "AI tools make new employees as productive as those with 6 months of experience... AI propagates best practices from high performers to everyone else." > —— Brynjolfsson, "Generative AI at Work" (NBER WP 31161 / QJE 2025)

Ethics（建议纳入）： > "Prompting lives inside Description — one quarter of one of four core skills, making prompt engineering roughly one quarter of one of four core competencies, with the other 75% being choosing the right work, judging the output, and deploying AI responsibly." > —— Anthropic + Ringling/UCC, AI Fluency Framework

7.5 对 v2 课程设计的具体含义

5 项保留作为对外口径（市场吸引力优先），但内部设计时按"3 共识 + 2 独有"的结构思考——共识部分招生时谈学术；独有部分招生时谈品牌
必须补 1 门 AI 治理 / 风险课（对应漏项 #3，必修）
Ethics 显式合并进"判断力"或"品味" —— 不能只是隐含
Data Fluency 作为元学习的基础设施层显式纳入（对应漏项 #2）
结构图谱（底座 / 元能力 / 放大器 / 过滤器 / 传播器）是项目主叙事的核心

---

发现 8：fully online + 8 周 + 每周 10-15h 教学法的实证基础

调研涵盖成人学习理论（Knowles、Kolb、Mezirow）、在线学习骨架（Garrison Community of Inquiry）、课程设计标准（Quality Matters）、cohort-based course 实证（Maven、altMBA、Reforge、Emeritus、GetSmarter）。

8.1 三大成人学习理论的实操含义

Knowles 安德拉戈吉（Andragogy）6 原则对用户项目的直接含义：

Need to Know（WIIFM）：每门课开课第一周必须有显式的"对我有什么用"连接到学员真实业务问题。不能纯学科顺序教学。
Self-Concept：学员需要自我导向，不接受被动灌输——预读 + 视频可异步，但讨论必须同步且学员主导。
Experience：学员的经验是学习活动的基础——cohort 内同伴互评比教师单评价值更高。
Readiness to Learn：眼前问题驱动——每门课的项目必须是学员当下业务的真实 case，不是 dummy 作业。
Orientation to Learning：problem-focused，不是 subject-focused——课程结构按问题组织，不按学科组织。
Motivation：内部动机为主——用 cohort 同伴的可见度 + 公开作品压力，而非测验和分数。

Kolb Experiential Learning Cycle的 4 阶段要求每周课程包含完整循环：

Concrete Experience（做）→
Reflective Observation（反思）→
Abstract Conceptualization（抽象化、得模型）→
Active Experimentation（再做、再试）

含义：每周必须有"做—反思—抽象—再做"完整闭环，不能只有"读 + 看 + 讨论"3 段。这是 fully online 课程完成率最关键的设计要素。

Mezirow 转化学习理论的"扰动"概念：

> "Transformative learning requires the acquisition of information that upsets prior knowledge and triggers a changing of ideas and perceptions."

对用户项目的含义：AI 对前 10% 高管来说不只是新工具，是 frame of reference 的扰动。每门课需要至少 1 次有意识的"扰动"事件——例如"用 AI 重做你过去最得意的项目，写下你看到的盲点"。

8.2 Community of Inquiry：fully online 公认骨架

Garrison 等（2000）被引 2800+ 的框架。三种 presence 缺一不可：

Social Presence——能不能识别 cohort 为自己的圈子，建立人际关系
Teaching Presence——教学设计 / facilitation / direction
Cognitive Presence——通过持续反思和对话建构意义

关键警示：fully online 完成率的最大变量是 Social Presence，不是 Cognitive。MOOC 失败的根本原因是只有 Cognitive 而没有 Social。

对设计的含义：

每周设计活动时，每种 presence 都要有对应的具体动作
Social Presence 不能依赖学员"自发交流"，必须强制结构化（互评 rubric、cohort 公开作品、同期入学）

8.3 关键完成率数据

学习形式	完成率	来源
传统 MOOC	3-15%	LearnStream / Coursera 行业数据
Coursera 专项 / 认证	~40%	Coursera
Cohort-based course（Maven / altMBA）	~75%	Maven 公布数据 + MIT 研究

5-10× 的完成率差距是这套教学法的核心商业价值。决定因素是：

Cohort 同期入学（不是 rolling enrollment）—— altMBA / Maven / Emeritus / Columbia EdD 都用同步入学
每周固定的实时同步元素（90 min 直播）—— Garrison CoI Social Presence 的命脉
每门课 1 个真实项目（学员当下业务作 case）—— Knowles + Kolb 双重要求
每周结构化反思写作公开给 cohort—— Mezirow + Kolb + CoI 三重叠加
强制同伴互评 + Performance Coach——学员价值高 27%

8.4 推荐每周时间分配（基于实证）

综合 Knowles + Kolb + Mezirow + CoI + Quality Matters + CBC 实证：

活动	时间	占比	对应理论
读 + 看（异步精读 + 视频）	2-3h	~20%	Cognitive Presence；Knowles "experience as resource"
讨论（同步直播 cohort 课）	1.5h	~13%	Teaching + Social Presence
做（真实项目实操）	5-6h	~50%	Kolb "Active Experimentation"；Mezirow "扰动"
互评（结构化同伴评议）	1h	~9%	Social Presence；Mezirow
写（反思写作）	1h	~9%	Kolb "Reflective Observation"
总计	10.5-12.5h	100%	留 buffer 给高管不可控日程

核心原则："做"占 50% 时间，是 fully online 高管课与传统课堂的最大差别。读 / 看是辅助，做 + 互评 + 写才是 Mezirow 转化学习的触发点。

8.5 必做与必避（基于证据）

必做（按证据强度排序）：

Cohort 同期入学（不是 rolling enrollment）—— 5-10× 完成率差距的核心驱动
每周固定 90 min 同步元素 —— Social Presence 的命脉
每门课 1 个真实项目（学员当下业务）—— Knowles + Kolb 双重要求
每周结构化反思写作公开给 cohort —— Mezirow + Kolb + CoI
强制同伴互评 + Performance Coach —— 学员价值高 27%
行业实操者作 instructor of record —— 高管对纯学术容忍度低
课程开始前所有 reading + 项目部署就绪 —— QM 标准
精读 1-2 篇 / 周（不堆资源）—— 高管会跳过，不如强制写感想

必避：

录播 + 论坛式旧型 MOOC —— 完成率回到 5-15%
堆资源（5+ 篇 reading/周）—— 高管会跳过
Dummy 作业 / 多选题考试 —— 触发不了 Mezirow 转化
教师单评（不是同伴互评）—— 浪费 cohort 价值
Rolling enrollment —— 无法形成 cohort
Synchronous 时长 > 2h/周 —— 高管日程不可控
学科顺序教学（不连接真实问题）—— 违反 Knowles "problem-centered"

8.6 对每门课 8 周内部节奏的设计

基于以上原则，每门课 8 周的推荐节奏：

Week 1：Need-to-Know + WIIFM 强连接 + 项目主题确定（每个学员锁定自己的真实业务 case）
Week 2-3：核心概念精读 + 第 1 次同步课 + 第 1 次反思写作
Week 4：第 1 次中期 deliverable + 同伴互评 + Mezirow 扰动事件
Week 5-6：项目深入 + 第 2 次同步课 + 困难诊断
Week 7：第 2 次中期 deliverable + 公开评议
Week 8：最终 deliverable + 学员路演 + 反思总结 + 元学习记录（"我对自己学习方式的认知改变"）

这套节奏可直接套用到 15 门课中的每一门，与 Pillar 大结构（站位 / 判断 / 杠杆 / 作品）独立运行。

---

综合洞察

洞察 1：市场真空地带的三角定位

把发现 1（35+ 项目 benchmark）+ 发现 7（10 个框架对照）+ 发现 8（教学法实证）三方对照，可识别出 fully online + 学位级 + AI 主题 + 高管定位 + 1,200-1,800h 体量五要素同时满足者不存在。

最接近的对手只满足其中 3-4 项：

Aston Online DBA：fully online + 学位级 + 体量足够，但不专攻 AI，是通用 DBA
HKU ICB AI PgDip：AI + 学位级 + 高管定位，但不是 fully online（周末非全日）
Oxford Executive Diploma AI：AI + 学位级 + 高管定位，但4 次牛津集中，不是 fully online
CMU Heinz CDAIO：AI + 高管 + 体量足够，但不是学位，是证书
Capella DBA：fully online + 学位级 + 体量足够，但不专攻 AI

用户项目落在五要素中的全空地——这是一个真实的、可证明的市场真空。

洞察 2：5 项核心能力的"三共识 + 两独有 + 三漏项"诚实结构

用户提出的 5 项能力（判断 / 杠杆 / 品味 / 叙事 / 元学习）在全球 10 个主流框架中的分布：

判断力、杠杆设计、元学习——3 项强共识，academic + 政府 + 业界三方背书
品味、叙事力——2 项独有视角，只有 essayist / practitioner 圈支撑
Ethics、Data Fluency、AI Risk——3 项主流强调但用户漏列

结论：用户的 5 项设定既有市场差异化（独有 2 项），又有学术诚信缺口（漏 3 项）。最佳策略是：

对外营销保留 5 项原名（市场吸引力 #1）
内部课程设计补 3 漏项（学术合规 #3）
漏项分别融入：Ethics → 判断力 / 品味；Data Fluency → 元学习基础设施；AI Risk → 单设 1 门必修课

洞察 3：反向课程排序是用户项目的最大学术创新

全球 35+ 项目 100% 采用"先技术后商业"排序。这个排序对"不熟 AI 的高管"是合理的，但对"已经在前 10% 的高管"是错配的。

用户项目反向排序（判断 → 杠杆 → 技术 → 作品）的理论依据：

Agrawal-Gans-Goldfarb：判断力是 AI 经济中的稀缺互补品
Karpathy Software 3.0："value shifts upward: from syntax to judgment"
Mollick Co-Intelligence："advantage moves to taste + judgment + test loops"
Knowles Andragogy：problem-centered orientation 优于 subject-centered

把这些理论组合成项目主叙事，反向排序就从"反直觉"变成"academically defensible"——这是项目对外学术化营销的核心抓手。

洞察 4：公开作品集是"博士项目"的最关键资产

调研覆盖的 35+ 项目里：

形态 1（无 capstone）：30% 项目
形态 2（个人 plan / Memo，私下提交）：40% 项目
形态 3（技术 portfolio）：15% 项目
形态 4（真实组织 roadmap + 1:1 导师）：5% 项目（CMU CDAIO、Berkeley 5a）
形态 5（学位级 portfolio / 论文 / 答辩，私下评审）：10% 项目（Oxford Diploma、Capella、Aston 等）

没有任何一个项目把 capstone 设计成"对外发布的真作品"。

用户项目如果做到"每门课 1 件公开作品 + 15 件合成毕业 portfolio + 公开 demo day + 行业评审"，会同时拿下：

市场吸引力：上一届学员的真作品是下一届最强招生素材
学习者痛点：高管最在意的是"我能拿出来什么"，不是"我学了什么"
学术合规：portfolio 评估天然防水（公开可查）
品牌：项目的标志性输出就是"那个会让你做出真东西的项目"

这是项目设计中 ROI 最高的单一决策。

洞察 5：fully online 的劣势可以被结构性弥补

fully online 在高端市场（高管 / 学位级）天然有"档次低"的偏见——参考 Oxford Diploma 必须 4 次牛津集中、Berkeley 5a 必须 5 天校园 immersion。

但用户项目可以用以下 6 个结构性设计弥补：

极高的入学拒绝率（60%+）——身份信号
强制 cohort 同步——同班 25-30 人共同体
公开发布作品——所有产出对外可见
客座大师定期出场（Karpathy / Mollick 级别）——明星效应
每年 1-2 次自费可选线下集会——给身份感留实体出口
毕业典礼公开 demo day + 行业评审——仪式感

这 6 项叠加后，fully online 不再是"档次问题"，而是变成"为真正能 100% 自驱的高管设计"的卖点——把劣势翻转成筛选标准。

洞察 6：师资构成的"学者 supervisor + 业界主讲 + 教练"三轨是市场未填的位置

调研的 35+ 项目里，师资构成最多见的是：

学者全明星（MIT、Stanford）—— 缺业界
学者单核（Kellogg、Wharton）—— 缺多元
学者 + 业界明星嘉宾（Reid Hoffman 站台型）—— 缺持续
学者 + 大企业 CDO 混合（CMU CDAIO）—— 接近，但不是学位

用户项目用"每门课 = 学术 supervisor（合规）+ 业界主讲（吸引力）+ 教练（个体反馈）"三轨结构，是市场上没人系统采用过的组合。这套设计：

学位的合法性靠学术 supervisor（学术合规 #3）
内容的鲜活度靠业界主讲（市场吸引力 #1）
学员的个体反馈靠教练（学习者痛点 #2）

三轨分工正好对应用户项目的优先级排序——这是结构与战略的高度匹配。

洞察 7：项目财务模型的市场实证可行

按发现 5 推导：

单届 30 人 × 客单价 $50K-100K = $1.5-3M 收入
总成本 ~$2.1-3.6M（师资 + 运营 + 营销）
首届预期赔本（品牌投资），二届起平，三届稳定盈利

这与 Section、Reforge、Maven 头部课程已经走通的盈利模型一致。项目的财务可行性有市场实证支撑，不是空中楼阁。

但有一个关键变量：第一届的明星学员必须有 6-8 个真名能挂出来——这是品牌冷启动的核心，比首届利润更重要。

---

局限与告诫

调研本身的局限

大中华区项目透明度低——CEIBS DBA、CKGSB DBA、清华经管 EMBA "数字管理"方向、上交 AI MBA 的逐门课清单未公开。本报告所述大中华区项目结构停留在模块层级，深入到课时级需要内部访谈或购买招生材料。

Stanford GSB / ESADE / Oxford Saïd 部分官网持续 403——相关字段已通过第三方页（DigitalDefynd、GetSmarter、educations.com、studocu 等）交叉补足，但学术诚信级别低于一手来源。

学员评价深度不足——Reddit / Quora 上对所有 AI 高管项目讨论度都偏低，这本身是个信号：目标客群（前 10% 高管）可能不在公开社区表态。中文公众号 / 知乎多为机构投放。一手学员评价需要通过 LinkedIn 私信 / 校友访谈补充。

价格信息有年度漂移——本报告以 2024-2026 年公开数据为准，年度涨幅 10%+ 是常态，特别是 EMBA / DBA 类项目。

完成率数据不完全独立——Maven 公布的 ~75% 完成率是公司数据，独立第三方学术研究较少。保守估计应为 60-70%。

EU AILit Framework 仍是 review draft（2025 年 5 月版），最终版可能调整。项目启动后建议跟踪 2026 后续。

用户项目设计中的结构性风险

fully online + 学位级 + 高管定位三要素同时满足在欧洲 / 美国市场可能被"档次低"质疑。需要靠极高拒绝率 + 公开作品 + 明星客座组合反击，且至少需要 18-24 个月的品牌积累期才能扭转认知。

品味、叙事力作为独立顶层能力没有 academic 背书——在 board-level 沟通、监管审核、学位答辩场景下，论证负担全在项目自己。需要在课程材料里建立一套自有的"品味 / 叙事力"理论体系，而不是依赖 Karpathy / Mollick 的片段引述。

Ethics / AI Risk 漏项如果不补，会被监管 / 行业认证 / 媒体批评——目前的舆论环境对 AI 项目的伦理审视极高。这不是可选项，是必须。

"前 10%" 学员定位意味着市场池子很小——全球同时具备 5+ 年高管经验 + 愿意付 $50-100K + 愿意 fully online 三个条件的潜在学员，估计每年不超过几百人。招生策略必须极度精准，传统数字营销难以触达。

第一届创业风险——首届 6-12 个学员需要"邀请"而非"招生"，意味着创始团队必须有强 1:1 关系网络。如果不具备，项目无法启动。

15 门课 × 1,200-1,800h 体量对学员的真实承诺——18-22 个月每周 10-15h，高管能不能坚持是个未经验证的问题。首届完成率可能低于市场平均。

大中华区项目质量天花板——如果项目落地中国 / 东南亚市场，需要应对"高管学位通货膨胀"问题（市场上"AI 博士""数字博士"已经泛滥）。差异化必须强到能跨越市场噪音。

报告未覆盖的关键问题

法律 / 学位认证：用户项目如果想发"专业博士"学位证书，需要哪个司法管辖区的资质？本报告未触及合规细节。
技术平台选择：fully online 的 LMS / 直播 / 社区平台对学员体验影响巨大，本报告未涉及。
招生渠道：用户明示"别管招生"，因此本报告未做渠道分析。
首届 6-8 个明星学员的具体画像：需要后续单独研究。

---

给 v2 课程设计的直接启示（核心交付物）

本节是报告的核心交付物——把所有发现 / 综合 / 局限收敛到对 v2 课程设计的具体决策。

决策 1：能力地图的最终结构（5 显性 + 3 隐性 + 1 元能力）

对外口径（招生页面 / 营销）：保留 5 项原名——判断力、杠杆设计、品味、叙事力、元学习

内部结构：

判断力（底座，包含：决策框架、AI 输出辨识、伦理判断、Data Fluency 基础）
杠杆设计（放大器，包含：工作流解构、Agent / Delegation、Prompting / Description、Task Decomposition）
品味（过滤器，包含：编辑视角、跨领域审美、生产 0 成本时代的筛选）
叙事力（传播器，包含：个人定位、内容创作、注意力市场）
元学习（元能力，贯穿全程，包含：学习系统设计、Data Fluency 持续更新、AI Tool 元能力）

单设第 6 门必修：AI 治理 / 风险（不并入任何一项）——对应漏项 #3

决策 2：15 门课的最终结构提案

基于发现 2（反向排序）+ 发现 7（5 项能力关系图谱）+ 发现 8（每周 10-15h 节奏），推荐结构：

Pillar 1：站位与世界观（3 门，第 1-6 个月）

AI 时代的世界观与个人定位（元学习地基 + 战略性自知）
AI 生态地图：技术、行业、资本、地缘（Data Fluency 基础）
AI 治理、风险与伦理（必修，对应漏项 #3）

Pillar 2：判断力（4 门，第 4-12 个月）

判断的结构：标准、取舍、决断
信号 vs. 噪声：AI 输出的辨识与事实核查
战略判断实战：从行业 case 反推自己的局
决策的伦理判断（Ethics 显式融入）

Pillar 3：杠杆设计（4 门，第 9-18 个月）

工作流解构与 Description / Prompting
Agent 与自动化系统架构（显式涵盖 agentic AI）
杠杆系统的搭建、运营与失败模式
人机协作的组织设计

Pillar 4：作品输出（3 门，第 15-22 个月）

品味的训练：跨领域识别"什么是好的"
编辑视角 + 叙事力：从生产者到筛选者到传播者
元学习与持续适应：构建你的未来 3 年学习系统

Pillar 5：毕业作品（1 门，第 20-22 个月）

毕业作品 Capstone：portfolio + 公开 demo day + 行业评审

总计 14 课 + 1 capstone = 15 门，对应 5 个 Pillar。

决策 3：每门课内部 8 周节奏

每门课固定使用以下 8 周节奏（参考发现 8.6）：

Week 1：WIIFM 强连接 + 项目主题确定
Week 2-3：核心精读 + 第 1 次同步课 + 第 1 次反思
Week 4：第 1 次中期 deliverable + 同伴互评 + Mezirow 扰动事件
Week 5-6：项目深入 + 第 2 次同步课 + 困难诊断
Week 7：第 2 次中期 deliverable + 公开评议
Week 8：最终 deliverable + 学员路演 + 反思总结 + 元学习记录

每周时间分配（10.5-12.5h）：读 + 看 20% / 讨论 13% / 做 50% / 互评 9% / 写 9%。

决策 4：评估与 Capstone 设计

每门课的评估（基于发现 3）：

课内中期 + 末期 2 件作品（结构化 rubric）
强制同伴互评（cohort 内 2 人组）
教师评分 + 行业评委评分（每门课至少 1 位外部行业评委）
每件作品必须满足"对外可见性"标准——发布到 LinkedIn / 公众号 / 博客 / 真上线产品

毕业 capstone（基于洞察 4）：

15 件中间作品合成 portfolio
公开 demo day（学员路演 + 行业评审 + 公开直播）
学员主题在 Pillar 2 末期确定，后续课程都围绕这个主题积累
评估三方：教师 + 同伴 + 行业评委

学位授予：

通过 15 门课 + portfolio 完整 + demo day 通过 = 学位
任一项不达标的补救路径必须明示（参考 Aston Online DBA 的"一次只做一件事"哲学）

决策 5：师资构成

每门课 3 人组：

业界主讲（instructor of record）：现役 / 近期离任的 head/VP of AI 级 practitioner
学术 supervisor：相关方向教授（不必是顶校全明星，要保证学术诚信）
教练：每 8 学员配 1 个，跨课跟进个体（success coach 模式）

全程不变的 4 角色：

项目学术 chair（1 人，签学位证书）
项目业界 patron（1 人，做品牌门面）
客座大师（每年 5-10 位，跨课讲座）
success coach 团队

关键招师策略：

第一届核心师资靠创始团队人脉
客座大师每年请 1-2 位全球级别明星（Karpathy / Mollick / Andrew Ng 级别）做品牌点缀
不追求"全明星师资"——会让后续不可持续

决策 6：cohort 规模与节奏

基于发现 5：

第一届：6-12 人邀请制（创业者磨产品阶段）
第二届起：25-30 人公开招生 + 60%+ 拒绝率
每年 1 次同期开班（不要 rolling enrollment）
15 门课 + capstone 总时长 18-22 个月
2-3 门课并行（每 Pillar 内并行）

决策 7：价格定位

基于发现 5.1：

首届：$60K（创业风险溢价）
二届起：$80K（品牌建立期）
三届以后：$100K（稳定盈利期）

价格随品牌建立逐步上抬，符合 Section / Reforge / Maven 头部课程的市场惯例。

决策 8：项目主叙事的对外定位

把以上 7 项决策合成一句话对外定位：

> "全球第一个 fully online、学位级、对外发布作品的、为已经在前 10% 的人设计的 AI 时代专业博士。"

这句话每个限定词都对应一个市场差异化空间（见发现 6.6），每个空间都有实证支撑。

决策 9：v2 课程提案的下一步工作

本报告完成后，v2 课程提案应该补充：

每门课的周级详细 syllabus（参考 ESCP AI for Business Certificate 的 6 模块明示讲师 + capstone 模型）
每门课的reading list（精读 2-4 篇 / 课程，不堆资源）
每门课的项目 brief（学员可选的 3-5 个真实业务 case 方向）
同步课的具体话题清单（每门课 4 次直播 × 90 min）
同伴互评的 rubric 模板（每门课统一）
公开发布的辅助基础设施（学员发布平台 / 编辑助手 / 反馈系统）
首届 6-12 个邀请学员的具体名单（创始团队私下完成）

这些是 v2 课程提案的实际工作量，不在本调研报告范围。

---

参考文献

A. 美国 AI 高管 / 专业教育项目

MIT xPRO Designing & Building AI Products and Services: https://executive-ed.xpro.mit.edu/designing-building-ai-products-services
DigitalDefynd MIT xPRO 评测: https://digitaldefynd.com/IQ/mit-xpro-designing-and-building-ai-products-and-services-review/
MIT Sloan AI: Implications for Business Strategy: https://executive.mit.edu/course/artificial-intelligence/a056g00000URaa3AAD.html
edX MIT Sloan AI listing: https://www.edx.org/executive-education/massachusetts-institute-of-technology-artificial-intelligence-implications-for-business-strategy
Stanford AI Professional Program: https://online.stanford.edu/programs/artificial-intelligence-professional-program
Stanford AI Professional Program FAQs: https://online.stanford.edu/artificial-intelligence-professional-program-faqs
Skeptric Stanford AI Professional 学员评测: https://www.skeptric.com/stanford-ai-professional/
Stanford GSB Harnessing AI for Breakthrough Innovation: https://www.gsb.stanford.edu/exec-ed/programs/harnessing-ai-breakthrough-innovation-strategic-impact
Stanford GSB AI-Powered Organization: https://www.gsb.stanford.edu/exec-ed/programs/ai-powered-organization
Stanford HAI Sierra Camp: https://hai.stanford.edu/education/stanford-sierra-camp
Berkeley Executive Program in AI & Digital Strategy: https://em-executive.berkeley.edu/ai-digital-strategy-program
Berkeley AI: Business Strategies & Applications: https://em-executive.berkeley.edu/artificial-intelligence-business-strategies
Wharton AI for Business: https://executiveeducation.wharton.upenn.edu/for-individuals/all-programs/ai-for-business/
Wharton Leading an AI-Powered Future: https://executiveeducation.wharton.upenn.edu/for-individuals/all-programs/leading-an-ai-powered-future/
Kellogg AI Strategies for Business Transformation: https://online.em.kellogg.northwestern.edu/ai-strategies-for-business-transformation-program
Adnan Masood 学员评测 (Kellogg AI Strategies): https://medium.com/@adnanmasood/from-ai-pilots-to-ai-operating-models-what-i-took-away-from-kelloggs-ai-strategies-for-business-677338f7188f
Kellogg AI Programs Portfolio: https://www.kellogg.northwestern.edu/executive-education/individual-programs/executive-programs/portfolio-ai-programs.aspx
Columbia AI for Business & Finance: https://execed.business.columbia.edu/programs/ai-business-finance
Wall Street Prep Columbia AI Cert review: https://www.wallstreetprep.com/knowledge/columbia-ai-certificate-program-review-is-the-finance-program-worth-it/
DigitalDefynd Columbia AI review: https://digitaldefynd.com/IQ/columbia-ai-for-business-finance-certificate-program-review/
Columbia The Business of AI: https://execed.business.columbia.edu/programs/business-ai
UCLA Anderson AI: https://www.anderson.ucla.edu/about/ai-anderson
UCLA Board Director Program: https://exec.anderson.ucla.edu/board-director-program
UCLA CHRO Program: https://exec.anderson.ucla.edu/chief-human-resources-officer-program
UCLA Extension ML/AI: https://www.uclaextension.edu/digital-technology/machine-learning-ai/courses
CMU Tepper Transformational AI & Business Strategy: https://www.cmu.edu/tepper/executive-education/individual-programs/transformational-ai
CMU Heinz CDAIO: https://www.heinz.cmu.edu/programs/executive-education/chief-data-ai-officer-certificate
CMU Heinz LEAAID: https://www.heinz.cmu.edu/programs/executive-education/leading-enterprise-agentic-artificial-intelligence-development-certificate-program
CMU Heinz NACD Director Oversight: https://www.heinz.cmu.edu/programs/executive-education/effective-ai-oversight-national-association-of-corporate-directors
Georgia Tech OMSA Curriculum: https://pe.gatech.edu/degrees/analytics/curriculum
Georgia Tech OMSCS ML Spec: https://omscs.gatech.edu/specialization-machine-learning
Georgia Tech OMSCS Cost: https://omscs.gatech.edu/cost-and-payment-schedule
Class Central Georgia Tech price news: https://www.classcentral.com/report/georgia-tech-omscs-cost-decrease/

B. 欧洲 AI 高管 / 专业教育项目

INSEAD Transforming Your Business with AI: https://www.insead.edu/executive-education/open-online-programmes/transform-business-ai/content
INSEAD AI for Business: https://www.insead.edu/executive-education/digital-transformation-ai/ai-business
INSEAD Leading AI and Digital Transformation: https://www.insead.edu/executive-education/digital-transformation-ai/leading-ai-and-digital-transformation/content
INSEAD AI for Boards: https://www.aibmag.com/executive-ai-courses/best-ai-courses-for-evaluation/best-ai-courses-for-executives-2026/
INSEAD Testimonials: https://www.insead.edu/executive-education/open-online-programmes/transform-business-ai/testimonials
IE Generative AI Unlocking Enterprise Value: https://www.ie.edu/lifelong-learning/programs/generative-ai-unlocking-enterprise-value/
IE AI-Powered Finance: https://www.ie.edu/lifelong-learning/programs/ai-powered-finance/program/
Poets&Quants IE MBA AI Award: https://poetsandquants.com/2025/11/16/2025-mba-best-in-class-award-for-artificial-intelligence-ie-business-school/
IESE AI for Executives: https://www.iese.edu/focused/artificial-intelligence/
IESE Driving Impact with AI & Technology: https://www.iese.edu/executive-education/driving-impact-ai-technology/
IESE Global Alumni Reunion 2024: https://www.iese.edu/stories/global-alumni-reunion-madrid-2024/
ESADE Programa Especialización IA: https://www.esade.edu/executive-education/es/programas-de-especializacion/programa-de-especializacion-en-inteligencia-artificial-empresarial
ESADE 西语短期课综览: https://www.gogradia.com/course/la-inteligencia-artificial-en-los-negocios-add76
ESCP AI for Business Certificate: https://escp.eu/programmes/open-programmes/artificial-intelligence-business-certificate
ESCP AI & Financial Innovation: https://escp.eu/programmes/open-programmes/financial-innovation-ai
Imperial Professional Cert in ML/AI: https://execed-online.imperial.ac.uk/professional-certificate-ml-ai
Oxford AI Programme: https://www.sbs.ox.ac.uk/programmes/executive-education/online-learning/oxford-artificial-intelligence-programme
Oxford AI Programme educations.com 价格: https://www.educations.com/institutions/sa%C3%AFd-business-school-university-of-oxford/oxford-artificial-intelligence-programme
Oxford AI-Driven Business Transformation: https://www.getsmarter.com/products/oxford-ai-driven-business-transformation-executive-programme
Oxford Exec Diploma in AI for Business（PDF / 课纲）: https://www.studocu.com/row/document/executive-diploma-in-ai-for-business-brochure/114997971
DataDriven Oxford AI Programme review: https://datadrivendaily.com/oxford-artificial-intelligence-programme-review/
LBS Analytics and AI: From Data Insights to Strategic Impact: https://www.london.edu/executive-education/digital-transformation-and-innovation/analytics-and-ai-from-data-insights-to-strategic-impact
LBS The Business of AI: https://www.london.edu/lbs-online/the-business-of-ai-strategies-for-leaders
LBS Building an AI Business: https://www.london.edu/lbs-online/lbs-online-masterclasses/building-an-ai-business-from-idea-to-impact
Poets&Quants LBS 2026 FT Ranking #1: https://poetsandquants.com/2026/05/17/london-business-school-tops-2026-financial-times-open-enrollment-exec-ed-ranking-sda-bocconi-best-for-custom-programs/

C. 大中华区 + 新加坡 AI 高管 / 学位项目

CEIBS AI 与管理创新研究中心: https://cn.ceibs.edu/AI_and_Management_Innovation
CEIBS EMBA 课程结构: https://cn.ceibs.edu/emba/curriculum-structure
CEIBS Global EMBA: https://cn.ceibs.edu/gemba/curriculum-structure
CEIBS EMBA 学费: https://cn.ceibs.edu/emba/tuition-fees
CEIBS Swiss DBA: https://dbaswiss.ceibs.edu/
CEIBS AI 赋能未来: https://cn.ceibs.edu/artificial-intelligence
CKGSB EMBA 学费: https://www.ckgsb.edu.cn/emba/pages/tuition/1243
CKGSB DBA 课程体系: https://www.ckgsb.edu.cn/dba/course/show_04
CKGSB DBA AI 觉醒（廖建文）: https://www.ckgsb.edu.cn/dba/archive/show/7190
CKGSB EMBA AI 新科技革命: https://www.mbachina.com/html/mbachina/20250416/613777.html
清华经管 ExecEd 全部课程: http://exed.sem.tsinghua.edu.cn/qbkc.htm
清华大学 AI 能力提升项目: https://www.tsinghua.edu.cn/info/1182/118099.htm
清华继续教育首席智能官大模型班: https://www.cpd.cast-cse.org.cn/cms/hyxw/165896.htm
清北 5 个 EMBA 对比: https://hzmba.com/article/yiwendudongqinghuabeidawugeEMB.html
北大光华-腾讯 AI 通识课报道: https://tech.chinadaily.com.cn/a/202306/21/WS6492cbaca310ba94c5612fe1.html
北大光华-腾讯校友页: https://www.gsm.pku.edu.cn/alumni/info/1172/7910.htm
北大光华 EMBA 简章: https://www.gsm.pku.edu.cn/emba/info/1084/13202.htm
北大集成电路 AI 高级研修班: https://hsgl.cn/guanli-px/pku-ai-emba.html
复旦管院 EE: https://www.fdsm.fudan.edu.cn/exeedu/c1556954657660
复旦经院-杜伦 DBA: https://econ.fudan.edu.cn/dba/
上交安泰 EEC: https://eec.sjtu.edu.cn/
上交 AI MBA: https://sjtu.eduour.cn/jianzhang/5591.html
上交 AI 经营创新精训班: https://lec.sjtu.edu.cn/IndustryOpenCourse/info.aspx?itemid=3489
HKU Strategic Transformation in AI: https://execed.hkubs.hku.hk/strategic-transformation-in-ai-programme/
HKU x HKPC Robotics & AI: https://execed.hkubs.hku.hk/hku-x-hkpc-the-intelligent-applications-of-robotics-and-ai-programme/
HKU ICB PgDip in AI & Business Transformation: https://icb.hku.hk/en/programme/detail/aibt
CUHK Professional Certificate in AI for Business: https://exed.bschool.cuhk.edu.hk/programme/professional-certificate-programme-in-artificial-intelligence-for-business/
CUHK AI & Big Data Workshop: https://exed.bschool.cuhk.edu.hk/programme/aiworkshop/
NUS AI for Senior Executives (官网): https://executive-education.nus.edu.sg/programmes/ai-for-senior-executives/
NUS AI Strategy for Senior Executives (Emeritus): https://nusbsee.emeritus.org/ai-strategy-for-senior-executives
NUS CTO & AI Officer: https://nus.comp.emeritus.org/chief-technology-and-ai-officer-programme
NUS CDO & AI: https://nus.comp.emeritus.org/chief-data-and-ai-officer-programme
NUS ISS AI Executive Education: https://www.iss.nus.edu.sg/executive-education/discipline/detail/artificial-intelligence
HKUST 广州 AI 博士: https://news.hkust.edu.hk/news/rengongzhinengboshizhaosheng-gangkedaguangzhouxiandaojihua-1
CUHK 深圳 AI 博士: https://sai.cuhk.edu.cn/en/node/35

D. 专业博士项目（DBA / EdD）

USC Rossier EdD Organizational Change & Leadership: https://rossieronline.usc.edu/doctorate/edd-online/
USC Rossier EdD courses: https://admissions.rossier.usc.edu/graduate/doctoral/doctor-of-education-organizational-change/edd-in-organizational-change-and-leadership-courses/
Capella DBA: https://www.capella.edu/online-business-degrees/doctor-of-business-administration-program/
Capella DBA General Management courses: https://www.capella.edu/online-business-degrees/doctor-of-business-administration-program/dba-general-management/courses/
Walden DBA: https://www.waldenu.edu/online-doctoral-programs/doctor-of-business-administration
Nova Southeastern DBA: https://business.nova.edu/
UC Davis MBA@UCDavis tuition: https://onlinemba.ucdavis.edu/admissions/tuition-and-financial-aid/
SBS Swiss Business School DBA: https://www.sbs.edu/doctorate-programs/dba/
UBIS Global DBA: https://ubisglobal.com/programs/postgraduate-program/
IE Business School DBA: https://www.ie.edu/business-school/programs/doctorates/dba/the-program/
IE DBA Admissions & Fees: https://www.ie.edu/business-school/programs/doctorates/dba/admissions-fees-funding/
ESCP Executive DBA: https://escp.eu/programmes/executive-education/executive-dba
Grenoble Ecole de Management Global DBA: https://www.grenoble-em.com/en/programs/doctorate-of-business-administration-dba/
Cranfield Executive DBA: https://www.cranfield.ac.uk/som/research-degrees/executive-dba
Aston Online DBA: https://online.aston.ac.uk/online-courses/business/executive-doctor-of-business-administration-dba
Heriot-Watt EBS DBA: https://www.hw.ac.uk/ebs/study/dba
Henley DBA: https://www.henley.ac.uk/study/phds/doctor-of-business-administration-dba

E. 新派 cohort-based AI 教育玩家

Section AI (Scott Galloway): https://www.sectionai.com/
Section AI Courses: https://www.sectionai.com/courses
Section AI Curriculum 公告 (BusinessWire 2023): https://www.businesswire.com/news/home/20230919273825/en/Section-Launches-Industry-Leading-AI-Curriculum-to-Build-the-New-AI-Class-of-Knowledge-Workers
Poets&Quants Section 改名 + 新认证: https://poetsandquantsforexecs.com/news/section4-rebrands-to-section-launches-new-certificates-for-business-professionals/
Reforge Courses: https://www.reforge.com/courses
Reforge AI Category: https://www.reforge.com/course-categories/ai
Reforge Spring 2025 Cohort 数据: https://www.reforge.com/blog/spring-2025-our-most-important-cohort-yet
Top Option Reforge review: https://www.toption.org/post/is-reforge-worth-it-review
Maven Hamel & Shreya AI Evals: https://maven.com/parlance-labs/evals
Maven Mastering LLMs (Dan & Hamel): https://maven.com/parlance-labs/fine-tuning
Hamel Husain — Lessons from teaching: https://hamel.dev/blog/posts/course/
Maven Wes Kao Executive Communication: https://maven.com/wes-kao/executive-communication-influence
Maven Miqdad AI PM Cert: https://maven.com/product-faculty/ai-product-management-certification
Aakash Gupta Maven discount: https://maven.com/x/aakash
Maven AI Course Trending: https://maven.com/courses/ai
Singularity U Executive Program: https://www.su.org/executive-program
Lenny's Newsletter: https://www.lennysnewsletter.com/
Lenny PM Fundamentals: https://maven.com/lenny/product-management-fundamentals
Build Club: https://buildclub.ai/
Build Club Accelerator: https://www.buildclub.ai/accelerator
AI Tinkerers: https://aitinkerers.org/
AI Native Foundation: https://ainativefoundation.org/
focal Residency: https://www.focal.vc/residency
Collaborative Fund AIR: https://air.collabfund.com/
Wes Kao Cohort-Based Courses Podcast: https://www.smartpassiveincome.com/podcasts/spi-513-wes-maven-cohort-based-courses/

F. AI 能力框架（国际组织 / 政府）

WEF Future of Jobs Report 2025 Skills Outlook: https://www.weforum.org/publications/the-future-of-jobs-report-2025/in-full/3-skills-outlook/
WEF 2025 Jobs of the Future: https://www.weforum.org/stories/2025/01/future-of-jobs-report-2025-jobs-of-the-future-and-the-skills-you-need-to-get-them/
WEF Future of Jobs 2025 PDF: https://reports.weforum.org/docs/WEF_Future_of_Jobs_Report_2025.pdf
Lexology WEF 解读: https://www.lexology.com/library/detail.aspx?g=b1de1623-e5ab-471f-9d53-b148efc216a3
UNESCO AI Competency Framework Students: https://www.unesco.org/en/articles/ai-competency-framework-students
UNESCO 概览: https://www.unesco.org/en/articles/what-you-need-know-about-unescos-new-ai-competency-frameworks-students-and-teachers
UNESCO Teachers Framework PDF (via Cedefop): https://www.cedefop.europa.eu/files/unesco_ai_competency_framework_for_teachers.pdf
AI4edu UNESCO 解读: https://ai4edu.eu/2024/11/12/unescos-ai-competency-frameworks-equipping-educators-and-students-for-the-age-of-ai/
OECD AI Capability Indicators: https://aicapabilityindicators.oecd.org/
OECD AI Capability full report: https://www.oecd.org/en/publications/introducing-the-oecd-ai-capability-indicators_be745f04-en.html
WINS Solutions OECD 解读: https://www.winssolutions.org/ai-capability-indicators-map-ai-progress/
EU DigComp current developments: https://joint-research-centre.ec.europa.eu/projects-and-activities/education-and-training/digital-transformation-education/digital-competence-framework-citizens-digcomp/current-developments-digcomp-2024-2025_en
AILit Framework Review Draft 2025: https://ailiteracyframework.org/wp-content/uploads/2025/05/AILitFramework_ReviewDraft.pdf
ILO 1/4 jobs at risk: https://www.ilo.org/resource/news/one-four-jobs-risk-being-transformed-genai-new-ilo%E2%80%93nask-global-index-shows
ILO-World Bank Generative AI Working Paper: https://www.ilo.org/sites/default/files/2025-05/WP140_web.pdf

G. 咨询公司报告

McKinsey State of AI 2025: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
McKinsey State of AI 2025 PDF: https://www.mckinsey.com/~/media/mckinsey/business%20functions/quantumblack/our%20insights/the%20state%20of%20ai/2025/the-state-of-ai-how-organizations-are-rewiring-to-capture-value_final.pdf
McKinsey Superagency in the Workplace: https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/superagency-in-the-workplace-empowering-people-to-unlock-ais-full-potential-at-work
McKinsey Economic Potential of GenAI: https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
BCG AI at Work 2025: https://www.bcg.com/publications/2025/ai-at-work-momentum-builds-but-gaps-remain
BCG Build for the Future 2025: https://media-publications.bcg.com/The-Widening-AI-Value-Gap-Sept-2025.pdf
BCG AI at Work 2025 slideshow: https://web-assets.bcg.com/fd/0d/bcc5dfae4cbaa08c718b95b16cf5/ai-at-work-2025-slideshow-june-2025-edit-02.pdf
Deloitte State of AI 2026 Global: https://www.deloitte.com/global/en/issues/generative-ai/state-of-ai-in-enterprise.html
Accenture Human + Machine: https://www.accenture.com/us-en/insights/technology/human-plus-machine
HBR Daugherty Podcast: https://hbr.org/podcast/2024/09/the-ai-skills-you-should-be-building-now
Accenture Embracing GenAI at Work HBR cover: https://www.accenture.com/content/dam/accenture/final/capabilities/technology/technology-innovation/document/Accenture-HBR-Embracing-Gen-AI-at-Work-Sept-Oct-2024-COVER-STORY.pdf
Gartner 2025 AI in IT work press: https://www.gartner.com/en/newsroom/press-releases/2025-11-10-gartner-survey-finds-artificial-intelligence-will-touch-all-information-technology-work-by-2030
Gartner AI in the Workforce: https://www.gartner.com/en/human-resources/trends/ai-in-the-workforce
Gartner What AI in Workforce Means: https://www.gartner.com/en/articles/ai-workforce

H. 学术专著与思想领袖

Brynjolfsson Generative AI at Work NBER WP 31161: https://www.nber.org/system/files/working_papers/w31161/w31161.pdf
arxiv 2304.11771: https://arxiv.org/abs/2304.11771
Brynjolfsson Turing Trap Daedalus 2022: https://direct.mit.edu/daed/article/151/2/272/110622/The-Turing-Trap-The-Promise-amp-Peril-of-Human
Stanford Digital Economy Lab Turing Trap: https://digitaleconomy.stanford.edu/news/the-turing-trap-the-promise-peril-of-human-like-artificial-intelligence/
Prediction Machines (Agrawal/Gans/Goldfarb): https://www.goodreads.com/work/quotes/58196439-prediction-machines-the-simple-economics-of-artificial-intelligence
Tech Policy Institute Prediction Machines: https://techpolicyinstitute.org/publications/artificial-intelligence/the-economics-of-ai-prediction-machines-and-their-impact-with-ajay-agrawal/
Agrawal IMF F&D 2025 Machine Intelligence & Judgment: https://www.imf.org/en/publications/fandd/issues/2025/06/machine-intelligence-and-human-judgement-ajay-agrawal
NBER WP 24626 Prediction vs Judgment: https://www.nber.org/papers/w24626
NBER WP 24243: https://www.nber.org/system/files/working_papers/w24243.pdf
Power and Prediction Amazon: https://www.amazon.com/Power-Prediction-Disruptive-Artificial-Intelligence/dp/1647824192
Mollick Co-Intelligence 4 principles: https://paperarrow.com/notes/co-intelligent-principles
Stanford GSB Co-Intelligence Masterclass: https://www.gsb.stanford.edu/insights/co-intelligence-ai-masterclass-ethan-mollick
One Useful Thing I, Cyborg: https://www.oneusefulthing.org/p/i-cyborg-using-co-intelligence
One Useful Thing Making AI Work: https://www.oneusefulthing.org/p/making-ai-work-leadership-lab-and
One Useful Thing Management as AI superpower: https://www.oneusefulthing.org/p/management-as-ai-superpower
Klover Coming Wave containment: https://www.klover.ai/the-coming-wave-ai-containment-mustafa-suleymans-risk-framework/
WallyBoston Power of AI: https://wallyboston.com/the-power-of-ai/
Karpathy Software 2.0 Medium: https://karpathy.medium.com/software-2-0-a64152b37c35
Latent Space Software 3.0: https://www.latent.space/p/s3
Mindstudio Karpathy Sequoia Talk: https://www.mindstudio.ai/blog/karpathy-sequoia-talk-5-predictions
Travis.media Software 3.0 Explained: https://travis.media/blog/software-3-0-ai-changing-programming-karpathy/
Sam Altman Moore's Law for Everything: https://moores.samaltman.com/
Sam Altman Three Observations: https://blog.samaltman.com/three-observations
a16z Why AI Will Save the World: https://a16z.com/ai-will-save-the-world/
Paul Graham Taste for Makers: https://paulgraham.com/taste.html
VC Corner Taste is the New Moat: https://www.thevccorner.com/p/why-taste-is-the-new-moat
Wes Kao 个人站: https://www.weskao.com/
Wes Kao Looks Good to Me lazy default: https://newsletter.weskao.com/p/looks-good-to-me-is-a-lazy-default-managers-should-give-feedback
MindStudio Taste as Durable AI Asset: https://www.mindstudio.ai/blog/taste-as-durable-ai-asset
Long & Magerko AI Literacy ResearchGate: https://www.researchgate.net/figure/AI-literacy-competencies-adopted-by-Long-and-Magerko-2020_tbl1_387092940
ScienceDirect AI Literacy comprehensive: https://www.sciencedirect.com/science/article/pii/S2666557324000120
Competency Model Approach to AI Literacy (arxiv): https://arxiv.org/pdf/2108.05809

I. 企业内部 AI 框架

Microsoft Work Trend Index 2024: https://news.microsoft.com/annual-wti-2024/
Microsoft Work Trend Index 2025: https://news.microsoft.com/annual-work-trend-index-2025/
Microsoft People Skills: https://learn.microsoft.com/en-us/copilot/microsoft-365/people-skills-overview
Microsoft AI Certifications 2026: https://www.sci-tech-today.com/news/microsoft-ai-certifications-applied-skills-2026/
AI Fluency Framework (Anthropic + Ringling/UCC): https://aifluencyframework.org/
Anthropic AI Fluency Framework PDF: https://www-cdn.anthropic.com/b383cf6baddbfc72fdf8b0ed533a518e2872d531.pdf
TESS 4Ds AI Fluency Explained: https://tessgroup.co.uk/blog/4ds-ai-fluency-anthropic-framework-uk-apprenticeships
Anthropic AI Fluency Conclusion: https://www.anthropic.com/ai-fluency/conclusion?id=6116
Google AI Essentials: https://grow.google/ai-essentials/
Google AI Professional Certificate: https://www.coursera.org/professional-certificates/google-ai
大厂 AI 抢人战 (Bianews): https://www.bianews.com/news/details?id=200955
中国 AI 千万年薪争夺 (CSDN): https://gitcode.csdn.net/69b376b60a2f6a37c596ee0f.html

J. 教学法与课程设计

Knowles 6 Principles Andragogy: https://brilliantlearningsystems.com/six-principles-of-andragogy-malcolm-knowles/
Research.com Andragogy 2026: https://research.com/education/the-andragogy-approach
Norwich Online Kolb Cycle: https://online.norwich.edu/online/about/resource-library/4-components-experiential-learning-cycle
Simply Psychology Kolb Learning Cycle: https://www.simplypsychology.org/learning-kolb.html
Mezirow 1997 Wiley: https://onlinelibrary.wiley.com/doi/10.1002/ace.7401
Community of Inquiry framework portal: https://www.thecommunityofinquiry.org/framework
Social Presence within CoI (ERIC EJ963922): https://files.eric.ed.gov/fulltext/EJ963922.pdf
Athabasca CoI: https://coi.athabascau.ca/coi-model/
ASU Online Weekly Hours: https://asuonline.asu.edu/newsroom/online-learning-tips/discover-weekly-number-hours-online-students-study/
Anna Maria 8 Week Time Management: https://online.annamaria.edu/mpa/blog/time-management-for-8-week-course
Quality Matters Higher Ed Rubric: https://www.qualitymatters.org/qa-resources/rubric-standards/higher-ed-rubric
GetSmarter Review 2025: https://techwithaisha.com/getsmarter-redefining-professional-education/
Learnopoly Cohort-Based Learning Statistics: https://learnopoly.com/cohort-based-learning-statistics/
LearnStream Online Course Completion Rates: https://learnstream.io/blog/what-is-the-average-online-course-completion-rate-and-why-does-it-matter/
Wes Kao a16z Cohorts Are King: https://www.weskao.com/blog/a16z-cohorts-are-king
Maven Course Accelerator: https://maven.com/maven/course-accelerator
Emeritus homepage: https://emeritus.org/
Columbia EdD in Executive Leadership: https://www.tc.columbia.edu/organization-and-leadership/edd-in-executive-leadership/degrees--requirements/executive-leadership-edd/
Entrepreneur Storytelling AI super skill: https://www.entrepreneur.com/growing-a-business/why-storytelling-may-be-the-most-important-and-most/502880
Leadership Story Lab AI Era: https://www.leadershipstorylab.com/storytelling-in-age-of-ai/

---

方法论附录

调研流程

本研究遵循 deep-research 8 阶段 ultradeep 模式：

Phase 1（范围界定）：基于用户给出的项目背景（fully online、15 门课、3 学分 / 8 周 / 每周 10-15h、5 项核心能力、市场吸引力 #1 优先级），确定三大调研块：benchmark（60%）+ 能力框架（25%）+ 教学法（15%）。

Phase 2（计划）：把 35+ 项目按地理 / 类型拆为 5 个独立调研块，避免单个 agent 过载。

Phase 3（并行检索）：5 个 general-purpose sub-agent 并行执行：

Agent 1：美国 11 个项目
Agent 2：欧洲 8 个项目
Agent 3：大中华区 + 新加坡 9 个项目
Agent 4：DBA + 新派玩家 27 个项目
Agent 5：能力框架 + 教学法

每个 agent 时长 ~10-15 分钟，共耗时约 25 分钟（并行）。

Phase 4（交叉验证）：发现各 agent 报告的事实多数能交叉验证（比如 Capella DBA 的 17 门课、Anthropic 4D 框架、Maven 完成率 ~75% 在多个独立来源中重复出现）。少数项目（如 Stanford GSB 完整课表、大中华区项目逐门课清单）官网 403 或不公开，已在报告中明示。

Phase 4.5（大纲细化）：基于实际发现，调整了原计划的章节结构——增加"5 个差异化空间"和"v2 课程设计的直接启示"两节，因为这是用户最终需要的核心交付物。

Phase 5（综合分析）：把 4 大主题（benchmark + 框架 + 教学法 + 用户需求）跨域综合，识别 7 个核心洞察。

Phase 6（批判审查）：从两个视角红队检视：

监管 / 学位审核视角：发现 5 项能力的"3 漏项"（Ethics、Data Fluency、AI Risk）
市场 / 学员视角：发现"反向排序"虽然反直觉但是 academically defensible

Phase 7（精炼）：基于 critique 补充 academic 引述（Brynjolfsson Turing Trap、Agrawal-Gans-Goldfarb Prediction Machines、Karpathy Software 3.0 等）作为对外材料的学术支撑。

Phase 8（打包）：分节渐进生成报告，每节 ≤ 2,000 词。

信源策略

优先一手：项目官网、UNESCO / OECD / WEF 等原始报告、学术论文（NBER、arxiv、Daedalus）
二手补充：DigitalDefynd、GetSmarter、Class Central、Poets&Quants 等第三方评测
学员一手评价：LinkedIn、Reddit、Medium、Substack 长评
不接受：单纯营销文案、未署名博客、未交叉验证的二手信息

局限

共 8 篇 agent 执行报告（5 个 agent × 平均 1.6 次轮转）合并为本报告
部分信息（特别是大中华区项目内部细节）需要私下访谈补全，本研究未覆盖
学员一手长评在公开社区稀薄，可能反映目标客群不在公开社区表态
价格数据有年度漂移（≥10% / 年），所述价格仅为 2024-2026 公开数据

后续研究建议

如委托方决定推进 v2 课程提案，建议补充以下研究：

私下访谈 5-10 个 CMU CDAIO / Oxford Diploma / HKU PgDip 校友——补足公开学员评价的不足
采购 1-2 个 DBA 项目的完整 syllabus（Capella、Aston Online、IE DBA）——研究 dissertation 阶段如何拆 4-5 门课
追踪 Maven 平台 AI 课程的实时数据（特别是 Hamel Evals、Miqdad AI PM）——cohort-based 教学法的最新实证
法律 / 学位认证调研——确认哪个司法管辖区可以发"专业博士"学位
首届 6-12 个邀请学员的具体画像 + 1:1 接触计划

---

报告完成日期：2026 年 5 月 21 日 报告字数：约 17,000 字 引用源数：200+ URL（含学术 / 政府 / 咨询 / 项目官网 / 学员评价 / 教学法文献） 输出语言：中文 / 引用源保留原文 下一步：基于本报告完成 v2 课程提案（15 门课周级 syllabus + reading list + 项目 brief）

Bibliography