比如，最早的自動化理論是針對線性單變量的。隨著技術(shù)的發(fā)展，從單變量走到多變量、從線性走到非線性、從確定系統(tǒng)走向不確定性系統(tǒng)等。在這個(gè)過程中，“問題的領(lǐng)域”基本上是不變的，但“方法成熟的領(lǐng)域”在不斷拓展。在這種拓展的過程中，問題的難度會不斷地增大，后來會變得舉步維艱。盡管如此，“方法成熟的領(lǐng)域”或許永遠(yuǎn)都無法覆蓋“問題的領(lǐng)域”。
但科學(xué)發(fā)展往往不會一直沿著這種模式發(fā)展，而是會發(fā)生“領(lǐng)域”的變遷。
比如，從自動化到智能化的過程，其實(shí)就改變了領(lǐng)域：自動化系統(tǒng)一般是封閉的小系統(tǒng)，智能化系統(tǒng)一般是相對開放的大系統(tǒng)。這時(shí)，如果還想采用自動化理論中“建立模型、提出要求、數(shù)學(xué)推導(dǎo)、仿真驗(yàn)證”等套路時(shí)，就會發(fā)現(xiàn)：第一步就會被卡住，而數(shù)學(xué)推導(dǎo)更是難上加難。
很多同志對數(shù)學(xué)有個(gè)印象：除了個(gè)別“世界難題”，似乎再難的數(shù)學(xué)題目都能得到解。后來筆者才發(fā)現(xiàn)：現(xiàn)實(shí)根本不是這樣。許多個(gè)性化的問題，根本沒有辦法理論求解。我們看到的“每個(gè)問題都能解決”，其實(shí)是一種“幸存者偏差”：能解決的問題，才會寫成論文、寫入教科書和習(xí)題集；解決不了的，也就寫不成論文、寫不到教科書和習(xí)題集中了。現(xiàn)實(shí)的論文是怎么寫成的呢？有位老師總結(jié)了兩個(gè)字“猜、湊”：猜出結(jié)論、湊出條件。通俗一點(diǎn)說：遇到一個(gè)問題無法求解的時(shí)候，可以改變題目本身，讓它變得能夠找到解。
所以，解決智能化問題時(shí)，一般不能走過去的老路。常見的路子是：把人的知識、實(shí)踐經(jīng)驗(yàn)數(shù)字化，用于系統(tǒng)的管控。這樣，就避開了復(fù)雜的建模和求解問題。人是很了不起的：遇到再復(fù)雜的問題，專家?guī)缀蹩倳修k法。搞智能化的人不必去關(guān)心這個(gè)辦法是怎么來的，只要把他們的知識數(shù)字化就可以了。只要計(jì)算機(jī)管控有足夠的優(yōu)勢和經(jīng)濟(jì)性，就會成功。
除了“領(lǐng)域的變遷”，還有一種常見問題是“關(guān)鍵的變遷”。其中，“領(lǐng)域的變遷”會引起問題的變化，而“關(guān)鍵點(diǎn)的變遷”是問題研究深度的變化。
大家知道，現(xiàn)在的人工智能開源軟件很多。為什么還有些公司要花大價(jià)錢研究了。因?yàn)橛行┥虡I(yè)應(yīng)用，需要更多可能的結(jié)果。比如，有些人臉識別的準(zhǔn)確率要達(dá)到99.9999%才能走向?qū)嵱没?。開源軟件的識別率可能有99%(筆者隨便猜的)，但達(dá)到99.9999%的要求則需要自己來開發(fā)。在這個(gè)過程中，就可能有若干種問題轉(zhuǎn)化問題。開始的時(shí)候，可能是盡量尋找更多的樣本、盡量優(yōu)化模型的參數(shù)。在某個(gè)階段，研究重點(diǎn)有可能轉(zhuǎn)向如何評估識別結(jié)果的可信度；在另一個(gè)階段，可能是如何提高“足夠可信的人”的比例、尋找可信度低的原因。
科技的發(fā)展，其實(shí)往往是在“領(lǐng)域變遷”、“關(guān)鍵點(diǎn)變遷”的過程中發(fā)展起來的，而不是“一條道走到黑”。事實(shí)上，科技活動者所謂的“靈感”，往往就是遇到困難時(shí)，突然發(fā)現(xiàn)了這種變遷，讓人覺得“柳暗花明”了。
來源：儀表圈/作者：郭朝暉(工學(xué)博士，教授級高工。企業(yè)研發(fā)一線工作20年；優(yōu)也科技信息公司首席科學(xué)家；東北大學(xué)、上海交大等多所院校兼職教授。國內(nèi)知名智庫、走向智能研究院的發(fā)起人之一。原寶鋼研究院首席研究員)
