推进数字化技术必须有的一种智慧

数字化技术的一项重要工作，是把人的经验知识转化成计算机的算法。在这个过程中，经常会遇到一个矛盾：计算机算法是清晰的，但人的经验知识是隐性的，是潜在的、默会的、模糊的。所以，知识转化过程经常会遇到麻烦。

这种麻烦在什么地方呢？我们需要剖析一下所谓的经验知识。

过去，我有位网友是五官科大夫。我向他请教如何治疗咽炎。他告诉我：需要先进行检查，才能给出方案。我不解地问：咽炎是种常见病，还需要检查吗？他说：因为咽炎有 20多个种类，每种咽炎的病理不一样，治疗方法也不一样。还有个大夫告诉我：能够引发某种癌症的基因有500多个；相关的基因不同、药物的疗效就不一样。

由此可知： “对症下药”的“症”不是表现出来的症状，而是病理。如果对病理的认识不清，就难以对症下药。西医发展快的原因之一，是检测手段强、容易做到对症下药。传统的中医缺乏诊断的手段，发展就容易遭遇瓶颈。当然，“祖传秘方治疑难杂症”也是有可能的，可能正好是特殊的药物针对了特殊的病。但这种情况往往成功的概率比较低、可重复性差。

由此我想到一个问题：什么是经验知识？ 经验知识不仅仅是解决问题的方法，更是对问题本身的识别和认知。通过识别和认知，才能把方法和问题对应起来，才能真正解决问题。 在现实中， 经验知识的 “方法”部分往往是显性的，而对问题本身的“ 识别和认知 ”往往是隐性的。 在把经验知识转化成数字化方法的过程中，关键是解决方法的适用边界问题。

昨天某报约我写篇文章，谈到用软件计算的方法制定工艺参数。我发现：国外企业的技术发展到一定的程度，往往就是这么做的。这种做法对提高企业的创新效率和服务水平有着巨大的作用。但这种想法在我们国家却很难推进。一个重要的原因是：这些算法往往是有缺陷的。有缺陷就可能导致计算不准确。计算不准确时，工程师就会抛弃模型算法。这样，就阻碍了相关的数字化工作。

当然，还有另外一种人认为：未来的发展方向就是用理论计算代替实验和试验，要努力提高模型的精度。但事实上，任何模型都会有失效的时候。模型再精确也难以打消现场技术人员的顾虑。在我看来，工业知识本质上就是实践性的学问，完全离开实验的想法原本就是不合适的。

怎么才能把数字化技术用好呢？ 关键是把计算和试验结合起来。 但到了实操层面，这个想法可能会遇到麻烦。很多人认为：在做一件具体事情的时候，两种办法只能二选一。请问怎么结合？

其实，数字化技术的创新，困难和巧妙之处往往就体现在如何 “结合”上。除了计算与实验的结合，还有人机如何协同。在我看来，一种合适的“结合”方法，关键是“边界”如何确定：模型做什么、实验做什么，人做什么、机器做什么。大家注意到，GE公司的工业互联网白皮书有个副标题，就叫做“重构人和机器的界面”（Pushing the Boundaries of Minds and Machines）。我很早之前就认为，远程化与AI的结合是个很好的发展方向，二者的结合其实就是人机结合。事实上，萝卜快跑用的就是这个思路。