自动化专业常用的一个套路是：先根据机理建立一个数学模型，然后用一些巧妙的办法进行求解。比如，把最优控制问题，转化成黎卡提方程的求解。  但是，进入智能化阶段，我们经常强调的智能化，是把人的经验和知识变成机器的代码。

     难道机理模型的作用小了？在我看来，不是机理模型的作用小了，而是经验知识的用途更大了。

我们先看数学（机理）模型的作用。数学模型反映的是因果关系。模型的应用可以分成正向和逆向两种。正向利用模型时，是根据当前容易测量或者获得的“原因”（自变量）推算难以测量、获知的“结果”（因变量）。典型的应用包括软测量和预测。逆向利用模型，则是为了得到某个特定的“结果”，去寻求“原因”。典型的应用就是优化。数学模型的一个巨大优势，是精度高。

一般来说，模型适合描述简单、抽象的对象或系统。而大系统、超大系统是由若干小系统构成的。我们针对小系统建模，但小系统模型误差的积累，可能会让大系统的模型误差太大，甚至完全失去指导意义。这个时候，人的经验知识就可能变得重要了。

人的有些经验，是根据外在表现来判断的。比如，看到一个人脸色发红、大声吼叫，可以判断这个人“生气了”；听到某些声音，知道机器可能出毛病了。这些现象往往可以用科学模型解释——但模型精度不够时，可解释并不意味着能直接推算出来。也就是说，模型只能用来分析可能性，而不是必然性。这时，经验的作用往往就大了。而经验的可靠性，依赖于实践的验证和总结。

一般来说，采用模型的优势是精确度高，麻烦是精确度低。所以，经验更多地用于定性地判断问题。比如，机器是不是坏了？质量是不是有毛病？操作工有没有偷懒？

定性的知识在工业中特别有用。一个根本性的原因是：现代化工业往往是标准化的。我对标准的理解是：标准做法不一定是最好的做法、超出标准也不一定会出问题。但按标准去做一定是可行的、并且往往是较好的。更重要的是：有了标准才能进行有效的管理、才能保证产品质量的一致性和有效协同，才能有现代化工业。所以，只要关键指标不在标准之内，就要进行干预。

人们经常需要判断的就是“是不是在标准范围之内”。这就是一个定性的指标、人类往往是有经验的。如果我们能够借助数字化的方法建立各种标准，并采集到的相关的数据，就可以用计算机来自动地判断是不是“在标准范围之内”。在数字化时代，标准不仅仅可以是某个数值，还可能是某条曲线、甚至更复杂的多维信息。所以，数字化让标准化的能力更加强大了，也便于把经验知识固化。

总之，智能化往往针对“大系统”。真正的大系统往往需要人类的经验。在这些场景下，把人类经验知识数字化，可能比采用纯粹的数学模型更有效。

来源：微信号 蝈蝈创新随笔

作者：郭朝晖

该作品已获作者授权，未经许可，禁止任何个人及第三方转载。