不久前，冯恩波老师邀请几位好友小聚。期间，冯老师分享了一个案例：他目睹一家企业在配料时，就让大模型根据其要求计算配方。果然，大模型迅速给出了算法和结果。随后，冯老师让大模型计算该配方的效益，结果显示每年可比人工配方节省4000多万元。再进一步询问大模型：若将原料从7种减少到3种，该如何调配？大模型同样迅速作答，并表示减少采购种类可再降低6000万元的采购成本。听到这个案例，我眼前一亮。

在企业工作了几十年，关于利用算法配料以降低成本的说法屡见不鲜，往往不会特别关注。然而，为何对冯老师的案例格外感兴趣呢？因为冯老师的做法契合了一个重要信念：用更快的方式带来更好的结果！

通过编程解决配料计算问题并不新奇。但对于新系统和技术，很难确保开发成果符合实际需求。况且，实际情况会随时间和场景变化，原有系统可能失效，导致项目失败概率极高。而冯老师借助大模型，能够快速建模、评估和修正，迅速得出符合需求的方法，且在面对需求变化和用户异议时也能迅速调整。

这种做法实际上符合控制论中的核心思想——“反馈”。维纳认为，人们的认知（如模型）难以做到完全准确，但通过反馈机制可根据误差进行修正，从而获得高精度结果。利用大模型解决问题，便于引入操作人员的反馈，实现即时修订。

众所周知，许多科技工作本质上是一个探索过程，即提出假设、验证假设、修订假设，本质上也是反馈的过程。数据分析往往正是这样的探索工作。

我曾参与一个数据分析项目长达十余年。日常工作是使用SAS软件制作图表，再根据图表情况调整数据和分析方法。得益于当时计算机的高性能和SAS软件的便捷，我能在几秒钟内完成一次反馈，每天进行成百上千次反馈。正是通过这种“笨办法”，我的项目得以完成。

然而，人工操作毕竟效率有限。当时我便设想：若能编写一套程序，使其按我的思路不断调整和反馈，或许几天便能完成数年的工作。遗憾的是，由于每次反馈遇到的问题极具个性化，需依赖经验判断，我未能实现这一设想。最近出现的Palantir让我惊叹：这不正是我当年梦寐以求的吗？

为何冯老师能给出这样的案例？为何Palantir会在当下诞生？原因在于大模型的存在。我一直认为，大模型的主要应用场景并非生产过程的自动化控制，而是人机结合的场景，尤其在研发设计、采购销售、用户服务等领域。在这些场景中，机器能帮助我们快速反馈迭代，极大提升工作效率和质量。

从某种意义上说，“更快带来更好”应成为我们的信念：

人们为何发明计算机？因为计算机运算快！冯·诺依曼为何强调使用电子管、放弃机械结构？因为电子计算更快！摩尔定律发展数十年，重要成果之一便是计算机计算速度的提升。人们为何发明高级编程语言？因为高级语言能加快编程速度！近年来，工业软件为何盛行？因为使用工业软件能提高工作效率。工业互联网的三大要素之一是“智能的机器”，为何需要“智能的机器”？因为与人工采集数据相比，机器采集更准确且迅速。实际上，柔性制造、智能制造的核心任务也是让企业更快响应内外部变化。

在大模型时代，“更快带来更好”的机会愈发增多。许多企业强调“PDCA持续改进”，强调“不犯二次错”、“出现问题找到根源”。然而，为何真正践行这些信条的企业并不多？因为实施这些措施需要时间，若耗时过长，事情可能变得不划算，甚至“延迟的正确变成不正确”。

常言道：“计划赶不上变化”。意指计划往往难以奏效。但在大模型时代，“计划能赶得上变化”。这种改变，是一种本质性的变革，是一个重要的发展方向，值得各界关注。

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。