比如，最早的自動化理論是針對線性單變量的。隨著技術的發展，從單變量走到多變量、從線性走到非線性、從確定系統走向不確定性系統等。在這個過程中，“問題的領域”基本上是不變的，但“方法成熟的領域”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，“方法成熟的領域”或許永遠都無法覆蓋“問題的領域”。
但科學發展往往不會一直沿著這種模式發展，而是會發生“領域”的變遷。
比如，從自動化到智能化的過程，其實就改變了領域：自動化系統一般是封閉的小系統，智能化系統一般是相對開放的大系統。這時，如果還想采用自動化理論中“建立模型、提出要求、數學推導、仿真驗證”等套路時，就會發現：第一步就會被卡住，而數學推導更是難上加難。
很多同志對數學有個印象：除了個別“世界難題”，似乎再難的數學題目都能得到解。后來筆者才發現：現實根本不是這樣。許多個性化的問題，根本沒有辦法理論求解。我們看到的“每個問題都能解決”，其實是一種“幸存者偏差”：能解決的問題，才會寫成論文、寫入教科書和習題集；解決不了的，也就寫不成論文、寫不到教科書和習題集中了?，F實的論文是怎么寫成的呢？有位老師總結了兩個字“猜、湊”：猜出結論、湊出條件。通俗一點說：遇到一個問題無法求解的時候，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，一般不能走過去的老路。常見的路子是：把人的知識、實踐經驗數字化，用于系統的管控。這樣，就避開了復雜的建模和求解問題。人是很了不起的：遇到再復雜的問題，專家幾乎總會有辦法。搞智能化的人不必去關心這個辦法是怎么來的，只要把他們的知識數字化就可以了。只要計算機管控有足夠的優勢和經濟性，就會成功。
除了“領域的變遷”，還有一種常見問題是“關鍵的變遷”。其中，“領域的變遷”會引起問題的變化，而“關鍵點的變遷”是問題研究深度的變化。
大家知道，現在的人工智能開源軟件很多。為什么還有些公司要花大價錢研究了。因為有些商業應用，需要更多可能的結果。比如，有些人臉識別的準確率要達到99.9999%才能走向實用化。開源軟件的識別率可能有99%(筆者隨便猜的)，但達到99.9999%的要求則需要自己來開發。在這個過程中，就可能有若干種問題轉化問題。開始的時候，可能是盡量尋找更多的樣本、盡量優化模型的參數。在某個階段，研究重點有可能轉向如何評估識別結果的可信度；在另一個階段，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。
科技的發展，其實往往是在“領域變遷”、“關鍵點變遷”的過程中發展起來的，而不是“一條道走到黑”。事實上，科技活動者所謂的“靈感”，往往就是遇到困難時，突然發現了這種變遷，讓人覺得“柳暗花明”了。
來源：儀表圈/作者：郭朝暉(工學博士，教授級高工。企業研發一線工作20年；優也科技信息公司首席科學家；東北大學、上海交大等多所院校兼職教授。國內知名智庫、走向智能研究院的發起人之一。原寶鋼研究院首席研究員)
