難道機理模型的作用小了？在我看來，不是機理模型的作用小了，而是經驗知識的用途更大了。
我們先看數學(機理)模型的作用。數學模型反映的是因果關系。模型的應用可以分成正向和逆向兩種。正向利用模型時，是根據當前容易測量或者獲得的“原因”(自變量)推算難以測量、獲知的“結果”(因變量)。典型的應用包括軟測量和預測。逆向利用模型，則是為了得到某個特定的“結果”，去尋求“原因”。典型的應用就是優化。數學模型的一個巨大優勢，是精度高。
一般來說，模型適合描述簡單、抽象的對象或系統。而大系統、超大系統是由若干小系統構成的。我們針對小系統建模，但小系統模型誤差的積累，可能會讓大系統的模型誤差太大，甚至完全失去指導意義。這個時候，人的經驗知識就可能變得重要了。
人的有些經驗，是根據外在表現來判斷的。比如，看到一個人臉色發紅、大聲吼叫，可以判斷這個人“生氣了”；聽到某些聲音，知道機器可能出毛病了。這些現象往往可以用科學模型解釋--但模型精度不夠時，可解釋并不意味著能直接推算出來。也就是說，模型只能用來分析可能性，而不是必然性。這時，經驗的作用往往就大了。而經驗的可靠性，依賴于實踐的驗證和總結。
一般來說，采用模型的優勢是精確度高，麻煩是精確度低。所以，經驗更多地用于定性地判斷問題。比如，機器是不是壞了？質量是不是有毛病？操作工有沒有偷懶？
定性的知識在工業中特別有用。一個根本性的原因是：現代化工業往往是標準化的。我對標準的理解是：標準做法不一定是最好的做法、超出標準也不一定會出問題。但按標準去做一定是可行的、并且往往是較好的。更重要的是：有了標準才能進行有效的管理、才能保證產品質量的一致性和有效協同，才能有現代化工業。所以，只要關鍵指標不在標準之內，就要進行干預。
人們經常需要判斷的就是“是不是在標準范圍之內”。這就是一個定性的指標、人類往往是有經驗的。如果我們能夠借助數字化的方法建立各種標準，并采集到的相關的數據，就可以用計算機來自動地判斷是不是“在標準范圍之內”。在數字化時代，標準不僅僅可以是某個數值，還可能是某條曲線、甚至更復雜的多維信息。所以，數字化讓標準化的能力更加強大了，也便于把經驗知識固化。
總之，智能化往往針對“大系統”。真正的大系統往往需要人類的經驗。在這些場景下，把人類經驗知識數字化，可能比采用純粹的數學模型更有效。
這篇文章討論了強調“經驗知識數字化”的背景。“強調”另外一個側面是相對的“淡化”：淡化機理模型的作用。為什么要淡化？原因之一是學術界有些過度強化機理，而對經驗數字化重視不夠，要糾偏。學術界喜歡精巧的算法和模型。而精巧的算法往往基于精巧的模型。但精巧的模型往往基于特別精確的模型。但模型精確是有條件的。影響模型精度的，是參數的不確定性、不穩定性和各種環境干擾的存在。這些原因引起的誤差，往往遠遠大于模型本身的錯誤所導致的誤差。當系統足夠大時，子模型誤差的積累就會很大、計劃機會失效。這時，過度精巧的模型用處就小了。
作者：郭朝暉(工學博士，教授級高工。企業研發一線工作20年)
