建模方法的行业差异

30年前，我和副导师王老师聊天时，听到一种关于模型的形象说法：机械行业的误差是1%、电子行业是10%、化工行业是30%。按这种说法，钢铁行业的误差大概至少有50%~100%。这种说法并不夸张：我在宝钢时，请人建立一个纯粹理论的力学性能模型，有些误差真的达到甚至超过100%。

现在的很多论文，都强调决策的算法。然而，往往是模型精确度高了，算法才有用武之地。比如，在航空航天领域，控制算法往往很复杂；在化工领域，PID控制就用得特别广。前者的模型精度高，是个重要的原因。

曾经有人指出：智能制造成为热点的一个重要原因是三维建模技术的广泛应用。这种能力的基础是摩尔定律持续50年所带来的、数据存储和处理能力的大大加强。在此基础上，算法和软件成为第二个关键问题。算法和软件问题解决了，离散制造业的智能化就面对着一条光明的大道。但这里的一个重要前提，仍然是模型精度比较高。

如前所述，在冶金等行业，有些模型的精度很难提高。这个问题不解决，就会成为推进数字化工作的拦路虎。怎么办？

刚才听安司长的一个报告，提到阿里张勇的几句话：你肯定会做出很多不完美的决策。最怕的不是管理者做错决策，而是不做决定。（企业面对）最大的确定性就是不确定性，一定要在不确定性中寻找确定性。

安司长谈的是领导决策问题，搞模型的道理其实也是一样的。在宝钢工作时，我曾经提出一种“分布模型”的概念。这个概念的意思是：预报结果不是具体值，而是一个分布（平均值、标准差）。由于生产和检验过程存在不确定性，确定性的预报结果是不存在的——这是我们必须面对的现实。而预报分布是也有用处的：根据分布，可以事先判断产品的合格率、判断如何设计产品的经济性更好。这种模型背后的一个思想是：误差分布是变化的。因为如果不变化的话，就不必预报误差。而这种变化可以预报的，因为误差的背后也有规律性——这就是不确定性中的确定性。

模型总会有各种各样的毛病；因为有毛病就放弃模型、放弃数字化才是愚蠢的。模型的计算必然含有不确定性，要把不确定性用好，才是真正的高手。我经常讲到的“养花不出烂叶子”就是这个道理：放弃过于理想的想法，把技术往前推进半步。

我一直强调经验、机理和数据分析的结合。强调结合的目的，就是为了避免各自的不足、发挥各自的优势。比如，经验往往能给我们一个解决问题初始点。这个点不一定是最好的，需要持续改进。这时，机理给我们一个方向，而数据帮助我们给出（在初始点附近）的量化指标。高科技一定是持续优化的结果。寄希望于一次到位地实现高科技，是不现实的。

模型精度高是一种技术。但把精度不高的模型用好，却是一种艺术。数字化过程有困难的，但热爱科技的人不会被困难吓倒。

---------------------------------------------------------------------------------------

版权声明：

原创文章，作者郭朝晖，来源蝈蝈创新随笔，本文已经授权，欢迎分享，如需转载请联系作者。