奥卡姆剃刀定律是14世纪英格兰的逻辑学家奥卡姆提出的:“如无必要,勿增实体”。说白了,就是越简单越好。这把剃刀,是帮助我们理解数字化转型相关思想的有效工具。
奥卡姆剃刀的思维方式,适合各行各业的知识工作者。对于文字工作者来说,“句有可削,足见其疏;字不得减,乃知其密”。对发明家来说,好的技术发明不应该有任何多余的机制;一个好的软件,不应让用户多按任何一个按钮;一个正常的数学题,不应该有任何多余的条件;一个物理学定律,不应该有任何多余的变量或非线性项。
一般来说,凡是符合“奥卡姆剃刀”原则的概念,就比较容易理解;不符合“奥卡姆剃刀”原则的概念,就不容易理解。数字孪生的概念比较难以理解,就是因为乍看起来不符合这个原则。我昨天写的文章,其实就是解释这件事。
我过去从事数学建模工作,就遵循这样一个原则:变量能不能再少一点、逻辑关系能不能再简单一点。在做减法的过程中,才能探求规律和事实。我一直觉得:为了提高模型精度而把变量搞得太多的人,往往对科学探索没有真正的兴趣、对自然规律没有敬畏之心。
很多人认为:有了模型什么都能做。持有这个观点的人,就不理解“奥卡姆剃刀”。事实上,模型的定义却是:为了达到特定目的而进行的简化。所以,模型的根本有两个要点:一个要点是特定目的,一个要点是简化。理解模型概念的人,一定要理解“简化”两个字:模型不应该增加不必要的属性,除非对实现特定目的是有用的。所以,一个对象的模型可以有很多种。比如,身份证、病例、小白鼠、雕塑、画像都是完全不同的东西,却都是人的模型。
同样,计算机模型、数学模型都不可能记录对象所有的属性,都只有有限的属性。如果有了新的需求,原有属性很可能是不足的,需要加入新的数据或计算方法。
由此,企业在搞数字化转型的时候,会遇到这样的问题:分析一个新问题、开发一个新的APP时,往往发现数据不够用、不合适。数据过程分析就像探案推理:沿着蛛丝马迹构成的线索去寻找证据,事先并不知道下一步走到哪里、会查到什么地方。如果信息不够、线索断了,就成了无头案。
比如,做质量分析的时候,一般先看工艺数据,再看设备、操作数据;先看主流程数据,再看辅助流程的数据;先看生产环节的数据,再看检测环节的数据;先看本工序,再看上工序、供应商;先看近期数据,再看历史数据......因为不知道答案在哪,只能跟着分析的线索和思路走....于是,数据不足也就成了常态。同样,我们开发工业APP的时候,也会遇到类似的问题。
这样的问题怎么解决?
人们从事异常分析、优化等工作时,“事先不知道需要什么”是必须承认的事实。在接受这个事实的基础上,解决问题的办法有两条:一条是尽量地把全生命周期的数据都存起来。这就是数字孪生强调全生命周期的原因。如果数据存储不是大问题的时候,这个办法就是“有备无患”。另外一个办法,就是需要的时候能够很容易地得到:工业互联网平台、移动通信等技术就可以解决这个问题。只有具备了这种灵活性,技术的持续发展才能一马平川。
最近,有几个地方约我去做报告。我突发奇想:把报告题目叫做《工业互联网平台为什么有用》,就是想谈谈前面的这些想法。这个题目非常土,但确实是我想说的、也是容易理解的,符合“奥卡姆剃刀”的原则。