从奥卡姆剃刀谈起

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。