1.3.3　思維模式視角

數據思維已成為邏輯思維、實證思維、構造思維之后的第四大思維模式。實證思維是基于有限觀察和控制實驗的歸納，邏輯思維是基于若干公理的推理和演繹，構造思維是算法過程的構造與模擬（也稱為計算思維），而數據思維是基于數據分布結構的擬合。

數據思維是對其他3種思維模式的有益補充。實證思維和邏輯思維是現代科學體系的基礎，基于觀察，形成抽象，通過形式化框架，構建一個自洽的理論體系，并接受新實驗的證偽檢驗。構造思維是很多復雜工程研發的典型模式，通過數字空間的迭代，減少物理空間實驗的成本。但如果理論模型與物理世界相差較大，這些方式就有一定的應用局限性。例如，化工中的分子擴散、流體流動、熱量傳遞等過程是可以用物理、熱力學、化學反應、單元傳遞函數等數學模型來描述的，進而可以用計算機做化工設備單元設計和全流程集成優化等工作。然而用流程模擬和仿真來解決生產運行問題時，會發現計算結果與實際現場并不吻合，預測誤差甚至高達50%[17]。其主要原因包括未建模要素（理想假設、排除非重要因素）、模型參數不精準、現場缺乏必要的測量數據等。雖然理論上有無限多種組合狀態，但現實中工廠大部分時候運行在設定參數附近，現實的生產狀態數目有限，這樣生產3年就基本已經經歷過90%可能發生的狀態。數據模型本質是查表和插值，通過尋找與待預測點相似的狀態點，根據相似歷史狀態預測新輸出。雖然數據模型沒有全局的推斷能力，但已經可以應對有限狀態了，在這種情形下，數據模型也許是一種最經濟的做法。

很多具有工科背景的從業人員更相信確定性關系，對數據思維中的概率性關系常持懷疑態度。這種思維定式需要轉變。首先，概率是一種關系描述方式，很多關系是天然隨機的，例如，一個單詞的音頻中，音素的持續時間和停頓時長都是隨機的，不但不同人會不同，同一個人兩次說話都可能完全不同，但總體上有一定規律，這樣的規律用概率模型描述比確定性模型或規則描述更合適。其實，概率可以近似看作研判的“置信度”，很多問題的研判本身也不是非黑即白的，存在模糊地帶。最后，很多過程本質是確定的，但結果對模型參數、初始狀態的敏感度太高（學術上說的混沌系統），對模型參數、初始狀態的精確估算不可能或不經濟，這時將模型簡化為一個概率模型也許更實際。例如，拋硬幣預測落地是正面、反面，在不存在空氣擾動、地面平整且摩擦系數均勻的假設下，這個過程可以建模為一個常微分方程[18]，結果完全由硬幣的質量分布、拋出時的初始狀態確定，但結果對參數和初始狀態的敏感度太高，還不如通過多次觀察，建立一個概率分布模型更直接。錢學森[19]曾指出，從決定性的牛頓力學演化為非決定性的統計力學是一次科學進步；客觀世界是決定性的，但由于人認識客觀世界的局限性，會有暫時引入非決定性的必要。這是前進中的驛站，無可厚非，只是絕不能滿足于非決定性而不求進一步澄清。

在信息化時代，數據作為一種信息溝通的媒介，通過數據透明和信息對稱，提升企業的綜合決策水平。在豐富的數據積累前提下，數據思維提供了另外一種認識世界的方式，用數據來發現問題、洞察規律，機器可以自動發現人工認知手段看不到的一些規律，將過去實證思維（觀察試驗、歸納總結）的小群體人工探索行為變成大規模機器自動挖掘的行為，加速與擴大了認知拓展能力。從行業應用的角度，數據思維把業務問題描述為數據分析需求，把數據分析規劃為一個具有業務可行性的數據應用的能力。

在不同應用場景中，大數據發揮價值的途徑不同。以工業設備為例，有些設備是標準化或參數化產品，有些設備是高度定制化的產品；有些設備工作相對獨立，有些設備與其他系統強耦合。在不同情形下，設備大數據分析的價值途徑不同，如表1-5所示。

大數據的作用還體現在專家經驗的精準化方面。工業中存在大量的操作經驗和運行經驗，有些經驗比較模糊，只能靠語言和實踐來掌握，有些經驗可以用自然語言或專家規則表達出來，但仍存在歧義且不夠定量，造成理解不一致。工業大數據有能力將部分經驗明確化、定量化和標準化，形成結構化的模型，并可接受大量案例的檢驗，以提高經驗的傳承效率。雖然結構化模型可能會損失一部分經驗信息，但結構化后，傳遞效率才能提高。在大數據時代，數據還有可能成為知識經驗和技能的新載體，推動基于數據模型的知識共享和技能賦能，可提升生態組織開放合作與協同創新能力。

在微觀層面，思維模式還體現在不同技術背景的人身上。工業大數據實踐通常是操作技術（Operational Technology，OT）、數據技術（Data Technology，DT）、信息技術（Information Technology，IT）的3T融合。對同一個問題，OT專家與DT專家會從不同視角來審視，OT專家從機理角度，可以給出很多先決性研判或猜想；DT專家從數據統計的角度，可以給出數據上的現象表征。二者的不一致，可以讓很多隱含或忽略的假設明確化。對OT專家來說，數據提供了一些額外的認識世界、驗證猜想、分析問題的工具手段。

在工業數據分析項目中，機理模型與數據分析有3種結合方式（見圖1-6）：① 有大量先驗知識的課題，首先，明確OT的經驗和假設，通過數據檢驗，形成有用的特征，接著，數據分析建模進一步定量化；② 數據驅動的課題，基于統計假設進行建模，在分析結果或現象解讀時，融入OT專家的認知或經驗，進一步提升模型結果；③ 數據驅動的課題，但存在前人的模型，這時做的是盡快用前人模型在新數據上運行，進行結果解讀，然后再改進模型。另外，在這些計劃中的執行模式外，通常存在很多“意料之外”的分支，在分析數據的過程中，存在臨時發現的一些新課題，這些新課題發現的前提是對數據敏感性與領域認知的結合。

在數據分析項目中，歡迎專家直覺但更喜歡直覺背后的“研判依據”，盡管直覺或研判依據不一定完備或正確，但直覺觸發了跨領域討論的可能，“研判依據”給出了數據探索的思路，經過數據的檢驗和跨領域的推理討論，不斷追尋數據現象背后的要素和關系，形成相對完備和自洽的動力學關系圖。

但數據思維自身并沒有完全解決知識積累與傳承的問題。在知識積累方面，從數據中自動學習的機器學習模型蘊含了知識，但通常為黑箱知識，缺乏演繹能力，與既有的形式化理論框架或領域專家的概念體系并不能無縫銜接，也就是說，還需要領域專家的解讀、邏輯思考與驗證工作，才能納入既有知識框架體系。另外，物理過程的關鍵要素是否在大數據中有體現，在實際應用中也是需要校驗的。在工業場景下，數據思維與專家知識的融合是一個待研究的課題。