1.3.3　思维模式视角

数据思维已成为逻辑思维、实证思维、构造思维之后的第四大思维模式。实证思维是基于有限观察和控制实验的归纳，逻辑思维是基于若干公理的推理和演绎，构造思维是算法过程的构造与模拟（也称为计算思维），而数据思维是基于数据分布结构的拟合。

数据思维是对其他3种思维模式的有益补充。实证思维和逻辑思维是现代科学体系的基础，基于观察，形成抽象，通过形式化框架，构建一个自洽的理论体系，并接受新实验的证伪检验。构造思维是很多复杂工程研发的典型模式，通过数字空间的迭代，减少物理空间实验的成本。但如果理论模型与物理世界相差较大，这些方式就有一定的应用局限性。例如，化工中的分子扩散、流体流动、热量传递等过程是可以用物理、热力学、化学反应、单元传递函数等数学模型来描述的，进而可以用计算机做化工设备单元设计和全流程集成优化等工作。然而用流程模拟和仿真来解决生产运行问题时，会发现计算结果与实际现场并不吻合，预测误差甚至高达50%[17]。其主要原因包括未建模要素（理想假设、排除非重要因素）、模型参数不精准、现场缺乏必要的测量数据等。虽然理论上有无限多种组合状态，但现实中工厂大部分时候运行在设定参数附近，现实的生产状态数目有限，这样生产3年就基本已经经历过90%可能发生的状态。数据模型本质是查表和插值，通过寻找与待预测点相似的状态点，根据相似历史状态预测新输出。虽然数据模型没有全局的推断能力，但已经可以应对有限状态了，在这种情形下，数据模型也许是一种最经济的做法。

很多具有工科背景的从业人员更相信确定性关系，对数据思维中的概率性关系常持怀疑态度。这种思维定式需要转变。首先，概率是一种关系描述方式，很多关系是天然随机的，例如，一个单词的音频中，音素的持续时间和停顿时长都是随机的，不但不同人会不同，同一个人两次说话都可能完全不同，但总体上有一定规律，这样的规律用概率模型描述比确定性模型或规则描述更合适。其实，概率可以近似看作研判的“置信度”，很多问题的研判本身也不是非黑即白的，存在模糊地带。最后，很多过程本质是确定的，但结果对模型参数、初始状态的敏感度太高（学术上说的混沌系统），对模型参数、初始状态的精确估算不可能或不经济，这时将模型简化为一个概率模型也许更实际。例如，抛硬币预测落地是正面、反面，在不存在空气扰动、地面平整且摩擦系数均匀的假设下，这个过程可以建模为一个常微分方程[18]，结果完全由硬币的质量分布、抛出时的初始状态确定，但结果对参数和初始状态的敏感度太高，还不如通过多次观察，建立一个概率分布模型更直接。钱学森[19]曾指出，从决定性的牛顿力学演化为非决定性的统计力学是一次科学进步；客观世界是决定性的，但由于人认识客观世界的局限性，会有暂时引入非决定性的必要。这是前进中的驿站，无可厚非，只是绝不能满足于非决定性而不求进一步澄清。

在信息化时代，数据作为一种信息沟通的媒介，通过数据透明和信息对称，提升企业的综合决策水平。在丰富的数据积累前提下，数据思维提供了另外一种认识世界的方式，用数据来发现问题、洞察规律，机器可以自动发现人工认知手段看不到的一些规律，将过去实证思维（观察试验、归纳总结）的小群体人工探索行为变成大规模机器自动挖掘的行为，加速与扩大了认知拓展能力。从行业应用的角度，数据思维把业务问题描述为数据分析需求，把数据分析规划为一个具有业务可行性的数据应用的能力。

在不同应用场景中，大数据发挥价值的途径不同。以工业设备为例，有些设备是标准化或参数化产品，有些设备是高度定制化的产品；有些设备工作相对独立，有些设备与其他系统强耦合。在不同情形下，设备大数据分析的价值途径不同，如表1-5所示。

表1-5　不同情形下设备大数据分析的价值途径

大数据的作用还体现在专家经验的精准化方面。工业中存在大量的操作经验和运行经验，有些经验比较模糊，只能靠语言和实践来掌握，有些经验可以用自然语言或专家规则表达出来，但仍存在歧义且不够定量，造成理解不一致。工业大数据有能力将部分经验明确化、定量化和标准化，形成结构化的模型，并可接受大量案例的检验，以提高经验的传承效率。虽然结构化模型可能会损失一部分经验信息，但结构化后，传递效率才能提高。在大数据时代，数据还有可能成为知识经验和技能的新载体，推动基于数据模型的知识共享和技能赋能，可提升生态组织开放合作与协同创新能力。

在微观层面，思维模式还体现在不同技术背景的人身上。工业大数据实践通常是操作技术（Operational Technology，OT）、数据技术（Data Technology，DT）、信息技术（Information Technology，IT）的3T融合。对同一个问题，OT专家与DT专家会从不同视角来审视，OT专家从机理角度，可以给出很多先决性研判或猜想；DT专家从数据统计的角度，可以给出数据上的现象表征。二者的不一致，可以让很多隐含或忽略的假设明确化。对OT专家来说，数据提供了一些额外的认识世界、验证猜想、分析问题的工具手段。

在工业数据分析项目中，机理模型与数据分析有3种结合方式（见图1-6）：① 有大量先验知识的课题，首先，明确OT的经验和假设，通过数据检验，形成有用的特征，接着，数据分析建模进一步定量化；② 数据驱动的课题，基于统计假设进行建模，在分析结果或现象解读时，融入OT专家的认知或经验，进一步提升模型结果；③ 数据驱动的课题，但存在前人的模型，这时做的是尽快用前人模型在新数据上运行，进行结果解读，然后再改进模型。另外，在这些计划中的执行模式外，通常存在很多“意料之外”的分支，在分析数据的过程中，存在临时发现的一些新课题，这些新课题发现的前提是对数据敏感性与领域认知的结合。

图1-6　机理模型与数据分析的3种结合方式

在数据分析项目中，欢迎专家直觉但更喜欢直觉背后的“研判依据”，尽管直觉或研判依据不一定完备或正确，但直觉触发了跨领域讨论的可能，“研判依据”给出了数据探索的思路，经过数据的检验和跨领域的推理讨论，不断追寻数据现象背后的要素和关系，形成相对完备和自洽的动力学关系图。

但数据思维自身并没有完全解决知识积累与传承的问题。在知识积累方面，从数据中自动学习的机器学习模型蕴含了知识，但通常为黑箱知识，缺乏演绎能力，与既有的形式化理论框架或领域专家的概念体系并不能无缝衔接，也就是说，还需要领域专家的解读、逻辑思考与验证工作，才能纳入既有知识框架体系。另外，物理过程的关键要素是否在大数据中有体现，在实际应用中也是需要校验的。在工业场景下，数据思维与专家知识的融合是一个待研究的课题。