难道机理模型的作用小了？在我看来，不是机理模型的作用小了，而是经验知识的用途更大了。
我们先看数学(机理)模型的作用。数学模型反映的是因果关系。模型的应用可以分成正向和逆向两种。正向利用模型时，是根据当前容易测量或者获得的“原因”(自变量)推算难以测量、获知的“结果”(因变量)。典型的应用包括软测量和预测。逆向利用模型，则是为了得到某个特定的“结果”，去寻求“原因”。典型的应用就是优化。数学模型的一个巨大优势，是精度高。
一般来说，模型适合描述简单、抽象的对象或系统。而大系统、超大系统是由若干小系统构成的。我们针对小系统建模，但小系统模型误差的积累，可能会让大系统的模型误差太大，甚至完全失去指导意义。这个时候，人的经验知识就可能变得重要了。
人的有些经验，是根据外在表现来判断的。比如，看到一个人脸色发红、大声吼叫，可以判断这个人“生气了”；听到某些声音，知道机器可能出毛病了。这些现象往往可以用科学模型解释--但模型精度不够时，可解释并不意味着能直接推算出来。也就是说，模型只能用来分析可能性，而不是必然性。这时，经验的作用往往就大了。而经验的可靠性，依赖于实践的验证和总结。
一般来说，采用模型的优势是精确度高，麻烦是精确度低。所以，经验更多地用于定性地判断问题。比如，机器是不是坏了？质量是不是有毛病？操作工有没有偷懒？
定性的知识在工业中特别有用。一个根本性的原因是：现代化工业往往是标准化的。我对标准的理解是：标准做法不一定是最好的做法、超出标准也不一定会出问题。但按标准去做一定是可行的、并且往往是较好的。更重要的是：有了标准才能进行有效的管理、才能保证产品质量的一致性和有效协同，才能有现代化工业。所以，只要关键指标不在标准之内，就要进行干预。
人们经常需要判断的就是“是不是在标准范围之内”。这就是一个定性的指标、人类往往是有经验的。如果我们能够借助数字化的方法建立各种标准，并采集到的相关的数据，就可以用计算机来自动地判断是不是“在标准范围之内”。在数字化时代，标准不仅仅可以是某个数值，还可能是某条曲线、甚至更复杂的多维信息。所以，数字化让标准化的能力更加强大了，也便于把经验知识固化。
总之，智能化往往针对“大系统”。真正的大系统往往需要人类的经验。在这些场景下，把人类经验知识数字化，可能比采用纯粹的数学模型更有效。
这篇文章讨论了强调“经验知识数字化”的背景。“强调”另外一个侧面是相对的“淡化”：淡化机理模型的作用。为什么要淡化？原因之一是学术界有些过度强化机理，而对经验数字化重视不够，要纠偏。学术界喜欢精巧的算法和模型。而精巧的算法往往基于精巧的模型。但精巧的模型往往基于特别精确的模型。但模型精确是有条件的。影响模型精度的，是参数的不确定性、不稳定性和各种环境干扰的存在。这些原因引起的误差，往往远远大于模型本身的错误所导致的误差。当系统足够大时，子模型误差的积累就会很大、计划机会失效。这时，过度精巧的模型用处就小了。
作者：郭朝晖(工学博士，教授级高工。企业研发一线工作20年)
