简单的道理，智慧的选择

在智能制造领域，我不太喜欢强调预测性维护、人工智能、深度学习这些概念。一个重要的原因，是我觉得这些理论和方法不怎么具备“一般性”。 虽然常有朋友举出例子，证明这些方法在某个地方用的好。这时，我常会对他说：即便有人看到有兔子撞树，我也不会花时间在树下等待。

一般性追求的，不是小概率事件。所谓“一般性”，就是这个方法或思想在很多场景下使用，而不是仅仅适合于少数特殊的场景。好的理论，一般都具有这种特性。微积分就是典型。过去，每个求面积的方法都要用特殊的技巧。有了微积分，则可以用这个方法求各种曲线下的面积。其实，代数方法、解析几何、牛顿力学都是这样的一般性的方法。维纳的控制论思想，则是一种一般性的思想。这种思想产生了80年了，还能指导我们现在的工作。当然，很多哲学思想，更是具备一般性的。

我不喜欢预测性维护，是因为很多设备的故障真的是难以预测的，能预测的是小概率事件。与之相比，我喜欢的是：远程点检、智能维护，就是通过改变人机结合的方式来进行点检和维护。而这样的做法是可操作的。

我不喜欢在工业界强调“人工智能”，喜欢用的词是智能化。因为学术界“纯种”的人工智能，在工业界的用处其实并不是很多。而智能化仅仅是指通过信息的感知、决策和执行的统一来实现——就是我常说的“吴淑珍式的智能”。这样的方法显然具有一般性。

我不喜欢复杂的大数据分析算法。因为复杂算法的分析结果是不可预知的。我崇尚的方法是把人的思想和做法用数字化方法来实现、帮助人做得更好。这基于两个基本假设：面对复杂问题时，人总是会有些办法的；而数字化的办法，总是能够使人的工作效率提高。故而，两者的结合具有一般性。

所谓具有“一般性”，最终表现为“道理容易想明白”。这又归结为我对工业界技术方法的一般性认识：“模糊问题清晰化、复杂问题简单化”。

这个对方法 论的一般性认识，又可以归结为对工业问题本身的认识：工业为了追求极端的性能，系统不得不变得极端复杂；工业为了追求极端的稳定可靠，需要设法有效地掌控复杂性。所以，“模糊问题清晰化、复杂问题简单化”的思路，在解决工业问题时具有一般性。

智能化对工业的发展非常重要。这一点我非常认可。而其本质要义之一，就是让计算机帮助人类更好地掌控工业过程的复杂性。没有复杂性，也就没有现代工业、没有智能化的必要。这个观点，也应该是具有一般性的。

有人可能会搬出一些道理，说明研究小概率事件的伟大意义。的确，科学的发展往往是从发现“黑天鹅”才开始的，发现小概率事件的意义很重大。而且，通过对小概率事件的研究，可以将其转化为大概率事件。

但是，当我们把视野转向企业，就会发现：企业追求的是投资效率，故而需要排斥小概率事件。所以，我们要知道：科学研究和企业的技术活动，是有本质性区别的。这句话我们说了很多年，但理解它的人仍然不多。

最伟大的道理往往是简单的；复杂到想不清楚的观点，往往是骗人的。这个原理，似乎具有一般性。