创新者要比别人想得深一层

       前些日子去参观一家跨国公司,有同事问我的感受。我说：“相当于把监控系统搬到云上去。”  这句话用了数学专业常见的描述方式：把一个对象分成不变（监控系统）和变化（搬到云上）两个部分。

这种思维方式的典型，当属F.克莱因提出的“爱尔兰根纲领”：“几何学是研究变换群下不变性的学问”。这种思维方式最大的优点，是让人把精力集中在最关键、最本质的问题上。焦点集中对科学研究特别重要：这就像要用放大镜把光线集中于一点，才能把纸张引燃。

理解这种描述的前提，是对已有的、不变的东西有深刻的理解。从这个角度上讲，研究新生事物中的“不变性”本身是有学术价值的。

这就像我前面说的，“智能制造”中的多数思想来自于自动化、信息化、精益生产；智能制造推进业务转型，而业务转型的思想是过去老早就有的；智能制造需要知识数字化，而这些知识也往往是过去都有的......这些已有的东西，其实都是不变的部分。  

“察古方可至今”。如果不知道已有的东西，工作就不能聚焦、创新者往往会重复前人的失败——如果老方法能成功，前人老早就成功了。智能制造之所以能够给人带来成功，是因为在ICT高度发达的背景下，现在可以做得比过去“更好”： 反应更快、成本更低、质量更好.......这些都是程度的差异、或者说数量的差异，而往往不是定性的差异。

不要小看量的差别： 很多互联网企业的成功，不就是因为能让消费者“更”方便吗？ 这就是量变会导致质变。  

仅仅是“量”的差异，工作就简单了吗？肯定不是。为了得到更好的“量”的指标，人们需要想出各种新办法、走出各种新的途径、建立各种新的机制——这些办法、机制、途径，很可能是和过去有显著差别的，属于创新的范畴。这种情况属于：对目标的量的追求，导致方法定性的改变。事实上，当创新项目能变成用科学的思路、追求科学的量化指标时，可操作性就很强了。

更一般的情况是，创新成败就在于量的差异：所谓创新成功，就是收益大于成本；所谓创新失败，就是成本大于收益。所以，而创新总归可以归结到对“量”的改善。

创新者要拥抱不确定性、又要尽量把不必要的不确定性挤走——不挤走也可能成功，但成功的概率却要降低：人生的机会有限，总做成功概率太低的事情，人生会是一场悲剧。其中，估算概率也是量的问题。“谋事在人、成事在天”；能把不确定性的“量”降低到最小、估算得最准，也算是创新者的智慧了。所以，“量”的策划和估算，不是简单的事情、而是专业化很强的事情。

今天早上感叹恩格斯的伟大，是因为想起他说的一句话：“任何一门科学的真正完善，在于数学工具的广泛应用。” 前些天讨论工业大数据时，我引用了这句话。我觉得，理解工业发展走向精细化的历史，才能真正理解数据的作用。现在想来，如果把创新当成一种职业或学问，当它走向成熟的时候，不也是变成了与数量有关的问题了吗？

 写这篇文章的背景，是反思我对智能制造的认识。我深信：没有新意的思想，就难以成功、就可能是“伪创新”或者走向前人失败的老路。但研究得越多，会发现新意越少。这篇东西，就是回答对创新新意的认识。我笃信：创新者应该比多数人想得深一点。