理論上最好的辦法，往往是最簡單的、也是最容易想到的。幾何學告訴我們：兩點之間直線最短；狗沒有學過幾何，但卻知道沿著直線的方向去追兔子；幾何學告訴我們，正六邊形建設蜂巢時，是最節省材料的做法；蜜蜂沒有學過幾何，卻建起了正六邊形的蜂巢。
現實中有些好的辦法，沒有采用理論上最佳的辦法。是因為不知道理論嗎？不是，是理論的方法走不通！現實中是存在約束的，使得理論上最優的辦法不可行。這就好比：要做到河流的對岸，直線是最短的路線。但受到河流的阻斷，這條理論上最短的路線是走不通的?，F實中最短的路線，可能是繞道遠方的橋梁。如下圖所示：
“如無必要、勿增實體”。這個原理被稱為“奧卡姆剃刀”。意思是簡單的就是最好的。這個原理，被無數的科技實踐證明。真正熱愛科技的人，往往喜歡簡單的辦法。喜歡顯擺的人，才喜歡復雜的辦法。
所以，面對一個問題(比如數學建模問題)，科學的方法論應該是：首先要去想最簡單、最直接的方法是什么？如果最簡單直接的做法走不通，再去探討：什么原因阻礙了這個辦法的應用？原因找到之后，再去想：在存在阻礙的前提下，最簡單的、次優的方法是什么？如果次優的方法仍然走不通，就再次去找到潛在的阻礙，直到找到現實中最簡單的辦法為止。
但是，我們許多同志，稍微遇到一點麻煩就直接采用那些復雜的方法。比如，當簡單線性模型的精度不高時，就采用復雜的AI算法。他們不去考慮：導致模型誤差大的原因是什么?，F實往往是數據質量不理想、數據誤差太大。面對數據質量的約束，復雜模型就能解決問題了？其實，復雜模型會帶來更多的麻煩，最典型的就是穩定性差。
當模型穩定性差的時候，許多人不去研究導致問題的原因，統統歸結為“模型可泛化性”差。豈不知：數據本身有問題時，相同的模型輸入，輸出可能是不一樣的。今天精度高，明天就會精度低。這是可泛化性問題嗎？搞科技工作的人，切不可人云亦云。
筆者經常強調回到問題的本源。如果模型問題的本源，是數據質量有問題，那就設法去解決數據質量問題。你用復雜的算法來掩蓋問題，豈不是舍本取末？
我們過去一直強調理論聯系實際。什么是理論聯系實際？就是多花點時間去研究實際(約束和條件)，少閉上眼睛搞方法。實際問題研究不透，就去找高級方法，就是理論脫離實際。
來源：儀表圈/作者：郭朝暉，工業自動化博士、教授級高工，專注于工業數字化轉型及技術創新研究領域
