幸存者偏差：提出问题，建立模型，解决问题

很多教科书讨论问题时，往往都符合一个套路：首先提出问题，接着建立数学模型，最后对这个数学模型给出完美的理论解。然而自己做科研项目的时候，却遗憾地发现：模型往往找不到理论解。

后来才意识到：教科书中的套路，其实是一种幸存者偏差：如果模型或方程没有解，就不可能写在教科书上。所以，教科书中的方程都有解，但遇到实际问题时就不一定了。

我们要看透幸存者偏差。许多人写论文的时候也会遇到方程不可解的情况，但他们会修改问题或模型，直到它们有解为止。这时就能发表论文了。当然，这样的论文有没有用处，是另外一码事了。

没有理论解怎么办？

迭代优化：“先做成、后做好”。

现实中的问题往往比教科书和论文上复杂。我们往往遇到的往往是多变量、非线性、不确定性问题。这些问题往往找不到优美的理论解。进入计算机时代，有个比较通用的办法可以应对这类问题：这就是迭代优化~从一个初始点开始迭代，直到找到基本理想的解为止。迭代算法虽然不是那么优美，却总能找到办法。人工智能算法中，也大量应用了迭代算法。

迭代优化不仅是一种算法，还可以看成一般的方法论。人们从事产品开发、商业模式创新、组织建设等工作时，往往都会采用迭代优化的方法。我称这种方法为“先做成、后做好”。

我在宝钢做了十多年性能预报模型，其实也是用迭代求解的思路。不过，做迭代的不是计算机，而是我这个人。我先后花了十多年的时间，不断去修正和优化模型当中的参数直到对大量的案例都合适为止。人工参与迭代很麻烦。有时候，为了修改一个参数，要花费1~2个月的时间。

我当时也想过，希望能找到一个自动迭代的办法。但现实中很难实现。这是因为，在“迭代”过程中会遇到各种个性化问题，需要人来判断和解决。从业务流程上看，这些需要人来做的事情就是“断点”，大大影响了做事效率。

现实中，非线性多变量的问题几乎没办法找到理论解，只能通过不断迭代求解。

生产过程中许多需要优化的事情，本质上都是迭代求解。

比方说设计一个产品时，先要设计出来再计算性能、判断可制造性等；如果其中发现有问题，就修改设计，直到得到好的设计为止。

再如，工厂安排生产计划时，需要多个工序相互协同。常见的做法往往是：各工序首先自己安排自己的计划，然后大家碰一下；出现矛盾的时候修改一下自己的做法，再看看能不能生产，直到找到大家可以接受的做法。

在现代工业中，分工越来越细，需要协同的事情就越多、越来越复杂。做一件事时，如果能把相关的工作都拿进来综合优化（端到端），往往能得到更好的效果。这时，问题的复杂性就增加了，迭代优化的机会也就多了。

如果这种综合优化需要人类来做，并且做一次要花很大的功夫，优化效果往往就不太理想。这是因为人性是懒惰的：只要找到一个可以接受的做法，往往就不愿意继续优化了。

孙子说：多算胜，少算不胜。

迭代次数多了、参与迭代的内容多了，就容易找到更好办法。而解决这种问题的办法就是让计算机去做，因为计算机不怕麻烦。

所以，如果某件事的迭代优化可以全在计算机里面进行，迭代效率就可以大大升高、迭代次数可以极大增加。这时，就可能从成千上万种做法中找到最好的，优化效果也可能会有量变到质变的变化。

我们要采集更多的数据、要做更多的信息集成、全数字化设计、提高计算机的容量和算力，其实都是为这类工作奠定条件。这些工作做好以后，数字化技术的作用就大了。