看了一门AI课程，我决定开始写点东西
今天看了一门工业AI的概述课程，想了解一下大公司对工业AI的技术体系和实际应用的理解。课程从工业4.0、智能制造讲起，介绍了信息物理系统（Cyber-Physical System, CPS）、数字孪生等概念。看着这些熟悉的名词，我又产生了那种久违的反感。
这些年来，技术领域似乎总是不缺新概念。这门课程又提到了老生常谈的几个智能工业相关的概念：工业 4.0、数字孪生、元宇宙，每一个听起来都很先进，仿佛预示着一场新的技术革命。但仔细了解以后，经常发现其中不少技术早已存在，只是经过重新组合，又被赋予了一个新的名字。过去遇到这样的内容，我通常看不了多久就会失去兴趣，与其花时间理解这些宏大的概念，不如直接学习具体的技术原理和实现方法。
例如信息物理系统。按照常见的介绍，它通过传感器感知物理世界，由计算系统分析和决策，再通过执行机构影响物理过程，形成反馈闭环。看到这里，我的第一反应是：这不就是已经应用了几百年的闭环控制系统吗？传感器、控制器、执行器，这些技术在工业自动化领域已经存在了几十年。为什么今天重新组织起来，就又给它造了个词，成了一个新学问？
类似的疑问还有数字孪生。设备建模、仿真、实时数据采集，这些也不是什么新鲜事物。它们当然可以随着计算平台、网络和算法的发展获得新的能力，但这些能力究竟新在哪里，又解决了什么过去无法解决的问题？相比这些具体的技术问题，很多介绍似乎更热衷于做一个看起来宏大的宣传片，描述智能化、自主化、协同化，以及它们将如何改变未来的工业生产。
今天，我没有像过去一样直接关掉课程，而是开始思考另一个问题：如果这些概念真的只是给旧技术换了个名字，为什么它们能够被广泛使用，并且在工业界和学术界长期存在？
CPS这一术语最早是由美国国家科学基金会（National Science Foundation）的项目主管Dr. Helen Gill于2006年 提出的。它在“工业 4.0”战略中被定为核心基石；被美国总统科学技术顾问委员会列为关键技术；在《中国制造2025》中也被列为关键技术。
我想到了我比较熟悉的云计算这一概念。服务器、虚拟化、计算机网络、和分布式存储，在云计算出现之前就已经存在了。但云计算显然不只是把这些技术换了一个名字。它重新组织了计算资源的管理和交付方式，让企业能够按需获取计算能力，并根据业务需求弹性扩缩资源。基础技术不一定是新的，但它们所形成的规模化的系统能力、和新的商业模式，却可以创造新的价值。
20世纪中叶，美籍奥地利生物学家贝塔朗菲（Ludwig von Bertalanffy）在《一般系统论：基础、发展和应用》中确立了系统整体性原理：系统是由相互联系、相互作用的要素构成的有机整体，系统的整体功能是各个要素在孤立状态下所不具备的全新性质。
从这个角度再看CPS，我开始理解它的意义。当计算、通信和物理过程被放在同一个系统中考虑时，我们需要关注的就不再只是某个控制算法是否正确，还包括网络延迟、设备协同、系统可靠性等问题。这些问题当然早已有相关研究，但这些因素互相影响形成的系统带来了新的复杂性。CPS提供了一个更广泛的系统视角，让不同专业的人能够围绕同一个系统进行讨论。
除了新的系统带来的新性质，这些宏观概念还有一个重要作用，就是连接技术与业务。工程师关心算法、协议和系统架构，企业管理者关心生产效率、运营成本和投资回报。他们讨论的可能是同一个系统，却需要不同层次的语言。一个好的技术概念，可以帮助双方建立共同的理解，并把业务需求转化成具体的工程问题。
想到这里，我发现自己过去可能混淆了两个问题：一个概念是否有存在的合理性，和它是否被过度包装，其实是两回事。 我依然反感那些缺乏技术内涵的宏大叙事，但也开始理解，系统集成和新的抽象方式本身就可以创造价值。真正需要警惕的，不是新概念，而是把新概念当作技术先进性的证明。
带着这样的想法，我继续看课程。接下来介绍的是AI的基础知识，用一张知识地图貌似很有逻辑地组织起来AI的各种名词，例如知识表示、搜索、推理、机器学习、深度学习、强化学习。看着那些由方框、箭头和缩写组成的知识地图，我又想起了读很多文章中的另一个经常遇到的问题。
很多文章喜欢用一张复杂的图表概括整个技术领域，仿佛列出的名词越多，内容就因此具有更高的高度。但图表中的技术名词即使都正确，也不意味着它们之间的关系得到了准确的解释。例如深度学习是机器学习的一个子领域，而强化学习是一种学习范式（Paradigm），两者可以结合使用，并不是彼此独立、依次发展的技术阶段。如果只是把这些概念排列在一起，却不说明它们之间究竟是什么关系，很容易让初学者产生误解。
想到这里，我突然冒出了一个念头：既然我一直觉得有些内容没有讲清楚，为什么不尝试自己写点东西？
其实我很早就有这样的想法。从2018年接触计算机后不久，我就用博客作为思考和经历记录。但后来，学得越多，就越发现不懂的更多。似乎我在这汪洋的知识中十分渺小。自以为班门弄斧，便停止了分享。随着进入工作和生活的经历，发现每个人的经验都是有限的。很多自己自以为很简单的问题，在其它人那里很可能完全没遇到过，反之亦然。
这些年在工作和学习中接触过不少技术，也遇到过许多具体的工程问题。有些问题需要查阅大量文档、分析日志、反复试验才能解决，但解决之后往往就过去了，最多留下几条零散的markdown笔记。除此之外，平时读过的书、看过的文章、工作中的经历，以及对一些现象的思考，也大多停留在脑子里，过一段时间便渐渐淡忘了。现在想来，多少有些可惜。
尤其是今天，LLM已经让内容创作变得比过去容易得多。整理资料、组织结构、修改语言，很多原本耗费时间的工作都可以借助LLM迅速完成。但这也带来了一个有意思的问题：当制作一篇看起来专业的文章、一套完整的课程变得越来越容易时，我们又该如何判断其中究竟有多少真正的理解和思考？
我发现自己的阅读习惯也在不知不觉中发生了变化。如今每天都有大量文章和视频被推荐到眼前，但我已经很少点开陌生的内容，而是更愿意阅读那些长期关注的作者的作品。肯定有大量的我不知道的优秀陌生作者，只是每天需要处理的信息太多，实在没有精力逐一辨别。相比标题是否吸引人，我更在意作者过去写过什么，是否有自己的见解，又是否认真对待事实。想来有些矛盾，LLM让内容的生产变得越来越容易，但要让别人愿意花时间阅读，却未必因此变得更简单。一个人长期积累的信誉，反而可能比他生产了多少内容更加重要。
说起来，我现在重新开始写作，也谈不上有什么独到的见解，更不敢保证每篇文章都有多少价值。但至少希望自己能够认真对待写下的内容，尽量分清事实与判断，不懂的地方不装懂，有了新的认识也不必固守过去的观点。至于以后写些什么，我还没有明确的计划。可能是工作中遇到的技术问题，也可能是一本书、一段旅行经历，或者某个偶然引起兴趣的话题。把当时的想法留下来，以后再回头看看，也是一件有意思的事。
今天原本只是想看一门工业AI课程，最后却想起了2018年那个曾经写过博客、后来又因为觉得自己懂得太少而停止分享的自己。如今依然有大量不懂的东西，但似乎不必再为此等下去了。
那就从这篇文章重新开始吧。