理论上最好的办法，往往是最简单的、也是最容易想到的。几何学告诉我们：两点之间直线最短；狗没有学过几何，但却知道沿着直线的方向去追兔子；几何学告诉我们，正六边形建设蜂巢时，是最节省材料的做法；蜜蜂没有学过几何，却建起了正六边形的蜂巢。
现实中有些好的办法，没有采用理论上最佳的办法。是因为不知道理论吗？不是，是理论的方法走不通！现实中是存在约束的，使得理论上最优的办法不可行。这就好比：要做到河流的对岸，直线是最短的路线。但受到河流的阻断，这条理论上最短的路线是走不通的。现实中最短的路线，可能是绕道远方的桥梁。如下图所示：
“如无必要、勿增实体”。这个原理被称为“奥卡姆剃刀”。意思是简单的就是最好的。这个原理，被无数的科技实践证明。真正热爱科技的人，往往喜欢简单的办法。喜欢显摆的人，才喜欢复杂的办法。
所以，面对一个问题(比如数学建模问题)，科学的方法论应该是：首先要去想最简单、最直接的方法是什么？如果最简单直接的做法走不通，再去探讨：什么原因阻碍了这个办法的应用？原因找到之后，再去想：在存在阻碍的前提下，最简单的、次优的方法是什么？如果次优的方法仍然走不通，就再次去找到潜在的阻碍，直到找到现实中最简单的办法为止。
但是，我们许多同志，稍微遇到一点麻烦就直接采用那些复杂的方法。比如，当简单线性模型的精度不高时，就采用复杂的AI算法。他们不去考虑：导致模型误差大的原因是什么。现实往往是数据质量不理想、数据误差太大。面对数据质量的约束，复杂模型就能解决问题了？其实，复杂模型会带来更多的麻烦，最典型的就是稳定性差。
当模型稳定性差的时候，许多人不去研究导致问题的原因，统统归结为“模型可泛化性”差。岂不知：数据本身有问题时，相同的模型输入，输出可能是不一样的。今天精度高，明天就会精度低。这是可泛化性问题吗？搞科技工作的人，切不可人云亦云。
笔者经常强调回到问题的本源。如果模型问题的本源，是数据质量有问题，那就设法去解决数据质量问题。你用复杂的算法来掩盖问题，岂不是舍本取末？
我们过去一直强调理论联系实际。什么是理论联系实际？就是多花点时间去研究实际(约束和条件)，少闭上眼睛搞方法。实际问题研究不透，就去找高级方法，就是理论脱离实际。
来源：仪表圈/作者：郭朝晖，工业自动化博士、教授级高工，专注于工业数字化转型及技术创新研究领域
