科技发展过程中，常有 “领域变迁”的问题。

比如，最早的自动化理论是针对线性单变量的。随着技术的发展，从单变量走到多变量、从线性走到非线性、从确定系统走向不确定性系统等。在这个过程中， “问题的领域”基本上是不变的，但“方法成熟的领域”在不断拓展。在这种拓展的过程中，问题的难度会不断地增大，后来会变得举步维艰。尽管如此，“方法成熟的领域”或许永远都无法覆盖“问题的领域”。

但科学发展往往不会一直沿着这种模式发展，而是会发生 “领域”的变迁。

比如，从自动化到智能化的过程，其实就改变了领域：自动化系统一般是封闭的小系统，智能化系统一般是相对开放的大系统。这时，如果还想采用自动化理论中 “建立模型、提出要求、数学推导、仿真验证”等套路时，就会发现：第一步就会被卡住，而数学推导更是难上加难。

很多同志对数学有个印象：除了个别 “世界难题”，似乎再难的数学题目都能得到解。后来我才发现：现实根本不是这样。许多个性化的问题，根本没有办法理论求解。我们看到的“每个问题都能解决”，其实是一种“幸存者偏差”：能解决的问题，才会写成论文、写入教科书和习题集；解决不了的，也就写不成论文、写不到教科书和习题集中了。现实的论文是怎么写成的呢？有位老师总结了两个字“猜、凑”：猜出结论、凑出条件。通俗一点说：遇到一个问题无法求解的时候，可以改变题目本身，让它变得能够找到解。

所以，解决智能化问题时，一般不能走过去的老路。常见的路子是：把人的知识、实践经验数字化，用于系统的管控。这样，就避开了复杂的建模和求解问题。人是很了不起的：遇到再复杂的问题，专家几乎总会有办法。搞智能化的人不必去关心这个办法是怎么来的，只要把他们的知识数字化就可以了。只要计算机管控有足够的优势和经济性，就会成功。

除了 “领域的变迁”，还有一种常见问题是“关键的变迁”。其中，“领域的变迁”会引起问题的变化，而“关键点的变迁”是问题研究深度的变化。

大家知道，现在的人工智能开源软件很多。为什么还有些公司要花大价钱研究了。因为有些商业应用，需要更多可能的结果。比如，有些人脸识别的准确率要达到 99.9999%才能走向实用化。开源软件的识别率可能有99%（我随便猜的），但达到99.9999%的要求则需要自己来开发。在这个过程中，就可能有若干种问题转化问题。开始的时候，可能是尽量寻找更多的样本、尽量优化模型的参数。在某个阶段，研究重点有可能转向如何评估识别结果的可信度；在另一个阶段，可能是如何提高“足够可信的人”的比例、寻找可信度低的原因。

科技的发展，其实往往是在 “领域变迁”、“关键点变迁”的过程中发展起来的，而不是“一条道走到黑”。事实上，科技活动者所谓的“灵感”，往往就是遇到困难时，突然发现了这种变迁，让人觉得“柳暗花明”了