数据-知识共驱动的工程与管理创新：浙大团队最新研究成果

创作时间:

作者:

@小白创作中心

数据-知识共驱动的工程与管理创新：浙大团队最新研究成果

引用

澎湃

https://m.thepaper.cn/newsDetail_forward_29686822

随着人工智能（AI）与现代工程、管理领域的融合，生产与管理的效率、精细度与可持续性得到了显著提升。尽管纯数据驱动模型取得了较好的实践应用效果，但在高风险决策中，往往难以展现足够的可靠性和可解释性。例如，当前的生成式AI模型（如ChatGPT、LLaMA等）在某些任务中表现优秀，但由于其“黑箱”特性，仍不适用于关键行业及决策场景。此外，数据集的偏差或异常值也会对模型的效果及鲁棒性带来一系列负面影响。近期，关于“AI泡沫”的讨论批评了生成式人工智能“投入太多，收益太少”的现象。

本文指出，数据-知识共同驱动的模型是未来的发展趋势。通过引入各类知识可弥补数据驱动方法的不足，特别是融合物理规则、人类专家知识、实证和神经学指标等指导性约束。这类方法可提升模型的可解释性和可靠性，拓展工程与管理科学研究前沿。

数据-知识共同驱动框架

文章提出的数据-知识共驱动的工程与管理创新框架包括四个关键步骤：

数据生成：在各种工程与管理任务中（如感知、诊断、预测与仿真等），生成多样的数据流。
知识发现：通过深入分析数据，发掘潜在的物理规律、专业知识、实证或神经模式等有价值的知识。
模型生成：将发现的知识引入数据驱动模型中，进行有效的整合与优化。
模型应用：将共驱动的模型应用于实际任务，并通过闭环反馈进行调控与优化，既能发挥数据模型的优势，又结合知识引导，增强系统的决策能力。

图 1 数据-知识共驱动框架

数据-知识共驱动方法：多种路径解决实际问题

为了实现数据与知识的深度融合，文章凝练了以下几种建模方法，以提升模型的可解释性与可靠性：

物理启发式方法

物理启发式方法通过将物理模型或数学约束条件嵌入数据驱动模型中，从而减少无效或异常输出。传统的数据驱动模型由于缺乏物理约束，可能产生不符合实际的异常结果，而物理启发式方法通过引入惯性、动量、引力等物理法则，能够有效避免这些异常。

例如，物理启发式神经网络结合了物理规则，通过计算基于物理模型和神经网络的训练损失，构建综合损失函数进行训练。这种方法不仅能帮助求解偏微分方程，还能有效处理高维问题，特别在智能感知、估计和预测等工程领域中的表现尤为突出。物理信息的应用不限于物理规则，还可以扩展到代数、几何、拓扑等数学规律，为数据驱动模型提供更加可靠的约束。

专家系统嵌入方法

专家系统嵌入方法通过存储和利用领域专家的知识，支撑智能决策。具体而言，通过知识库存储专业知识，并通过推理引擎（如前向链推理和后向链推理）处理复杂问题。专家系统的优势在于弥补人工决策中的知识盲区，特别是在面对高度专业化和复杂的决策任务时，能够提供更精准的判断与建议。

此方法广泛应用于需要专家知识的领域，如交通管理、柔性制造和数字医疗等。例如，在管理决策中，专家系统通过分析大量数据和专业知识，帮助制定更为有效的政策和策略；在医疗领域，专家系统能够帮助医生诊断复杂病例并提供治疗建议。

证据驱动方法

证据驱动方法结合大量的实验数据和科学证据来优化决策。这种方法源于“循证医学”的理念，旨在结合研究证据、临床经验与患者需求，以提供个性化的治疗决策。证据驱动方法通过整合大量科学试验数据，提取并运用有用的知识，为决策提供强有力的支持。

该方法适用于那些缺乏明确规则或专家知识的复杂决策任务，如复杂优化问题等。在工程和管理领域，证据驱动方法帮助决策者在面临多种选项时，通过验证实验或系统性回顾研究，找到最合适的解决方案。

神经启发式方法

神经启发式方法通过模拟人类大脑的神经活动，设计出具有人类认知特征的智能模型。通过脑电图（EEG）、功能磁共振成像（fMRI）等技术，研究人员能够获取人类在执行复杂任务时的神经反应模式，并将这些神经学信息应用于AI系统，提升其感知、决策和适应能力。

例如，自动驾驶领域的神经启发式方法通过模拟驾驶员的认知模式，使自动驾驶系统能够理解和预测人类驾驶行为，从而实现更安全、更高效的协作。此外，这种方法还能够被用于其他物种的神经模式研究，进而开发生物启发的AI系统，提升机器的适应性和学习能力。神经启发式方法不仅能改善数据驱动模型的可解释性，还能减少对人类劳动的依赖，在一些认知密集型任务中甚至可以取代人工。

挑战与前景

与纯粹的数据驱动方法相比，将显性知识融入模型能够加速模型优化、减少干扰性输出并提高模型的可解释性和可靠性。尽管在具体工程和管理场景中，定义和建模知识仍需大量工作，但这项研究仍具有重要的价值。这类研究能够揭示隐含的数据特性并对潜在机制进行建模，提高实际工程管理任务中数据的闭环反馈，推动工程与管理研究的发展，最终提升AI系统的可信性及有效性。