这篇文章还是我的研究感悟，想动笔久矣。
研究无非就是两种思路：归纳法和演绎法，其他不过是二者不同比例的混合。从牛顿时代起，演绎法占据主流，也就是说力图通过理性的思维去认识和改造世界。这种思想推动了无数伟大的发现，尤以理论界为最，比如门捷列夫的元素周期表，爱因斯坦的相对论，阿兰古斯的宇宙暴涨模型，希格斯粒子的预言及发现。大众心中最牛的演绎法例子大概是图片里的福尔摩斯（另一张图当然是大反派莫里亚蒂教授啦），但原著中写着他有着庞大的知识库，依然是个归纳法天才。然而近些年来，很多研究不再能走演绎法的道路，因为认识到世界太复杂了，复杂到很多问题不能用单一的理论模型去求解。作为一名工科狗，我更能举出身边的很多例子。比如模式识别领域曾经风靡一时的专家系统早就不再吃香，代之以各种概率统计模型。一个专家的经验知识始终有限，多人多个样本提供的统计规律才有说服力。李开复当年在研究语音识别时就有同样的思路转变，当然这是陈年旧事。
做实验时，没有几项实验结果是与最初预测一致的。于是乎一张张气不过的面孔上写着这样的话：实验结果不对，一定是实验出问题了。但是，对于一个新领域来说，往往不是实验错了，而是理论本身就需要修正。把一个复杂的化工过程，电网系统，或交通系统简单用几个动态方程写出来，已经作了很大简化，忽略了很多细节。很多新思想来自于自然而非思维，比如先有了金属热处理，然后才启发出了模拟退火算法。数学伟力的top down得以让科学家们计算出了冥王星的存在以及E=mc2，但更伟大的发现一定来源于对自然的观察。有一次一位做通信的日本教授作了一场光触媒的报告。我提了一个问题：您是怎么研究这两个相距甚远的方向的。他说他在通信中用到光学传感器，后来观察到了光触媒的潜力，从而进入了这个领域。这是做研究的正确思路，发现问题而不是发明问题。
之前几个朋友在一起聊天，说起另外一个朋友准备解决油田管道里偷油的检测问题。之前想的很简单，连续测管道各点压力，如果有一点压力迅速下降，则一定是有偷油贼在行动。结果在实践中发现行不通，因为偷油口处的压力差并没有大到能检测出来，换句话说，管道其他正常地方的压力差可能比偷油口还要大，因为油的流动有涡流存在。我们当时讨论了几种可能的替代方案，比如流量差，比如巡线机器人，但都被很轻易的找出漏洞。讨论到最后，我的结论是，要想真正找出解决方案，就要找一个偷油口，把所有数据都采集上来分析，看看和其他正常部分究竟最本质的区别是什么，这就是bottom up。大部分老牌汽车企业的汽车更靠得住，就是因为他们的故障诊断数据库更完整，有着更完善的bottom up数据及解决方案。我博士毕业那阵子，兴起了一个名词叫数据驱动。现在就更加简练而广为传颂了：大数据。大数据目前还被形形色色的炒着概念骗着钱，但在竞争激烈的当代，它很快就会进入寻常百姓家。大多数只会炒概念的人不过是牛型气球，一根小针就会让他破掉。抬头看天，低头做事，脚踏实地，凡莫如是。