DALL-E 图像生成器

多年来，我一直自称为分析方法论专家。这与我的正式学术训练和职业选择相吻合。这一说法常常引起困惑、好奇，甚至有时会遭到反对。对于许多人来说，_方法论专家_等同于通才，而在技术实施和所有目光都聚焦于人工智能的世界里，没有人愿意被称为通才。

传统上，方法论学者是那些研究定性和定量研究方法的人。“研究”一词从词源上讲意味着“寻求”：是一项“旨在增加知识储备的创造性且系统性的工作。”（经合组织《弗拉斯卡蒂手册》2015年版）

一个 富有创意的 和 系统的 工作……

实践方法论专家，无论他们是否与研究方法相关联，都是解决复杂问题的百科全书。一个 方法 是做某事的方式；一种方法。我认为，在任何行业的科学依据和高质量解决方案的交汇点是方法论。本文的其余部分将倡导将方法论作为一门学科。

在设计技术或分析解决方案时，我们常常是从我们想要实现的目标开始倒推。好的科学研究方法是首先确定问题，然后选择相关的方法来达到可行的解决方案。接下来，我们要使用相应的技术来实现这些方法，并用这些方法所需的数据填充这些技术。换句话说，数据驱动技术，技术实现方法，而方法的组合则解决了问题。

例如，如果我们试图解决的问题是COVID-19的传播，我们可能会追求如下的接触者追踪解决方案，如下图所示。接触者追踪的候选解决方案可能涉及两种方法：1）接触的社会网络分析，2）传染的数学建模（例如，SEIR模型）。这些方法的技术实现将涉及选定的技术或软件产品以及相关的数据集。概念解决方案的设计工作是由方法学家和数据科学家完成的。技术架构的设计工作是由解决方案架构师和工程师完成的。

图片由作者提供

分析方法论的优势在于能够识别出多种相关方法来解决问题，并理解实现这些方法所需的技术组件。这需要创造力和系统化的过程来理解多种方法，快速测试它们，并将其中一种方法推进到最终解决方案。

在一个研究项目中，这一过程可能需要几年时间和多篇学术论文。而在一个技术项目中，这应该只需要几周时间。它需要一种科学思维，并且具备敏捷的创造力和实验能力。

那么，分析方法论与数据科学或“AI/ML”之间的关系是什么？我们发现机器学习（ML）和人工智能（AI）近年来备受关注。从方法论的角度来看，我们可以将AI（作为科学领域）和ML（作为一系列方法）与其他技术方法并列看待。即使是备受追捧的生成式AI，也只是无监督学习的一种增量发展，尽管非常创新。

作为一名方法论专家，我一直觉得奇怪的是，尽管其他方法（如基于代理的建模……）仍然处于行业的阴影中，机器学习却得到了如此多的关注。国防部认为它足够特别，创建了一个全新的组织：联合人工智能中心（JAIC），现为首席数字和人工智能办公室（CDAO）。国会还为机器学习算法和生成式人工智能的应用拨出了专门的资金流。

我不知道还有其他哪种方法有自己专门的国会拨款渠道。那么为什么人工智能会如此特殊呢？

方法论专家的答案：并非如此。合适的上下文答案：情况复杂。

机器学习算法处理数据量的方式是人类无法比拟的。作为回报，它们需要大量的计算能力。并且需要高质量的数据。最终，机器学习算法是复杂数学的计算实现。这意味着复杂数学的结果现在掌握在分析师用户手中。这，我认为，是非常特别的。

机器学习算法还可以超越其预定的训练或用途发展，这是其他方法无法做到的。这就是机器学习中的“学习”，以及生成式AI中的“生成”。但现在我们在这个方法类别中最引人注目的特征在于语言生成。无论大型语言模型（LLM）的实际能力或理解程度如何，它都能用我们的语言交流。当某物用你的母语与你对话时，这种体验会引发信任。#拟人化 没有其他方法能用简单的英语回应方法论者。

虽然这些因素确实使AI成为一个独特的科学领域，包含了一套独特的分析方法，但机器学习算法最终仍然是方法，它们并不适用于每一个问题。在应用这些方法时，仍然需要一种方法论思维，即在适合使用这些方法的地方使用它们，在不适合使用的地方则应用其他方法。

我们这些方法论者在各个行业中提炼出许多创造性的解决方案。我之前写过关于图分析 和 实体解析，前者是一种分析方法，后者则更偏向于数据工程方法。还有传统的方法（例如，模拟、聚类分析、时间序列分析、情感分析）。当然，还有机器学习（监督学习、无监督学习和强化学习），以及一系列统计预测方法。还有认知思维策略（例如，换位思考、角色扮演、竞争假设分析、多标准决策矩阵）和更多面向实践者的能力（例如，地理空间建模、生活模式分析、高级数据可视化技术）。

尽管这些方法绝非全面，但它们在各个行业中的应用各不相同。最终，它们就像是乐高积木，旨在由方法论专家组装成解决任何行业或企业所面临挑战的宏大方案。

那么，在迫近的截止日期下，我们如何将严谨的科学和高保真的方法论应用于快速交付的技术解决方案呢？

我们太多次地以数据为先发起努力。“我们有这两个数据集；我们能从中得到什么启示？”虽然这是一个组织内部对数据提出的完全合理的问题，但这未必是进行基于科学的探究和解决问题的最佳方式。

为了加速研究、快速原型设计和高质量的解决方案，您的组织需要一种方法论思维，以便围绕问题进行定位，并从解决方案的基本原则开始。如果没有方法论，我们会被新兴技术淹没，只会越跑越快，却离目标越来越远。