姚夢娜提出的這個問題，對於常浩南來說，不難理解。

    只是很難解決。

    真要說起來的話，這涉及到文本挖掘、數據可視化、信息檢索、數據挖掘、機器學習乃至人工智能等一系列問題。

    如果真做到姚夢娜所設想的那樣全自動化生產，那就是工業4.0了。

    在1999年這個時間點上，顯然不大現實。

    但不可能完全實現這一整套東西，並不意味着其中沒有可以作為突破口的部分。

    比如數據挖掘和信息檢索，就是千禧年附近很火熱的研究方向。

    其核心目的是從海量數據庫和大量繁雜信息中提取出有價值的知識，並進一步提高信息的利用率。

    實際上，在常浩南重生之前，飛機設計和製造領域已經開始應用這方面的技術，他本人也接觸過不少。

    但當年的他作為一個工科出身的普通技術人員，並沒有太多理論功底。

    而系統，則首先需要構建出一個完整且可行的思路出來。

    這就導致如今他腦子裏空有一大堆名詞，但卻不知道哪個是破局的關鍵——

    實際上，他此時就面臨着無法從大量繁雜信息中提取出有價值信息的困境。

    「信息」

    常浩南從旁邊扯過一張紙，在紙的最中間寫下了兩個字。

    在理想化的模型中，最好是一個數據就可以精確且唯一地描述一個含義。

    也就是一維數據。

    小學和中學時候做的應用題，大體上就是這樣。

    實際生活中面臨的，其實大多數也是這種問題。

    而對於稍複雜一些的情況來說，要完全描述一個含義，往往需要一組數據。

    但與此同時，這一組數據又往往不只能描述這一個含義。

    要想在數學上描述這種一組（多個）數據對應多個含義的現象，就需要將一組數據在不同的維度上進行展開。

    這是由數學理論推向現實的情況。

    而反過來，現實中收集到的信息，在多數情況下，本身就是已經展開過的高維數據。

    而如果想要讓計算機處理這些高維數據

    常浩南思索半晌，又在紙上寫下了三個基本條件：

    1、對原始高維數據進行壓縮，降低原始高維數據的維度，進而節省存儲空間，同時也降低高維數據的計算複雜度。

    2、消除，或者至少降低隱藏在原始高維數據中的噪聲。

    3、提取到高質量的數據特徵，提升後續的數據表示和分類任務的效果。

    他在腦子裏把這三條內容過了一下，然後試圖讓系統給出一個結果。

    沒有反應。

    顯然，這並不能被算作是「完整且可行」的思路。

    不知不覺間，常浩南就在辦公桌前枯坐到了快要吃午飯的時候。

    仍然沒能想出一個很好的思路。

    直到一陣來自腹部的叫聲把它從深思中吵醒。

    確實有點餓了。

    姚夢娜看了看紙上的一個名詞和三句話，也知道常浩南大概是沒什麼思路，乾脆站起身道：

    「要不先去吃個飯？」

    「也好。」

    常浩南不是那種死鑽牛角尖的人。

    更何況數學這種東西，光靠俺尋思是尋思不出個一二三的。

    沒有靈感，說啥都沒用。

    不如先放鬆一下，換個思路。

    十五分鐘後，三人（連同朱雅丹）已經圍坐在了食堂二層的一個圓桌旁邊。

    這裏算是個點餐制的小灶，價格比下面的大食堂貴一些，加上還要多上一層樓，因此來這裏吃飯的人並不算多。

    倒是旁邊的小超市，來來往往的人流量不少。

    常浩南面前擺着一份熱氣騰騰的羊湯麵，但卻並沒有急着動筷子，而是出神地看着不遠處樓梯口上上下下的人群。

    90年代這會，方便麵還屬於非常流行的即食類食品。

    常浩南讀本科那陣子，大家的條件普遍比較差，有閒錢吃得起的人不多。