正文開始前，我們來了解一下創新的定義。簡言之：
- ISO TC 279將創新定義為："新的或改變的實體實現或重新分配價值的過程。"
- 創新是發明的子集
接下來，我們要探討的是創新過程。從我的角度來看，人類創新或創造的過程絕非無中生有，而是基於我們對世界的理解並進行：
步驟1：拆解
步驟2：分析
步驟3：重構
這如同烹飪一道精緻的佳餚 — 我們先將食譜拆解，了解每種食材，然後以全新且令人振奮的方式將它們重新組合。然而，對於一些人來說，這個過程可能相當具有挑戰性，他們可能尚未掌握「第一原理思考」。對於他們而言，創新或許更像是突然間的靈感閃現，如同在廚房裡偶然烹調出一道美味佳餚。
這引發了兩個問題：
- 如果我們能將創新流程系統化會怎樣呢？我將在本文中解答這個問題並舉實例說明。
- 電腦有比人類更大的儲存空間，也有比人類更快的運算速度。那麼，如果我們可以訓練一個AI模型來掌握這個創新的「食譜」呢？我將在之後的文章中探討我幾個月前建立模型的流程。
現在，讓我們進入主題吧！
以烹飪比喻「創新解決問題」通用流程：
① 確定要素：我們將問題拆解到最小的單位：要素。這就像確定食譜中的主要食材。我們需要找出解決問題的關鍵元素，並專注在這些要素上。這就像在選擇食材時，我們會選擇最新鮮、最適合的食材，以確保最終的菜餚品質。
② 分析要素：我們需要研究每個元素的特性。了解每個元素的角色和互動，可以讓我們在創新過程中充分利用這些元素。這就如同了解一種特定香料的風味如何影響整道菜餚的味道，讓我們在烹飪過程中可以進行即時的調整。
③ 設計解決方案：我們需要訂定策略、流程和指標。這就像烹飪一道菜時，我們要確定烹飪的步驟、時間和溫度。這樣可以確保菜餚的成功完成。
④ 實施解決方案並根據誤差進行閉環修正：這就像在烹飪過程中不斷的試吃和調整。或許我們會發現需要修改某個步驟，或者需要增減某種調料，以達到完美的口味。至於閉環修正的具體細節，我將在未來的文章中詳述。
⑤ 驗證結果：這就像品嚐烹飪完成的菜餚。如果結果不符合我們的期待，我們就會回到前面的步驟，調整食譜，然後再試一次。
創新解決問題的實例
在我的創新之旅中，我曾參加一個機器人算法比賽。在比賽過程中，我們發現一個有趣的事實 — 提高精確度1mm和減少時間31秒可以獲得相同的分數。經過深思熟慮和分析，我們的團隊決定以犧牲速度換取更高的精確度。最後，我們花費全球最長時間讓機器人執行任務，但以最高的總分贏得了世界冠軍。這就是創新的力量，讓我們能以新穎的方式打敗對手。
Source: TASA's Facebook
以下，我將示範如何用第一原理思考來解決問題：
① 確定要素： 比賽的規則書以抽象的方式敘述了規則，但沒有說明實際的評估函數。 ⇒ 目標：找出評分函數
② 分析要素： 自變數包括：比賽時間、雷射的精確度、任務的完成度 應變數：分數 ⇒ 目標：找出基於以上自變數的評分函數
模擬器中的記分板
③ 設計解決方案：
解決方案如下：
步驟1：假設評分函數是線性系統。
步驟2：定義評分函數。
步驟3：記錄每次測試的數據。
步驟4：使用訓練資料集計算權重和偏差。
- 如果計算失敗，我們需要重新考慮步驟1的假設。
- 如果計算成功，我們可以進行到步驟5。
步驟5：使用驗證資料集驗證計算的變數。
- 結束條件：找到一個符合假設與所有數據的評分函數。
- 如果評分函數不符合，我們需要重新審視並修正步驟2和3。
- 如果發現有問題，則需要從步驟2開始重做。
- 如果發現沒有問題，則需要調整步驟1的假設並重新開始過程。
- 如果評分函數符合：結束流程並記錄評分函數。
④ 實施解決方案並根據誤差進行閉環修正
因為對於評分函數的初始假設恰巧正確，我們很順利地就找到了評估函數，並確認評估函數是線性的。這裡就不贅述。
⑤ 驗證結果：
使用驗證資料集 (Validation dataset) 驗證訓練資料集(Training dataset)得到的評分函數，發現結果吻合。
函數說明了：「提高精確度1mm和減少時間31秒可以獲得相同的分數」。目標達成。
結語
以上我所述的創新解決問題的流程，是我根據過去的經驗歸納出來的。我發現這個流程具有「第一原理思考」的特性：「拆解 → 分析 → 重構」。至於閉迴路修正、將此流程建模為AI可以實踐的演算法等更深入的議題，我將在未來的文章中加以探討。
我之所以說這是「一種」解決問題的通用流程，是因為從不同的角度思考，會有不同的方法和標準。用現有的知識很難證明這是一個絕對正確的流程。未來我也會發布文章來探討「觀點如何影響規則的正確性」以及「道德和倫理真的是判斷對錯的標準嗎？」。如果對未來的文章有興趣，歡迎追蹤我！
最後，我很希望了解大家對於這種系統化的創新流程有什麼看法，或是實踐這個流程的經驗。歡迎在留言區分享你的想法！
