到什么实际损失，只是比较丢脸。
但如今徐平曾保住了不少关键设备和资料，目前都放在船上，如果被夺取或者破坏，那可就亏大了。
至于拆卸、交接和转运要消耗大约1-2个月时间……
对于造船这种动辄以年计数的长周期行业来说，显然并不关键。
……
本来，按照常浩南的想法，既然瓦良格号启程回国的时间会略微延后，那么国庆之前应该就不会有太多事情了。
但是，计划赶不上变化。
8月末，随着高校的新学期陆续开始，常浩南的工作重心逐渐从企业管理转回到了实验室里面。
姚梦娜也在112厂完成了第一阶段的产能爬坡任务，把歼11的产量提高了大概三分之一。
按照之前的约定，常浩南需要给她准备一个新的课题。
不过，这一次，姚梦娜却是自己带着问题回来的。
“常教授，我发现了一个问题。”
刚刚摘掉帽子换上实验服的姚梦娜坐到常浩南办公桌对面的椅子上。
“什么问题？”
常浩南抬起头。
“我发现，我之前走到了一个思维误区里面。”
姚梦娜眉头轻蹙，显然是在因为某些事情而困扰：
“我一直以为，十一号工程脉动生产线的效率达不到预期指标，是因为我没能调控好各个环节的工时分配系数。”
“但后来我发现，其实问题在于整个总装过程，尤其是每一个环节之后的质量检测过程数据量太大，而且不同检测环节所输出的关键数据不同，导致这个步骤根本没办法用自动化系统解决，虽然录入了电脑，但最后还是靠人工检查……”
常浩南并没有着急，而是一边听着姚梦娜略显混乱的解释，一边在脑子里梳理着对方要表达的意思。
简单来说，就是虽然在产线上加入了大量传感器，但传感器传回来的数据却因为过于复杂而不容易被直接分析。
尤其是如变形量、平整度、尺寸契合度、铆接过程的漏铆、复铆等问题，产生的数据维度很高。
例如漏铆，会在铆孔的位置留下一个洞，对于人来说就是看一眼的事情，但对于自动化设备来说，却很难进行识别。
最后只不过是从工人到工位上去检查，变成了拍下照片，然后再由工人对着照片检查。
反倒多费了一遍事。
“所以，我觉得……只有用计算机代替人来完成这个过程，才能完全发挥脉动生产线的理论潜力！”
姚梦娜喝了口水，最后总结道。
流形学习
姚梦娜提出的这个问题，对于常浩南来说，不难理解。
只是很难解决。
真要说起来的话，这涉及到文本挖掘、数据可视化、信息检索、数据挖掘、机器学习乃至人工智能等一系列问题。
如果真做到姚梦娜所设想的那样全自动化生产，那就是工业40了。
在1999年这个时间点上，显然不大现实。
但不可能完全实现这一整套东西，并不意味着其中没有可以作为突破口的部分。
比如数据挖掘和信息检索，就是千禧年附近很火热的研究方向。
其核心目的是从海量数据库和大量繁杂信息中提取出有价值的知识，并进一步提高信息的利用率。
实际上，在常浩南重生之前，飞机设计和制造领域已经开始应用这方面的技术，他本人也接触过不少。
但当年的他作为一个工科出身的普通技术人员，并没有太多理论功底。
而系统，则首先需要构建出一个完整且可行的思路出来。
这就导致如今他脑子里空有一大堆名词，但却不知道哪個是破局的关键——
实际上，他此时就面临着无法从大量繁杂信息中提取出有价值信息的困境。
“信息……”
常浩南从旁边扯过一张纸，在纸的最中间写下了两个字。
在理想化的模型中，最好是一个数据就可以精确且唯一地描述一个含义。
也就是一维数据。
小学和中学时候做的应用题，大体上就是这样。
实际生活中面临的，其实大多数也是这种问题。
而对于稍复杂一些的情况来说，要完全描述一个含义，往往需要一组数据。
耽美小说