数据科学未来发展
Ispendalotoftimeconsultingwithadiversesetofcompaniesabouttheirdatasciencestrategies.Ialsoregularlyteachcoursesontopicsindatascience.I’mwitnessingachangeinthewaycompaniesarethinkingabouttheroleofdatascienceanditspositionwithintheircorporatestructures.Ibelievethesechangeshavebeenslowlytakingplaceforthepastfewyears,buttheonsetofCOVID-19andtheRussia-SaudiArabiaoilpricewarthisyearhaveacceleratedtheshift.
我花了很多时间咨询各种公司的数据科学策略。我还定期教授有关数据科学主题的课程。我正在目睹公司思考数据科学的角色及其在公司结构中的地位的方式发生了变化。我相信这些变化在过去几年中一直在缓慢地发生，但是COVID-19的爆发和今年俄罗斯-沙特阿拉伯的油价战加速了这种转变。
有什么变化？(What’schanging?)Therearemanyrolesnecessarytosucceedindatascience,butthischangeisprimarilytargetingtheroleofthedatascientistitself.
要在数据科学中取得成功，有许多必要的角色，但是这种变化主要是针对数据科学家本身的角色。
DataScienceworkfallsintotwodistinctcamps.Onegroupisfocusedonthemoreacademicaspectsofdatasciencelikemodelsandalgorithms.Theothergroupismorefocusedonthepragmaticworkofhelpingmakebusinessdecisions.Thislatterdisciplineiscommonlyreferredtoasapplieddatascience.
数据科学工作分为两个阵营。一组研究人员专注于数据科学的更多学术方面，例如模型和算法。另一组则更专注于帮助制定业务决策的务实工作。后一门学科通常称为应用数据科学。
Thisdivisionofworkwithindatasciencehasexistedforawhilenow.Andalthoughthedistinctionsbetweenthetwofociarebecomingmoredrasticintherealworld,itsthesecondgroup—applieddatascience—Iwanttofocuson.So,fortheremainderofthisarticle,I’llusethetermdatascienceanddatascientisttorefertothedisciplineofapplieddatascienceunlessotherwisenoted.
数据科学领域的这种分工已经存在了一段时间。尽管在现实世界中这两个焦点之间的区别变得越来越激烈，但我想重点关注的第二类是应用数据科学。因此，在本文的其余部分中，除非另有说明，否则我将使用术语“数据科学和数据科学家”来指代应用数据科学的学科。
TheroleoftheDataScientistisbeginningtomigratewithinmostofthecompaniesIencounter.Previously,DataSciencewasagroupofitsown,oftenwithintheBusinessIntelligenceDepartment,ormaybelocatedwithintheDataTeam.DataScientistsfrombothcampsexistedinthissamegroupanddividedtheworkbetweentheirtwoareasoffocus,asappropriate.
在我遇到的大多数公司中，数据科学家的角色已开始转移。以前，数据科学是一个独立的团队，通常在商业智能部门内，或者可能位于数据团队内。来自两个阵营的数据科学家都属于同一小组，并根据需要将工作划分为两个重点领域。
However,theroleoftheDataScientistismovingoutofthiscentralizedgroupandintosubjectmatterspecificdepartmentsthroughouttheorganization.AperfectexampleisamanufacturingcompanyIrecentlyworkedwith.Theyhaveanexpertintheirmanufacturingprocesslearningdatascience.Thisindividualhasnointerestinchangingjobstosolelyfocusingondatasciencework.Hisinterestisitsinfluenceonimprovinghiscompany’smanufacturingprocesses.DatascienceisbeingpushedoutoftheBI/ITnestandclosertothetacticalworkinorganizationsalloverthecountry.
但是，数据科学家的角色正在从这个集中的小组转移到整个组织的特定主题部门。我最近与之合作的一家制造公司就是一个很好的例子。他们在制造过程中学习数据科学方面的专家。这个人没有兴趣将工作改为只专注于数据科学工作。他的兴趣在于它对改善公司制造流程的影响。数据科学正被逐出BI/IT领域，并越来越接近全国各地组织的战术工作。
哪些动力在推动这一变化？(Whatmotivatorsaredrivingthischange?)Thereasonsbehindthisshiftdependonwhetheryoulookatitfromthecompany’svantagepointorthatoftheemployee.Forthecompany,twosimplewordsaredrivingthischange:budgetsandexpertise.Fromanindividual’spersonalperspective,therearetwodifferentforcesinplay:jobsecurityandapotentialincreaseinsalary.
这种转变背后的原因取决于您是从公司的角度还是从员工的角度来看待它。对于公司而言，两个简单的词正在推动这一变化：预算和专业知识。从个人的角度来看，有两种不同的作用在起作用：工作保障和薪资的潜在增长。
组织推动因素＃1–预算(OrganizationalDriver#1—Budgets)Incorporationsandathome,budgetscontrolmuchofourdecisionmaking.Whenyouthinkofacentralizeddatascienceteam,youendupwithacostcenterinsteadofaprofitcenter.It’shardertogetcorporatemoneyforacostcenterandit’snearlyimpossibletoconvinceotherdepartmentstopayforsomeonethatultimatelyreportstoyourcostcenter.
在公司和家庭中，预算控制着我们的大部分决策。当您想到一个集中的数据科学团队时，您最终将获得成本中心而不是利润中心。很难为成本中心获得公司资金，而且说服其他部门为最终向您的成本中心报告的人员付款几乎是不可能的。
Dispersingthedatascientistroleintodepartmentsthroughouttheorganization,eachdepartmentisresponsibleforpayingthesalaryoftheirdatasciencepersonnel.Departmentscaringmoreaboutleveragingdatafordecisionmakingarefreetohiremoredatascientistsandthosethatdonotvaluethepracticecanactaccordingly.
将数据科学家的角色分散到整个组织的各个部门中，每个部门负责支付其数据科学人员的薪水。更加关注利用数据进行决策的部门可以自由雇用更多的数据科学家，那些不重视实践的人可以采取相应的行动。
Thisway,eachdepartmentmakesitsownbedandcanlieinit.Anyresourceadepartmenthiresistheirresource,notsharedwithadozenotherdepartments.IftheDrillingDepartmentfindsahighdegreeofvalueindatasciencetheycaninvestheavilyinitandnothavetheirprojectsdelayedwaitinginlinebehindotherdepartments’requestsforthecentralizedDataScienceTeam.
这样，每个部门都可以制作自己的床并且可以躺在其中。一个部门雇用的任何资源都是他们的资源，而不与其他十二个部门共享。如果钻井部门在数据科学方面发现了很高的价值，那么他们可以在其中进行大量投资，而不会因为其他部门对集中数据科学团队的要求而排队等待他们的项目。
组织推动力＃2-专业知识(OrganizationalDriver#2—Expertise)DataScientists,likeanyprofessionalworkinginacentralizedservicecapacity,becomeajill-of-all-tradesattemptingtounderstandtheuniqueaspectsofeachdepartmentengagingthemforwork.Theyarenotonlyexpectedtobeexpertsinmerelydatasciencebutalsoinfinance,marketing,engineering,andhumanresources.
像任何从事集中式服务工作的专业人员一样，数据科学家也变得千篇一律，试图了解让他们参与工作的每个部门的独特方面。他们不仅希望成为数据科学方面的专家，而且还将成为金融，市场营销，工程和人力资源方面的专家。
Whilethisexpectationisunrealisticandexhaustingfortheemployee,theotherdepartmentssufferaswell.TheDrillingDepartmentofanoilcompanycouldgainevenmoreusefulinsightsifsomeonewithsubjectmatterexpertisewasperformingtheirdatasciencework.Theeasiestmethodofaccomplishingthismarriagebetweendatascienceanddepartment-specificexpertiseistoplacethedatascientistwithinthedepartmentitself.
尽管这种期望对员工来说是不现实的和疲惫的，但其他部门也遭受了痛苦。如果某个具有主题专业知识的人正在执行其数据科学工作，那么石油公司的钻井部门可能会获得更多有用的见解。实现数据科学与部门特定专业知识之间这种结合的最简单方法是将数据科学家置于部门内部。
Thiscanbeaccomplishedintwoways.Oneapproachistohireadatascientistwillingtolearneverythingaboutthedrillingdepartment.Sincetheyworksolelyforthedrillingdepartment,theywillbedrillingspecific.It’smorerealisticforanindividualtoachieveanexpertlevelofunderstandingintwoseparatedisciplinesinsteadofthirty.Asecondapproachischoosinganexistingsubjectmatterexpertwithinthedrillingdepartmentandtrainingthemtobeadatascientist.
这可以通过两种方式来完成。一种方法是聘请愿意学习有关钻井部门的所有知识的数据科学家。由于它们仅在钻井部门工作，因此将针对特定钻井情况。对于个人而言，在两个独立的学科而不是三十个学科中达到专家的理解水平是更现实的。第二种方法是选择钻井部门中现有的主题专家，并培训他们成为数据科学家。
Althougheitherpathwillgetyoutothegoal,Ifindmostcompaniesarechoosingtotrainexistingsubjectmatterexpertsindatascience.
尽管这两种方法都可以帮助您实现目标，但我发现大多数公司都选择培训现有的数据科学主题专家。
个人司机＃1-工作安全(PersonalDriver#1—JobSecurity)Intoday’stumultuousjobmarketeveryoneiseitherlookingforwaystoguaranteetokeeptheircurrentpositionorimprovetheirchancesofgettingtheirnextposition.Ifyouandanotherapplicantareequallyqualifiedforapositioninhumanresources,butyoucanshowaportfolioofworkindatasciencetoboot,you’remuchmorelikelytogetthejob.Likewise,ifthetrainingdepartmentmakesthedecisiontoreduceitsworkforceandtheonlydifferencebetweenyouandanotherpersonistheportfolioofdatascienceprojectsyou’vepostedtoGithub,you’llavoidthisroundoflayoffs.
在当今动荡的就业市场中，每个人都在寻找方法来保证保持目前的职位，或者增加获得下一个职位的机会。如果您和另一位申请人同样具有担任人力资源职位的资格，但是您可以展示一些可以从事数据科学工作的工作，那么您更有可能获得这份工作。同样，如果培训部门决定裁员，而您与另一个人之间的唯一区别是您已发布到Github的数据科学项目组合，则可以避免这一轮裁员。
Itisn’tdifficulttoseetheimpactthisaddedvaluemakesinyourcompany’shiringandfiringdecisions.Andintoday’sworld,datasciencecapabilitiesareaveryfavorableskillset.Whenyoumeasurethedatasciencetrainingsomeoneinmarketinglearnedfromanonlineclassoralocaleveningprogramagainstthecompleteabsenceofdatasciencethatstillplaguesmanymarketingdepartments,you’rehired!
不难看出这种增值对您公司的雇用和解雇决定所产生的影响。在当今世界，数据科学能力是非常有利的技能。当您衡量数据科学培训时，如果有人从在线课程或当地的夜间课程中学到了营销方面的知识，而现在却仍然没有解决仍然困扰着许多营销部门的数据科学问题，您就会被雇用！
Butrememberformarketingordrillingorfinance,thedatascienceabilitiesyoupossessarethedifferentiatingfactor,notthefeaturedone.Withconstrictedbudgets,justlikeinconstrictedmarkets,asalesdepartmentisn’tlookingtospendtheirmoneyonadatascientist.Theyarehiringasalesprofessional.But,thetimeyou’veinvestedindatasciencemakesyouthebettercandidate.
但是请记住，对于营销，钻探或财务而言，您拥有的数据科学能力是与众不同的因素，而不是特色因素。由于预算有限，就像在狭窄的市场中一样，销售部门也不想将钱花在数据科学家身上。他们正在聘请销售专业人员。但是，您投入数据科学的时间使您成为更好的候选人。
个人司机＃2-加薪(PersonalDriver#2—IncreasedSalary)Theotherdifficultaspectofjoblessnessandsmallerbudgetsisthehopesofaraise.But,likeeverythingelse,ifyoucanproveasignificantincreaseinyourvalue,araisemightbepossible.Perhapsyouuseyourdatascienceskillstosaveyourdepartment$1millionthisyear.Youmightfindasmalltokenofgratitudeinyourpaycheck.
失业和预算减少的另一个困难是希望加薪。但是，就像其他所有事情一样，如果您可以证明自己的价值有了明显的增长，那么就有可能实现增长。也许您今年可以利用自己的数据科学技能为部门节省100万美元。您的薪水可能会有点感谢。
Similartoaraiseistheopportunityforapromotion.Usingdatasciencetohelpyourcompanyfrequentlyenoughcouldleadtoapromotionwithinyourdepartment.Bytheway,mostpromotionscomewitharaise.Again,increasingyourpersonalvaluetothecompanywillbenefityouinjobsecurityandthepotentialforaraise.
与加薪类似，是晋升的机会。使用数据科学足够频繁地帮助您的公司可能会导致部门内的晋升。顺便说一下，大多数促销都加薪。同样，增加您对公司的个人价值将使您在工作安全和加薪方面受益。
为什么公司选择培训现有员工进行数据科学而不是雇用数据科学家？(Whyarecompanieschoosingtotraintheirexistingemployeesindatascienceinsteadofhiringadatascientist?)Ifindmostcompaniesarechoosingtotrainexistingsubjectmatterexpertsindatascience.
我发现大多数公司都选择培训现有的数据科学主题专家。
It’saverypracticalanswer.Let’susethemarketingdepartmentasanexample.Marketing’sbudgetissmallerthanlastyear’s.Theyneedsomeonewhounderstandsmarketing.Buttheyalsobelieveleveragingdatasciencecouldhelpthemintremendousways.Herearetheoptionsavailableformarketing.
这是一个非常实用的答案。让我们以市场营销部门为例。市场营销的预算比去年少。他们需要一个懂行销的人。但是他们还相信，利用数据科学可以极大地帮助他们。这是可用于市场营销的选项。
Hireadatascientist.Hiringadatascientistmightbeoutsidetheirbudget.Eveniftheycouldaffordtohireone,theywouldstillneedtoteachthemaboutmarketing.
雇用数据科学家。雇用数据科学家可能超出了他们的预算。即使他们有能力雇用一个人，他们仍然需要教他们有关营销的知识。
Hireamarketingprofessionalthatalreadyhasdatascienceskills.Thisisagreatoptioniftherecruitercanfindsomeonefittingthedescription.Ofcourse,thisiswhatmostoftheunemployedmarketingprofessionalscurrentlytakingdatasciencecoursesaregamblingwillhappen.Andoncethesepeopleareavailableonthemarket,theywillbehiredbeforesomeonewhoisonlyamarketingprofessional.Butrightnowthisisstillanothersalaryforthemarketingdepartmenttocover.
雇用已经具有数据科学技能的营销专家。如果招聘人员可以找到适合该说明的人，这是一个很好的选择。当然，这就是目前正在上数据科学课程的大多数待业营销专业人员正在赌博的事情。一旦这些人在市场上出现，他们将被聘用为仅仅是营销专家的人。但是现在这仍然是市场部门要支付的另一笔薪水。
Askanexistingemployeewithinmarketingtobecomeadatascientist.Thisoptiongivesanexistingemployeethechancetoincreasetheirpersonalvalueandincreasetheirsalary.Italsokeepstheimpactonthemarketingbudgetlow.Plusmarketingisstartingdowntheroadofdatascience,evenifthesecapabilitiesareverylimitedinthebeginning.
让行销部门内的现有员工成为数据科学家。此选项使现有员工有机会增加他们的个人价值并增加他们的薪水。这也使对营销预算的影响保持较低。Plus营销正在沿着数据科学的道路发展，即使这些能力在一开始就非常有限。
结论(Conclusion)DataSciencewillcontinuespreadingintoeveryaspectofbusinessandotherorganizationsintheyearsahead.Aswithallindustries,themorematuretheybecome,themoretheyfragmentandspecialize.Thesameistruefordatascience.
未来几年，数据科学将继续扩展到业务和其他组织的各个方面。与所有行业一样，它们变得越成熟，就越分散和专业化。数据科学也是如此。
Asdatasciencebecomesmorewidelyusedwithincompanies,itwillneedtobecloserinproximitytoeachapplicationofindustry.Theseearlystagesoftransitionwillultimatelycreatethedisciplinesofmarketingdatascience,financedatascience,andsalesdatascience.Butwhatevertitlesthefutureholds,onethingisforcertain.Thepracticeofdatascienceismovingclosertoeachsubjectmatteritanalyzes.Thisshiftdemandsparityofskill.Futuredatascienceworkwillrequirebothexpertiseindatascienceandsubjectmatterexpertiseinyourspecificdepartment.
随着数据科学在公司中的使用越来越广泛，它将需要与行业的每个应用程序更加接近。这些过渡的早期阶段将最终创建营销数据科学，金融数据科学和销售数据科学的学科。但是，无论未来拥有什么头衔，一件事都是可以肯定的。数据科学的实践越来越接近它所分析的每个主题。这种转变需要技能的均等。未来的数据科学工作将需要数据科学方面的专业知识以及您特定部门的主题专业知识。
当代理论物理发展趋势之我见
“观点和展望”是《物理学报》2022年新开辟的栏目，以刊登短小精悍的物理学前沿评述为主，文章内容是关于物理学某研究领域或新兴方向的最新进展和未来发展的见解和观点，可以围绕某个研究方向一段时间内的几篇相关论文进行点评，也可以是对某个学科发展的思考。本栏目2022年刊登的第一篇文章是孙昌璞院士的一篇评述，作者根据他在杨振宁先生百岁华诞学术研讨会上的报告改写而成。现将文章内容摘编如下，以飨读者。作者简介孙昌璞中国科学院院士，发展中国家科学院院士。中国工程物理研究院研究生院院长，北京计算科学研究中心教授。1984年毕业于东北师大物理系，于南开大学获博士学位。曾任东北师大教授，中科院理论所研究员。长期从事量子物理、数学物理及量子信息基础理论研究，不少工作有长期的学术影响，如q-变形玻色子是领域分支开创性工作，预言的量子临界动力学不稳定和人工循环原子等得到诸多实验证实，澄清的量子热力学概念已经被写入多部专著。近年来，他具体从事有限系统和生命过程中的量子相干效应、复杂系统的可靠性和量子相变动力学等研究工作，并积极探索面向国家需求的基础研究模式的创新。|摘要|作者结合学习杨振宁科学思想的体会，并联系自己在理论物理研究方面的科学实践（包括在1992—1994年跟随杨先生对量子开系统、超导相变和冷原子物理方面的探索），对当代理论物理发展趋势提出一些个人的看法。文章将通过具体实例，阐述为什么要做“美或有用”的理论物理；为什么基本物理的理论在一段时间内可以与直接的实验验证保持距离?对于后者，文章还从科学方法论(哲学)的角度就理论预言与实验证实的关系进行较为深入的讨论。文章还强调了“有用”的理论物理——应用理论物理，指出国家需求驱动的科学研究与自由探索一样，也会导致基础物理的重要突破。01从物理理论到理论物理物理学是研究物质及运动规律的科学。其研究内容可以概括为两大方面：1)在更高的能量标度和更小的时空尺度上，探索物质世界的深层次结构及其演化规律；2)面对由大量个体组元构成的复杂体系，探索超越个体的、“演生”出来的有序和合作现象。上述两方面的追求体现了两种基本的科学观——还原论(reductionism)和演生论(emergence)。围绕着“还原论”和“演生论”，物理学形成了不同的学科分支。前者有粒子物理、核物理和原子分子物理等，而后者包含凝聚态物理、等离子体物理和激光物理等。物理的理论基础是“四大力学”，但它们又各自发展出相关的理论，如激光理论、固体理论等。作为物理学的分支学科，理论物理常常被质疑：既然物理学不同的学科分支有各自的物理理论，为什么还需要有理论物理?理论物理的典型学科特征是什么?关于发展物理理论还是理论物理在我国曾经有过一些学术争论。其实，为了基于“还原论”和“演生论”描述物质世界，物理学采取的科学手段是利用实验进行主动的观测。它通过建立理论模型或基于哲学思考，提出初步的科学理论假设，然后借助新的实验进行判定性检验，并用严格的数学语言精确、定量地表达其一般的科学规律—物理定律，由此可以进一步预言新的物理效应，并应用到新的领域。物理学研究方法的这些内禀特征，决定了理论物理学作为一门独立学科存在的必要性，以及它在物质科学中具有核心的地位。虽然物理学各个学科分支都有自己的理论，但贯穿各个分支有共同的规律，从而有普适共通的理论构成了理论物理学科，因此理论物理具有本质交叉的显著特征，它不仅仅是把物理学的各个分支理论集合起来，而是把它们相干地融合成一个理论总体。02理论物理多元价值观基于“美”的统一物理学不同分支领域的价值观必定会有差异。基于“还原论”的高能粒子物理需要昂贵的大型科学装置，其成功需要更长的时间(如证实Higgs机制用了50多年)。因此，判断一个基于“还原论”的物理理论(如量子场论和弦论)的“好/坏”，并不能仅仅依据是否能被即时验证，而必须考量理论的基础性和预言的深度、广度。而凝聚态物理等演生论领域贴近日常生活，大多采用相对经济、易实现的桌面实验系统，能否有即时的证实有时会成为一个可操作的价值判断标准。既然理论物理学是这些分支学科理论综合交叉，判断一个理论好坏的价值观自然就是多元化的，而多元化必有一定程度的价值观冲突，导致价值判断的困境。理论物理学价值观多元化困境会直接影响物理学的和谐发展。那么是否存在一种价值选择的共识突破理论物理多元价值冲突的困境呢?我的答案是，杨振宁先生多次强调的“美”的价值判断可以作为统一其多元化价值观更高层次的标准。而爱因斯坦、狄拉克和杨振宁本人的具体科学实践可以佐证“美”的标准的合理性。因为物理理论之美在于自然物质有结构之美，而描述它的理论框架必有数学之美。因此，“美”能够统一理论物理多元价值观的基本理由包含在数学的价值观当中：大道至简，“理当则简，品贵则简”。这种美不是人造的，是天道自然的基本属性，亘古有之。03理论物理与实验关系“非常谈”实验物理学家对“理论”有时会盲目地深信不疑，从而导致实验数据使用主观倾向错误理论预言的严重科学问题。其实，实验物理学家看到的“理论”预言有可能只是某种“有效理论”的结果，或只是近似简化模型对实际系统的描述，他们有时可能忘记了近似成立的条件有时会十分苛刻。作者认为，物理学家应当在更深的层次上理解理论和实验关系及其出现的问题:1)有理论上的严重误解——错把有效模型当实际系统；2)有理论上的跟风——没有细致地考察理论预言成立的条件；3)实验上的结论盲从“理论”——过于认为实验发现重要性依赖“理论”；4)实验数据使用不客观——有取向地处理数据以拟合已有的“理论”。由此看来，谈及理论预言的实验验证，我们必须追问到底实验“验证”了什么?一个真实的物理系统，一个实际的实验，跟理想模型都是有距离的，理论结果到模型给出的预言也是有距离的(图5)。很多时候验证的只是近似化后模型的预言，而非关于真实系统的理论结果。在量子物理模拟的实验中，此类问题甚多，必须提高警惕。图5证实“理论”实验的分级(实际物理-模型-实验的“距离”决定了“实验证实”工作的好坏)(a)模型预言覆盖了实际系统的全部物理，实验正好证实了模型预言；(b)虽然模型预言覆盖了实际系统理论结果的全部，但实验只是证实了基于模型预言的一部分；(c)模型预言覆盖了关于实际系统理论结果的一部分，实验也只是证实了“模型预言”；(d)模型预言不能覆盖实际系统物理的全部，实验也只是符合模型部分不准确预言，证实与否甚至与实际系统无关一个好的理论-实验的结合工作，必须是双盲的、背靠背的，否则的话就会出现互相人为拟合趋同的科学诚信问题，评价实验验证理论工作的优劣，可以根据图5所示的理论-模型-实际物理三者关系分为4个级次。很明显,到了第3、4级很可能就走进了学术诚信的灰色地带。一些主观的因素，完全有可能驱使科学家依据第3、4级的“实验验证”做出“重大科学结论”。一个好的理论物理成果，要独立放在那里，实验物理学家背靠背独立地验证它的预言。一个好的实验，要开放所有认真测量得到的数据，最好让不同理论组背靠背地解释新发现。事实上，当代物理学的重大发现几乎没有几个是理论和实验直接合作在一起发表的。毫无疑问，物理学本身是一门基于实验的科学。既然理论物理是物理学的学科分支，其正确与否最终就必须回归到实验检验。然而，作为一个综合交叉的核心学科，理论物理发展必须立足于遍历整个发展过程、足够多的实验总和之上、发现共性规律，一时一地的处理个别实验现象不是理论物理的核心任务。因此，在物理学发展过程中间，有的阶段性理论研究，开始可能看不到实验检验的可能，但其进一步拓展和改进却可以导致重大突破和科学革命，广义相对论和规范场论是这方面的典型例证。必须强调，虽然理论必须联系实际、实验必须基于理论，但实验的目的也不只是去证实理论，理论的目的不只是去解释实验。实验应该去发现新现象、新效应和新物质，理论要找到新规律、建立新方法。物理学的发展不应当仅仅追求理论和实验的短时实现的“结合”。04走向“美而有用”的科学研究——“应用理论物理”文章通过理解杨振宁先生对理论物理发展前景的看法，进一步强调，理论物理未来的发展趋势可能是“应用理论物理（AppliedTheoreticalPhysics）”：借助理论物理的思想、模型和数学工具，以应用为目的、研究主要包括人工复杂系统在内的客观系统，探索其物质-能量、时间-空间和信息-结构及其相互作用和运动演化规律，从中概括和归纳出具有普遍意义的基本理论，大大拓展传统理论物理只是关于自然物质系统的探究。其实，面对当代实验科学日趋复杂的技术挑战和巨大经费需求，理论物理对物理学发展必须发挥更大的引领作用，对高新技术的发展方向提供判定性的科学依据；理论物理学面对非自然的人工系统，要适应物质科学从观测解释阶段进入自主调控的新时代，变自在之物为为我之物。同时还要强调，理论物理学未来将会在对具体系统的实际应用中实现自身创新发展。事实上，近二十年来，在材料、能源乃至生命方面的实验发现(如生物磁导航、光合作用中的量子效应等)，在传统的理论物理框架下难以得到解释，新的理论物理创新也迫在眉睫，以此让相关应用研究跨上一个新的历史台阶，反过来也提供更多理论物理的引领作用发挥到极致的场所。2021年诺贝尔物理学奖颁发给作为复杂系统的地球物理和气候的研究，或多或少代表了这样一种趋势。当然，由于物质世界极为纷繁复杂，理论物理问题的解析求解不足以涵盖复杂系统的全部特征，如非微扰和高度非线性。因此，理论物理的一个重要发展趋势是基础理论与强大的现代计算手段相结合，使得理论物理预言更加定量化和精密化。计算物理和计算数学因此应运而生，成为连接物理实验和理论模型必不可少的纽带。由于应用理论物理面临的对象复杂而多变，这些计算技术相关的发展，也是应用理论物理应着力倚重的。最后指出，应用理论物理学在国防安全等国家重大需求上会有更大的用武之地，发挥更大的作用。二战后美欧开启了物理学大科学工程发展的新时代，基于大型加速器的重大科学发现也反过来为理论物理学提供广阔的用武之地。国防安全方面等国家重大需求往往与大科学工程密切联系，由此会提出自由探索中不易产生的重要基础科学问题，国防和国家安全方面的重大需求在对理论物理不断提出新挑战的同时，也可能为理论物理研究提供了持续源头创新的平台：在实践应用中，凝练和发掘理论物理能够发挥关键作用的科学问题，在理论的原始创新方面取得重大突破，这方面的研究将成为理论物理发展的一个新趋势。特别声明：以上文章内容仅代表作者本人观点，不代表新浪网观点或立场。如有关于作品内容、版权或其它问题请于作品发表后的30日内与新浪网联系。对话江南大学陈坚院士:未来食品应该是什么样的
进入21世纪以来，人类遇到了包括气候变异、环境恶化、病毒肆虐等许多前所未有的挑战。有许多学者对于人类文明的未来和未来条件下的食品供应感到担忧，广大消费者对工业化食品的健康影响越来越关切。在此背景下，“未来食品”这个概念正在加速闯入我们的生活，并且改变我们的饮食习惯。
《科技周刊》记者对话中国工程院院士、江南大学未来食品科学中心主任陈坚，话题围绕未来食品将如何改写传统食品产业的发展，以及未来食品科学中心又将如何“大展拳脚”展开。
问：现在世界各国都在提出未来食品概念，目前我国在这个领域中处于什么阶段？
陈坚：未来食品解决的是今后人类要面临的挑战。2019年，江南大学牵头了科技部提出的“2021-2035年国家中长期科技发展规划”中食品的专题研究，在这个研究过程中我们发现各个国家都在提出一些关于未来食品的概念和具体方向。
现在全球约有2000家人造食品公司，但未来一定是慢慢集中，头部的企业会慢慢显现。比如，中国以前每个城市都有啤酒厂，但现在是前5家的啤酒大厂占据了全国80%的啤酒销量，未来食品行业也会步入这个阶段。
问：在未来食品领域中，近两年植物肉成为了资本关注的重点领域，您怎么看待植物肉受追捧的现象？
陈坚：最重要的一点还是因为它解决了传统养殖业对环境和资源的消耗。许多人不知道，全球的养殖业产生的温室气体与交通运输业基本相等。以我们现在的人口增长速度来看，未来30年全球还要增加30%-50%的蛋白输出量，如果还采用传统养殖的方式，对于环境的压力不言而喻，所以必须采用其他变革性的方式来解决人类面临的一些挑战。而在人类的健康方面，如今我们日常生活中摄入了过多的动物蛋白，所以需要用植物蛋白来替代传统的肉制品。
问：科技部明确提出，到2035年食品产业要成为高技术产业，您觉得食品产业怎么成为高技术产业？
陈坚：从整体研究来看，我们说未来食品是“3T”融合：FT食品技术、BT生物技术、IT信息技术。目前来说，工业已经进入了4.0时代，即智能化时代，所以智能制造将成为食品工业转型升级的关键一步。比如，糖是一个很小的晶体，通过智能制造可以把糖变为多孔状的结构，让它进入口腔可以迅速融化，从而让人迅速产生满足感，进而减少对糖的摄入。
问：与传统的食品工业相比，您觉得智能制造介入食品行业需要攻克哪些环节的问题？
陈坚：因为食品工业还是要依赖人，我们说的是，眼看耳听鼻闻。智能制造是采用人工智能方式来替代人，那怎么能让机器对食物的触感能和人所感知到的一样？就要利用生物传感器，让它能替代人的感知。实现制造全过程智能化，可能成为食品工业转型升级的关键。在未来，高新技术与食品产业深度融合将不断引导食品安全营养的基础研究和应用创新，成为全球食品产业链、供应链发展的核心驱动力。
问：江南大学未来食品科学中心作为全国首个以未来食品命名的研究中心，投入使用后，它主要研究哪些技术，怎样体现其“独一性”？
陈坚：现在国际上许多国家都设立了关于未来食品的研究机构和研究组织，作为中国食品学科中最重要的大学之一，2019年11月，江南大学率先建立了未来食品科学中心。
未来食品科学中心将主要研究四个方向：食品合成生物学、食品大数据、食品感知科学、智能装备制造。每个方向都会建立平台和实验室，并且在一些城市建立未来食品研究院，实现基础研究与产业化的对接。以食品感知科学为例，它研究的就是怎么把食物做得更好。以前是“感官评定”，这是最传统、基本的，而现在很多都是跟脑科学和神经生物学交叉。因为“口中有味”实际上是“脑中有味”——味蕾传递到脑神经，所以未来食品科学中心的一个研究方向是如何使食品更加美味。
生物技术或将成为未来食品工业健康发展的重要支撑。因为食品合成生物学可以制造、合成以往没有的食品原料及配料，随着合成生物学、增材制造等变革性前沿技术的不断突破，并与现代食品科技等进行交叉，将快速催生出新型食品，重塑食品的制造和供给模式。
原文链接：http://xh.xhby.net/pc/layout/202110/13/node_12.html#content_980455
（编辑：潘梦妍)
2023年数据可视化趋势预测
数据可视化是一种非常强大的方式，可用于生成业务见解，由数据驱动的决策。可视化数据的创建方式已经随着时间的流逝而发展，从过去的简单和静态图表，发展到如今的交互式、吸引人的视觉效果炫酷的图表，数据可视化的当前趋势使我们窥见未来的可视化将是什么样的发展形势。
1、使用户始终处于数据可视化设计的中心对于某些数据可视化软件，可使用的传统用户界面和数据可视化选择（例如报表、图表和仪表板等）为用户提供了快速上手的机遇，使平台适合用户使用。在传统的用户界面中，该方法通常是“更多数据等于更多价值”，这意味着，如果你不确定用户需要哪些数据来实现目标，而盲目的给予过多冗杂的数据，会导致用户对数据可视化提供的信息产生误解做出错误的决策。我们需要的是可根据每个用户的特定需求进行个性化的数据可视化。
以用户为中心的设计（UCD）是一种重要趋势，它将用户放在第一位，然后是数据。无论行业如何，UCD都遵循相同的思考过程，从思考用户及其特定痛点开始。用户正在尝试解决哪些问题，以及他们面临哪些可能的障碍？他们需要什么信息和功能来解决该问题？我们如何以最佳方式为他们打造数据可视化？用户希望获得一种简单、直接的用户体验，以最小的复杂性提供所需的信息，以便提出下一步建议，使他们可以专注于更具战略性和价值的工作。
最新的用户体验和数据可视化趋势之一是将用户的工作流与可行的见解、建议、预测以及针对当前任务或决策的最佳后续操作合并。精明的业务用户可以进一步钻研数据并发现模式、趋势和相关性。
2、数据可视化正变得越来越社会化数据可视化正变得越来越社会化，近来经常在各种社交媒体平台上得以展示，吸引了许多关注者。数据分析行业也意识到了这一趋势，现在更加专注于使可视化工具的使用，旨在更好地吸引社交媒体上的关注者。
由于社交媒体用户的停留时间很短，因此数据必须具有可表达性、视觉吸引力、简洁明了的特性。社交媒体共享的数据可视化遵循“少即是多”的理念。社交媒体的一些示例包括3D动画，GIF以及视频形式的内容和数据可视化，通常用于流行视频共享应用程序。
内部数据可视化软件中使用的仪表板通常会提供实时数据，这些数据可用于使用该软件的团队成员进行有效的协作和决策。他们还拥有多功能的小组件、地图组件和趋势指示器，以帮助团队理解数据可视化，以及支持不同用户之间有效通信。如今，最好的数据可视化软件具有可以将台式计算机上的数据链接图形化并共享到移动设备的功能。
「图片来自EasyV数据可视化」
整个仪表板可以与团队成员共享，并且可以通过计算机以及移动设备（例如智能手机和平板电脑）进行分析。这些社交和共享功能对于组织内团队成员之间成功传递信息非常有用。
3、数据将变得越来越民主化另一个有趣的趋势是数据民主化，这意味着任何人都可以随时使用数据来进行决策，而没有访问权限。数据可视化工具在使数据和分析民主化以及使整个组织中的所有用户均可访问数据驱动的见解方面发挥着重要作用。它使用户能够通过单击的方式访问可视化数据并构建交互式个性化仪表板。
4、通过数据可视化传递故事当人们听到故事时，他们通常会感到情感投入，往往会更好地记住它们。数据和数字确实有重要的故事要讲，但是它们依靠你来给他们清晰而令人信服的声音。用于讲故事并赋予数字和数据意义的数据可视化概念正变得越来越流行。
但是，仅可视化数据是不够的。数据可视化者需要转变为讲故事的人；首先发现数据本身的含义，然后创建一个叙事形式，帮助受众发掘其含义，同时使他们与数据保持互动。为了实现这一点，将一系列可视化效果按顺序排列在一起，使你的听众了解数据并帮助他们得出有意义的解释。从复杂的数据集中创建此类视觉故事可能是一项艰巨的任务，但如果正确完成，它将有助于区分数据可视化并证明是一个有竞争力的差异化因素。
5、数据可视化不再局限于数据科学家和分析师IBM通过一项最新研究预测，在未来几年中，对数据科学家和数据工程师的需求将增长近40％。同时，如今的雇主现在开始期望在整个组织中不仅对科学家和工程师而言，对数据处理和数据可视化有一定程度的熟悉。由于这种趋势，我们可以预期工具和资源的持续增长，旨在使数据可视化领域及其收益更容易为所有人所用，而不仅仅是数据分析师。
例如，大数据行业袋鼠云的EasyV数据可视化之类的资源正变得越来越流行，该资源由1000多个数据可视化组件组成，旨在帮助希望构建自己的数据可视化的人们，使用户可以轻松创建可视化效果和数据可视化大屏，而无需任何编码技能。
6、人工智能和机器学习将使数据可视化的创建变得更加智能机器学习（ML）和人工智能（AI）是技术飞速发展的领域，并不断以新方式应用于业务目标。这些新兴技术在数据可视化中也起着越来越重要的作用。
从大量不同的来源获得的数据过多，包括内部系统（例如企业资源计划（ERP）和客户关系管理（CRM）应用程序），或外部资源（例如Web和流数据）。此类数据的格式差异很大，但又必须对其进行集成、格式化和自定义以使其与特定用户相关，这涉及找到有助于获得更好结果的关键见解。机器学习和自然语言处理（NLP）具有强大的功能，可以解释非结构化数据，包括文本、音频和视频，并发现重要的见解。这是开发有效的数据可视化的第一步。ML和AI可以通过自动化帮助减少可视化工作量。
AI和ML可以以人类无法企及的速度帮助收集和处理大量数据。实际上，AI甚至可以根据上下文分析与特定用户最相关的信息。此外，某些AI解决方案可以为不同的受众视觉处理和表达此信息。此过程称为“视觉分析”，因为它将人工智能的高级自动和视觉分析方法与人机交互相结合，以收集见解。
7、移动友好型数据可视化移动设备已成为实现专业和个人目的必不可少的工作工具。当我们使用它们来访问应用程序、网站、报告等时，移动印象通常是第一印象。当在移动设备上访问数据可视化时，用户体验的质量至关重要，并且在将来会更加关键。为企业应用程序或网站开发的数据可视化必须在各种移动设备和不同的浏览器上进行测试，使可视化内容清晰、简单、紧凑和简洁。
因为使用移动设备时注意力跨度非常短，你必须使数据尽可能地吸引人，同时还要简化交互功能。最重要的一点必须清晰易懂，以便用户欣赏和处理。
上面列出的7种数据可视化趋势将确保未来的可视化为组织带来更大的战略价值。我们需要顺应以上七种趋势发展，以创建满足当今和未来用户需求的数据可视化。