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，這涉及到文字挖掘、資料視覺化、資訊檢索、資料探勘、機器學習乃至人工智慧等一系列問題。

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40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，並不意味著其中沒有可以作為突破口的部分。

比如資料探勘和資訊檢索，就是千禧年附近很火熱的研究方向。

其核心目的是從海量資料庫和大量繁雜資訊中提取出有價值的知識，並進一步提高資訊的利用率。

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裡空有一大堆名詞，但卻不知道哪個是破局的關鍵——

實際上，他此時就面臨著無法從大量繁雜資訊中提取出有價值資訊的困境。

“資訊……”

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，最好是一個資料就可以精確且唯一地描述一個含義。

也就是一維資料。

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，往往需要一組資料。

但與此同時，這一組資料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資料對應多個含義的現象，就需要將一組資料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，現實中收集到的資訊，在多數情況下，本身就是已經展開過的高維資料。

而如果想要讓計算機處理這些高維資料……

常浩南思索半晌，又在紙上寫下了三個基本條件：

1、對原始高維資料進行壓縮，降低原始高維資料的維度，進而節省儲存空間，同時也降低高維資料的計算複雜度。

2、消除，或者至少降低隱藏在原始高維資料中的噪聲。

3、提取到高質量的資料特徵，提升後續的資料表示和分類任務的效果。

他在腦子裡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。

這裡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，因此來這裡吃飯的人並不算多。

倒是旁邊的小超市，來來往往的人流量不少。

常浩南面前擺著一份熱氣騰騰的羊湯麵，但卻並沒有急著動筷子，而是出神地看著不遠處樓梯口上上下下的人群。