从静态框架到流动适配：产业落地中的动态优化调整

去年秋天在南京浦口工业园区跑调研，碰到一个管能源的老主任，吐槽刚上线的智慧能源系统花了小两千万，用起来还不如他原来凭经验调的好用。问下来才知道，系统默认是按周优化出力，赶上去年连续半个月的高温晴天，分布式光伏出力比预测高出三成，企业加班生产的负荷也跳涨，系统还抱着上周的模型慢悠悠出方案，等调完已经超了负荷被罚了二十多万。

很多人聊起这个方向，第一反应就是算法、大数据、人工智能，其实根子上的问题，是原来我们习惯的静态框架，适配不了现在越来越快的外部扰动。

静态框架的失效，本质是扰动频率超过了迭代频率

计划经济时代我们按五年定生产，改革开放后按年度定目标，放到十年前，大部分行业一年的市场波动不会超过十个百分点，年初定的方案撑到年底问题不大。

现在呢？上游原材料价格一周能波动十五个点，下游消费者的偏好三个月换一波，区域性的政策调控说落地就落地，原来半年更一次的规划，刚出来就已经过时了。

举个反例，前几年我接触过一个做连锁餐饮的企业，花大价钱做了供应链优化模型，模型要求按季度调整门店订货量，赶上2022年上半年的疫情，封控说来就来，总部按季度订的货烂在仓库里，不少开门的门店缺东少西，硬生生亏掉了两个季度的利润。

这里要拎清楚一个很多人没说破的点：任何框架的有效性，都建立在「环境变化速度低于框架调整速度」这个基本前提上。当这个前提不存在了，再完美的静态模型，也只是一张过期的船票，登不上现在的船。

落地的核心，是找到信息和成本的平衡点

说实话，很多做技术的人会把这事搞反，他们觉得算力越高、采样越密、调整越频繁就越好，实际完全不是这么回事。

我见过不少城市的智慧交通系统，宣称能做到每分钟调整一次红绿灯配时，实际运行下来，早晚高峰的时候反而比原来的固定配时更堵。为什么？传感器每十秒传一次数据，算法刚算出新方案，路口的车流已经变了，刚调完的配时又过时了，反而来回变灯搞得车主无所适从。

动态适配的核心约束，从来都不是算法精度，是信息的时延和调整的成本。

你要做一件事的调整，首先得拿到真实变化的信息，信息传过来需要时间，调整本身也要花成本，只有当调整带来的收益大于调整本身的成本，这件事才成立。

比如半导体制造的工艺参数，为什么不会每分钟调一次？不是做不到，是每次调整都要停机校准，一次停机的成本几十万，哪怕调完能提高一个百分点的良率，摊下来也还是亏的。行业里通用的做法，是给工艺漂移设一个阈值，只有当参数偏移超过阈值，才触发一次调整，既保证了良率，又控制了调整成本。

不过话说回来，很多乙方公司卖解决方案的时候，从来不会跟客户说这个平衡点，只会把概念吹得天花乱坠，说只要上了我的系统就能全自动化实时调整，最后客户花了大价钱，用不起来，还怪自己这边人不行，实在是冤枉。

容易被忽略的三大应用边界

除了刚才说的成本边界，还有两个边界，大部分资料里不会写得太直白。

第一个是权责边界。动态调整不是算法说了算，调整背后是利益的重新分配。比如城市公交动态调整发车间隔，算法算出来高峰时段要加开三班车，但是原来的司机排班是固定的，加班要给双倍工资，钱从哪出？哪个司机来加？调度员有没有权力临时调人？这些问题算法解决不了，都是权责划分的问题，没理顺的话，最优方案就是躺在系统里的一堆数字，落不了地。

第二个是认知边界。大部分组织的架构，都是为静态计划设计的，年初定KPI，年底考核，所有人都习惯了按固定的节奏走，你突然说要每个月调一次KPI，团队立刻就慌了，觉得领导是不是变卦，是不是要缩编，反而把人心搞散了。很多企业推动态目标管理推不下去，不是目标调整不对，是整个组织的认知和习惯没转过来，决策者也不敢轻易打破原来的规则，怕出乱子。

第三个是风险边界。越是涉及公共安全的领域，对动态调整的容忍度越低。比如核电反应堆的控制参数，不会随便乱调，因为一旦调错了，代价是无法承受的，哪怕原来的静态参数保守一点，效率低一点，也比乱调风险小。只有当调整出错的成本在可承受范围内，你才能放开了适配，这个边界碰不得。

现在很多行业都在喊要变要灵活，其实变本身不是目的，适配才是。有人把它当成包治百病的万能药，其实它更像一把带刻度的手术刀，你得知道哪里能下刀，哪里不能碰，得知道自己能承受多少成本，才能切对地方，拿到你想要的结果。