对于系统论和系统科学的研究，我已经做了不少内容，但一直有一种意犹未尽的感觉，或者说脑中一直有一个疑问，让人停不下来，

  实事求是的说，现代的人已经不关注系统论和系统科学了，即使有也是很少数，令人不解的是，互联网时代我们人为的设计和开发了很多的软件系统，数据系统，AI系统，却从不用系统科学分析，这是我脑中一直未解的疑问。

  我个人研究系统论和系统科学的初心是将它们应用在互联网软件系统中，在上世纪7-80年代，系统科学被广泛地应用在社会系统或工程系统中。

  在互联网时代，大量的业务软件系统，数据系统，AI系统被人为设计和开发出来，却再也没有像当年一样，一大批的系统科学的学者和专家研究它们。

  甚至很少有学者专门讨论系统科学与软件系统的关系，在我过往的研究中，系统性的著作，只发现了两本书：

  《企业信息化水平的系统动力学》是将系统科学的系统动力学应用在企业的信息化中。

  两本书并没解决我的问题，但在某一些程度上给了我一些启发，前者验证了系统动力学是适合于业务系统分析的，后者告诉我系统科学也适合于数据系统的分析。

  所以，综合两者，加上我以往对系统科学和软件系统的理解，我明确了自己的研究思路，即系统科学在互联网软件系统中的分析，将系统科学理论分为基础理论和技术方法等两部分，将软件系统分为业务系统，数据系统和AI系统等三部分。

  对于互联网软件系统的分析，采用系统论，信息论，控制论等基础理论，还是系统动力学，解释结构模型，信息联系机制和控制反馈模型等系统技术方法？

  这是一个最重要的问题，系统技术和方法是系统论基础理论在不同时代，不同实践环境下的发展，随着网络时代的发展，这些系统技术方法并不一定持续适用于当前的新系统 - 互联网软件系统。

  其一，系统科学中的基础理论，如，系统论，信息论，控制论，协同论等理论是不会，也没有过时的，它们同样也适用于互联网软件系统的分析。

  其二，系统科学中的系统技术和方法，如，系统动力学，解释结构模型等不一定持续适合互联网软件系统的分析，或者说，互联网软件系统要求系统科学发展出新的系统技术和方法。

  既然是讨论系统科学对互联网软件系统的分析，就需要将软件系统细化，我列举了软件系统的三个层次：业务系统 → 数据系统 → AI系统。

  三种系统是软件系统在互联时代不同阶段的发展，业务系统是最基础的软件系统，信息时代的ERP，CRM系统，网络时代的PC系统，移动时代的APP系统，都存在业务系统。

  大数据时代分为两个阶段：第一阶段是大数据系统，如抖音推荐或搜索系统；第二阶段是AI系统，如阿里通义千问，百度文心一言，科大讯飞的星火系统等。

  业务系统是大数据和AI系统的基础，大数据系统是AI系统的基础，后者是前者的发展，即数据系统和人工智能系统中都包含了一定的业务系统，或者与业务系统密切关联。

  这部分是用根据系统论的基础理论 -系统的规律（结构功能律，信息反馈律，竞争协同律，涨落有序律，优化演化律）以及系统的原理（整体性，层次性，开放性，突变性，稳定性，自组织性和目的性）等内容

  对互联网业务系统的分析，包括：电商系统的分析（电商系统的子系统与系统原理的关系）数据系统的分析（阿里瓴羊，神策和GrowingIO等数据系统）

  这部分是系统论在国内的发展理论 - 大系统论（运动域，事件系，能力素，态势场）在企业协作系统中的应用（飞书 VS 钉钉 VS 企微）

  研究大系统论在业务系统中的应用非常有意义，因为大系统论的四个基本概念中有两个被大范围的应用在业务系统中，如，软件架构中有领域架构，即根据共性作为架构设计的具体方案。事件是软件系统中两个子系统之间发送消息的过程。

  以上是控制论在系统中的应用，严格意义上并不符合这里的要求，因为这里的组织或管理系统并不是切实的软件系统，但可以类比为管理软件系统。

  这里要关注的是控制论的基本内容（受控系统和施控系统，输入和输出，目标与行为，信息与反馈）和控制模型的应用。

  以上是协同论的基本内容（协同效应，伺服原理，自组织原理）在企业协作系统中的应用（飞书 VS 钉钉 VS企微）

  以上两者是系统科学中重要的方法之一：系统动力学在用户运营和数据系统中的应用，其基本内容有：正负因果链，流图，存量，流量，输入和输出率等。

  系统动力学 - SD，是专门研究信息反馈系统的学科，从研究领域能够准确的看出，其基本理论是控制论，吸收了系统论和信息论的紧随，通过结构分析和信息反馈来解决系统问题。

  解释结构模型也是系统科学中重要的方法之一，是通过将复杂系统分解为若干子系统要素，利用计算机建构成一个多级递阶的模型。

  其基本内容有：有向图，集合表达（可达集，先行集，共同集等）矩阵表达（邻接矩阵和可达矩阵）区域划分，级位划分等。

  以上是信息科学的方法之一：信息联系机制（系统的整体性不是各构成要素性质的总和，而是系统各要素的相互制约关系和结构决定的）在库存管理系统中的应用。

  以上是信息科学的方法之二：信息摩擦（信息经济学中解释流通障碍的理论，指在完成预期目标过程中，由于信息不完全和不对称而导致在正常之外消耗的成本）

  以上内容1-4是系统论 / 控制论 / 协同论等基础理论在业务系统中的应用，内容5-8是系统科学 / 信息科学等具体技术在业务系统中的应用。

  根据钱老在《系统科学的金字塔结构》对系统论和系统技术关系的定义，红色内容是第三四层基础理论，蓝色内容是第一二层技术和方法，后者是前者的发展。

  这种刻意的将系统论与系统技术的区别是非常有必要的，因为系统技术和方法是系统基础理论随着实践发展出的内容，它们的产生有实践环境要求，随着新技术和环境的变化，它们并不一定适合新的时代。

  即解释结构模型，系统动力学，信息摩擦或信息联系机制，这些系统技术和方法不一定适合互联网时代的软件系统分析。

  我用的定义是不一定，是疑问不是肯定，因为从我对它们的研究中能够准确的看出，我已经将它们应用在了互联网软件系统的分析中，且我个人觉得是合适的。

  但我也清晰地意识到，仅针对业务软件系统是适用的，对数据系统和人工智能的变化，这些技术和方法并没有更好的适用性。所以，仅在业务系统这里做了系统论和系统科学的分割，不在其他两个系统中做拆分分析。

  可以从以上案例看出，我在系统论和系统技术在业务系统中的分析是广泛的，虽然一部分系统是数据系统，如，神策和GrowingIO，但这里我也只分析它们的业务系统部分。

  系统论，系统动力学，解释结构模型在业务系统中的分析，主要侧重在系统要素以及，层级和结构的优化上。

  信息科学的信息摩擦和信息联系机制主要侧重在系统中信息的流通效率上；控制反馈模型侧重在通过反馈控制管理系统的优化。

  其一，大数据系统是业务系统的延伸，从这张图就能够准确的看出，数据系统与业务系统的关系，即数据系统从业务系统获取数据，进行一系列处理以后，直接或间接反作用于业务系统的优化。

  其二，不同与业务系统中流转的信息，数据系统中流转的内容是数据，业务系统中的结构是由业务模式决定的，例如，电商的业务流转模式决定了其系统结构。

  而数据系统的结构是由数据的流转流程决定的，即数据的采集，处理，存储，分析和应用，并不受任何业务模式影响。市场上所有的数据系统其架构都是如此，无论大小，无论行业。

  其三，数据系统的不同子系统之间流转的是数据，所以对要素之间，子系统之间的连接与互动的要求更高，除了像业务系统一样，考虑彼此的协同，更高考虑协同的效率。

  流式架构对比传统大户数据架构：数据全程为流的形式处理，没有ETL-数据仓库，数据以消息形式直接推动给用户，数据的实效性更高。

  Lambad架构：是大数据系统中重要的架构，数据通道分为：实时流和离线，实时流保持了实时性，离线以批处理为主，保障了一致性，对数据分析的场景覆盖更全。

  Kappa架构：在Lambda上来优化，将实时和流部分合并，以消息队列替代，数据可重播，架构更简洁，实施难度增加。

  从以上四种大数据系统的技术架构能够准确的看出，因为是数据系统，对系统内要素 - 数据的流动性，实时性，可重复处理性，都有很高的要求，也决定了技术架构的发展趋势。

  从整体论的基础理论看，四种架构的要素，子系统，以及形成的基本结构并没发生很大变化，也揭示了系统论对数据系统的作用有限。

  其一，从大数据平台结构能够准确的看出，数据系统与业务系统的关系，以及本身系统的基础结构相对固定，也揭示其系统结构的相对稳定性。系统的有效性并不决定于结构，而是结构中不同要素或子系统间信息 - 数据的流转效率。

  其二，对比数据系统和业务系统能发现，数据系统除了基础的数据业务的架构，还存在另一种架构 - 技术架构，且技术架构的设计在很大程度上制约了数据业务系统的效果。

  从GPT的技术结构-Transformer，可以看出人工智能系统的结构与传统软件系统的结构完全不同，结构中元素之间的关系，子系统的层次，都远比传统软件系统的结构要复杂得多。

  从这张视觉/语言Transformer技术的演进可以看出，从GPT-1到GPT-3其结构不断的演进，目前GPT-4已经发展到多模态的架构，即不同模态可以换成另一模态，且模态间的语义不变。

  GPT-3.5对比GPT-3的主要区别是增加了RLHF -人类反馈强化学习，这个范式增强了人类对模型输出结果的调节，对结果进行更具理解性的排序。

  TAMER框架 -评估式强化人工训练代理，将人类标记引入Agents的学习循环中，通过人类向Agents提供奖励反馈，从而达到训练目标。

  我在《思维科学和认知科学-人工智能》中，提及了认知科学的体系结构图，其中就显示了计算机科学与神经科学的交叉科学 - 控制论，揭示了系统论在人工智能的基础学科中的关系。

  其一，从GPT1-4的发展可以看出，人工智能系统的结构与其他两种系统完全不同，其结构复杂程度很高，关联节点多，层级又多又深，甚至接近100层，这种类人脑的系统结构已经脱离了系统科学中技术和方法可以解释的范围。

  其二，从GPT3.5中的人类反馈强化学习和奖励反馈框架，以及认知科学中控制论在计算机科学和神经科学的交叉中，可以看出系统论的基础理论-控制论在人工智能系统内依然有明确的应用，且有非常重要的作用，发展了学习能力和调优能力。

  我个人认为三种系统中包含的模型，存在一种趋势：模型的数量越来越多，即从业务系统，到数据系统，再到人工智能系统中，模型化的内容越来越多，大系统中包含的子模型越来越多。

  因为三种系统的难度，复杂度越来越强，其中的设计，开发，优化也越来越难，越来越关键，于是需要将其模型化固定，方便部分调整和优化。

  对比三种系统的结构形态，是完全不一样的，业务系统的结构是上下层级，比较整齐的形态；数据系统依赖数据处理流程，是横向顺序关系；人工智能系统的结构像人的大脑，多连接，多层级。

  其一，系统科学的基础（系统论，信息论，控制论等）在三种系统中都有应用，可以说是隐性的应用，只要是系统，就自然符合系统基础理论的原理。

  其二，很明显不难发现，系统分析技术和方法（系统动力学，解释结构模型等）在业务系统中可以适用，但是在数据系统和AI系统中并不适用。

  这些系统技术方法侧重在分析系统的结构关系对功能的影响上，已经满足不了数据和AI系统的分析，后两者已经不能简单的从结构层面优化功能效果。

  数据系统更需要依赖系统内，结构之间的信息-数据流动效率优化；大数据系统更需要依赖系统内技术结构的多层级，多模态的优化。

  2. 系统论和系统科学：《系统方法论》《向钱学森学习》《系统论和系统科学》《系统科学-金字塔体系》

  3. 科学方法研究：《1.观察 实验 定义 概念》《2.逻辑和非逻辑思维》《2.逻辑学看ChatGPT》《3.模型 模拟 仿线.科学研究方法论》《科学发现方法论书籍》

  《我的大模型=知识模型+能力模型+素质模型》《如何建构知识模型》《知识怎么样转化为能力》《经验怎么样转化为知识》

  《范畴-学习》《结构-范畴》《关系-范畴》《哲学范畴系统化》《唯物辩证法的范畴论》《辩证唯物主义要素结构功能》《商业范畴系统化》