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4.0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。
……