作为质量人，我们也许有理由为我们自己的工作在那样久远的年代，已经首次触摸到了人工智能的前沿而感到骄傲。在这里，我们应当向休哈特大师致敬！

大家知道，工业大数据是动态的。与静态数据不同，它们一旦发生也就消失了。如果我们没有在它发生的时候捕捉到它的话。

所谓捕捉数据，就是在数据发生的时候将它们记录下来。控制图Control Chart或者说SPC，首先就是将生产过程背后隐藏的数据加以记录，然后按照控制需要对数据进行处理和判定，以评价生产过程是否处于稳定的状态，或者评估过程的趋势，从中发现可能的质量问题的征兆和线索。

在这一点上，目前对于人们日常活动大数据的应用，就比较接近SPC，只是，人们日常活动大数据的处理方法和判定规则显然还比较原始，远不如SPC那样有数理统计学严密的数学基础的支持。也就是说，它的人工智能程度是远不如SPC的。

比如，你在“拼多多”上刚刚拼了一件羽绒服，它立刻就给你推过来一大堆的羽绒服，你刚买了几包武汉的热干面，它马上又给你推来一堆的热干面……它不知道，你不可能在同时重复购买这些东西。看来，人们日常活动大数据的应用，还需要一些对于人的行为模式算法的研究，判断和处理规则也需要重新设定。

我们在这里讲的记录数据，算法以及判断和处理规则，结合在一起就叫做“数据挖掘”。

与SPC和人们日常活动大数据的应用不同，ChatGPT处理的主要是静态数据。

比如，一篇论文发布到网上，如果不是被有意删除的话，它就会一直存在在那里，人们可以随时搜索到它。对于ChatGPT来说，也就随时都可以去整理它所包含的信息数据，但这是一个枯燥而且浩繁的工作。

大家可能已经注意到，现在的大数据公司和AI公司都会招聘“数据标注员”或“数据标注师”的职位。所谓“数据标注”就是记录数据，当然是按照预定的需要记录数据，这种数据记录确切地说就是给数据赋予某种特征，或者说是定义数据。

比如分类定义、标框定义、区域定义、描点定义等等。这相当于数理统计学中的数字特征值。比如均值、中位数或众数，比如样本方差或标准偏差。

但是，正如我们刚才已经说到的，仅仅定义了特征值，还并不能实现人的控制，或者说还并不能实现人工智能的目的，想要达到人的控制或人工智能的目的，还需要有计算方法和处理判定准则，在Control Chart里，数字特征值就是计算方法。

休哈特将数据分组，并定义组内与组间的不同性质，这就是处理方法；又将均值的三倍标准差也就是3σ作为控制限，3σ就是判定准则，它们合起来就可以判断过程数据的波动性质。大家都知道，3σ的意义是，在一个限定的区间内所包含的理想数据为99.73%，或者说，一个加工过程或生产过程，如果一直稳定地保持有99.73%的制成品在它的规格限范围内，就被认为是一个稳定的或者说符合质量要求的过程。这个3σ，这个99.73%是谁规定的呢？是休哈特。是休哈特根据当时的工业生产规模及其质量控制水平规定的，实际上是一个人为的规定。

我们可以看到，Control Chart或者SPC，它是依据大数据的。它是按照数理统计原理对大数据进行计算和处理的，同时，它按照人的目的设立了判断的规则，这与现在的人工智能原理是完全一致的。

所以我说，Control Chart或者SPC是人类历史上第一次人工智能的应用，也可以说，现在的人工智能其实正是SPC的继续与扩展。

说到这里，我们似乎可以更进一步地，或者说可以从哲学的意义上来探讨一下数据的意义。所谓数据，只有当我们观察它的时候它才存在，只有当我们给予它特定的标注与赋值，同时为它设立了准则或规范的时候，也才能利用它，否则，它将毫无意义。