如何应对不完整信息？

1. 什么是不完整信息？

顾名思义，不完整信息就是存在片面的、不完全和未知的信息。造成不完整信息的原因有很多，比如认知水平、人类脑容量限制、科技发展水平、系统的复杂性和事物本身的不确定性等等，导致人类不可避免要面对大量不完整信息决策场景。而如何有效应对不完整信息事关人类对未知事物的认知准确度，代表着人类的科技发展水平。

2. 有哪些不完整信息？

既然应对不完整信息很重要，那么首先我们要了解究竟有哪些不完整信息呢？

第一类是我们明确知道的不完整信息，包括：a）科学已经证明的无法抓取的信息，比如不确定性定理；b）还有我们故意忽略掉的信息，比如由于天气预报的复杂性——我们刻意忽略掉一些影响因素（太阳的反应、月球的引力等），复杂系统的分层——下层特意屏蔽对上层的细节可见性；c）另外还有想抓取却受限于当前科技发展水平而无法获取的信息，比如黑洞、癌症及近几年随着数据的爆炸性增长，人类对大数据的分析和使用却任然受限于当前的大数据技术。

第二类是我们不知道的不完整信息，即表面上我们觉得一切尽在掌握，客观实际上却存在大量未知的信息。比如人类从牛顿物理力学到爱因斯坦相对论的认知变迁，从决定论到混沌论的转换等等，我们不断的在重新完善认知。

3. 如何应对不完整信息？

综上所述，由于不完整信息的存在，我们必须想办法去应对这种情形，以免产生不确定性，进而影响正确决策。在IT领域，我们应对不完整信息的常见方法有：

3.1 增加冗余（Redundancy）

增加冗余可以有效避免不完整信息带来的潜在风险，在IT工业界随处可见，例如通过冗余备份来应对灾难和错误的不确定性，通过Multiple IO path来应对IO链路在网络传输过程中的不确定性，服务器的Active-Standby模式来应对服务的不确定性等等。

3.2 多角度（Multi-dimensions）

通过多角度看待同一个事物，来增加认知的准确性。比如在测试过程中，通过白盒、黑盒、边界测试、压力测试等多种策略来规避软件代码中可能出现的Bug；在决策系统中，通过风险、可靠性、性能、可用性、安全等多个角度来评估某一个方案的可行性；Data fusion过程中通过Multi-sensors既采用了冗余技术又利用了多角度来增强采集信息的精确度等。

3.3 多层次

多层次抽象既可以降低系统的复杂度，同时又可以提升系统的精确度，同时还能尽可能的降低不完整信息带来的不确定性。例如神经网络学习通过抽象多个层次来不断学习从而增强准确性。

3.4 重试

重试是人类应对不完整信息既简单又有效的一种常见方式。例如在网络环境中，由于网络环境的复杂性及动态性，网络传输过程中经常会发生信号中断或异常，此时采用重试，就可能规避不完整信息带来的不确定性问题；系统组件之间的通信也常常采用这种策略，可以在不知道也不用分析失败原因的情况下，解决可靠性问题。

我们引用埃里克.雷蒙（Eric Steven Raymond）1999年在他出版的讨论软件工程方法的著名文集《大教堂和市集》的一个著名观点来结束本篇文章：

“Given enough eyeballs，all bugs are shallow”  ——即只要足够多的眼球关注，就可让所有软件代码缺陷浮现。

这又被称为 Linus‘s Law，这一定律从某种程度向我们揭露了冗余和多角度的重要性。