物理世界是由结构化物理和非结构化物理组成，而现实世界大部分情况下，表现的是非结构化或半结构化的世界，而数学建模理论均是基于结构化数据和结构化物理假设为前提创立的过程，这样就引入了不少数学假设，相对于复杂的物理世界，结构化理论模型应用于物理世界后无论如何也达不到理论极限性能，只能无限逼近，比如信号处理领域的克拉美罗界（CRB），以及通信领域的香浓极限。主要原因是实际物理系统无论是数据还是物理现实（比如传感器）均非理想的结构化方式存在，这就是理论和实际脱节的根源，在实际应用中，造成了二者之间无法完整匹配。这也是高校从理论成果无法大规模落地，或者“落地难”的根本技术原因。所以也造成了当把理论直接用于实际时，效果并不理想的尴尬局面。而专利的使命本应该是恰恰填补这一段空白，即半结构化或者非结构化专利技术的市场转化效果会更好，这其实也是理论、实际和专利各自的定位。

    在半结构化或非结构化的现实世界中，凡理论应用较好的领域，多属于一些专用领域，比如在码头做自动驾驶，就比做泛在的自动驾驶，容易的多，其背后的原理是码头场景更趋于结构化，这与结构化的AI本质上是一致的，所以两者匹配，但在泛在广义领域，这种匹配性急剧恶化，导致一般场景下的AI性能表现不佳。AI本质是仍然是基于结构化数据（比如数据清洗）来训练模型的，这一根本性缺陷也大大限制了AI的普适性应用。

    人之所以能适应世界的能力很强，即人对结构化场景和非结构化场景均能适应的很好，根源在于人的大脑具有知识推理能力，既适于规则基于的结构化场景，又适于模糊理论基于的非结构化场景。从另一个角度讲，精确和非精确理论是人类解决现实世界复杂性的两大利器，前者与结构化紧密相关，而后者与非结构化模糊理论紧密相关，比如人的情商就是非结构化非精确理论的一个具体例子，智商则更多局限于结构化精确性理论，所以哲学和数学在人身上的高度统一，必然要折射到机器中去，才能实现真正的“机器人时代”。其有效实现途径有两种方式：一是发展机器的知识推理能力；二是发展机器的思维导图方式，让机器变得与人一样，让不同事物发生关联，是其实现非结构化非精确理论的方式，这些策略才是解决问题的根本思路和终极方案。

    或许，“非结构化理论的数学原理和方法”应该成为描述物理世界的更重要更准确方式，如其必然，则那样的世界或许比我们现在的物理世界更加精彩，从学术角度理解，这一领域也可以是研究者的一片沃土。