这里讲的试验，不是自己在实验室里做，而是在企业里，你有个产品，还有笔钱，委托别人替你做试验。

　　做试验之前，除了付钱，你还要给做试验的人提要求，告诉他测量什么数据。

　　简单的方式你熟悉，找一份过去同类的试验，根据这次试验共有多少钱，用简单的乘法，换算出测几组数据。钱多多做，钱少少做。

　　复杂的方式你也熟悉，找领导开会，找试验人员开会，找产品设计开会，找专家开会。被大家改来改去，最后还是钱多多做，钱少少做。

　　我的方式比较武断，只找两个人，问几个问题。

　　一、找设计，问重点

　　为什么要做这个试验？

　　哪些数据让你最不放心？

　　这些数据差多少才会影响性能？

　　如果你幸运地遇到一位头脑清醒的设计，你就会知道试验应当测量什么数据，必须测量到什么精度。

　　但是，你经常会得到这种回答：

　　因为领导要求做这个试验

　　所有数据都不放心

　　不知道数据影响多大

　　而且，那个糊涂设计往往是我们自己。我们只能重新分析设计方案，想明白各个数据影响有多大，回答好自己的问题。

　　二、找仿真、问难点

　　然后你就去找做仿真的人，而不是去找做试验的人。

　　问：

　　仿真中有哪些数据算得准？

　　仿真中有哪些数据算不准？

　　哪些数据变化对性能影响最大？

　　你梦寐以求什么试验数据？

　　仿真可以算准的，一律不做试验。今天，试验的终极使命是为仿真提供依据。

　　仿真不需要的试验，就是不需要

　　做仿真的人会告诉你，很多数据都算不准，而且是全世界都算不准。你先不要和他纠结细节，某模型如何带来1%的误差。你再质疑他一下，这个不准最多会带来多大误差？这个误差会导致性能明显下降吗？

　　你会发现有些算不准，其实谁也不影响，没有为所有的算不准买单。

　　只有发现某个算不准必然会影响性能，想绕都绕不过去，你再真金白银地专门解决这个算不准。

　　再对比一下，仿真和设计分别认为对性能影响最大的数据是哪些？

　　这里我更相信做仿真的人，因为仿真调试要反反复复调整数据，会无意中感受到各个数据的影响有多大。反而是做设计的人，见到的数据有限，限制了想象力，但是做设计的人有常识，确定的参数范围更可靠。

　　参数范围听做设计的人，参数影响规律听做仿真的人

　　最后请做仿真的人说说他梦寐以求的试验数据，这是对试验的最高要求。

　　然后，你可以找做试验的人，把设计的重点、仿真的难点铺开来，请他挑选，哪些数据他有把握测量准确。你会发现： 凡是仿真算不准，试验也测不准； 凡是试验测得准，仿真就算得准。

　　试验要么做不了、要么没必要，怎么办？

　　找到仿真与试验不准的不同之处，找到互补的点。

　　仿真的不准是算法不准，因为对物理现象理解不够，导致其中的算法不够准。但是仿真可以不受尺寸、时间的限制，你可以算全宇宙，也可以算一刹那。

　　试验的不准往往是与真实不符，尺寸不够大、温度不够高，或者尺寸不够小、温度不够低。

　　但是你会发现： 试验不能做到全局真实，可以在一点做到真实。

　　仿真的数据不准，可以看到不太准的全局真实。

　　试验与仿真是一对鞋的左右脚，你可以把试验的一个真实点，放在仿真的不太准的全局。仿真与试验互补的点，就是准确的试验要求。

　　表面上是简简单单地确定实验测量什么数据，背后要你高瞻远瞩。你可以不会画图、不会画网格、不会安装传感器，你要比设计、仿真、试验更懂他们的行业。

　　知道成百上千个数据对性能影响有多大？

　　知道仿真和试验各自能捕捉到什么？

　　另： 伤其十指，不如断其一指

　　试验样件越简单越好，能不上的部件都不要。试验测量越少越好，能不测的都不测。全力以赴地测量好很少的几个数据，把所有的精力凝聚在提高数据准确性。

　　（这么做很危险，如果前面判断失误，没有抓住重点和难点，等于白做。如果想不明白，还是用简单的撒胡椒面方法，什么数据都测量一些，数据好不好另说，至少保证试验报告很厚，成果很斐然。如果老板英明，一定会批评那个撒胡椒面、做大而全试验的人，竟敢用老板的钱为他的懒惰买单。）

　　以上的前提是：仿真和试验都要基本靠谱，否则，也没必要做什么试验！