而且产品也是个容易引起误解的说法，不是只有消费端产品才是产品，整个供应链上的中间品也都是某种产品，还不光有硬件产品，还有软件产品。

最重要的是，产品技术是需要不断更新的。

很多产品的技术更新是渐改。基本技术已经捅破窗户纸了，后面就是选择性改进的问题，按部就班，未必涉及基础研究的问题。但改进越深入，越脱离已知的轨道，基础研究的作用就越大。

以自动控制为例。基本的PID控制人们已经熟知100多年了，有的是办法。但PID在本质上是单变量的，是无约束的，是反馈的。也就是说，PID控制在本质上只能处理单输入、单输出的控制场景，相关的事件发生了，只有到反映到输出了，否则茫然无知，但那时已经晚了。约束则是物理世界的现实，油门踩到底了，还要更多的马力就不可能了。PID控制律对于控制输出即将到头毫无感觉，到头了就只能硬挺过去。反馈则决定了PID只有在“坏事情”发生后才能有所反应，即使有前兆，也不知所措。有很多办法使得PID可以在一定程度上避免这些问题，但这些都贴膏药的办法。

PID有数学基础，PID就是比例-积分-微分的意思，但不懂数学，照样掌握PID。多变量控制就不行了，必须要有一定的数学基础。约束控制的问题更大，不仅需要约束最优化的数学基础，还涉及到闭环稳定性的问题。PID的参数调试有一定的规则，这些规则都有数学依据。约束控制的稳定性也有一定的规则，但这些规则只是经验规则，并没有足够严格的数学依据，也就是说，一般质量还行，但是“不保修”。要做到“保修”，需要很深的数学。

这些还都是针对固定不变的控制场景。要是被控对象的动态特性会变，要么需要跟在后面不断地重新调试，要么需要某种自适应，一边用最小二乘一类的方法首先从输入-输出数据中辨识出动态模型，然后动态地自动计算控制律，这就是自适应控制。“敌变我变”，似乎是解决一切不定性问题的灵丹妙药。但这里的问题其实更大。只有最简单的模型形式具有简单的辨识计算，复杂一点的需要迭代，这就有收敛性问题，根本收敛不出一个确定的结果，也就谈不上自适应了。从辨识-控制到再辨识-再控制，自适应控制还有闭环收敛性问题，否则控制律“想一出是一出”，就乱套了。这些都牵涉到更加复杂的数学。