人工智能与软件架构

转载本文需注明出处：微信公众号EAWorld，违者必究。

本文目录：

一、人工智能（AI）的目标是增强智能（IA），而不是替代人类

二、应对软件架构分而治之带来集成的挑战，探索智能的连接

三、从智能连接入手探索在软件架构中应用人工智能

四、总结

因为 AlphaGo 的出现，过去的 2016 年可谓是人工智能元年。记得当时我们正在苏州封闭研发The Platform，工作之余讨论到人机对战的真正意义，并不在于技术上的突破，而在于对人们固有知识的影响，人工智能的应用会如雨后春笋般诞生，以后没有人工智能的软件你都不好意思开口了。

大家都在问，自己的工作与人工智能有什么关系，如何在自己的工作中应用人工智能，如何在软件中植入人工智能的基因，使用人工智能应该从何处入手，学习人工智能应该从哪里开始，更深层次的问题是人工智能能否代替人类，作为一个程序员，在人工智能能否代替人类写程序的问题上，根据我们团队的实践介绍一下如何在软件中应用人工智能。

一、人工智能（AI）的目标是

增强智能（IA），而不是替代人类

人工智能并不是一个新概念，40年代维纳的《控制论——关于在动物和机器中控制和通讯的科学》就是人工智能。但早年的人工智能受限于计算能力，更多在解决模型的计算速度和精度上，近年来随着云计算技术的发展，计算能力提高了，随着大数据的发展，更复杂的计算问题可以用更多的数据进行修正，人工智能的可用性大大提高。但是我们从目前人工智能应用的情况可以看到，人工智能并不能替代人类，例如在图像识别、语音方面的突破，仅仅是让机器更加聪明而已，还远远没有达到人类的程度，作为人类的智能助手更加合适。

理清人工智能、机器学习、深度学习、统计等基本概念之间的关系

把人工智能的方法应用到软件中，我们先梳理清楚几个概念之间的关系：人工智能（Artificial Intelligence）是一个大的概念，是让机器像人一样思考甚至超越人类；而机器学习（Machine Learning）是实现人工智能的一种方法，机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测；深度学习（Deep learning）又是机器学习的一种实现方式，他是模拟人神经网络的方式，用更多的层数，更多的神经元，然后给系统输入海量的数据，来训练网络。而统计学是机器学习和神经网络的一种基础知识，从传统分工来看，统计学一般是数学、统计等专业研究的方向，而机器学习是计算机科学的研究方向，但是目前大家的研究成果越来越殊途同归，有统计学的大师就认为统计实际上一直在从事机器学习的工作。

对于深度学习、统计的专家来说，他们更加关注于模型、算法等等，找到可以普适性解决问题的办法，而对于我们应用来说，具体的算法实现不需要我们考虑太多，而是找到适合的场景、合适的模型、匹配的算法，所以，应用人工智能实际上是一个计算机、统计、知识工程、行业知识的一个交叉应用，在经常涉及到的应用中，我一般在处理结构化、半结构化数据时优先考虑传统统计学的方法，例如分类、数据相关性、回归等，而处理非结构化数据时（例如图像、视频、文本）优先考虑深度学习的方法，但这些方法也需要有统计学知识。所以，需要补课：线性代数、数理统计、Python，我觉得《机器学习实战》这书入门不错，上述几方面知识都介绍了。

应用人工智能实现增强智能的三个层面

应用人工智能的时候，人们会有一个误区，总是希望得到一个意想不到的结果，也就是希望探索出新知识。经常有人问我，得到的结果好像没有什么我不知道的，我说这就对了，因为你是专家，要是计算机得到的结果都是不可知的，你怎么能相信他，例如AlphaGo下的棋，绝大多数都是人类已知的，非常少非常少的情况下，下出一招另类，这已经是一个顶天星的水平了。很多人失望了，这还有啥意思，其实意义很大：

（1）计算机可以让常人快速获得以往专家才能具备的知识，例如有经验的客户经理，肯定非常了解客户的情况，谁是优质客户，谁需要什么产品等等，不需要计算机，但是通过用户画像等人工智能的手段，计算机可以让经验不够丰富的人，也具备了上述经验，这个做法价值就非常高，毕竟专家是少的；

（2）帮