如今都在说智能化，很多人不由得问什么是智能化？又如何达到智能化呢？
我认为智能化包含两部分：自动化和智力，同时也是智能路径上的两个阶段。
自动化是根本，智力是核心。自动化阶段是可以自动的依据指令或旗子暗记完成某项流程或动作，不须要人工参与。但是须要人工触发旗子暗记，即没有自我辨识能力。而智力是可以通过自我学习，外界辅导学习后作出自我判断，并根据判断后的结果自我沉淀履历，持续完善履历并作出最优判断。当然这个智力紧张指的是IQ层面，不涉及情绪或EQ。如果涵盖情绪成分我认为这就不仅是智能，而是类人或超人化存在。
以是通过智力判断后作出指令掌握，并自动化实行。这一套流程结合起来便是智能化要做到的。类似于大脑和肢体的协作，大脑发出指令，肢体自动化实行，还会存在大略条件反射。可以理解最原始的初始化智力便是由大略规则组成的本能的大略条件反射。
那么我们如何一步步达到智能化？这看似是一个由高科技堆叠而成的理念，但抛开技能实现来说智能化的详细路径抽象来看该当都同等的，以是在这不磋商软技能和硬件如何合营实现，而是来看智能化演进的路径。在我的观点里，现在运用最广泛的机器学习乃至深度强化学习也只是技能选型之一，我认为并不一定是最优解。下面我会抛出智能化演进路径的框架，来进一步磋商。
这就不得不从思维形成过程来说，即人之以是可以做出多种判断来抽象判断性思维形成过程的缘故原由。有言道：世上本无路，人走皆有之。人走的多了自然而然就形成了路，这实在暗含了人们经由多次的考试测验或由于习气沉淀下了一些规律，逐步演化为了规则。“路”可以理解为共性的规则，由于路可能是两地间的最短路径，也可能是大多数人的走路习气。规则让人有了判断标准或能力。
当路走多了往后，人们自然就会依据规律去方案道路。也便是说，由于大量规则的衍生，根据规律涌现了思考、方案乃至预测能力。像呱呱坠地的婴儿，刚出生就被社会的条条框框所约束。通过学习规则，逐步形成了判断力，乃至发展后思考如何改变规则。
只有判断能力在如今不能称为智力或者高档智力，由于仅仅熟知干事原则并遵守就可以拥有判断标准。当具备思考能力，可以创造或改变规则那么就具备了初步的智力。
那么智力如何衍生出来的呢？我们抽象一下便是规则、规律、强化、刻意、重复和反馈。我们思考的过程或结果须要有反馈才能进行思维进化，这便是为什么你做一件事从来没有拿到过结果，你并不知道你的做法是不是对的，是不是成功可行的，很难再去进一步决策。
对付思维进化来说反馈是极其主要的一步，也是全体思维进化闭环中的末了一环。思考过程须要有结果的辅导，这个结果每每会奠定连续下去的方向。比如发散思维是空想，但终极还是要归于一个点，否则思考是没故意义的。也没有辨别你思考精确与否的机制，这样就不能担保智力是正向提升的。
一、“智力”或“思考”是依托场景化的区分对付“思考”，拿我们自身举例，“思考”和“思维”也是分场景的。这个场景可能是某项专业技能，可能是生活中的某个片段，你所作出的结果都是依据特定场景下的思维判断。这不是局限，而是模块化思考的能力。以是我们逐步学习和发展的过程本色是在不同场景中逐步学习、碰钉子和反馈中渐进发展的，并不是一概而论的。以是大脑只是承载了不同场景中的智力学习、存储和运行，并不会有一个通用的思考能力覆盖所有场景。
现阶段（现在的科学不一定便是真理）在对大脑的科学研究创造，无论是影象还是正在发生的事情大脑都因此小的片段化影象并处理的，以是我认为“片段”便是大脑对小场景的划分。
智能化的过程也是仿照以上场景化下的学习、判断、反馈及履历沉淀来形成思考和思维并不断重复和强化。而在模块化、场景化思考能力之上须要一个全局的思维管控，根据模块场景优先级进行精力分配及折衷。
智能化实在也是对大脑认知的抽象，大脑认知根据发展我分为了两个阶段：
1. 第一阶段第一阶段是大脑运作的根本闭环：学习、感知（已发生场景识别）、判断决策、触发动作实行、反馈、知识履历沉淀（顺序为信息通报方向）。
我们通过知识的学习影象来感知事物或环境并作出相应判断，基于判断会出旗子暗记来触发自身的行为动作，并通过事后的神经反馈来知晓结果，并把全体过程作为影象储存为履历和学习的拓展为往后同类事情的发生供应赞助。这是我们日常也是最根本的大脑行为过程。
第一阶段是可自动化所具备的条件，而形成自动化的过程也便是规则履历沉淀的过程，即判断和反馈。自动化形成后的持续运行是对外界环境多样性的沉淀及相似场景的刻意练习。纵然对付人的大脑来说，智力发展的过程也须要不断的刻意练习去刺激大脑皮层来增加更多神经元的天生。而刻意练习的过程同样适用于机器，刻意或重复练习是从自动化通往智能化的必经之路。
2. 第二阶段随着知识履历长期的积累沉淀，第二阶段便衍生出了：预感预测（第六感，未发生场景预知）、反哺学习、预知决策（预测场景判断决策和已发生场景判断决策）、灵感（随机行为和思想）（顺序为信息通报方向）。
你会创造有时我们会提前去思考某一件事可能即将或未来会发生，或者是提前去思考事情发生的多种可能性，并根据你预想发生的情形去作出提前应对办法。乃至有时也会涌现类似第六感或Deja Vu。而且有时你会发散思维或想象去做一些与常规扞格难入的事情，例这样多我们难以理解的艺术品。这些实在便是与第一阶段常规不同的进化部分，这个进化的缘由很大一部分便是履历的积累带来视野边界的扩大。
很多人说“教诲”限定了孩子的想象力，这是个伪观点不详细磋商。但是想象力是来自于已有根本的边界扩充，大略来说便是，你都没有交通的观点，怎么会能凭空的创造出一个交通工具？类似于你都不知道根本科学怎么可以在此之上进行科学打破或研究？
以是当知识、履历丰富到一定程度后，大脑会更随意马虎的作出预测乃至形成潜意识的预感和灵感。并且可以根据履历对预测和预感作出判断及应对策略，这是你心智模型的构建过程。
心智模型的逐步成熟意味着智力的产生，也就意味着具备了智能化的核心。
图1 大脑认知抽象（做图不易，且看且珍惜）
以上是通过大脑认知抽象来看智能化的路径，可能过于抽象但理念却是相通的。那么如果把智能路径具象通过平台化、产品化如何实现？我们带着此疑问逐步进行拆解。
首先为了引出智能化与知识图谱的关系，并让大家更好理解。我们先来认清一下数据和知识的关系。
二、“数据”和“知识”的关系上文中我一贯都在强调知识，那么知识是什么？数据便是知识吗？为了更好的理解后面知识图谱的主要性。这里先初步阐明一下，避免稠浊数据和知识的观点。
大略来说知识和数据是逐级包含关系，也便是说知识是由数据构成的。这个大家可能理解，但并不是所有的数据都是知识。首先我们来拆解一下，通过对数据的剖析加工变成了信息进行通报，而信息只是有效通报的一种形式并异常识，只有提炼出信息与信息之间的联系并进行运用便转化为了知识。知识是有特定关联的信息的凑集和运用。
可能一时戳穿实质难以理解，可以细细体会。
三、“智能化”与“知识图谱”的关系信息与信息之间相互联系才构建形成了知识。
知识图谱是对履历的构建，也是知识沉淀的一种方法。
知识图谱简而言之是对现实天下实体与实体之间关系的构建和对实体属性的定义去来构建知识体系的。而通过关系的推理可以知道在某些场景下所能联系出的办法方法和策略，相称于基于履历知识的智能。
举一个实际数据运用处景的例子：比如最常见的数据剖析场景。进行数据剖析的时候，当前业务的剖析维度或指标是须要你依据业务场景来设想。如果基于已有的知识体系和履历会推举出跟你干系的数据指标或数据维度，这取代或节省的是你设想和构思剖析模型的韶光和效率。
你会创造这种运用在不同事情中都会存在很多类似的场景：像特色工程的特色筛选；运营、营销和风控等策略方法干系场景。总而言之利用到知识履历的场景都可以进行运用。
但现阶段对付创新还是有一定难度的，目前紧张运用还是在于历史履历的筛选。不过可以通过后期图推理能力的增强进行关联性创新，即通过关联到的其他维度进行方法的适配。如营销策略从风控策略中抽象而来的方法也不是没有可能。
四、反哺和吸取说到创新，从机器智力的角度，有一点是难以实现的。便是我以前文章《深入数据剖析思维》中提到的“无中生有”。由于这个东西在机器的天下里（数据）从未涌现过，也无法通过组装的办法衍生出来。但是有办法可以填补这个毛病，即快速的新知识获取，获取速率只管即便等同于新知识的产生速率。
我们再来回顾一下人的思考过程，你会创造人的创新或想象力并不是凭空涌现的，也并不仅仅是靠演习而得到的，个中还有一种思考的原材料，便是知识和履历。人是根据不断获取外界的知识和履历去进行思考和实践，之后对已有知识体系的排列组合。
以是我们可以通过把自动化构建知识作为思考质料的补充，通过迅速爬取和自动构建知识体系，可以近似于无限靠近知识的边界而拥有了创新能力。
五、智能化要减少或避免偏见虽然说智能化是一个人人都期待的未来，但好事物总是一把双刃剑。智能化也不例外。而产生偏见或许是须要担忧的核心问题，这涉及了道德伦理、社会和人权等一系列问题。由于智能化很大程度要么依赖于人或事（作为输入）的特色并且结果（作为输出）浸染于人，对付真实生活中的人来说有偏见很正常，每个人会有自己善恶丑美的判断标准，大自然会中和人们偏见带来的影响。而对付平台来说，一个中立的系统，从另一种意义上说就代表着大自然的地位。带有偏见的决策可能就会是毁灭性的。
六、智能化的特点：用户的感知一定是大略智能并不代表着繁芜。相反，智能给人的觉得一定是易用易懂。智能化的逻辑过程虽然繁芜，但是产品平台的意义便是把智能化的逻辑封伪装为知识体系通报给用户，面向用户的仅仅须要大略的操作指令去运用知识。如果把过程暴露给用户，智能化并不能提升效率反而会造成极大的利用本钱，这也失落去了智能的意义。
你会创造自动化的条件可能会很繁芜，比如预先定义一些固化的标准，然后基于标准进行自动化的处理。而定义标准或是SOP的过程是繁杂的。用户定义的过程相称于一次沉没本钱的投入，换取后续固化下来的自动化。而且作为用户要考虑到各种情形的应对策略，否则自动化就会陷入去世胡同。
因此自动化是把知识逻辑开放给用户的；而智能化是封装了自我衍生的知识逻辑，用户要做的是奉告应对的场景是什么。
七、智能化的产品平台通过启示式思考，抽象来看对付智能平台该当具备的核心能力或者模块该当有哪些？依于此，智能化的平台如何构建？
1. 平台产品智能化路径我们根据抽象出来的每个环节来对应平台核心能力（这里所说的平台没有属性的方向性，因此没有对应场景去解释，完备高度抽象）。
那么核心能力链路就要涵盖：数据感知中央（数据采集、网络和打算引擎）、知识中央（知识沉淀、知识图谱）、事宜感知识别（依据知识做出的判断）、学习中央（算法及图推理引擎）、中心掌握枢纽（资源折衷、任务分配及熔断）、人工干预（逼迫人工参与）、全局可视化。
下面详细阐述一下各个能力的组成逻辑。
1）知识中央（知识沉淀、知识图谱）
对付“学习”来讲，首先须要具备“知识”，而知识的积累过程是来源于用户的“贯注灌注”和对外界的“感知”。从知识维度来讲，我们须要区分知识的类型。我分为了四大类：①事物特色；②识别规则；③操作行为；④平台履历。这四类知识分别代表着对外界真实的感知，感知后的认知及判断和决策后的处置动作。因此这个知识体系可以覆盖全体平台的自动有效运行。而平台自身依据知识学习后的实践反馈可作为平台自身履历沉淀后作为后续迭代进化的根本。
感知“事物特色”须要根据打仗到的事物的事实进行数据化后网络并提炼，例如看到一只动物对它自身的毛发颜色、奔跑速率等一系列事实存在的特色数据化提炼。当然是须要对事物处置前、后的特色都进行沉淀，这须要作为对实行过程的反馈和结果认定的标准。
对付第一步真正知识的“贯注灌注”是根据用户已有对事物特色的判断履历而抽象的规则，这也是最大略也最常见的履历运作办法，随之沉淀为平台的识别规则。
基于面对的事物及其特色进行规则判断后，下一步是用户的处置动作。而处置的操作行为是作为后续提炼决策的一个主要知识。我们可以依据事物特色、特色与判断规则及处置办法的联系进行后续的学习并形成平台自己的决策知识。
2）数据感知中央
数据感知实质是一个传感器的存在，紧张是对外界环境事物和内部数据的采集和网络，感知的核心是数据变革须要精准和精确。知识中央沉淀的事物特色、操作行为是须要通过数据采集加工后进行标准的知识沉淀。当然数据是一条很繁芜的链路，这里我就不再细说，感兴趣的同学可以去研究或私下问我数据采集和加工链路。
3）中心掌握枢纽（监控、折衷、分配、熔断）
中心掌握枢纽紧张是对平台应对场景的感知和内部多模块中央的折衷运作进行监控、折衷处理与任务分配，如对场景数据的感知从而触发相应的实行操作、不同环境下实行操作的打算资源弹性调配、模块性能的优先级保障、运行状态监控和分配任务实行链路等。并通过定义核心关键指标来限定平台智能不得打破应对场景的操作底线，否则直打仗发熔断的保障机制让智能失落效，降级回归至硬规则自动化或人工参与。
全体模块相称于平台自身智能化操作的触发监控和触发后平台的折衷调度中央，保障各种环境状态下的运行正常和机制健全。
4）学习引擎
学习对付平台来讲是须要图算法构建和图推理的一个过程，条件是须要大量的数据积累。包括用户所要应对事宜的特色、用户对付此类事宜在平台上的操作处理行为、操作触发后事宜所表现出的结果特色、用户对此事宜的评定和处理办法，以及处理办法结论的评价。这些都须要作为知识和履历保存下来，因此知识图谱的运用是助力学习与智能利用的一剂良药。
5）事宜感知及策略
事宜感知分为两方面：预测和识别。
预测是基于历史的知识履历，并结合推理出的更多可能性，可以对现在环境的特色预测未来各场景下事宜发生的可能性；识别是对当前正在发生事宜的特色进行辨别判断从而识别。通过预测和识别的场景进行针对性的策略应对。这一模块是智能化下的实行环节，有效的进行策略输出与实行。
6）人工干预
顾名思义，人类从来都是把终极掌控权节制在自己手中，也每每是安全机制中的末了一环。大略来说便是自动切手动，人事情为智能的保障。
7）全局可视化
全局可视化不必多说，须要尽可能的把环节中有用和事宜处理的结果效果有效的展现出来，让人更直不雅观、更透明且有预期的对全局的把控。
八、结语以上是我认为智能所要具备的基本核心，而如何把抽象出的核心理念具象在一款产品平台上实现呢？敬请期待……
智能彷佛遥不可及，但逐步渗入我们生活。随着数据的积累，或许未来的2-3年内，智能化的战役一触即发。
