正文
实现意图智能
。人知道最终结果是什么，但是并不告诉计算机采用什么样的规则计算，通过大量数据训练计算机找到规则，然后再让计算机完成大量重复计算，计算机究竟找到的规则是什么，有可能人并不一定能理解，其实往往也不需要理解，把计算机当成了黑盒；
创造意图智能
。也就是让计算机自己找到人并不知道的新知识，这也是我们最向往的场景。
从具体的实现层面看，第一种情况无疑是最多的，我们需要提炼总结规则，用好第一种情况很重要；第二种情况以前相对少一些，但恰恰是目前需要改进的，在第二种情况下我们往往优先用统计学的方法处理结构化、半结构化数据（例如格式化日志），用深度学习的方法处理非结构化数据，这就需要让我们的团队具备人工智能的思维。
实践人工智能，需要在在思维上进行调整。
我们往往习惯于用制定规则的方式指挥计算机，输入计算规则和输出结果都是已知的，也就是我上面说的机械智能方式。但后两种模式就不是规则方式了，因为规则是计算机找到的，这也就是经常说的数据训练。
这里我举一个我们自己实现的例子，让大家理解一下什么是模型、算法和数据训练。
先说一个背景，我们在梳理现有企业数据架构的时候，需要建立数据间的关联，用人进行梳理费工费力，我们就打算用计算机自动完成一部分，然后人工修正，这就是一个增强智能（IA）的例子。这里面就有一个情况，如果数据库中没有建立外键，如何把这种实际的外键关系找出来，我们就用这个例子解释一下机械智能和实现意图智能的方法：
1. 用规则的方式查找外键关系
首先要定义规则，外键关联的规则包括字段类型一致、长度一致、包含相同数据等等，然后在所有数据中遍历，进行匹配。这种方式需要有完整的数据，而且是否为外键关系的判断规则往往有些模糊，在没有得到全量数据时有一定局限性。
2. 用统计学方法查找外键关系
首先，我们定义出字段的特征（类似用户画像），字段特征是一个向量，就是一个一维数组，包括表名、字段名、字段类型、注释、样例数据最大长度、样例数据最小长度等等，由于表名、字段名不是数值，我们要把他们变成数值，可以和同一个标准字符串作比较，也就是通过移位的方式把字符串移动成标准字符串，移动次数越少，相似度就越高，这样就得到了一个真正的一维数组（向量）了。
其次，我们拿出一部分已知关系的表和字段，作为训练样本，逐一计算两个字段之间的相关系数（相关系数的计算方法是现成的，我这里就不介绍了，一上公式我就晕，Python 的发行版 Anaconda 里面就有，用了这个就体会到 Python 是最好的语言了），相关系数高的说明特征类似，认定为外键关系。
这时候人工判断一下，如果结果不错，那这个模型就是正确的，如果结果不好就换一种相关系数计算方法，或者改变数据特征，或者对数据特征进行加工，总之，外键特征作为一个客观存在，一定能够找到符合的特征，这就是数据训练。通过数据训练，找到合适的字段特征（模型）和计算方法（算法），也可以交给计算机做处理了，把所有的外键找出来。
你看，这里没有定义规则，处理方法是通过数据训练的方式，让计算机自己找出来的，我不需要知道相关系数这玩意到底是什么意思，这就是上面说的，计算机是一个黑盒。
需要说明的事，在上述例子中，我简化了不少动作，实际上最开始还找出来很多不是外键关系的字段，例如 createTime，我们还要把这种噪音字段的特征训练出来，剔除噪音。
这个示例说明了应用人工智能时不同的两种思维模式，简单的说不能再用创造规则的方式指挥计算机，而是训练计算机自己找出规律。
上面我们分析了人工智能相应的基本概念，人工智能的几种模式以及应用人工智能时需要的思维突破，下面我们从软件架构发展和面临的挑战，看看应用人工智能时的切入点在哪里，哪里更容易爆发出人工智能的火花。
什么是软件架构，在 InfoQ 出版的《
聊聊架构
》中讲的很清楚（感谢老王，总结非常到位），软件架构就是：
-
根据问题确定系统边界；
-
按一定原则进行切分；
-
建立不同模块间的沟通机制；
-
整体性交付软件功能；
可见，架构的关键是分而治之的哲学，但切分是为了软件研发、运维方便，软件的目标是整体交付，分与合存在这矛盾，这一矛盾是由集成解决的，但是集成往往是复杂的，大家在架构方面的分享，也以如何切分居多，如何集成相对较少。
