起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識何以智能
編輯導語：鋪天蓋地的智能化感覺離我們越來越近，那么要想達到智能化——讓產品或平臺變的智能，我們需要的進化路徑是怎樣的呢？這篇文章是作為智能化的啟發篇，主要更多的在于啟發式的思考智能化，并且延伸至對智能化平臺的構建，后續幾篇作者會以實際場景詳細探討智能平臺的建設，大家快一起來看看吧。
不時在想從事大數據工作（數據人）的追求是什么？是無休止的與數據作對？是對數據全面管理？是數據能力中臺化降低業務使用成本？是讓數據易用來提升數據使用率和覆蓋人群？這些是在數據應用演化進程上的產物，是手段而不是目的。最終的目的是想通過數據造就智能，通往智能化。
如今都在說智能化，很多人不由得問什么是智能化？又如何達到智能化呢？
我認為智能化包含兩部分：自動化和智力，同時也是智能路徑上的兩個階段。
自動化是基礎，智力是核心。自動化階段是可以自動的依據指令或信號完成某項流程或動作，不需要人工介入。但是需要人工觸發信號，即沒有自我辨識能力。而智力是可以通過自我學習，外界指導學習后作出自我判斷，并根據判斷后的結果自我沉淀經驗，持續完善經驗并作出最優判斷。當然這個智力主要指的是IQ層面，不涉及情感或EQ。如果涵蓋情感因素我認為這就不僅是智能，而是類人或超人化存在。
所以通過智力判斷后作出指令控制，并自動化執行。這一套流程結合起來就是智能化要做到的。類似于大腦和肢體的協作，大腦發出指令，肢體自動化執行，還會存在簡單條件反射?？梢岳斫庾钤嫉某跏蓟橇褪怯珊唵我巹t組成的本能的簡單條件反射。
那么我們如何一步步達到智能化？這看似是一個由高科技堆疊而成的理念，但拋開技術實現來說智能化的具體路徑抽象來看應該都一致的，所以在這不探討軟技術和硬件如何配合實現，而是來看智能化演進的路徑。在我的概念里，現在應用最廣泛的機器學習甚至深度強化學習也只是技術選型之一，我認為并不一定是最優解。下面我會拋出智能化演進路徑的框架，來進一步探討。
這就不得不從思維形成過程來說，即人之所以可以做出多種判斷來抽象判斷性思維形成過程的原因。有言道：世上本無路，人走皆有之。人走的多了自然而然就形成了路，這其實暗含了人們經過多次的嘗試或由于習慣沉淀下了一些規律，逐步演變為了規則?！奥贰笨梢岳斫鉃楣残缘囊巹t，因為路可能是兩地間的最短路徑，也可能是大多數人的走路習慣。規則讓人有了判斷標準或能力。
當路走多了以后，人們自然就會依據規律去規劃道路。也就是說，由于大量規則的衍生，根據規律出現了思考、規劃甚至預測能力。像呱呱墜地的嬰兒，剛出生就被社會的條條框框所約束。通過學習規則，逐步形成了判斷力，甚至成長后思考如何改變規則。
只有判斷能力在如今不能稱為智力或者高等智力，因為僅僅熟知做事原則并遵守就可以擁有判斷標準。當具備思考能力，可以創造或改變規則那么就具備了初步的智力。
那么智力如何衍生出來的呢？我們抽象一下就是規則、規律、強化、刻意、重復和反饋。我們思考的過程或結果需要有反饋才能進行思維進化，這就是為什么你做一件事從來沒有拿到過結果，你并不知道你的做法是不是對的，是不是成功可行的，很難再去進一步決策。
對于思維進化來說反饋是極其重要的一步，也是整個思維進化閉環中的最后一環。思考過程需要有結果的指導，這個結果往往會奠定繼續下去的方向。比如發散思維是空想，但最終還是要歸于一個點，否則思考是沒有意義的。也沒有辨別你思考正確與否的機制，這樣就不能保證智力是正向提升的。
一、“智力”或“思考”是依托場景化的區分
對于“思考”，拿我們自身舉例，“思考”和“思維”也是分場景的。這個場景可能是某項專業技能，可能是生活中的某個片段，你所作出的結果都是依據特定場景下的思維判斷。這不是局限，而是模塊化思考的能力。所以我們逐步學習和成長的過程實質是在不同場景中逐步學習、碰壁和反饋中漸進發展的，并不是一概而論的。所以大腦只是承載了不同場景中的智力學習、存儲和運行，并不會有一個通用的思考能力覆蓋所有場景。
現階段（現在的科學不一定就是真理）在對大腦的科學研究發現，無論是記憶還是正在發生的事情大腦都是以小的片段化記憶并處理的，所以我認為“片段”就是大腦對小場景的劃分。
智能化的過程也是模擬以上場景化下的學習、判斷、反饋及經驗沉淀來形成思考和思維并不斷重復和強化。而在模塊化、場景化思考能力之上需要一個全局的思維管控，根據模塊場景優先級進行精力分配及協調。
智能化其實也是對大腦認知的抽象，大腦認知根據成長我分為了兩個階段：
1. 第一階段
第一階段是大腦運作的基礎閉環：學習、感知（已發生場景識別）、判斷決策、觸發動作執行、反饋、知識經驗沉淀（順序為信息傳遞方向）。
我們通過知識的學習記憶來感知事物或環境并作出相應判斷，基于判斷會出信號來觸發自身的行為動作，并通過事后的神經反饋來知曉結果，并把整個過程作為記憶儲存為經驗和學習的拓展為以后同類事情的發生提供輔助。這是我們日常也是最基礎的大腦行為過程。
第一階段是可自動化所具備的條件，而形成自動化的過程也就是規則經驗沉淀的過程，即判斷和反饋。自動化形成后的持續運行是對外界環境多樣性的沉淀及相似場景的刻意練習。即使對于人的大腦來說，智力成長的過程也需要不斷的刻意練習去刺激大腦皮層來增加更多神經元的生成。而刻意練習的過程同樣適用于機器，刻意或重復練習是從自動化通往智能化的必經之路。
2. 第二階段
隨著知識經驗長期的積累沉淀，第二階段便衍生出了：預感預測（第六感，未發生場景預知）、反哺學習、預知決策（預測場景判斷決策和已發生場景判斷決策）、靈感（隨機行為和思想）（順序為信息傳遞方向）。
你會發現有時我們會提前去思考某一件事可能即將或未來會發生，或者是提前去思考事情發生的多種可能性，并根據你預想發生的情況去作出提前應對方式。甚至有時也會出現類似第六感或Deja Vu。而且有時你會發散思維或想象去做一些與常規格格不入的事情，例如很多我們難以理解的藝術品。這些其實就是與第一階段常規不同的進化部分，這個進化的緣由很大一部分就是經驗的積累帶來視野邊界的擴大。
很多人說“教育”限制了孩子的想象力，這是個偽概念不詳細探討。但是想象力是來自于已有基礎的邊界擴充，簡單來說就是，你都沒有交通的概念，怎么會能憑空的創造出一個交通工具？類似于你都不知道基礎科學怎么可以在此之上進行科學突破或研究？
所以當知識、經驗豐富到一定程度后，大腦會更容易的作出預測甚至形成潛意識的預感和靈感。并且可以根據經驗對預測和預感作出判斷及應對策略，這是你心智模型的構建過程。
心智模型的逐步成熟意味著智力的產生，也就意味著具備了智能化的核心。
圖1 大腦認知抽象（做圖不易，且看且珍惜）
以上是通過大腦認知抽象來看智能化的路徑，可能過于抽象但理念卻是相通的。那么如果把智能路徑具象通過平臺化、產品化如何實現？我們帶著此疑問逐步進行拆解。
首先為了引出智能化與知識圖譜的關系，并讓大家更好理解。我們先來認清一下數據和知識的關系。
二、“數據”和“知識”的關系
上文中我一直都在強調知識，那么知識是什么？數據就是知識嗎？為了更好的理解后面知識圖譜的重要性。這里先初步解釋一下，避免混淆數據和知識的概念。
簡單來說知識和數據是逐級包含關系，也就是說知識是由數據構成的。這個大家可能理解，但并不是所有的數據都是知識。首先我們來拆解一下，通過對數據的分析加工變成了信息進行傳遞，而信息只是有效傳遞的一種形式并非知識，只有提煉出信息與信息之間的聯系并進行應用便轉化為了知識。知識是有特定關聯的信息的集合和應用。
可能一時揭露本質難以理解，可以細細體會。
三、“智能化”與“知識圖譜”的關系
信息與信息之間相互聯系才構建形成了知識。
知識圖譜是對經驗的構建，也是知識沉淀的一種方法。
知識圖譜簡而言之是對現實世界實體與實體之間關系的構建和對實體屬性的定義去來構建知識體系的。而通過關系的推理可以知道在某些場景下所能聯系出的方式方法和策略，相當于基于經驗知識的智能。
舉一個實際數據應用場景的例子：比如最常見的數據分析場景。進行數據分析的時候，當前業務的分析維度或指標是需要你依據業務場景來設想。如果基于已有的知識體系和經驗會推薦出跟你相關的數據指標或數據維度，這取代或節省的是你設想和構思分析模型的時間和效率。
你會發現這種應用在不同工作中都會存在很多類似的場景：像特征工程的特征篩選；運營、營銷和風控等策略方法相關場景。總而言之運用到知識經驗的場景都可以進行應用。
但現階段對于創新還是有一定難度的，目前主要應用還是在于歷史經驗的篩選。不過可以通過后期圖推理能力的增強進行關聯性創新，即通過關聯到的其他維度進行方法的適配。如營銷策略從風控策略中抽象而來的方法也不是沒有可能。
四、反哺和吸取
說到創新，從機器智力的角度，有一點是難以實現的。就是我以前文章《深入數據分析思維》中提到的“無中生有”。因為這個東西在機器的世界里（數據）從未出現過，也無法通過組裝的方式衍生出來。但是有方式可以彌補這個缺陷，即快速的新知識獲取，獲取速度盡量等同于新知識的產生速度。
我們再來回顧一下人的思考過程，你會發現人的創新或想象力并不是憑空出現的，也并不僅僅是靠訓練而獲得的，其中還有一種思考的原材料，就是知識和經驗。人是根據不斷獲取外界的知識和經驗去進行思考和實踐，之后對已有知識體系的排列組合。
所以我們可以通過把自動化構建知識作為思考原料的補充，通過迅速爬取和自動構建知識體系，可以近似于無限接近知識的邊界而擁有了創新能力。
五、智能化要減少或避免偏見
雖然說智能化是一個人人都期待的未來，但好事物總是一把雙刃劍。智能化也不例外。而產生偏見或許是需要擔憂的核心問題，這涉及了道德倫理、社會和人權等一系列問題。因為智能化很大程度要么依賴于人或事（作為輸入）的特征并且結果（作為輸出）作用于人，對于真實生活中的人來說有偏見很正常，每個人會有自己善惡丑美的判斷標準，大自然會中和人們偏見帶來的影響。而對于平臺來說，一個中立的系統，從另一種意義上說就代表著大自然的地位。帶有偏見的決策可能就會是毀滅性的。
六、智能化的特點：用戶的感知一定是簡單
智能并不代表著復雜。相反，智能給人的感覺一定是易用易懂。智能化的邏輯過程雖然復雜，但是產品平臺的意義就是把智能化的邏輯封裝作為知識體系傳遞給用戶，面向用戶的僅僅需要簡單的操作指令去應用知識。如果把過程暴露給用戶，智能化并不能提升效率反而會造成極大的使用成本，這也失去了智能的意義。
你會發現自動化的前提可能會很復雜，比如預先定義一些固化的標準，然后基于標準進行自動化的處理。而定義標準或是SOP的過程是繁雜的。用戶定義的過程相當于一次沉沒成本的投入，換取后續固化下來的自動化。而且作為用戶要考慮到各種情況的應對策略，否則自動化就會陷入死胡同。
因此自動化是把知識邏輯開放給用戶的；而智能化是封裝了自我衍生的知識邏輯，用戶要做的是告知應對的場景是什么。
七、智能化的產品平臺
通過啟發式思考，抽象來看對于智能平臺應該具備的核心能力或者模塊應該有哪些？依于此，智能化的平臺如何構建？
1. 平臺產品智能化路徑
我們根據抽象出來的每個環節來對應平臺核心能力（這里所說的平臺沒有屬性的傾向性，因此沒有對應場景去說明，完全高度抽象）。
那么核心能力鏈路就要涵蓋：數據感知中心（數據采集、收集和計算引擎）、知識中心（知識沉淀、知識圖譜）、事件感知識別（依據知識做出的判斷）、學習中心（算法及圖推理引擎）、中央控制樞紐（資源協調、任務分配及熔斷）、人工干預（強制人工介入）、全局可視化。
下面詳細闡述一下各個能力的組成邏輯。
1）知識中心（知識沉淀、知識圖譜）
對于“學習”來講，首先需要具備“知識”，而知識的積累過程是來源于用戶的“灌輸”和對外界的“感知”。從知識維度來講，我們需要區分知識的類型。我分為了四大類：①事物特征；②識別規則；③操作行為；④平臺經驗。這四類知識分別代表著對外界真實的感知，感知后的認知及判斷和決策后的處置動作。因此這個知識體系可以覆蓋整個平臺的自動有效運行。而平臺自身依據知識學習后的實踐反饋可作為平臺自身經驗沉淀后作為后續迭代進化的基礎。
感知“事物特征”需要根據接觸到的事物的事實進行數據化后收集并提煉，例如看到一只動物對它自身的毛發顏色、奔跑速度等一系列事實存在的特征數據化提煉。當然是需要對事物處置前、后的特征都進行沉淀，這需要作為對執行過程的反饋和結果認定的標準。
對于第一步真正知識的“灌輸”是根據用戶已有對事物特征的判斷經驗而抽象的規則，這也是最簡單也最常見的經驗運作方式，隨之沉淀為平臺的識別規則。
基于面對的事物及其特征進行規則判斷后，下一步是用戶的處置動作。而處置的操作行為是作為后續提煉決策的一個重要知識。我們可以依據事物特征、特征與判斷規則及處置方式的聯系進行后續的學習并形成平臺自己的決策知識。
2）數據感知中心
數據感知本質是一個傳感器的存在，主要是對外界環境事物和內部數據的采集和收集，感知的核心是數據變化需要精準和精確。知識中心沉淀的事物特征、操作行為是需要通過數據采集加工后進行標準的知識沉淀。當然數據是一條很復雜的鏈路，這里我就不再細說，感興趣的同學可以去研究或私下問我數據采集和加工鏈路。
3）中央控制樞紐（監控、協調、分配、熔斷）
中央控制樞紐主要是對平臺應對場景的感知和內部多模塊中心的協調運作進行監控、協調處理與任務分配，如對場景數據的感知從而觸發相應的執行操作、不同環境下執行操作的計算資源彈性調配、模塊性能的優先級保障、運行狀態監控和分配任務執行鏈路等。并通過定義核心關鍵指標來限制平臺智能不得突破應對場景的操作底線，否則直接觸發熔斷的保障機制讓智能失效，降級回歸至硬規則自動化或人工介入。
整個模塊相當于平臺自身智能化操作的觸發監控和觸發后平臺的協調調度中心，保障各種環境狀態下的運行正常和機制健全。
4）學習引擎
學習對于平臺來講是需要圖算法構建和圖推理的一個過程，前提是需要大量的數據積累。包括用戶所要應對事件的特征、用戶對于此類事件在平臺上的操作處理行為、操作觸發后事件所表現出的結果特征、用戶對此事件的評定和處理方式，以及處理方式結論的評價。這些都需要作為知識和經驗保存下來，因此知識圖譜的應用是助力學習與智能運用的一劑良藥。
5）事件感知及策略
事件感知分為兩方面：預測和識別。
預測是基于歷史的知識經驗，并結合推理出的更多可能性，可以對現在環境的特征預測未來各場景下事件發生的可能性；識別是對當前正在發生事件的特征進行辨別判斷從而識別。通過預測和識別的場景進行針對性的策略應對。這一模塊是智能化下的執行環節，有效的進行策略輸出與執行。
6）人工干預
顧名思義，人類從來都是把最終掌控權掌握在自己手中，也往往是安全機制中的最后一環。簡單來說就是自動切手動，人工作為智能的保障。
7）全局可視化
全局可視化不必多說，需要盡可能的把環節中有用和事件處理的結果效果有效的展現出來，讓人更直觀、更透明且有預期的對全局的把控。
八、結語
以上是我認為智能所要具備的基本核心，而如何把抽象出的核心理念具象在一款產品平臺上實現呢？敬請期待……
智能似乎遙不可及，但逐步滲入我們生活。隨著數據的積累，或許未來的2-3年內，智能化的戰役一觸即發。
作者：趙偉森，微信公眾號：樹蔭下的貓貓狗狗
本文由 @趙偉森 原創發布于人人都是產品經理。未經許可，禁止轉載
題圖來自 Unsplash ，基于 CC0 協議
任何事物都有兩面性。但更重要的是，使用的人自己的覺知力，是否在線，是否清醒。
智能化和我們現在已經擁有和使用的任何工具是一樣的，問題都是，是工具在用你，還是你在用工具的區別。