面向算法的架构设计

人工智能技术在过去几年的飞速发展，在研发领域带来的最大不同，或许是对算法价值的重新认识。过去的软件工程师在工作中说起算法，大多数情况指的是链表、二叉树、排序、时间复杂度等内容，而今天提及，第一反应则是机器学习和深度学习，以及它们在计算机视觉、自然语言处理、语音识别，又或推荐、广告、视频编码、路径规划等相关领域的应用。

人们期待算法解决的，一是以往无从实现的功能，二是优化现有解决方案的效率，为了让整个系统发挥最大的力量，很可能整个软件领域，从互联网服务、云计算平台到客户端、嵌入式设备的设计都应当被重新考虑。

（常见软件架构模块图）

以单体软件而言，架构设计，传统上可能意味着提取、合并同类项，意味着抽象化和层次化，意味着组件关系的固化，也意味着对扩展的提挈与规约。如果模块定义合理，一份软件很快就将形成固定的结构，而功能的增加则在某几个维度上平铺开去，直观的例子可以是以模块化著称的多媒体框架，当定义了编码器类型的模块后，一个框架中可以支持数十种不同的编码器，在工作流程中依据需要能够很简单地替换。

然而当把算法考虑进来之后，事情变得有些不同：

比如，即使为了相同的目标，算法也可能需要格式和内容上完全不同的输入和输出，例如需要词语的嵌入式表达而非频率统计，决策不同路径的相对优劣而非绝对评分。

比如，为了获取力所能及的最佳效果，算法可能需要更频繁地打破原有的模块和层次划分，譬如进行联合优化，将图像的分割和分类合二为一，又或将以往固定的环节拆解，仅对其中的部分环节进行处理，例如基于深度学习模型的量化和运动估计。

以及，算法甚至可能导致软件目标和结构的重新定位，当对话任务系统成为主要的用户使用方式，一个客户端应用的模块必然将围绕任务插槽拓展其分类、定义和设计。

总而言之，人们对算法所能做到的边界不再那么有把握，又或者说，对算法的效力存在持续、长久的期待。由此，以往的设计思路不再一定是“好”的，因为以往预期的变化和不变的方向不再成立，一个