2017年新技術的數量一(yī)直很龐大(dà)的： 雲計算采用的速度比分(fēn)析家預測的還要快，并因此帶來了一(yī)些新的工(gōng)具。人工(gōng)智能進入到人們生(shēng)活的各個領域；物(wù)聯網和邊緣計算的應用越來越廣泛；一(yī)系列雲原生(shēng)技術已經實現，例如Kubernetes，無服務器和雲數據庫等等。一(yī)年前，行業專家在對2017年的預測中(zhōng)涉及了其中(zhōng)的一(yī)些發展趨勢，如今是預測分(fēn)析2018年科技領域的發展趨勢的時候了。
雖然人們喜歡層出不窮的新技術，但是普通的企業主，IT采購人員(yuán)和軟件開(kāi)發人員(yuán)卻對這種大(dà)規模的技術創新一(yī)無所知(zhī)，不知(zhī)道如何開(kāi)始新技術轉化爲商(shāng)業價值。人們将看到2018年出現的幾個趨勢，其重點将放(fàng)在使易于使用和消耗的新技術方面。
集成平台和一(yī)切事物(wù)變成無服務器的應用
亞馬遜公司和其他雲計算提供商(shāng)競相獲得和保持市場份額，因此他們不斷提高抽象和跨服務集成的水平，以提高開(kāi)發人員(yuán)的生(shēng)産力，并加強客戶鎖定。亞馬遜公司在2017年11月的AWS Re：Invent大(dà)會上推出了新的數據庫即服務産品和完全集成的人工(gōng)智能庫和工(gōng)具。它還開(kāi)始區分(fēn)不同形式的無服務器計算：AWS Lambda現在是關于無服務器的功能，而AWS Aurora和Athena則是關于“無服務器的數據庫”，将無服務器的定義擴展到底層服務器的任何服務。據推測，現在更多的 雲服務 可以采用“無服務器”這個更廣泛的定義來定義自己。
到2018年，人們将看到雲計算提供商(shāng)更加重視進一(yī)步整合具有更高層次抽象的個性化服務。他們還将重點關注與人工(gōng)智能、數據管理和無服務器相關的服務。這些解決方案将使開(kāi)發人員(yuán)和運營專業人員(yuán)的工(gōng)作變得更簡單，并隐藏其固有的複雜(zá)性。但是，他們确實有着更大(dà)的鎖定風險。
在2017年，我(wǒ)(wǒ)們看到所有雲提供商(shāng)都與Kubernetes服務商(shāng)一(yī)起構建微服務編排層，從而緩解了部分(fēn)鎖定。 2018年，人們将看到在Kubernetes之上建立的一(yī)系列開(kāi)放(fàng)式和商(shāng)業化服務，可以提供專有 雲産品 的多雲替代方案。當然，Iguazio公司的Nuclio就是這樣一(yī)個開(kāi)放(fàng)的、多雲無服務器平台的很好的例子，Red Hat公司的Openshift多雲PaaS也是如此。
雖然人們喜歡層出不窮的新技術，但是普通的企業主，IT采購人員(yuán)和軟件開(kāi)發人員(yuán)卻對這種大(dà)規模的技術創新一(yī)無所知(zhī)，不知(zhī)道如何開(kāi)始新技術轉化爲商(shāng)業價值。人們将看到2018年出現的幾個趨勢，其重點将放(fàng)在使易于使用和消耗的新技術方面。
集成平台和一(yī)切事物(wù)變成無服務器的應用
亞馬遜公司和其他雲計算提供商(shāng)競相獲得和保持市場份額，因此他們不斷提高抽象和跨服務集成的水平，以提高開(kāi)發人員(yuán)的生(shēng)産力，并加強客戶鎖定。亞馬遜公司在2017年11月的AWS Re：Invent大(dà)會上推出了新的數據庫即服務産品和完全集成的人工(gōng)智能庫和工(gōng)具。它還開(kāi)始區分(fēn)不同形式的無服務器計算：AWS Lambda現在是關于無服務器的功能，而AWS Aurora和Athena則是關于“無服務器的數據庫”，将無服務器的定義擴展到底層服務器的任何服務。據推測，現在更多的 雲服務 可以采用“無服務器”這個更廣泛的定義來定義自己。
到2018年，人們将看到雲計算提供商(shāng)更加重視進一(yī)步整合具有更高層次抽象的個性化服務。他們還将重點關注與人工(gōng)智能、數據管理和無服務器相關的服務。這些解決方案将使開(kāi)發人員(yuán)和運營專業人員(yuán)的工(gōng)作變得更簡單，并隐藏其固有的複雜(zá)性。但是，他們确實有着更大(dà)的鎖定風險。
在2017年，我(wǒ)(wǒ)們看到所有雲提供商(shāng)都與Kubernetes服務商(shāng)一(yī)起構建微服務編排層，從而緩解了部分(fēn)鎖定。 2018年，人們将看到在Kubernetes之上建立的一(yī)系列開(kāi)放(fàng)式和商(shāng)業化服務，可以提供專有 雲産品 的多雲替代方案。當然，Iguazio公司的Nuclio就是這樣一(yī)個開(kāi)放(fàng)的、多雲無服務器平台的很好的例子，Red Hat公司的Openshift多雲PaaS也是如此。
智能邊緣vs私有雲
雲計算實現了開(kāi)發現代化和數據驅動型應用程序所必需的業務敏捷性，無論是創業公司還是大(dà)型企業。挑戰在于人們不能忽視數據引力，因爲許多數據源仍然存在于邊緣或企業中(zhōng)。這加強了5G帶寬，網絡延遲，GDPR等新規定，并且越來越迫使企業将計算和存儲放(fàng)在更接近數據源的地方。
如今的公共雲模型是服務消費(fèi)，因此開(kāi)發人員(yuán)和用戶可以繞過IT，帶來一(yī)些無服務器功能，使用自助服務數據庫，甚至将視頻(pín)上傳到雲服務，然後将其轉換爲所需的語言。但是，當企業使用本地部署的替代方案時，企業必須構建自己的服務，而且技術堆棧發展如此迅速，IT團隊實際上不可能構建與雲計算替代方案相比拟的現代服務，從而迫使企業走向雲端。
被稱爲“私有雲”的IT供應商(shāng)解決方案與真正的雲計算無關，因爲他們專注于自動化IT操作。他們不提供面向更高級别的用戶和開(kāi)發人員(yuán)的服務，IT部門最終從幾十個單獨的開(kāi)源或商(shāng)業軟件包中(zhōng)組裝這些服務，添加通用的安全層、日志(zhì)記錄和配置管理等服務。這爲雲計算提供商(shāng)和新的公司進入邊緣計算和本地空間提供了機會。
2017年，微軟公司首席執行官薩蒂亞·納德拉越來越專注于他所謂的“智慧優勢”。微軟推出了Azure Stack，這是Azure雲的一(yī)個迷你版本，不幸的是它隻包含微軟公司在 雲平台 中(zhōng)提供的一(yī)小(xiǎo)部分(fēn)服務。亞馬遜公司開(kāi)始提供名爲“Snowball Edge”的邊緣設備，希望它能在這方面做得更好。
智能邊緣并不是私有雲。它提供了與公共雲相同的一(yī)套服務和運營模式，但是它可以實現本地訪問，并且在許多情況下(xià)由中(zhōng)央雲操作和維護，就像運營商(shāng)管理有線機頂盒一(yī)樣。
2018年，傳統私有雲市場将會萎縮，同時智能邊緣将會有增長的勢頭。雲計算提供商(shāng)将增加或加強邊緣産品，越來越多的公司将進入這個市場空間，在某些情況下(xià)，通過集成産品提供特定的垂直應用程序或用例。
人工(gōng)智能從原始技術到嵌入式功能和垂直堆棧
人們在2017年看到了人工(gōng)智能和機器學習技術的快速崛起，但是盡管有些炒作的成分(fēn)，但實際上卻主要被亞馬遜，谷歌和Facebook等市場領先的廠商(shāng)所使用。對于一(yī)般的企業來說，人工(gōng)智能是微不足道的，但大(dà)多數組織不可能雇用幾乎不能發揮作用的數據科學家，或者從頭開(kāi)始構建和培訓人工(gōng)智能模型。
人們可以看到像Salesforce這樣的公司如何在其平台上構建人工(gōng)智能，可以充分(fēn)利用其托管的大(dà)量客戶數據。其他公司正在按照這個方法将人工(gōng)智能嵌入到産品中(zhōng)作爲一(yī)項功能。同時，也看到人工(gōng)智能獲得垂直行業的專注，針對特定行業和垂直行業（如市場營銷、零售、醫療保健、金融和安全）的人工(gōng)智能軟件解決方案正在推出。在這些解決方案中(zhōng)，用戶不需要了解神經網絡的内部結構或回歸算法。相反，他們将提供數據和一(yī)組參數，并獲得可用于其應用程序的人工(gōng)智能模型。
人工(gōng)智能仍然是一(yī)個非常新的領域，有很多重疊的産品，沒有實現标準化。如果您的企業在學習階段使用了像TensorFlow，Spark，H2O和Python這樣的框架，則需要在推理部分(fēn)中(zhōng)使用相同的框架。在2018年，我(wǒ)(wǒ)們将看到人們努力定義将是開(kāi)放(fàng)的，跨平台的人工(gōng)智能模型。此外(wài)，還将看到更多的解決方案，可以自動完成構建、培訓和部署人工(gōng)智能的過程，如新推出的AWS Sage Maker。
從大(dà)數據到連續數據
在過去(qù)的幾年裏，很多組織已經開(kāi)始開(kāi)發由中(zhōng)央IT推動的大(dà)數據實踐。其目标是收集、整理和集中(zhōng)分(fēn)析業務數據和日志(zhì)以備未來應用。數據已經收集到Hadoop集群和數據倉庫解決方案中(zhōng)，然後由一(yī)組運行批處理作業并生(shēng)成一(yī)些報告或儀表闆的數據科學家使用。根據所有主要分(fēn)析師的說法，這種方法已被證明是失敗的，70％的公司沒有看到任何投資(zī)回報。數據必須可操作才能從中(zhōng)獲得投資(zī)回報分(fēn)析。它必須被整合到業務流程中(zhōng)，并從新鮮的數據中(zhōng)獲得，就像人們在有針對性的廣告以及Google和Facebook的建議中(zhōng)看到的一(yī)樣。
數據見解必須嵌入到現代商(shāng)業應用程序中(zhōng)。例如，訪問網站或使用聊天機器人的客戶需要基于他或她最近的活動立即回應目标内容。從物(wù)聯網或移動設備收集的傳感器數據不斷流入，需要立即采取措施來驅動警報，檢測安全違規，提供預測性維護或啓用糾正措施。可視化數據實時檢測，用于監控和國家安全；零售商(shāng)還使用它來分(fēn)析銷售點數據，如庫存狀态，客戶偏好以及觀察到的客戶活動的實時推薦。數據和實時分(fēn)析通過自動化人工(gōng)處理過程來降低業務成本。汽車(chē)開(kāi)始連接網絡和自主管理。電(diàn)話(huà)推銷員(yuán)和人工(gōng)助理被機器人取代。車(chē)隊或卡車(chē)、出租車(chē)司機或技術人員(yuán)由人工(gōng)智能和事件驅動的邏輯進行編排，以最大(dà)限度地利用資(zī)源。所有這些在2017已經開(kāi)始發生(shēng)。
像Hadoop和數據倉庫這樣的技術是十年前發明的，并且早于人工(gōng)智能、流處理、内存或閃存技術的時代。企業現在看到，建設數據湖泊的價值有限，因爲他們可以使用更簡單的雲計算技術進行數據挖掘。重點正在從大(dà)多數僅僅是收集數據轉向使用數據，而技術側重于靜态數據和中(zhōng)央IT驅動的流程的領域。
2018年，人們将看到從大(dà)數據向快速數據和連續數據驅動應用程序的不斷轉變。數據将通過各種來源不斷被攝取。與預先學習或不斷學習的人工(gōng)智能模型相比，它将被實時地豐富和彙總，從而能夠立即響應用戶，推動行動，并以實時的交互式儀表闆呈現。
開(kāi)發人員(yuán)将使用預先打包的雲産品或通過使用相關的雲原生(shēng)服務來整合其解決方案。在企業中(zhōng)，其關注的重點将從IT轉移到業務部門和應用程序開(kāi)發人員(yuán)，後者将在現有的業務邏輯、門戶網站和日常的客戶交互中(zhōng)嵌入數據驅動的決策。
總之，人們将在2018年看到：
1．智能邊緣的應用将會增長，傳統私有雲市場将萎縮。
2．人們将開(kāi)始看到針對特定行業和垂直市場的人工(gōng)智能軟件解決方案。此外(wài)，人工(gōng)智能模型将開(kāi)始開(kāi)放(fàng)和跨平台。
3． 快速數據、連續應用和雲服務将取代大(dà)數據和Hadoop。
4． 公共雲服務的應用更加廣泛，從而加大(dà)了與傳統數據中(zhōng)心和私有雲解決方案之間的差距。
雲計算實現了開(kāi)發現代化和數據驅動型應用程序所必需的業務敏捷性，無論是創業公司還是大(dà)型企業。挑戰在于人們不能忽視數據引力，因爲許多數據源仍然存在于邊緣或企業中(zhōng)。這加強了5G帶寬，網絡延遲，GDPR等新規定，并且越來越迫使企業将計算和存儲放(fàng)在更接近數據源的地方。
如今的公共雲模型是服務消費(fèi)，因此開(kāi)發人員(yuán)和用戶可以繞過IT，帶來一(yī)些無服務器功能，使用自助服務數據庫，甚至将視頻(pín)上傳到雲服務，然後将其轉換爲所需的語言。但是，當企業使用本地部署的替代方案時，企業必須構建自己的服務，而且技術堆棧發展如此迅速，IT團隊實際上不可能構建與雲計算替代方案相比拟的現代服務，從而迫使企業走向雲端。
被稱爲“私有雲”的IT供應商(shāng)解決方案與真正的雲計算無關，因爲他們專注于自動化IT操作。他們不提供面向更高級别的用戶和開(kāi)發人員(yuán)的服務，IT部門最終從幾十個單獨的開(kāi)源或商(shāng)業軟件包中(zhōng)組裝這些服務，添加通用的安全層、日志(zhì)記錄和配置管理等服務。這爲雲計算提供商(shāng)和新的公司進入邊緣計算和本地空間提供了機會。
2017年，微軟公司首席執行官薩蒂亞·納德拉越來越專注于他所謂的“智慧優勢”。微軟推出了Azure Stack，這是Azure雲的一(yī)個迷你版本，不幸的是它隻包含微軟公司在 雲平台 中(zhōng)提供的一(yī)小(xiǎo)部分(fēn)服務。亞馬遜公司開(kāi)始提供名爲“Snowball Edge”的邊緣設備，希望它能在這方面做得更好。
智能邊緣并不是私有雲。它提供了與公共雲相同的一(yī)套服務和運營模式，但是它可以實現本地訪問，并且在許多情況下(xià)由中(zhōng)央雲操作和維護，就像運營商(shāng)管理有線機頂盒一(yī)樣。
2018年，傳統私有雲市場将會萎縮，同時智能邊緣将會有增長的勢頭。雲計算提供商(shāng)将增加或加強邊緣産品，越來越多的公司将進入這個市場空間，在某些情況下(xià)，通過集成産品提供特定的垂直應用程序或用例。
人工(gōng)智能從原始技術到嵌入式功能和垂直堆棧
人們在2017年看到了人工(gōng)智能和機器學習技術的快速崛起，但是盡管有些炒作的成分(fēn)，但實際上卻主要被亞馬遜，谷歌和Facebook等市場領先的廠商(shāng)所使用。對于一(yī)般的企業來說，人工(gōng)智能是微不足道的，但大(dà)多數組織不可能雇用幾乎不能發揮作用的數據科學家，或者從頭開(kāi)始構建和培訓人工(gōng)智能模型。
人們可以看到像Salesforce這樣的公司如何在其平台上構建人工(gōng)智能，可以充分(fēn)利用其托管的大(dà)量客戶數據。其他公司正在按照這個方法将人工(gōng)智能嵌入到産品中(zhōng)作爲一(yī)項功能。同時，也看到人工(gōng)智能獲得垂直行業的專注，針對特定行業和垂直行業（如市場營銷、零售、醫療保健、金融和安全）的人工(gōng)智能軟件解決方案正在推出。在這些解決方案中(zhōng)，用戶不需要了解神經網絡的内部結構或回歸算法。相反，他們将提供數據和一(yī)組參數，并獲得可用于其應用程序的人工(gōng)智能模型。
人工(gōng)智能仍然是一(yī)個非常新的領域，有很多重疊的産品，沒有實現标準化。如果您的企業在學習階段使用了像TensorFlow，Spark，H2O和Python這樣的框架，則需要在推理部分(fēn)中(zhōng)使用相同的框架。在2018年，我(wǒ)(wǒ)們将看到人們努力定義将是開(kāi)放(fàng)的，跨平台的人工(gōng)智能模型。此外(wài)，還将看到更多的解決方案，可以自動完成構建、培訓和部署人工(gōng)智能的過程，如新推出的AWS Sage Maker。
從大(dà)數據到連續數據
在過去(qù)的幾年裏，很多組織已經開(kāi)始開(kāi)發由中(zhōng)央IT推動的大(dà)數據實踐。其目标是收集、整理和集中(zhōng)分(fēn)析業務數據和日志(zhì)以備未來應用。數據已經收集到Hadoop集群和數據倉庫解決方案中(zhōng)，然後由一(yī)組運行批處理作業并生(shēng)成一(yī)些報告或儀表闆的數據科學家使用。根據所有主要分(fēn)析師的說法，這種方法已被證明是失敗的，70％的公司沒有看到任何投資(zī)回報。數據必須可操作才能從中(zhōng)獲得投資(zī)回報分(fēn)析。它必須被整合到業務流程中(zhōng)，并從新鮮的數據中(zhōng)獲得，就像人們在有針對性的廣告以及Google和Facebook的建議中(zhōng)看到的一(yī)樣。
數據見解必須嵌入到現代商(shāng)業應用程序中(zhōng)。例如，訪問網站或使用聊天機器人的客戶需要基于他或她最近的活動立即回應目标内容。從物(wù)聯網或移動設備收集的傳感器數據不斷流入，需要立即采取措施來驅動警報，檢測安全違規，提供預測性維護或啓用糾正措施。可視化數據實時檢測，用于監控和國家安全；零售商(shāng)還使用它來分(fēn)析銷售點數據，如庫存狀态，客戶偏好以及觀察到的客戶活動的實時推薦。數據和實時分(fēn)析通過自動化人工(gōng)處理過程來降低業務成本。汽車(chē)開(kāi)始連接網絡和自主管理。電(diàn)話(huà)推銷員(yuán)和人工(gōng)助理被機器人取代。車(chē)隊或卡車(chē)、出租車(chē)司機或技術人員(yuán)由人工(gōng)智能和事件驅動的邏輯進行編排，以最大(dà)限度地利用資(zī)源。所有這些在2017已經開(kāi)始發生(shēng)。
像Hadoop和數據倉庫這樣的技術是十年前發明的，并且早于人工(gōng)智能、流處理、内存或閃存技術的時代。企業現在看到，建設數據湖泊的價值有限，因爲他們可以使用更簡單的雲計算技術進行數據挖掘。重點正在從大(dà)多數僅僅是收集數據轉向使用數據，而技術側重于靜态數據和中(zhōng)央IT驅動的流程的領域。
2018年，人們将看到從大(dà)數據向快速數據和連續數據驅動應用程序的不斷轉變。數據将通過各種來源不斷被攝取。與預先學習或不斷學習的人工(gōng)智能模型相比，它将被實時地豐富和彙總，從而能夠立即響應用戶，推動行動，并以實時的交互式儀表闆呈現。
開(kāi)發人員(yuán)将使用預先打包的雲産品或通過使用相關的雲原生(shēng)服務來整合其解決方案。在企業中(zhōng)，其關注的重點将從IT轉移到業務部門和應用程序開(kāi)發人員(yuán)，後者将在現有的業務邏輯、門戶網站和日常的客戶交互中(zhōng)嵌入數據驅動的決策。
總之，人們将在2018年看到：
1．智能邊緣的應用将會增長，傳統私有雲市場将萎縮。
2．人們将開(kāi)始看到針對特定行業和垂直市場的人工(gōng)智能軟件解決方案。此外(wài)，人工(gōng)智能模型将開(kāi)始開(kāi)放(fàng)和跨平台。
3． 快速數據、連續應用和雲服務将取代大(dà)數據和Hadoop。
4． 公共雲服務的應用更加廣泛，從而加大(dà)了與傳統數據中(zhōng)心和私有雲解決方案之間的差距。