2018年，熱門技術仍將繼續享受萬眾矚目，但也發生了一些變化。

     過去的一年，提起新技術，可以說不勝枚舉：云計算的使用速度超過了分析師的預測，并衍生了一些新技術；人工智能被引入到日常生活的方方面面；物聯網和邊緣計算應運而生；大量的云計算技術變為現實，如Kubernetes，serverless，以及云數據庫等。新的一年是時候分析這些趨勢的落地情況，并一下預測2018年科技領域的趨勢。

     誠然，大家都喜歡新技術，但一般的企業主、IT買家和軟件開發人員對這一巨大的創新并不太了解，而且不知道如何將其轉化為商業價值。為此，我們探討了一些可能在2018年會看到的趨勢，其重點將是如何使新技術變得更容易和可消費。

一切趨向serveless化

     亞馬遜和其他云服務提供商正在競相獲取和保持其市場份額，因此他們不斷提高跨服務集成的水平，以提高開發人員的生產力，并加強客戶粘性程度。例如亞馬遜在最近的AWS Re:Invent大會上推出了新的數據庫服務產品，并全面集成了人工智能圖書館和其他工具。同時，它也開始區分不同形式的serverless：AWS Lambda是關于serverless功能，而AWS Aurora和Athena則是關于serverless數據庫，從而將serverless的定義擴展到任何可隱藏底層服務器的領域。據推測，現在有更多的云服務將能夠通過該定義稱自己為“serverless”了。

     2018年，我們將看到云供應商會更加重視并進一步整合個性化服務。他們還將關注與人工智能、數據管理和serverless相關的服務。這些解決方案將使開發人員和操作人員的工作更簡單，并隱藏其固有的復雜性。然而，他們確實帶來了更大的用戶粘性風險。

     在2017年，Kubernetes作為容器編配的標準吸引了所有的云供應商。2018年，我們將看到越來越多的廠商將在Kubernetes上建立的服務，該服務可以為私有云產品提供多云服務。Iguazio的Nuclio就是這樣一個開放和多云服務器平臺中一個很好的例子，Red Hat的Openshift 多云 PaaS也是如此。

智能邊緣vs私有云

     云服務確保了企業所需的業務敏捷性，這對開發數據驅動的應用程序來說是非常有必要的，無論是在初創公司還是在大型企業中。挑戰在于，企業不能忽略數據的引力，因為許多數據源仍然處在邊緣領域。5G帶寬，延遲，新法規如GDPR，以及更多的因素強制企業將計算和存儲放在離數據源更近的地方。

     今天的公有云模型是服務用戶消費的，因此開發人員和用戶可以繞過 IT，引入一些serveless的功能，使用自助服務數據庫，甚至可以將視頻上傳到云服務中，并將其轉換為所需的語言。但是，當使用本地替代方案時，你必須自己構建服務，而技術棧的發展速度非常之快，所以IT團隊幾乎不可能構建出可以與云替代方案相比較的現代化服務。

     標簽為“私有云”的IT供應商解決方案與真正的云完全不同，因為它們關注的是自動化IT操作。它們沒有提供更高級別的面向用戶和開發人員的服務——它最終是將幾十個單獨的開源或商業軟件包組合起來，添加常見的安全層、日志記錄和配置管理等，這也為云供應商和新公司進入邊緣領域提供了機會。

     2017年，微軟首席執行官Satya Nadella越來越關注他所謂的“智能邊緣”。微軟推出了Azure Stack，這是Azure云的一個迷你版本，不幸的是，這只包含微軟在云計算中提供的一小部分服務。之后，亞馬遜也開始推出名為“Snowball Edge”的邊緣設備。

     智能邊緣不是私有云。它提供了與公有云相同的服務和操作模型，但它是本地訪問的，并且在許多情況下是由一個中心云操作和維護的，就像操作人員管理我們的有線機頂盒一樣。

     在2018年，傳統的私有云市場將會逐漸萎縮，同時智能邊緣的勢頭將會增長。云提供商將增加邊緣產品，新公司將進入該領域，在某些情況下，通過集成產品到特定的垂直應用程序或用例上。

從純技術到具有嵌入式特征和垂直堆棧的AI

     2017年，人工智能和機器學習技術快速興起，盡管獲得了大肆宣傳，但實際上主要是被亞馬遜、谷歌和Facebook等市場領先的網絡公司所使用。雖然對于一般企業來說，人工智能是舉足輕重的，但是就大多數企業而言，的確還沒有理由去雇傭那些所謂的數據科學家，或者從頭開始構建和培訓人工智能模型。

     我們可以看到Salesforce這樣的公司是如何利用其所承載的大量客戶數據將人工智能構建到平臺的。其他公司也在沿著這條道路將人工智能嵌入到產品中。與此同時，針對特定行業和垂直領域的AI軟件解決方案，比如市場營銷、零售、醫療保健、金融和安全也將不斷涌現。用戶不需要知道神經網絡的內部結構或這些解決方案中的回歸算法。相反，它們將提供數據和一組參數，并得到可以在應用程序中使用的AI模型。

     人工智能仍然是一個非常新的領域，有許多重疊的產品，而且沒有標準化。如果你在學習階段使用了像TensorFlow、Spark、H2O和Python這樣的框架，那么你將需要使用相同的方法來運行推斷部分。2018年，開放和跨平臺的人工智能模型將被定義。此外，我們還將看到更多的解決方案，這些解決方案可以自動化構建、培訓和部署人工智能的過程，就像新引入的AWS Sage Maker一樣。

大數據到連續數據

     在過去的幾年中，企業已經開始開發由主要IT技術驅動的大數據應用。它的目標是收集、管理和集中分析業務數據和日志，以便將來應用。數據收集在Hadoop集群和數據倉庫解決方案中，然后由一組數據科學家使用，他們運行并進行批量處理作業并生成一些報告或儀表盤。然而，根據所有知名分析師的偵測，這種方法已經被證明是失敗的，據Gartner的數據顯示有70%的公司沒有看到任何投資回報率。所以，數據必須是可操作的，才能從中獲得ROI。它必須集成到業務流程中，并從新的數據中派生出來，就像我們在目標廣告和谷歌、Facebook的關鍵詞鎖定中看到的一樣。

     數據洞察必須嵌入到現代商業應用中。例如，訪問一個網站或使用聊天機器人的客戶需要根據其最近的活動或個人簡介來獲得針對目標內容的即時響應。從物聯網或移動設備收集到的傳感數據連續不斷地流動，需要立即采取行動來驅動警報、檢測安全違規、提供預測性維護，或啟用糾正措施。用于監視和國家機密的可視化數據必須實時查看；零售商還利用它來分析銷售數據，如庫存狀況、客戶偏好以及基于觀察客戶活動獲得的實時建議。數據和實時分析通過自動化的過程降低了業務成本。汽車正變得越來越自動化。電話推銷員和助手被機器人取代。艦隊、卡車、出租車司機或技術人員由人工智能和事件驅動的邏輯統一編排，以最大限度地利用資源。

所有這些都已經在2017年發生了。

     像Hadoop和數據倉庫這樣的技術十年前就已經出現了，比人工智能、流處理、內存或閃存技術出現的早。企業發現，構建數據湖的價值是有限的，因為他們可以通過使用更簡單的云技術來進行數據挖掘。而關注的焦點也從主要是收集數據轉到持續使用數據，這一領域的技術主要集中在收集靜止和以IT驅動過程中的數據，而非流動的數據。

     2018年，人們將看到從大數據向快速、連續數據驅動型應用程序的持續轉變。數據將被各種各樣的來源不斷地抓取。與預先學習或不斷學習的人工智能模型相比，它將在實時的情況下被語境化、豐富和聚合，這樣它就可以立即對用戶產生響應，驅動操作，并在實時的交互式儀表盤中呈現。

     開發人員將使用預先打包的云產品，或者使用相關的原生云服務集成解決方案。在企業中，焦點將從IT轉移到業務部門和應用程序開發人員，他們將在現有的業務邏輯、web門戶和日常客戶交互中嵌入數據驅動的決策。

總之，2018年，我們將看到這些變化：

1、智能邊緣領域將會增長，傳統的私有云市場將會萎縮。

2、針對特定行業和垂直領域的人工智能軟件解決方案，AI模型將開始開放和跨平臺。

3、快速的數據、連續的應用程序和云服務將取代大數據和Hadoop。

4、云服務將變得更易用，從而增加其與傳統和私有云解決方案之間的差距。

最后，企業請準備好帶上鐐銬，被更多的用戶鎖定吧！