2017年新技术的数量一直很庞大的：云计算采用的速度比分析家预测的还要快，并因此带来了一些新的工具。人工智能进入到人们生活的各个领域;物联网和边缘计算的应用越来越广泛;一系列云原生技术已经实现，例如Kubernetes，无服务器和云数据库等等。一年前，行业专家在对2017年的预测中涉及了其中的一些发展趋势，如今是预测分析2018年科技领域的发展趋势的时候了。

　　虽然人们喜欢层出不穷的新技术，但是普通的企业主，IT采购人员和软件开发人员却对这种大规模的技术创新一无所知，不知道如何开始新技术转化为商业价值。人们将看到2018年出现的几个趋势，其重点将放在使易于使用和消耗的新技术方面。

　　集成平台和一切事物变成无服务器的应用

　　亚马逊公司和其他云计算提供商竞相获得和保持市场份额，因此他们不断提高抽象和跨服务集成的水平，以提高开发人员的生产力，并加强客户锁定。亚马逊公司在2017年11月的AWS Re：Invent大会上推出了新的数据库即服务产品和完全集成的人工智能库和工具。它还开始区分不同形式的无服务器计算：AWS Lambda现在是关于无服务器的功能，而AWS Aurora和Athena则是关于“无服务器的数据库”，将无服务器的定义扩展到底层服务器的任何服务。据推测，现在更多的云服务可以采用“无服务器”这个更广泛的定义来定义自己。

　　到2018年，人们将看到云计算提供商更加重视进一步整合具有更高层次抽象的个性化服务。他们还将重点关注与人工智能、数据管理和无服务器相关的服务。这些解决方案将使开发人员和运营专业人员的工作变得更简单，并隐藏其固有的复杂性。但是，他们确实有着更大的锁定风险。

　　在2017年，我们看到所有云提供商都与Kubernetes服务商一起构建微服务编排层，从而缓解了部分锁定。 2018年，人们将看到在Kubernetes之上建立的一系列开放式和商业化服务，可以提供专有云产品的多云替代方案。当然，Iguazio公司的Nuclio就是这样一个开放的、多云无服务器平台的很好的例子，Red Hat公司的Openshift多云PaaS也是如此。

　　智能边缘vs私有云

　　云计算实现了开发现代化和数据驱动型应用程序所必需的业务敏捷性，无论是创业公司还是大型企业。挑战在于人们不能忽视数据引力，因为许多数据源仍然存在于边缘或企业中。这加强了5G带宽，网络延迟，GDPR等新规定，并且越来越迫使企业将计算和存储放在更接近数据源的地方。

　　如今的公共云模型是服务消费，因此开发人员和用户可以绕过IT，带来一些无服务器功能，使用自助服务数据库，甚至将视频上传到云服务，然后将其转换为所需的语言。但是，当企业使用本地部署的替代方案时，企业必须构建自己的服务，而且技术堆栈发展如此迅速，IT团队实际上不可能构建与云计算替代方案相比拟的现代服务，从而迫使企业走向云端。

　　被称为“私有云”的IT供应商解决方案与真正的云计算无关，因为他们专注于自动化IT操作。他们不提供面向更##别的用户和开发人员的服务，IT部门*终从几十个单独的开源或商业软件包中组装这些服务，添加通用的安全层、日志记录和配置管理等服务。这为云计算提供商和新的公司进入边缘计算和本地空间提供了机会。

　　2017年，微软公司##执行官萨蒂亚·纳德拉越来越专注于他所谓的“智慧优势”。微软推出了Azure Stack，这是Azure云的一个迷你版本，不幸的是它只包含微软公司在云平台中提供的一小部分服务。亚马逊公司开始提供名为“Snowball Edge”的边缘设备，希望它能在这方面做得更好。

　　智能边缘并不是私有云。它提供了与公共云相同的一套服务和运营模式，但是它可以实现本地访问，并且在许多情况下由中央云操作和维护，就像运营商管理有线机顶盒一样。

　　2018年，传统私有云市场将会萎缩，同时智能边缘将会有增长的势头。云计算提供商将增加或加强边缘产品，越来越多的公司将进入这个市场空间，在某些情况下，通过集成产品提供特定的垂直应用程序或用例。

　　人工智能从原始技术到嵌入式功能和垂直堆栈

　　人们在2017年看到了人工智能和机器学习技术的快速崛起，但是尽管有些炒作的成分，但实际上却主要被亚马逊，谷歌和Facebook等市场**的厂商所使用。对于一般的企业来说，人工智能是微不足道的，但大多数组织不可能雇用几乎不能发挥作用的数据科学家，或者从头开始构建和培训人工智能模型。

　　人们可以看到像Salesforce这样的公司如何在其平台上构建人工智能，可以充分利用其托管的大量客户数据。其他公司正在按照这个方法将人工智能嵌入到产品中作为一项功能。同时，也看到人工智能获得垂直行业的专注，针对特定行业和垂直行业的人工智能软件解决方案正在推出。在这些解决方案中，用户不需要了解神经网络的内部结构或回归算法。相反，他们将提供数据和一组参数，并获得可用于其应用程序的人工智能模型。

　　人工智能仍然是一个非常新的领域，有很多重叠的产品，没有实现标准化。如果您的企业在学习阶段使用了像TensorFlow，Spark，H2O和Python这样的框架，则需要在推理部分中使用相同的框架。在2018年，我们将看到人们努力定义将是开放的，跨平台的人工智能模型。此外，还将看到更多的解决方案，可以自动完成构建、培训和部署人工智能的过程，如新推出的AWS Sage Maker。

　　从大数据到连续数据

　　在过去的几年里，很多组织已经开始开发由中央IT推动的大数据实践。其目标是收集、整理和集中分析业务数据和日志以备未来应用。数据已经收集到Hadoop集群和数据仓库解决方案中，然后由一组运行批处理作业并生成一些报告或仪表板的数据科学家使用。根据所有主要分析师的说法，这种方法已被证明是失败的，70%的公司没有看到任何投资回报。数据必须可操作才能从中获得投资回报分析。它必须被整合到业务流程中，并从新鲜的数据中获得，就像人们在有针对性的广告以及Google和Facebook的建议中看到的一样。

　　数据见解必须嵌入到现代商业应用程序中。例如，访问网站或使用聊天机器人的客户需要基于他或她*近的活动立即回应目标内容。从物联网或移动设备收集的传感器数据不断流入，需要立即采取措施来驱动警报，检测安全违规，提供预测性维护或启用纠正措施。可视化数据实时检测，用于监控和国家安全;零售商还使用它来分析销售点数据，如库存状态，客户偏好以及观察到的客户活动的实时推荐。数据和实时分析通过自动化人工处理过程来降低业务成本。汽车开始连接网络和自主管理。电话推销员和人工助理被机器人取代。车队或卡车、出租车司机或技术人员由人工智能和事件驱动的逻辑进行编排，以*大限度地利用资源。所有这些在2017已经开始发生。

　　像Hadoop和数据仓库这样的技术是十年前发明的，并且早于人工智能、流处理、内存或闪存技术的时代。企业现在看到，建设数据湖泊的价值有限，因为他们可以使用更简单的云计算技术进行数据挖掘。重点正在从大多数仅仅是收集数据转向使用数据，而技术侧重于静态数据和中央IT驱动的流程的领域。

　　2018年，人们将看到从大数据向快速数据和连续数据驱动应用程序的不断转变。数据将通过各种来源不断被摄取。与预先学习或不断学习的人工智能模型相比，它将被实时地丰富和汇总，从而能够立即响应用户，推动行动，并以实时的交互式仪表板呈现。

　　开发人员将使用预先打包的云产品或通过使用相关的云原生服务来整合其解决方案。在企业中，其关注的重点将从IT转移到业务部门和应用程序开发人员，后者将在现有的业务逻辑、门户网站和日常的客户交互中嵌入数据驱动的决策。

　　总之，人们将在2018年看到：

　　1.智能边缘的应用将会增长，传统私有云市场将萎缩。

　　2.人们将开始看到针对特定行业和垂直市场的人工智能软件解决方案。此外，人工智能模型将开始开放和跨平台。

　　3. 快速数据、连续应用和云服务将取代大数据和Hadoop。

　　4. 公共云服务的应用更加广泛，从而加大了与传统数据中心和私有云解决方案之间的差距。