新基建的大背景之下，5G、數(shù)據(jù)中心、人工智能、工業(yè)互聯(lián)網(wǎng)成為了必然的發(fā)展趨勢，科技企業(yè)紛紛在主賽道上加速布局，那些生于互聯(lián)網(wǎng)時代的企業(yè)，或者率先完成傳統(tǒng)業(yè)務重塑的企業(yè)將很有希望跑在前列。而以云計算的方式和理念展開業(yè)務實踐的企業(yè)，更是走了一條“捷徑”。
通過與不少行業(yè)客戶接觸，他們的多數(shù)新應用都是在云中構建，而且這些企業(yè)可能是IT互聯(lián)網(wǎng)、金融、教育、工業(yè)、交通運輸?shù)阮I域，可見云原生在各行各業(yè)的普遍性。有一項調(diào)查顯示，在已經(jīng)部署云原生的公司中，基于云來構建的應用比例會在近幾年攀升到70%-80%。
可以說，云原生已成為企業(yè)在部署業(yè)務時的主要選擇之一，其好處在于應用可以直接基于云架構設計和開發(fā)，像12原則（The Twelve-Factor App）在基準代碼、端口服務、流程日志等方面也為云原生下了進一步的定義。不過從另一方面看，云原生也不是絕對的一本萬利，其仍有一些成本因素是不容忽視的。
云原生是Pivotal負責架構的全球CTO Matt Stine在2013年提出的概念，當時的判斷像DevOps、微服務、敏捷交付等技術至今都已成為趨勢。當時Matt Stine認為，如果用新的一體性架構去取代現(xiàn)有的一體性架構，只是把復雜性從一端轉(zhuǎn)移到了另一端，這也是傳統(tǒng)SOA的尷尬之處，“從運維的角度來看，實際上什么都沒做。”對于企業(yè)來說，有必要對舊有的業(yè)務進行重構。
當然，云原生也不是毫無缺點。一些報告顯示，規(guī)模越大的企業(yè)通常更傾向于選擇云原生，但有意思的一點是像那些營收超過200億美元的更大型的企業(yè)，往往會比較保守，他們使用云原生的比例甚至不到25%。這一現(xiàn)象與企業(yè)上云的思路類似，即對數(shù)據(jù)丟失、系統(tǒng)故障等問題的擔心，包括受限于監(jiān)管因素只得將關鍵業(yè)務應用放在私有環(huán)境。
除了安全性，企業(yè)在將業(yè)務遷移上云的過程中也會遇到其他的“額外”成本，例如可能會需要對應用進行部分或完全重構，以調(diào)用完整的云原生功能，這種重構不僅涉及重寫，還會有后續(xù)一系列的測試、上線、交付，以及工具調(diào)用，這些往往加起來會超過企業(yè)最初的預算。
但是，云計算與AI緊密聯(lián)系仍讓不少企業(yè)趨之若鶩，越來越多的計算、存儲、網(wǎng)絡資源以虛擬化的方式交付和部署，AI的推理和訓練也在云端完成。調(diào)查顯示，2018年企業(yè)在人工智能領域的平均投資將達到500萬美元，超過70%的企業(yè)客戶宣稱正在組織內(nèi)部使用AI技術?？紤]到部署成本，多數(shù)企業(yè)在智能化初期會選擇外部方案。隨著AI與業(yè)務結合逐級深入，企業(yè)關注的重點也從提升效率滲透到流程決策管理層面。也就是說，AI不再是簡單的工具，而是開始向生產(chǎn)力轉(zhuǎn)變。
對于公有云平臺來說，其是自帶Al屬性的，像AWS、Azure、IBM、谷歌、阿里云、騰訊云等廠商相繼推出了基于云平臺的AI開發(fā)工具，降低了企業(yè)邁向智能化的門。舉個例子，云服務商提供用于圖像分析的認知計算API，當企業(yè)用戶想構建一套面部識別解決方案時，無需從零開始編寫代碼，甚至不用知道這些代碼的實現(xiàn)邏輯，而是只需要直接調(diào)用API實現(xiàn)功能即可。按照這個思路，自然語言處理、計算機視覺等技術同樣可以讓開發(fā)者拿來即用。
例如，可解釋的AI系統(tǒng)也提供了新的圖像識別方式。谷歌的圖像分類神經(jīng)網(wǎng)絡Inception Network測試過一項名為“LIME”的技術，其在圖像識別時會根據(jù)圖片本身搜索解釋，而不是觸發(fā)神經(jīng)網(wǎng)絡中的某個神經(jīng)元，具體來說就是將原始圖像的各個部分變黑，通過Inception反饋所產(chǎn)生的“擾動”圖像，檢測哪些擾動將算法拋離得最遠。這一測試表明了原始圖像特征對于神經(jīng)網(wǎng)絡的影響，傳統(tǒng)識別過程更多是集中在對象的某一特定部位。
也就是說，AI與行業(yè)應用場景結合的越來越緊密，也驅(qū)使著企業(yè)向云和AI轉(zhuǎn)型。
