华尔街日报的文章-----忘记“云”:“雾”才是科技的未来

云计算或将成为促进变革的重要力量,但《华尔街日报》网站一篇题为《忘记“云”;“雾”才是科技的未来》的文章却指出,由于接入设备激增,网络带宽有限,“雾计算”或许才会带来真正的计算变革。

物联网加深云计算“困境”

很多人是云计算变革力量的“信徒”。智能手机也许会不断探索和寻求数据,但如果没有云,智能手机就没有意义。那些不设法将自己的数据和软件推广至数据中心的企业业务,终会被其竞争者击败。

支持云计算的人说,总有一天所有计算都将在云端进行,事实上不少云计算相关公司总会有意无意地向用户传递这种观点。

但事实上,将数据导入云端和从云端获取数据,比多数工程师或工程经理想象的都要难。

问题出在带宽上。如果一家公司为了节省成本,并想办法存储让人头痛的海量数据,只要通过高速线路来回传输数据即可。

但在现代世界,“连接性”越来越强,且无处不在。大家需要从各种不同的移动设备上获取数据,但说实话用来传输数据的带宽很慢。任何需要传送数据到移动设备的业务,无论是针对消费者的航空订票系统,还是针对移动销售队伍的企业数据系统,都需应付无线网络的局限性。《世界经济论坛》(World Economic Forum)称,美国人的平均带宽在全球排第35。

这就是为什么移动应用程序会成为互联网,至少是智能手机上最常用东西的原因:其中一部分数据和处理能力有设备完成和提供。

随着人类对“云”依赖程度的加深,情况变得越来越严重。越来越多的物体变得“智能”,或能感受到周围的环境,或能连接到互联网甚至远程接收命令。从喷气发动机到冰箱,所有一切物体均被施以无线网连接,这就是所谓的“物联网”。

3G和4G蜂窝网络根本不够快,无法以生成数据的速度再将数据从设备传送到云上。当家庭里、办公室里的所有设备均加入“联网”行列,情况只有更糟糕。

新解决方案:雾计算

幸运的是新的解决方案诞生了。大家开始停止专注于云,思考如何让设备自身或“中间设备”(互联网和设备的媒介)来存储和处理“物联网”生成的海量数据。

思科的营销人员为这种解决方案起了个十分特别名字:雾计算。

和“云计算”一样,“雾计算”最初只是个营销术语,后来成新技术的代名词。从表面来理解,“云计算”像是漂浮在天空中某个遥远地方而又抽象化的东西。“雾计算”不同,它更贴近“地面”,是发生在大家身边的计算。

“雾计算”不是由强大的服务器构成,而是由那些相对较弱和分散的计算机,例如家用电器、工厂、汽车、路灯等构成。

思科公司销售路由器。大家都知道,除了存储,路由器也许是科技行业最不“性感”的业务。为了让自家路由器更有吸引力,并在中国竞争对手扰乱其收入来源前将路由器销往新市场,思科打算把路由器做成数据采集中心,路由器自己就能决定该对收集来的数据执行怎样的操作。

在思科的想象里,智能路由器永远不会与“云”对话,除非这些路由器要充当“神经中枢”来负载轨道车辆。

IBM也有类似举措,该公司希望能将计算推向“边缘”。IBM高管保罗·布罗迪(Paul Brody)说,该公司计划将传统的基于云的互联网“赶走”。(所谓“边缘运算”指的是网络的边缘,即互联网结束、现实世界开始的边陲地带。数据中心处于网络“中心”,PC、手机、网络监控摄像头处于“边缘”)。

“雾”的由来

从物理角度来说,云由服务器驱动。而在IBM的研究项目里,“雾”由大家身边已存在的电脑驱动。从某个层面上来说,举个例子,“雾计算”需要智能设备互相发送软件升级,而不是通过“云”。这在某种程度上导致“雾”与“云”成了直接竞争对手。

归根结底,“雾”计算的诞生是因为数据太多,而这才刚刚开始。飞机是最好的例子,一架波音747的几乎所有组件都能联网,它们会记录并连续发送有关飞机状态的数据流。通用电气称,飞机单程飞行一次将产生0.5TB的数据。

飞机的廉价传感器也产生大量“大”数据,这些数据作用惊人。例如所谓预测分析让通用能够知道喷气发动机的哪一个部分可能需要维修。

为什么谷歌和Facebook都在寻求能提供互联网连接的新解决方案?通过热气球和无人驾驶飞机?那是因为无线运营商在这一方面没有作为。

当然,很多企业计算的未来仍在“云”中。但未来真正的计算变革将发生在大家身边,在“雾”中。

时间: 2024-08-01 19:00:45

华尔街日报的文章-----忘记“云”:“雾”才是科技的未来的相关文章

网站内容更新文章每天要多少才行?

很多SEO在做优化的时候,对文章更新到底要更新多少其实很茫然,大家看到很多SEO的文章都说什么网站必须更新频繁,最好是每天一更新之类的,其实笔者想在这里纠正大家的这个错误的观念,文章,的确需要更新,但是并不是所有的行业,所有的网站都得每天都更新大量的文章,那么到底应该如何确定这个文章更新的度呢?笔者建议      1.参考同行业排名前10的网站      参考直接竞争对手的更新频率,次数,看看竞争对手们, 每天更新多少,假设每天更新竞争对手平均每日更新10篇,那你也可以依据这个数值上下浮动.  

融云韩迎:中国技术型公司出海才刚开始,未来有很大发展空间

技术型公司出海是很好的选择,日前,WISEx新出海行业峰会上融云CEO韩迎指出,未来这将有很大的发展空间. 作为IM云服务提供商,融云最初是以APP内社交.直播互动.企业IM.商务沟通四大场景起步,先做国内市场.深耕国内市场,再拓展国外市场是融云的出海思路. 在韩迎看来,技术型公司出海是条不错的路径.相比C端产品需要考量文化因素,技术型公司并无国界限制.对这些公司来说,业务质量是其壁垒.中国技术型出海才刚刚开始. 以下为融云CEO韩迎在WISE×新出海行业峰会演讲实录: 有可能在座很多人是我们的

云原生数字营销科技:数字化转型的前沿与中心

(云徙科技CEO包志刚) 数字化转型正在演变为全业务范围的单一目标:改善客户体验.当今的企业正在速度和敏捷性上展开竞争,以满足客户的巨大期望.这是<2019连接基准报告>所指出的数字化转型现状,只有36%的受访IT领导者表示其组织提供了完全连接的客户体验.这份MuleSoft组织的报告调研了美国.英国.德国.澳大利亚和中国等地650名IT决策者(所在组织至少有千名员工),报告显示虽然企业投资了不少改善客户体验的数字技术,但这些技术彼此也很分散. 数字营销处于改善客户体验的前沿和中心地位.数字营

袋鼠云X默安科技达成战略合作:数据智能,让安全的未来变成现在

近日,袋鼠云 X 默安科技完成战略合作框架协议的签署,建立战略合作关系,并联合推出基于日志大数据的安全智能解决方案,结合双方技术和能力优势,探索如何基于数据智能,实现企业IT安全防护和管理的智能化,挖掘日志大数据在IT安全应用场景的更多可能性. 数据智能驱动企业IT安全防护和管理智能化 "数据智能"是一个动词,其核心含义即是数据驱动决策.所谓数据驱动决策,不是数据辅助决策,而是用数据来代替人决策.利用人工智能.深度学习等技术,基于大规模量的数据分析和挖掘结果,数据智能实时自主决策,减少

4大特点解析华为云数据湖“黑科技”

4大特点解析华为云数据湖"黑科技"如果有人问数据湖是什么,我会告诉他们,是"桶装水"的集合.随着企业业务的发展,数据出现井喷,数据量呈几何增长,数据来源和类型更加多元化.传统数据仓库就如同"桶装水商店",已经承载不了全部水体,因此需要一个可以满足存储需求的,新的架构作为大数据的支撑.这就是数据湖.它汇聚不同数据源的溪流,包括大量无序的非结构化数据(文本.图像.声音.网页等).我们把它倒入数据湖,然后开始探索该数据.我们希望这是一个包含所有数据的,

云服务三大部署模式-私有云、公有云、混合云谁才是云计算未来的主流

近两年来,云计算产业发展迅猛,被称为ICT领域下一个金矿. 差点儿ICT产业内的全部參与者都開始涉足云计算领域.运营商.IT厂商.通信厂商.IT服务提供商.电信服务提供商.软件厂商.系统厂商--纷纷出台云计算定战略.近来,环绕云计算的并购频出.云计算产业达到了空前的热度. 云计算是一种全新共享基础架构的方法.是网格计算.分布式计算.并行计算.效用计算.网络存储.虚拟化.负载均衡等传统计算机技术和网络技术发展融合的产物,规模经济效益是其最基本的优势. 调查数据显示,到眼下为止.70%以上的企业已经

阿里云在LC3大会上透露未来要做的两件事

摘要: 阿里云研究员褚霸在LC3大会上同多位业界资深大咖同台交流表示,阿里云发展到今天,把过去应对淘宝.天猫大规模计算以及双11的计算能力转换成普惠的能力放在云上,这是一个非常大的挑战,也是其他厂商没有经历过的.这些挑战不断帮助阿里云积累经验,提升技术能力. 6月25日,由LFAsia, LLC主办的全球开源顶级盛会LinuxCon + ContainerCon + CloudOpen(LC3)在北京国家会议中心召开.来自国内外的开发人员.架构师.系统管理员.DevOps专家.商业领袖等数千名专

从量子加密到机器学习,盘点2015阿里云开放的黑科技

http://www.csdn.net/article/2015-12-18/2826512 摘要:因为云计算应用的不断深入.以及对大数据处理需求的不断扩大,用户要求功能丰富.性能强大.高可用性的产品,云计算厂商们也推陈出新,不断地推出新产品,本文就盘点了业内翘楚阿里云在2015年那些有价值的新产品. 作为云计算产业热土的中国.2015年产业规模依然保持快速增长.且国内的公有云服务领域有几十家企业在角逐.经过几年的发展,眼下市场逐渐明朗.有些公有云企业已经遥遥率先,而有些企业非常可惜,已经開始掉

胡言乱语找节奏 —— 什么才是机器学习的未来

模板匹配 什么才是描述像不像的最直白简单的算法--KNN 什么才是学习出最贴近人的认知的模板匹配算法--KMEAN?KMEDOID?or other clustering methods? -- 也有可能是被简单的卷积核编码化后 什么样的结构最贴近人的认知 生成模型进化 -> 生成+判别模型 判别模型应该只是一种认知的一种,不是认知的全部,认知的全部应该是有概念的,但是判别模型却没法体现这一点 但是并不是说有了概念的模型就能很好的帮助判别模型做分类 -- 上述问题的关键还是判别模型对于数据特性的