这篇文章内容含金量高,建议点赞收藏起来慢慢浏览。
本文目的:从数字技术的风云变幻探索其价值本质和演进趋势。
帮助数字化人才:
1、了解技术趋势:数字化技术细分领域很多,百花齐放又都奋力生长,每次技术变革都意味着重要的商业范式转折,了解技术演进趋势是每位数字化参与者的必修课。
2、理解技术的应用规律:过去产品迭代主要以需求为驱动力,随着数字化产品和技术的结合越来越紧密,在未来会有越来越多的产品创新来源于技术创新(比如最近基于图像生成大模型衍生出爆火的C端产品);理解技术应用规律是进行产品创新的基本能力。
3、理解技术的边界和价值:技术最终要为市场和商业服务的,技术的边界在哪里、往往决定了它所能服务的价值网络。我们需要通过对技术边界的理解打造产品的能力边界,才能真正发挥技术的价值点。
文章分为四个部分(阅读方式提醒:你可以跳过一些不感兴趣的内容,直接奔着你感兴趣的主题)。
1、技术的本质:拉回远古时期,帮助你理解技术和商业、产品之间的关系
2、大数据技术的原理和趋势:从基本的大数据技术体系切入,理解技术演进趋势
3、边缘计算的发展和应用:阐述边缘计算未来的应用边界和可能性
4、元宇宙核心技术体系:从长远视角解读元宇宙关键技术及其原理
(PS:人工智能技术范围太大太广,后续专题进行)
好,我们入正题。
1
技术的本质
如果说技术的进步是真正改变人类生活,促进人类文明发展的唯一动因。那么在利益驱动的商业世界里,人们对待技术,往往少了一份敬畏之心,多了一份过度预期。
技术和化学元素一样,更多不是一种发明,而是一种发现。任何一项技术,其实它一直在那里,只是有待你去定义它,赋予它价值和意义。
1.1 回顾技术的起源
早在农业时代,技术便改变了人类的生活。早期人类靠'打猎’这门技术为生、生食猎物;当有了'钻木取火’技术,通过与石器打磨的'切割’技术组合,生肉被细分煮熟之后,可以获得更好的口感。
1)种植技术
通过'种植技术’,人类可以获得稻谷、小麦、玉米和蔬菜,也就有了更丰富的食物品类,自己生产食物、自给自足,生活形态上也由'居无定所’变成'安居乐业’。
2)烹饪技术
民以食为天,随着工具的迭代和烹饪技术的发展,饮食文化也就成了主流,通过烹饪技术创造的舌尖上的奇迹,某种意义成为人们建立情感连接的有效途径,极大丰富了人类物质文明和精神文明。
3)造纸技术和活字印刷
另一个革命性的技术是'造纸术’和'活字印刷’,早期人类使用竹简进行文字记载,工作量非常大、信息的传播效率极低。
有了造纸术和活字印刷技术,人类通过更轻便快捷的方式记录和存储信息,信息的传播效率更高、信息触达也从社会上层人群下沉到底层人群,因此由信息汇聚形成的'知识’成为推动精神文明进步的重要力量。
4)蒸汽和电力技术
随着工业时代到来,人们通过蒸汽、电力、制造技术,生产出更多丰富的商品、缩短人们的出行半径,也极大提升了社会生产力和生产效率。
由此可见,技术是人类赖以生存的根本,正因为有了技术的发展、才演化出了人类文明。
1.2 数字化技术的本质
到了信息时代,数字化技术成为创新商业得以成立的中坚力量。
1)数字化的本质:改变信息传递方式。
不论是文字、声音、图像、视频,都可以用数字化技术形成计算机可识别的“二进制信息”,通过信息的高效转化、存储、传输和计算,最终支撑互联网产品和服务。
2)新技术应用:影响面一定是结构性的。
例如新能源技术的应用,除了改变传统燃油车形态之外、还会影响整个汽车生产、制造、营销和服务环节,甚至重构整合汽车产业链上下游的边界。
燃油车与新能源车生产工艺的差异、倒逼工厂体制改革和生产技术改革;围绕新能源的安全保障、充电、售后维修服务,也会成为驱动售后服务体制改革的核心力量。
无人驾驶技术的应用,需要完善道路法规、政策和判责机制,包括人机共驾的安全策略、基于共享无人车的维修、保养等一系列服务衔接问题。
3)技术进化:源于某种“价值需求”。
技术可以是全新的发明,也可以是原有技术的组合。而需求是技术进化的主要源动力,新技术势必会带来新产品、新服务,衍生新商业生态,进而产生新的价值。
例如直播、视频处理技术的应用,就完成了对多个行业的商业模式重构。娱乐场景下,通过娱乐直播、网红打赏满足人们猎奇和社交需求;在线教育场景下,通过知识付费内容直播、让知识突破地域和时间阻隔,赋能更广泛人群;电商购物场景下,通过商品直播讲解、付费购物满足人们稀缺和从众心理。
1.3 数字技术与产品、商业的关系
技术永远只是手段,而非目标。技术要发挥价值,必须经历产品化和商业化两个阶段。而这两个阶段也恰恰是产品经理能真正发挥专业性、创造价值的阶段。
1)技术产品化:把技术手段转化为用户可交互可感知的能力。
例如人脸身份认证是一种能力,它解决了人员权限和隐私安全问题。例如将自动驾驶技术形成新能源汽车的产品能力。
2)产品商业化:把产品能力转化为一种可持续的商业模式。
例如利用人脸认证打通支付链路,人们为相机中的美颜和特效功能付费等。例如特斯拉通过更高等级的自动驾驶升级服务(OTA)形成商业模式。
当然,任何一个技术都存在两面性,一方面通过技术我们可以获得效率和体验,改善生活质量;反之、滥用技术,也可能给人类带来巨大的伤害。
比如声纹识别、语音合成技术,可以倾听爱人、孩子给你播报导航、进行情感式陪伴;但是也有不法分子利用这类技术,采集受害人声纹,模拟声音进行诈骗。所谓科技向善,既要利用技术、发挥价值;也要敬畏技术、把握边界。
2
大数据技术
数字技术有三个方向:简称ABC。A- Artificial Intelligent人工智能,B- Big Data大数据,C- Compute云计算。本文主要谈后两个技术,我们先看看这些年大数据技术是如何演进的。
毫不夸张地说,大数据技术支撑起了整个移动互联网的商业生态。不论电商内容推荐、智能调度、精准营销无一不依赖底层大数据技术。如果把“数据”比作“水”,那么大数据技术就是一种能让“死水”变成“活水”的技术。
你一定过很多和它相关的抽象名词,例如数据湖、数据中台、数字孪生、数字资产等,它们背后到底有哪些含义和区别?且听我慢慢道来。我们先从大数据平台架构的演进开始聊。
2.1 架构演进:数仓- Hadoop-云原生
大数据架构的演进目标,始终围绕如何让数据采集、处理和应用更高效,如何让数据发挥更大的价值,尝试从标准数据规范和多元应用场景之间找到某种平衡。
1)传统数据仓库
什么是数据仓库?顾名思义,'仓库’就意味着主要承担某种存储和管理职能。数据仓库是基础集中化数据管理平台,具备基本的结构化数据采集、存储、离线处理及分析能力。简单来讲,数据仓库就是通过一个统一数据资产管控中心,让业务人员可以灵活基于基础数据进行查询和结构化分析,进而辅助业务决策;随着数据驱动业务深度不同,也逐步从离线数据分析演化在线实时数据分析。
传统数据仓库的根本问题在于流程相对固化,计算存储单元耦合、缺乏灵活性。例如我们需要在存储阶段就按预先定义好的格式进行数据汇聚,使用数据的时候还得基于预定义的格式进行加工处理,这种方式显然不利于物联网时代针对多元化的数据进行灵活分析和应用。
2)Hadoop和存算分离模式
数仓管理模式过于刻板,很难适应灵活多变的市场需求。后来又出现了以Hadoop为核心集群的数据处理能力。Hadoop是一个开源数据库框架,由Apache软件基金会(ASF)管理,编写语言为Java,用户可以通过Hadoop存储并处理大数据集(从GB到PB 级)。Hadoop 的设计灵感来自谷歌,是 Apache 最高级别的项目之一。
Hadoop 的两个主要组成部分是 Hadoop 分布式文件系统 (HDFS)和MapReduce 技术,HDFS主要用于海量数据存储,MapReduce是高效的处理数据中心,随着业务对实时数据流的处理要求、MapReduce也出现了一系列应用瓶颈。除此之外,Hadoop集群还包含可扩展的分布式数据库HBase和提供即席查询功能的数仓架构Hive,调度和资源管理的框架YARN, 用高速处理数据的通用计算引擎Spark等等。
Hadoop技术与传统数仓相比,有效解决了多元异构数据融合和处理问题,并且通过存储和计算模块松耦合架构设计,实现计算和存储单独弹性扩展、按需分配,大大降低了系统部署和扩展成本,解决了资源利用不均衡的问题。
如今Hadoop已经演化成一个强大的生态系统,系统内的组件丰富多元、千差万别。最经久不衰的当属HDFS和Hive两大组件,昙花一现的包括HBase、MapReduce等,风华正茂的当属Spark和Flink。大数据成功的核心在于技术开源,但最大的问题也存在于开源。例如很多组件都依赖开源而快速成熟,但一旦格局已定、就会出现生态紊乱和版本割裂的情况。
总体而言,Hadoop以HDFS为存储组件,具备吞吐量高、稳定可靠等特点,有很强的扩容能力。并且通过上千个节点的服务器集群统一调度和分发处理单元,可以有效实现低成本、高效率的数据应用逻辑。
但不得不承认,任何一项技术都有它的另一面。例如Hadoop主要基于Java语言开发、虽然代码足够灵活、但容错性比较差。因为Hadoop采用文件存储系统,所以读写的时效性比较差,因为组件的多元化和独立性,导致组件之间的兼容性也存在一定的问题。还有一个很大的缺点是它的并发性不是很好,一旦遇到高并发的应用场景就会出现性能瓶颈,显然很难匹配今天我们对于大数据分析应用的扩展性预期。
3)云原生数据仓库
随着云服务的兴起,云厂商都使用定制化组件、这就对Hadoop集群的核心能力提出更高要求,现状是不同组件之间版本参差不齐、无法真正形成合力。如何解决呢?
为了解决云原生应用和Hadoop技术栈的冲突,随后就出现了以云原生技术为底座的云原生数据仓库,主要部署在公有云、私有云或混合云上。大家知道,互联网每天产生的数据已经相当惊人,但物联网的时序性数据可能是互联网数据的指数级倍数增长,长期来看、我们需要一种更高效、更灵活的数据处理框架,来应对数据指数级增长。
云原生数据仓库模式就是这样一种存在,它的优势在于存储与计算架构分离、数据处理和应用可以在一个相对动态环境下进行独立弹性扩展,并且可以长期保持在高性能的工作状态,更易于管理升级、运维和交付。
云原生数据仓库一般分为三个层次,最上层是服务层,主要做查询解析、优化、元数据管理、安全控制等;中间层是查询计算层,可以分成多个小集群,不同的用户可以使用不同的集群,类似于多租户的概念,这样就带来了高并发等好处,最下面是存储层,包括对象存储、HDFS等。
不论是传统数据仓库,还是Hadoop集群、云原生数仓,都不算最完美的技术框架,产品经理需要了解它们的差异和底层规律 ,能协同技术经理基于实际业务场景选取最适合的解决方案。
2.2 机制演进:湖仓一体-数据网格-数据编织
除了架构会演进,随着大数据应用场景的多元化,对数据处理和应用机制也提出了更高要求,我们看看都发生了哪些具体的变化。
1)湖仓一体
数据要产生应用价值,第一步就是互联互通。数据湖解决的就是原始数据的共享存储问题;通过打通各个业务系统的异构数据通路,保持数据在业务链条中的完整性和还原度,最终实现上层的灵活应用。例如数据分析师可以基于不同场景形成数据洞察;数据科学家可以进行大规模数据挖掘和预测。
随着业务应用场景的多元化,对数据实时性的要求越来越高,于是就出现了“湖仓一体'运作模式。湖仓一体指统一在一套系统中完成数据加工、数据资产管理、数据治理、数据科学、机器学习、数据建模等活动,这种模式不仅确保数据互联互通,还能有效支持实时数据应用和多数据类型的分析场景。
2) 数据网格、数据编织
往后又出现了一些新的大数据应用思想,比如数据网格和数据编织。数据网格是一种面向分布式的领域驱动的数据服务架构,而数据编织的目标是提升数据动态集成、灵活组织和应用能力,它们被广泛认为是数据领域的下一个重大架构变革。接下来我详细介绍下这两种技术。
数据网格可以实现数据格式、数据治理、数据可发现性和元数据字段等数据功能的标准化,本质上就是通过构建一套完整的数据中央处理单元(也可称为公共基础设施),将数据治理的全生命周期都进行“微服务化”。
数据网格支撑各种数据源之间的数据交换、共享和协同计算,利用标准化的数据基础设施实现“中央管控”和应用过程的“分而治之”。不但确保公共组件的复用性,跨域之间又保留一定的独立性和完整性,这种协同模式极大解决大数据技术的可扩展和灵活性问题。
此外,Gartner发布的2022年重要战略技术趋势中提到了Data Fabric(数据编织)。Gartner将数据编织定义为数据的连接和集成,指通过对现有的、可发现和可推断的元数据资产进行持续分析,来支持数据系统之间跨平台的设计、部署和使用,从而实现灵活的数据交付。
数据编织依赖数据网格和本体技术做支撑,主要是要通过提供一种统一的方法论来管理异构数据工具链,以确保能将可信数据以更灵活且可理解的方式交付给所有数据使用者,从而发挥数据的应用价值。所以数据网格主要在于标准化、共享、协同和发现,而数据编织则更关注集成、连接和跨平台之间的灵活应用。
由于数据编织使用到的数据源非常多样化,包含数据湖、数据仓库、业务数据库等,因此要实现数据编织,首先要做到数据虚拟化;即在不移动数据的情况下从源头访问数据,包括跨平台的敏捷集成、统一语义、低代码创建数据API、智能缓存加速等功能。总结来说,数据编织的核心价值是将应用程序与数据源进行连接,通过统一的数据管理框架支持在分布式的环境中进行数据应用,最大化上层业务对数据的价值挖掘。
3
边缘计算
回顾信息技术的发展历程,其中云计算功不可没。尽管如此,它依然存在很多不足。比如网络延时问题,计算精度的技术问题,商业应用过程的成本问题等。
为了解决这些问题,又出现了“边缘计算”以及与它齐名的“雾计算”。它们既解决了爆炸式业务应用带来的计算效率和网络带宽的问题,某种意义上也提升了数据应用的安全性,降低了类似电力等能源的整体消耗。目测这类数字技术将融合5G和人工智能,在不远的将来对商业产生重大的影响。
3.1 边缘计算的核心价值
雾计算是思科创造的一个术语,指通过一种全新的分布式架构体系支持物联网边缘智能,包括感知计算、分布式存储、设备智能控制等。
边缘计算主要是由EdgeX Foundry发起推动的,属于Linux基金会托管的一个开源项目。EdgeXFoundry的目标包括:构建和推广统一物联网边缘计算的通用平台;建立相关认证标准,确保组件的互操作性和兼容性;提供快速创建基于EdgeX的物联网边缘解决方案的工具,并与相关的开源项目、标准组织和行业联盟合作。
不论雾计算还是边缘计算,核心提倡一种数据的“分布式处理”和“即时处理”,也就是通过近场计算和执行减少数据传输和决策所消耗的时间,边缘计算因其独有的技术特征,正在成为支持万物互联世界的关键技术。
边缘计算的核心价值在于“尽可能让核心决策靠近设备执行端,让执行效率更高”。例如无人驾驶领域,路侧设备作为边缘终端与云端高效协同;通过边缘设备数据共享可以提升驾驶决策精准度。比如红灯信息发送给汽车,可实现自动停止。
此外针对电商场景下购物车的增、删、改、查,如果所有数据都需要同步云端再下发到终端,将极大占用网络带宽及计算资源;如果采用边缘计算方式进行处理,则可以减少响应时长、提升用户体验。
总结一下,边缘计算就是改变原有大型任务中心的分析处理模式,将其分解为多个更易解决的分布式子任务,并利用终端就近原理进行计算和服务响应的一种技术手段。与“云计算”相比,边缘计算具备更强的实时计算能力,可以响应减少网络和计算成本,并且将大量的隐私数据进行本地端侧处理时,避免了云端大规模计算的数据安全问题。
这里强调一下,边缘计算固然有很多优势,但并不意味着它无所不能,甚至可以替换云计算。实际上,因为边缘终端的差异化,始终要解决平台异构问题和编程的可行性问题,包括跨端多元数据的互通问题;并且随着大规模边缘设备的引入,边缘网络协同和边缘设备的管理同样是行业难题。
因此,今天我们再谈边缘计算的想象空间,更强调它与云计算的协同性。例如利用云端大模型加边缘小模型训练,在保证体验的提前下降低AI研发成本。以及基于多端部署的弹性计算方案,将有效的算力资源合理分配到不同的边缘终端,以达到整体效率最大化。
3.2 边缘计算的技术路线
边缘计算主要有三大技术路线。第一条是以 CT 基础电信企业(通信运营商、设备商)为主推动的 ETSI MEC技术体系。第二条以 IT 互联网企业(云计算服务商、CDN 厂商等)为主推动的公有云下沉技术体系。第三条是边缘混合云技术体系。目前这三条技术路线正在加速竞合。
1)MEC 技术路线
早在2014年欧洲电信标准协会 ETSI 成立了移动边缘计算规范工作组,正式宣布推动移动边缘计算标准化,项目希望在移动网络边缘为应用开发商与内容提供商搭建一个基于云化技术与 IT 环境的服务平台,并通过该平台开放移动通信网络侧信息,实现高带宽、低时延业务支撑与本地管理。联盟的初创成员包括惠普、沃达丰、华为、诺基亚、Intel 以及 Viavi 等。
目前 ETSI MEC 标准化组织已经吸引了国内外数百家运营商、设备商、软件开发商、内容提供商参与其中,ETSI MEC 的影响力也逐渐扩大。2016 年,ETSI 把 MEC 的概念扩展为多接入边缘计算(Multi-Access Edge Computing),将边缘计算从移动通信网进一步延伸至其他无线接入网络(如 WiFi)。其标准化的内容包括边缘计算平台、应用管理、资源编排、服务 API、边边协同、边缘计算安全等研究内容。
2)公有云下沉技术路线
公有云下沉技术路线核心是公有云服务在边缘侧的延伸。国内云服务商以阿里、腾讯、百度为例,依托强大的云生态和技术优势将云计算能力延伸到边缘,打造云、边、端一体化的产品体系,着力于“边缘计算+X”模式的技术发展路线,依托丰富边缘云与边缘资源池形态发展边缘计算是他们的主要特征。
从 IT 架构上看,边缘计算具有明显的按照业务时延和计算规模来确定的分层结构,分为'云'、'近场边缘'、'场站边缘'三部分,分别对应公有云/中心云、轻量化的边缘云、边缘资源池/边缘超融合/边缘网关等边缘设备。云和边缘天然就是不可分割的有机整体,'云边端一体'是目前公有云下沉路线能够形成普遍共识的技术方案。
边缘侧的基础设施由于其资源的轻量化特性,边缘云/资源池/节点场景需要不同的管理组件,实现与公有云/中心云的管理协同与资源协同。通过公有云下沉技术,可以获得和云上一致的运营运维体验,获得更好的隔离性和安全性并显著提高效率。
3)混合云技术路线
我国三大运营商网络基础设施和云基础设施发展均衡,既可以通过网络云资源下沉发展边缘计算,又可以通过公有云资源下沉发展边缘计算。但是,由于两朵云的技术框架有较大差异,需要不同的运维管理系统支撑,从而无法实现跨技术架构的云边协同管理。因此,就出现网络云和公有云在架构上相互融合的技术路线,通过支撑混合边缘云的部署方式形成一套统一的运营维护系统。
为了实现多云协同管理、异构云的数据传递和能力协同,中国移动已经加速基于现有网络云和公有云资源从运营、管理、PaaS 平台和 IaaS 底座四个方面推动新的技术框架体系;其中边缘云 PaaS 平台整体采用微服务框架设计,可随业务需求的变化不断拓宽行业应用能力, 并通过能力裁剪进行轻量化部署。
3.3 边缘计算应用场景
Gartner将边缘计算纳入“核心技术趋势”,并预测到 2025年,边缘计算将有超过万亿的市场规模处理75%以上的业务数据。边缘计算产业链主要分为应用层,平台层,基础设施和底层技术。
应用层主要有智慧城市、家居、车联网、智慧工业等;平台层主要以云服务厂商,系统集成商和电信运营商为主。基础设施分为边缘服务器,边缘网关,边缘计算终端和边缘计算平台。底层技术包含英伟达、地平线等,提供高性能、高可用的芯片算力。 接下来我介绍几个边缘计算典型的应用场景。
1)智慧工厂
工厂设备监控领域,如果单纯靠云计算能力很难做到实时干预;结合边缘场景预测就能有效避免因设备故障带来的损失。此外在工艺建模和质检领域,可针对组装机器人增加摄像头,通过边缘能力主动监控和干预。
2)智能交通
无人驾驶要从单车智能向集体智能进化,就离不开边缘计算技术。当每辆车都具备实时通信和边缘决策能力时,可以极大提升车队运营效率以及对突发交通事件的应急处理能力。
3)智慧城市及内容处理
城市公安系统已经将边缘摄像头用于追踪走失儿童和逃逸犯人,通过边缘实时分析处理可提升匹配效率。边缘计算在XR、云游戏、内容互动等领域也有不少应用,例如在增强现实应用中,边缘侧可以快速处理用户实时位置和摄像头图像,给用户提供更为精准的辅助信息。
整体来讲边缘计算应用呈现出本地化、内容区域化、计算边缘化的特点。随着物联网设备的联网和计算能力的广泛普及 ,5G、AI和大数据能力的融合应用,边缘计算将会在更多业务场景中展现其惊人的魅力。
4
元宇宙核心技术
元宇宙(Meta Verse)概念发酵过一段时间,随着ChatGPT的火热越来越凉,主要是ChatGPT过于具体且深入人心,元宇宙太抽象。但这并不意味着元宇宙不存在,换言之Chat GPT的出现理论上加速了元宇宙的落地进程。
物联网的本质是通过传感设备和标准协议,将设备和网络、设备和设备之间形成连接;进而产生广泛的信息交换和通信能力,能有效帮助我们实现定位、监控、跟踪、识别等能力。如今物联网应用已呈井喷之势,特别是工业、电力、交通和公共服务领域,依托物联网技术和设备对传统工业和电力设施进行智能化、信息化改造已被写入了政府决议,工业物联网、AIOT等也成为投资市场的新宠。可以说物联网技术已成为产业升级的重要手段。
物联网技术发展至今还存在很多待解决的问题,例如标准化、安全、以及与AI技术融合应用等。不论在智能汽车、智能家居领域,物联网技术应用都发挥了非常大的价值,但因为标准不统一、不用厂商设备之间难以互联互通,成为制约行业发展根本原因。另一方面由于设备数量、种类、体系结构、操作系统、接入组网、互联协议等因素,物联网已成为安全问题泛滥的重灾区。最后就是AI融合问题,IOT也被演化为AIOT,因为设备时序数据就算有再大的体量,对于存储视角只是占用更多成本,如果没能与AI技术很好融合,也就很难真正发挥数据的价值。
3)N- Network(网络技术)
网络技术是90年代发展起来的,也是整个互联网技术体系的基本支撑。数字信息的存储、计算和转化,都离不开网络技术提供的传输能力。网络技术发展的本质是利用更高的带宽、更快的速率、更好的稳定性、更广的覆盖范围传输信息。
行业专家认为原有单网络通道发展模式已经不适用需要多技术组合、虚拟现实融合的元宇宙应用形态。更依赖一种前所未有“超级网络”的实现。什么是超级网络?就是多通道通信网系融合,通过网络互联互通、资源共享、降低建设和维护成本。跨网系的传输能让用户享受灵活的跨终端和跨场景服务,也是实现元宇宙虚拟世界与现实世界无缝衔接的底座支撑。
前三类技术区块链、网络及物联网技术属于支撑型技术,在技术迭代过程中讲究规范化和协同性;而接下来我们要谈的另外三类核心技术主要面向用户交互,它们的迭代更强调创新性和体验感。
4)I- interactivity(交互技术)
注意这里元宇宙交互技术不是指AI语音,而指XR、脑机交互、多感官融合等能力。其中XR(Extended Reality扩展现实)是虚拟现实、融合现实、增强现实的统称。被称为开启元宇宙的入口,核心包含近眼显示、渲染技术、芯片、操作系统、网络、传感等;感知能力是XR的核心、包括空间定位、虚拟移动、手势、眼球追踪、肌电感应等。
我们分别看看VR、AR、MR。VR (Virtual Reality虚拟现实):主要应用在游戏领域,指通过虚拟现实技术创造独立于现实的虚拟环境,提供3D沉浸体验。当然还应用在游戏、教育等领域。AR(Augmented Reality增强现实):通过在现实世界中叠加虚拟影像,实现场景优化。目前AR在导航、拍照、影视、营销等领域应用相对广泛。MR(Mixed Reality混合现实):混合现实将增强现实和虚拟现实技术融合,用户沉浸感更强。
总体而言AR技术成熟度稍落后于VR。技术瓶颈主要来源于画面渲染真实感、传感和交互设实时性、网络算力及性能等。AR还需解决虚拟物体在真实环境中精准定位问题,以及叠加后的显示效果问题,例如AR导航就可能让用户产生眩晕感,长期使用带来安全隐患。总而言之,出于技术能力限制,成本和体验的平衡问题,包括XR领域内容稀缺等问题,目前整体商业化进程比较慢。
5)G-game(电子游戏技术-应用引擎)
游戏引擎为游戏开发提供可复用的工具组件,随着用户对游戏个性化程度、内容质量、互动形式多样化的需求增加。游戏引擎也逐步对非研发人员开放能力,引入无代码开发模式,让更多内容创作者参与进来,实现内容创新。目前比较成熟的游戏引擎有Unreal系列、Unity系列、Cry Engine等。
面向元宇宙的游戏引擎需要更丰富多元的开发组件和更强的跨平台能力。理论上游戏玩家终端不再由某家运营商独有,而是玩家可以通过任何终端、任何设备进行跨平台操作。元宇宙游戏引擎更强调“真实性”,虚拟空间的建筑、景色、重力感、物体比例会越来越接近真实。就需要引擎不断迭代渲染能力、利用物理世界真实数据模拟仿真,刻画接近真实世界的虚拟世界,让玩家更有身临其境的感觉。
6)AI-artificial intelligence (人工智能)
AI能力主要有两大分支:决策式智能和生成式智能。其中决策式智能又分为大数据应用(包括推荐、营销和调度、风控等);AI语音、AI视觉和多模态。生成式智能包含文字、图像、音频、视频、多模态生成等。
如果我说AI的本质是数学方程:y=f(x),你信不信?所以AI并不像我们想象中那么神秘,从规则系统、机器学习、神经网络到现在生成式人工智能,AI和人类的学习方式非常相似。人类通过获取外部信息得到认知,机器通过数据“喂养”得到决策依据,数据越多、决策依据越准确。
这就是为什么机器学习界有句话:如果说数据和特征决定机器学习的上限,那么模型和算法应用只能让我们逼近这个上限而已。很多传统企业在尝试数字化转型,想要达到数据驱动业务的效果,其本质不在乎考虑大模型还是小模型,也不在于引入高端算法(是必要条件、但不是充分条件),根本上要解决系统之间的数据互通问题、数据治理和标准化问题。让更多有价值数据“喂养”AI,最终形成数据驱动业务决策的效果。
最后总结一下,数字技术的本质是信息高效转化、传输和计算。不论大数据、边缘计算,还是元宇宙大蚂蚁技术体系,技术趋势如同商业趋势,都不可逆。在未来数字技术会成为产品决策的关键要素。建议产品经理收藏起来,构建一些基本的技术认知,也能在关键环节为产品做出相对正确的决策。
- END-
联系客服