2020年国内和国际形势的风云变幻，必将对IT行业产生巨大影响，改变着整个行业的技术发展方向；但也会有技术发展，沿着自己的轨迹前进，不受外界的干扰。
体系结构，云计算
化繁为简，走“简约”之路，走微服务之路。
到2020年，微服务领域将会有一个新的词汇：宏服务。实际上，宏服务并非一个全新的架构，而是一种在单体与微服务之间取得平衡的思想。
当前微服务的发展增加了系统的复杂性，微服务日益细化，复用率达到顶峰，服务之间的关系也越来越复杂，维护费用也越来越高。因此，技术人员提出了“宏服务”，即在微细服务的分割粒度上找到一个平衡的位置，使系统更容易维护，实现多人协作维护，代码库重构也更简单。
到2021年，化繁为简仍将是微服务的主题。
云原生不再是资源导向型的，而是应用导向型的。
在市场方面，由云原生技术提供的业务场景非常丰富，比如金融、制造、因特网等。对这些企业而言，应用云本地技术的最大困难不在于搭建云平台，而在于迁移到云上。由于没有为云计算开发传统应用程序，因此迁移工作将非常繁重，如迁移工具的使用调试、迁移后的运行和维护等。此外，如果仅仅通过虚拟化和重新部署的方式迁移上云，就不能发挥云计算的弹性、高并发性等优点。
所以现在云原生不再是资源驱动型的，而是应用驱动型的，虚拟机和服务器不再是云原生的中心，许多技术专家也把这称为“云原生的2.0时代”。围绕“应用”，规范企业应用的生命周期管理，建立统一的云原生应用部署、运行、运维、管理标准化流程，实现企业应用的生命周期管理，这正是未来云原生发展的重点和挑战。
公司也会越来越意识到：“云在帮助我们的同时，还在帮助我们的商业部门。”技术架构将逐渐转变为面向业务的微服务结构，减少对开发和运营的关注，并真正专注于业务。
边缘计算技术将迎来大规模商用落地。
就产业结构而言，目前边缘计算仍处于起步阶段，下游主要由芯片、硬件、软件和连接等组成，下游厂商将逐步将硬件和软件设施向智能开放；中游主要是支撑平台，涉及的厂商包括云服务供应商、电信运营商，这些厂商通常会选择特定领域作为边缘计算应用的突破口；而上游则是应用，为智能终端和应用赋能边缘计算。整个产业链，从上游到中游到下游，企业都在探索边缘计算的商业模式和顾客价值。
就落地场景而言，目前边缘计算落地主要集中在能源互联网、工业互联网、AR/VR/高清视频、云游戏、无人驾驶、智能商店、医疗保健等领域。
前面。
低代码将带来前端领域的新变化。
非IT技术人员也可以利用低代码平台构建软件；允许使用通用平台开发多个应用程序，这在一定程度上解决了IT部门积压任务的问题；支持多平台部署，只要开发一个应用程序，就可以在不同的环境下编译运行；易于维护，从而简化了软件的更新、调试、修复和修改。
当前，许多企业为了提高开发效率，特别是前端开发的效率，采用了低代码平台。苏宁消费平台研发中心前端技术总监禹立彬在InfoQ此前接受采访时表示：“作为一家电商公司的前端团队，我们以前遇到类似的业务需求，通常都是组件化+人工修改，今年我们尝试了低代码平台，大大减少了前端程序员的工作量。现在苏宁低代码/无代码平台运行良好，成本节省明显，以搭建促销场所为例，已由4-5人的团队减少到2人。
大数据，大人工智能
大数据加速与云的融合，湖仓一体从理论到实践。
第六，工业智能将跨越发展的初级阶段。
伴随着深度学习、知识图谱等技术的发展，算法对于复杂问题的可解性有了显著提高，人工智能技术也逐渐发展到能够解决实际问题，超越人类。以此为基础，工业智能逐步发展起来，比较典型的有：基于数据驱动的优化决策、深度视觉质量检测；工业知识图谱解决全局性、行业性问题；开发和广泛应用人机交互等智能工业机器人。
近年来，工业智能经历了三个主要阶段：基于规则、基于统计和基于复杂计算。三个主要阶段，一方面，专家系统、传统机器学习、知识图谱、前沿机器学习四种技术并存并不断融合；另一方面，技术演进的脉络越来越清晰，逐渐形成以知识图谱为代表的知识工程和以深度学习为代表的数据科学两大方向。但是，目前工业智能的应用主要集中在点状场景上，普及程度有限，还存在很多问题，尚处于发展的初级阶段。
可解释性AI离大规模应用落地更近了一步。
因为机器学习模型具有“黑箱”性质，模型内部的原理和模型决策过程很难理解。但AI的操作结果将被解释给人类用户；同时，AI操作的问题将由人类工程师来定位和解决；此外，AI过程将需要人来管理。
由于计算能力的增强，算法模型变得越来越复杂，体积也越来越大，尽管它的确很强大，可以帮助我们做越来越多的事情，甚至在许多特定的任务中，性能超越人，但我们越来越不能理解这些模型，这是一个棘手的问题。我们所说的可解释性，就是希望能直接理解模型的工作机制，打破人工智能的黑箱。
可解解释性机器学习的思想就是在选择模型的时候，考虑模型的精确度和可解释性，它不仅提供了模型的预测结果，而且还提供了模型的合理性。目前对模型本身的可解释性以及基于结果的可解释性研究较多。
认知智力方面的突破值得期待。
怎样获得智慧？现在有两条路可走：第一条是所谓的“暴力美学”，数据不足就加数据，比如GPT-3，相信将来GPT-4,GPT-5...这样的想法可能会成功。但我们可以从另一个角度来看生物智能是如何产生的。生物学智能有许多实现途径，不能仅仅依靠神经元数量或暴力美学来解决问题。
若将通用人工智能定义为三个条件：一是多任务且能完成大量任务，而不只是一个单一任务；二是具有鲁棒性；三是有能力适应多种环境。因此，未来我们需要将神经科学、认知科学和计算科学有机地结合起来，加强人工智能与脑科学的双向互动，揭示生物智能系统的精细结构和工作机制，构建功能类脑、性能超脑的智能系统，以视觉等功能动物和典型模式动物作为参照来测试智能水平，为人工智能的未来发展探索可行之路。
5G网络建设初见成效，促进了智慧医疗、工业制造等产业发展。
五代机的发展速度，远远超过了前几代通讯技术。到2020年，全球运营商加快基站建设，作为全球5G最大的布网市场，目前中国5G基站已经超过70万个。就5G终端和消费者而言，目前各主流智能手机品牌已经进入消费市场，即使5GiPhone在今年晚些时候才上市，但销量不俗，也有望助推5G市场的快速发展。
但是5G仍然缺乏“杀手锏应用”。5G具有低延迟、高带宽等特点，进入2021年，5G将与“视频”、“云游”、“物联网”、“边缘计算”等技术相结合，成为未来5G发展的新方向。
受暴发的影响，现场直播、短视频和音视频通话等视频场景逐渐成为常态，如何使声音和画面更加一致，减少卡顿，降低延迟？没有5G这一关键技术，答案是不可能的。另外，HDD技术发展的一个基本条件是带宽，只有带宽变得越来越大，才有可能实现。
区块链技术在“新基建”的推动下，加速了其落地。
温馨提示：内容仅供信息传播，供参考.
来源：亿欧
赛丝智能家居 
询问赛丝
