世界著名作家、大思想家斯宾塞·约翰逊曾经说过，“世界上唯一不变的是变化本身”。诚然，社会在日新月异的飞速发展，事物也在不断更新变化，特别是在AI、5G、云计算等新兴科技的带动之下，整个数字世界都变得更加复杂且难以捉摸。

于企业而言，在技术演进日趋复杂的当下，当务之急是厘清正确的技术发展方向，以最佳的路径加速数字转型，近日，戴尔科技集团全球首席技术官John Roese就在采访中对2024年的技术趋势做出了预测。

生成式AI从理论走向实践

从蒸汽机、电气再到互联网，每一次革命都代表着科技的飞速发展和人类文明的巨大进步，现如今，随着生成式AI的广泛应用，以人工智能为代表的新一轮科技浪潮则正在引领整个社会走向第四次工业革命，作为一种模拟人类智能的技术，AI可以通过学习、推理和自我修正等方式实现自主决策和行动，并在医疗保健、金融、交通、教育等领域发挥重要作用。

如果说在今年，诸多企业都在围绕技术本身做研发的话，那么到了明年，生成式AI有望从理论走向实践，“在今年实际上可以看到，虽然包括Google、OpenAI在内的一系列公司都推出了生成式AI的技术，但实际上并没有多少客户将其投入到使用中。不过有一些走的靠前的公司已经在考虑未来如何利用生成式AI去创造价值了，到2024年，我们会看到真正转变的到来。随着企业的关注点从宽泛的实验转向自上而下的战略重点，富有变革意义的生成式AI项目也有望出现。”John Roese表示。

不过要知道，从理论走向实践的过程本身也是艰难的，现在很多企业都是通过对基础模型进行调优训练后得到了所谓的自己的大模型，这就导致了当这些大模型实际上被用到垂直行业的生产场景当中时，是无法真正变成生产力的，而要想改变这一点，就要解决以下几个问题。

第一，明确推理的基础架构。与需要大型集群和加速计算架构的训练不同，推理作为将训练成果投入使用的过程，其基础架构主要取决于有多少客户使用这样的模型或者推理能力，如果企业具备非常成熟的模型但只有少量的客户，可能一台服务器就足够了，但如果企业只有一个非常简单的模型的同时拥有众多客户，那么所需要的服务器数量也会成倍上升，对企业而言，需要明确推理架构如何部署。

第二，确定推理基础架构的部署位置。众所周知，训练的基础架构需要部署在数据中心之中，但推理侧显然离数据和用户更近，它有可能会放在边缘中，也可能接近呼叫中心或者最终用户，企业需要明确推理基础架构的部署，从而更好地让生成式AI发挥价值。

第三，确保推理基础架构的安全。与训练侧不同，推理侧的基础架构是需要离开数据中心，到达边缘、工厂、制造中心、交通运输网络等各个地方，企业需要确保打造出来的AI模型在投入到生产环节的时候，仍能保证安全性。

“生成式AI刚起步的时候，世界上几乎每一个企业、每一个组织机构、每一个职能部门都在思考如何用生成式AI改变生产经营的方式，但真正实施起来就会发现，虽然企业可能存在成百上千的潜在用例，但由于资源有限，CIO和领导者就必须在所有可用的生成式AI用例中选择优先的事项，结合运营成本方面的考虑，来确定是否要推进生成式AI的项目。”John Roese补充道。

巩固零信任框架

在网络攻击充满变数且复杂的当下，对安全领域的探索如同在复杂迷宫中前行，通道纵横交错，难以辨识正确路径以抵达目的地。而“零信任”则能简化这个过程。

作为一个已经存在了很长时间的概念，零信任旨在实现组织机构安全架构的自动化，并在系统遭遇攻击时立即编排响应。零信任的概念之所以被提及，是因为如今大部分的网络安全架构都属于被动型，一旦出现新的攻击类型，网络安全架构才会有新的解决方案，而在零信任的框架之下，所有的人、设备和App都要进行验证，这实际上可以更好地保护企业的关键数据。

而在运营层面上，企业在推进零信任框架的时候也要意识到以下几点问题：

首先，零信任对一个企业来说并非可以快速达成的目标，所谓一蹴而就是不存在的，企业要明确不可能通过单一的技术或者解决方案轻易构建零信任的框架。

其次，完全零信任的目的是为了支持零信任涵盖的所有原则，如果它应用于现存的架构并不是很容易，企业就应该考虑是否应该将最有风险的应用放到零信任框架中，而其余应用依然放到现有的系统中。

再次，到目前为止也没有人知道端到端的零信任究竟是什么样子，对企业而言，需要采取不断演进的步骤实现零信任，如果第一天不能彻底实现零信任的话，就要制定战略对每一个安全决策进行决定。

最后，企业需要挑选高风险的领域来进行零信任的实施。对企业而言，需要从最薄弱的环节入手，逐步为自己的安全壁垒添砖加瓦，每一个零信任的一小步都是为了实现最终的安全，企业需要审慎决策如何实施和应用这些原则。

边缘扩展，多云盛行

作为物联网领域的变革性技术，边缘平台无疑拥有着广阔的发展空间，在实际生活中，人们产生的数据也更多存在于工厂、医院等距离人们更近的边缘节点中，而非数据中心里，这就意味着大型的云服务提供商需要为每一个架构来构建自己的边缘，例如Google的Anthos、Amazon的Outposts等等。

对一个公司而言，实际上并不希望有多个不同的边缘平台提供服务，为了构建更加现代化的边缘平台，企业可以采取两种方式，一是扩展边缘孤岛，二是搭建多云的边缘平台，不过未来的发展方向一定是后者，在这之上既有软件又有硬件的编排，对云服务而言，不需要建立自己的针对每一个工作负载的平台，而是有一个共同的平台。通过边缘平台让现代化边缘成为多云基础架构的延伸。

除此之外，边缘在明年也有望和AI进行更加深入的融合，因为大量的AI在企业的生产经营活动中并不会在数据中心应用而会在边缘中应用，如果想要高效安全的方式使用它，那么一定是在边缘。“机器和机器间的交流往往延迟更低，如果数据是从传感器或者现实中的系统来导入的，那它的反应时间就会更快，以美国的一家火车公司为例，他们在全美部署了大量的摄像头来查看每一个岔道口的运行状况，这是靠人力所不可及的，摄像机功能的运用在AI的场景下是需要企业实时知道可能会发生安全的问题，实时监测的安全系统管理在企业中的AI运用场景就是如此。”John Roese表示。

除了以上三点技术展望之外，JohnRoese也分享了量子计算结合生成式AI的可能性，与常规计算不同，量子计算具备无限处理数据的能力，几乎能在无限的数据回答中选择最有可能的结果，而生成式AI也是概率计算的一种，量子计算如果在对生成式AI进行优化后，可以指数级增加生成式AI的工作效率，从而让生成式AI做更多的事情。

从IT安全到量子技术，从人工智能、边缘计算再到云计算，我们的数字世界正在以前所未有的速度演进和扩张。对企业来说，尽管仍然面临着各种挑战，但是在洞悉到未来的技术趋势之后，也能够更好地创造数据价值。

声明：凡资讯来源注明为其他媒体来源的信息，均为转载自其他媒体，并不代表本网站赞同其观点，也不代表本网站对其真实性负责。您若对该文章内容有任何疑问或质疑，请立即与易造机器人网(www.ez-robot.cn)联系，本网站将迅速给您回应并做处理。

电话：021-63900077