在上一篇文章中，小编为您详细介绍了关于《票房损失恐超50亿美元，2020乐队没有夏天》相关知识。本篇中小编将再为您讲解标题矩阵计算与AI革命：20年前《黑客帝国》的预言成真。

原标题：矩阵计算与AI革命：20年前《黑客帝国》的预言成真

还记得1999年的第一部《Matrix》电影么？当时有很多人都不理解为什么这部电影取名为“Matrix”（可翻译为矩阵，也可翻译为母体或孕育生命的地方），后来这部电影被翻译为《黑客帝国》也令人非常费解。无论是“矩阵”还是“母体”，都代表了什么样的含义或怎样的预言？

在第一部《Matrix》电影里，尼奥被告知这个世界被“Matrix”控制了，需要他去拯救世界。在随后的两部系列电影中，电影名分别为第二部《Matrix Reloaded》和第三部《The Matrix Revoluation》。如果把“Matrix”翻译为“母体”，其实很难与“Matrix Reloaded”和“The Matrix Revoluation”对应上。

多年以后，当人们开始把《Matrix》系列电影与AI人工智能联系在一起的时候，把“Matrix”翻译为“矩阵”就顺理成章多了：Matrix矩阵计算是AI人工智能特有的计算方式，而Matrix Reloaded即为用矩阵计算取代已有的传统计算方式，Matrix Revolution即为当矩阵计算大流行的时候将颠覆和取代传统计算模式。

事实上，人工智能和机器学习最流行算法即为深度神经网络计算，其核心即为超大规模矩阵计算，矩阵计算的核心在于整数计算以及并行计算；而传统的非人工智能类计算，主要是带有小数点的浮点计算和串行计算为主，这就是当前以英特尔CPU芯片为代表的传统计算方式。众所周知，CPU并不适合人工智能类计算，具有并行计算能力的GPU被率先用于处理人工智能类计算但其成本过高，因此很多高科技公司纷纷自研人工智能芯片。

随着越来越多的人工智能和机器学习类计算应用大量出现在实际场景中，矩阵计算正在取代现有的传统计算。根据市场调查咨询公司Wikibon的预测，企业在矩阵计算类应用上的投资与花费正在快速增长，并将在2030年占据42%的企业计算支出。

2020年3月，Wikibon发布了长篇研究文章：矩阵计算推动实时AI。矩阵计算应用的例子包括实时智能系统、实时分析、AI推理、机器人、自主车辆以及其它数据驱动的实时或近乎实时AI的例子。Wikibon认为，人工智能计算框架是推动实时推理的重要驱动力，而实时推理则是典型的矩阵计算；当然，其它技术如高级分析、贝叶斯网络、因果推理等共同推动了实时推理应用和其它矩阵计算应用。

Wikibon就矩阵计算提出了三大主题：

• 矩阵计算类应用可以帮助推动更积极的端到端数据策略，这些策略一起可以极大地简化和自动企业的业务流程。
• 精心设计的矩阵计算类应用与端到端数据策略一起，可以带来比传统应用高一个数量级的价值。
• 企业开发和部署矩阵计算类应用，需要新的硬件和软件架构、技术和工具，而这些很可能来自于消费类技术。

如今，《黑客帝国4》正在拍摄中，是时候了解一下矩阵计算了！

矩阵计算101

“矩阵”类计算应用主要是数据驱动。这类数据的规模非常大而且往往是并行计算，包括声音、图像、视频、雷达、超声波以及任意数量的IoT设备。AI是一项重要的技术，可以帮助开发矩阵类计算应用和任务。

我们对神经网络算法无需了解太多，只需要知道神经网络算法以矩阵表达和矩阵乘法为基础，因为涉及到大量矩阵甚至是高维矩阵的运算而与其它非人工智能类算法有显著区别。人工智能算法分为模型训练与推理预测两个步骤，在每个步骤都要使用一个或多个神经网络模型；模型训练就是用带标签的高质量数据作为输入以推算出神经网络的参数配置而形成模型，推理就是用已经训练好的模型对新数据进行计算而得出结论。

如下图所示，AI模型训练开发通常被分为数据工程和统计建模与训练，两者都是面向存储的批处理计算任务，其中I/O通常是瓶颈。基于Fabric的NVMe NAND闪存可以减轻I/O开销，并允许在一个计算位置直接高效地连接多个大型数据源。像Pure这样的公司，已经开发了面向数据准备和AI训练而优化的创新型私有云硬件平台，戴尔、HPE和IBM也有专门的集成系统。

AI模型训练开发对基础计算资源的需求是间歇型，因此非常适合“即服务”型云产品。Wikibon还指出，机器学习需要相关的高质量数据才会有效。没有质量和相关性的数量，就会导致“垃圾进，垃圾出“。

总结来说：AI模型训练开发需要高质量的数据，而端到端的数据架构则确保这一点。然而，AI模型训练开发并不是实时的矩阵计算任务，实时AI推理才属于矩阵计算。

推理计算是执行型计算任务，推理通常受计算限制并且需要靠近数据源以缩短执行时间。推理计算的瓶颈通常是内存带宽，内存通常会采用大量SRAM，以改善内存中的计算工作流程；推理计算硬件是异构的，这可大幅提高并行化程度和完成速度。当前，异构计算系统被越来越多地用于部署深度神经网络，并针对推理进行了优化。

实时推理是一种矩阵计算型应用。迄今为止，推理是AI中计算量最大的部分。AWS指出，95％以上的Alexa计算都是推理计算。Wikibon预测到本十年末（2030年左右），该比例将上升到99％。端到端数据策略的要求之一是确保提供高质量的相关数据，以开发推理应用。

实时推理还意味着把矩阵计算移至边缘。实时也意味着计算必须放在离数据产生非常近的地方。哪怕是几英里的距离，也没有时间来转移数据。Wikibon的早期研究表明，将计算迁移到边缘的成本很高。移动数据的成本和上下文丢失导致的数据质量下降，这两个因素都将导致未来十年内相当一部分计算会转移到边缘。

面向矩阵型任务的异构计算体系结构。矩阵型计算任务具有大量要计算的矩阵数据，传统处理器无法胜任实时的大规模矩阵计算，但是部署一些具有不同有限指令集的并行加速器则可以实时完成工作负载。因此，这意味着需要专门的计算架构来完成实时矩阵计算类计算任务，这就是异构计算架构。

异构计算架构由许多不同的计算元素（处理器或内核）组成，具有不同的指令集。这些元素可以包括通用处理器、GPU、NPU、ASIC、FPGA等。这些元素通常被组合成一个SoC（System on a Chip），如消费级的苹果iPhone SoC，其主要优势在于从根本上提高了性能，并降低了功耗要求。异构系统的主要设计挑战包括管理对内存和数据的访问以及编程复杂性，一个被称作CXL的行业标准正在成为可能的高速CPU互连标准，将加速解决方案的发展。

总之，异构计算允许更高程度的并行计算和执行成速度，非常适合矩阵型计算任务。Wikibon预计，未来十年内，企业级异构计算将快速增长。

矩阵计算是一项新技术，而新技术通常首先在大规模的消费领域中应用，过几年后才会被企业采用。一个很好的例子是x86技术，该技术已在以英特尔x86硬件和微软Windows软件为主的消费PC双头垄断中使用。x86的体量、较低的成本和先进的技术，让英特尔向企业服务器领域拓展，并在十年内取代了大部分的RISC服务器，现在x86主导了企业计算市场和一个正在萎缩的PC市场。

苹果智能手机于2007年推出，开始将投入转移到移动设备上。消费类设备的庞大数量和投资推动了大多数硬件和软件创新。几乎所有的移动技术都在基于Arm的系统中实现，现在创建的基于Arm的晶片数量是任何其它移动平台的10倍。这种创新来自于苹果、Arm、Google、NVIDIA、高通、三星等公司，以及许多其它消费类软硬件厂商。

消费类移动平台上的消费型矩阵计算应用正在如火如荼地进行：苹果使用面部识别和神经核心来保障金融交易的安全；Google在Pixel 4智能手机中部署了神经芯片，以提高图像和语音处理能力。两者都在利用神经网络实现实时拍照和视频增强、改进语音识别、健康监测等诸多领域。

苹果与Google都强调了神经网络的重要性，而对GPU的重视程度要低得多。这一点已经迅速蔓延到移动应用开发者，尤其是游戏应用的开发者。随着企业开始采用实时矩阵计算型应用，相应的开发者将成为重要的人才来源。大量的消费级开发者正在对自己重新进行技术培训。

因此，在消费领域快速扩大的大型矩阵计算应用所使用的技术和软件很有可能会扩展到企业领域，专家们也是如此。

案例研究：特斯拉自动驾驶边缘实时矩阵计算

Wikibon认为，实时矩阵计算应用将成为大多数高价值和有效的企业数字计划的基础。业务边缘将是物联网重要的早期应用领域，由于采用了MEMS工艺导致传感器价格暴跌，因而可以在边缘提供大量的IoT数据。实时矩阵计算将使边缘上的工作流程大为简化和自动化。

特斯拉（Tesla）是成功部署企业矩阵计算应用的一个好例子，该公司正在开发自动驾驶系统（ADS）。ADS的商业目标是提高电动汽车的功能和利润率并开辟新的商业机会。这个例子说明了软件、硬件和端到端数据对一个真实企业在边缘运行实时矩阵计算的影响。

ADS的反应时间、可靠性和准确性可能远胜于任何人类驾驶员。交通中生死的主要决定因素是数据和矩阵计算技术。从长远来看，因为ADS的出现，将极大避免美国每年因汽车事故而丧生的35,000人以及与事故相关的更多严重伤害。NHTSA的研究评估，每年因交通事故造成的损失约为6000亿美元。他们指出：94％的严重事故是由于人为错误造成的。自动驾驶汽车有可能将人为错误从车祸中剔除，这将有助于保护驾驶员、乘客以及骑自行车的人和行人。NHTSA还指出，自动驾驶时代将在2025年开始。

特斯拉正向ADS迈进，并希望能率先跨越到新时代。特斯拉电动汽车拥有独立的电动发动机，刹车是独立且采用RBS反馈制动式（Regerative Brake System）。由于电动发动机和刹车的作用，所有车轮相对于地面都有反馈，而低延迟电子组件与车辆位置的精确知识以及车内数据和功能相关知识都集成在了一起，这是一个端到端的数据架构，为车辆的动作更快、更安全的驾驶创造了可能。

ADS还需要一种方法，将所有内部传感器信息与车辆的外部传感器数据集成在一起，并制定关于在何处以及如何驾驶车辆的行动计划。最后一个难题是如何评估计划的质量，并随着时间的推移改进它们。关键的挑战是了解数据需求，以及如何建立端到端的数据策略，以可承受的成本建立一个改进反馈回路。

对于特斯拉矩阵计算任务来说，首先要解决的问题是如何处理来自8个摄像头以60帧全帧/秒速度运行而产生的10亿像素/秒实时数据。此外，还有来自雷达、12个超声波传感器、高精度GPS、地图以及车辆内部所有传感器的输入，如车轮划痕、转向角、加速度等。系统需要实时处理这些输入，并制定行动计划。所有这些数据共同驱动所有驾驶员辅助功能，例如自动驾驶、自动驾驶等功能的更新，以及未来的ADS。

特斯拉将此系统称为Tesla HW3（硬件级别3）。Wikibon相信特斯拉汽车的这种端到端架构和数据管理决策，其设计将对大多数企业来说十分重要。

特斯拉的软件理念是所有数据都应该由一个系统来处理。理论上来说，这样的结果质量最好，响应速度最快。最初的特斯拉计算硬件使用MobileEye EyeQ技术，但它太慢了。Tesla HW2（硬件级别2）使用Nvidia Drive硬件并使用GPU处理矩阵数据。就像前面提到的Apple和Google工程师一样，特斯拉工程师也了解到，神经网络比GPU处理更高级别的数据抽象要快得多。

在当时（2016年），还没有其它合适且现成的硬件或软件解决方案。因此，特斯拉投资开发了自己的硬件解决方案——HW3，以驱动自己的软件。从HW3的电路板可以看出，该板中间有两个异构的基于Arm的SoC，以实现完全冗余。在SoC内部，CPU和GPU是基于Arm的组件，再加上一个原生的Tesla设计的NPU。这两个NPU的计算能力共计72 TOPS（万亿次/秒运算量）@2GHz。来自传感器的输入在电路板的右侧，最高25亿像素/秒，电源在左侧。

这块板子安装在特斯拉手套箱的后面，作为早期板子的替代品，也是所有新车的替代品，总功率要求只有75瓦。HW3的关键性能指标是每秒可处理的高清帧数。HW3在运行特斯拉软件的NPU硬件上，可以提供2300帧/秒的帧数。HW2硬件上的同一软件只能提供110帧/秒的速度，不到HW3吞吐量的5％，这对于ADS是不够的。

对于特斯拉而言，这种企业级矩阵计算任务对于增强驾驶和安全性并最终实现ADS来非常重要。特斯拉相信HW3可以实现ADS。随着时间的流逝，来自传感器的数据量可能会增加，所使用的技术应该可以实现性能的额外提升。特斯拉计划到2022年将其技术更新，性能提高2-3倍。

Tesla HW3的数据策略。特斯拉要解决的第二个问题是如何设置端到端数据策略，以可承受的成本，改进反馈循环。有些人认为，每一辆车的所有数据都应该也会被保留下来，有人认为5G将免费带走所有这些数据。

当然，这些数据在发展的早期阶段是很重要的。然而，如果读者对每秒10亿像素的问题进行一些非常简单的数学计算，当应用到全世界数百万辆汽车和数十亿英里的汽车上时，就会发现这种思维的谬误。此外，这些每秒十亿像素的数据会随着时间的推移而发展成更多每秒十亿像素的数据。

Wikibon研究指出，在边缘上创建的绝大多数数据（> 99％）将在边缘被删除，因为价值已经被提取出来了。特斯拉的做法强调了这个预测。HW3将数据保留在SRAM中仅10分钟。在这段时间内，只有极少数的数据被选择通过网络发送。

被选择发送的数据是为了完成事故、近距离失误、路面异常（例如坑洞）内部和外部合规数据等事件的反馈。此外，针对特定和罕见环境解决方案的工程师可以从整个车队中请求数据。例如，人类驾驶员如何处理驾驶环境，如雪天、日落或路上的大型动物等。这是对严重的“长尾”问题的一种创新且具有成本效益的解决方案。

“长尾”问题。在ADS的整个学习过程中，存在一个非常“长尾”的低概率事件。获取这些数据、车辆准确部件的数据，再加上整个车队中不使用或“超控”自动化的人类驾驶员反应，对于开发识别罕见事件和训练车辆正确反应的能力至关重要。

特斯拉的“长尾”解决方案可以识别罕见事件，并将有关这些事件的剪贴记录数据返回给开发系统。如果特斯拉可以将道路上的汽车数量从100万增加到数百万，并将过去数年的行驶里程增加到数十亿，那么端到端的数据采集和改进系统应该可以为ADS系统的整体质量带来指数级的提升。端到端数据架构师必须在初始设计阶段就理解并内置这种端到端功能。

这种优雅的端到端数据体系结构有助于解决长尾问题，并显着减少了开发完整ADS的时间和成本。MobileEye和Waymo是另外两家正在开发不同矩阵技术的公司，他们正在建立一个车队。

特斯拉案例的结论。特斯拉的方法具有许多积极的属性。其中包括明确的所有权和对所有特斯拉汽车中所有数据的访问权，清晰的端到端软件和数据架构，以及将数据采集集中在重要事件上的能力。特斯拉设计出了低延迟的电动汽车，集成了独立的电动发动机/刹车系统，并对车辆的设计和内部数据有精确了解。这可以比传统的内燃机汽车（ICE）反应速度更快、更有效、更安全。如果特斯拉能够将这些内部数据与可靠的计划生成器连接起来，那么结果可能是车辆的安全性提高了一个数量级，道路利用率大幅提高。如果特斯拉能够执行并将其在路上行驶的汽车数量增加到数百万辆、行驶里程数增加到数十亿英里，那么特斯拉就可以创造出一个交通行业中独一无二的端到端的数据反馈和改进循环，并有可能在全球范围内拯救数百万生命。

如果成功，特斯拉还可以将该数据架构用于许多相邻的商机，包括有关个人驾驶员安全的高级反馈并将之计入特斯拉品牌保单成本，其它机会包括维护、租赁、向城镇报告路面坑洞和设备故障、信息娱乐、航运和旅程终点等。

从消极的一面来看，特斯拉的案例说明了开发早期矩阵计算解决方案的一些固有挑战，包括开发和维护独特的软件和硬件所需的投资水平。如果像Mobileye和Waymo这样的竞争对手成为批量供应商，那么特斯拉的技术开销可能会导致对其它公司创新成果采用速度的放缓；其它批量供应商的存在，可能会让特斯拉更难说服合规监管机构，让他们相信特斯拉的 "长尾 "数据解决方案会像其它替代方案一样有效。

边缘革新的其它示例。无论特斯拉试图颠覆汽车行业的结果如何，Wikibon都认为这种关于矩阵计算型应用和数据的端到端架构思维，将推动许多其它行业的数字化创新和差异化发展。

业务边缘有很多实时计算应用的例子，包括机器人、供应链优化、风场监控、民用和军用飞机的自动化、自动化仓库、自动化门店等，每个行业都有很多实时计算用例。此外，许多跨行业的应用，如高级分析等都将从矩阵应用技术中获益。

例如，亚马逊正在开发这种技术，使亚马逊Go商店的零售完全自动化。每个企业都应该评估其当前的流程，确定端到端的矩阵计算任务架构可以提高多少效率，并确定如何创建端到端的数据架构来支持这些计算任务。

总之，Wikibon认为，掌握实时的矩阵计算和端到端数据架构是创造数字化差异化的绝对必要条件。

案例研究II：智能和实时定价系统

那么，企业应该如何考虑将矩阵计算技术纳入企业计算任务组合中呢？

成功实施矩阵计算与端到端数据架构的企业，可以解决三个非常重要的战略机遇：与继续使用当前的串行交易系统的企业组织相比，可以期望产生更多的应用价值；可以防止来自低成本替代方案的外部颠覆，并扩大可用来识别和防止外部颠覆的选择；能够更好地扩展到相邻的行业领域，成为潜在的颠覆者。

变化的核心是要从目前众多的记录系统（如ERP）和数据仓库系统向 "智能系统”迁移。简单来说，智能系统是指与矩阵计算集成的记录系统，如实时高级业务分析和/或AI等。

以一个狭义的例子来估算潜在的效益。当前，大多数企业通过专业人员采取一系列步骤来应对价格变化。他们最终在数周（或数月内）就新的定价达成一致，然后IT在一个方便的时间实施这些变化。Wikibon以“智能和实时定价系统的业务案例”讨论了实时矩阵计算应用的潜在好处，与目前速度较慢、劳动密集型的人工系统相比，实时矩阵计算可以实现价格调整的自动化。

目前，记录系统很少能在一个事务中执行所有的工作流，而往往有多个串行事务以及管理它们的复杂工作流。由于传统的企业事务性计算任务与集成了企业矩阵计算的新型记录系统有着显著区别，因而可以创建独特的解决方案，从根本上简化工作流并提供非常高的自动化水平。

矩阵计算的用户很可能包括机器和其它应用，通过工作流和API来实现控制，而且数据很可能是分布式、高度并行、大规模数据量。矩阵计算最有可能在创建数据的地方执行，通常在业务边缘，当然也会有一些矩阵计算最好集中执行。

矩阵计算的重点是实时或接近实时的并行执行事务。这将意味着更大的、分布式的数据库，以及计算模型将是云优先、超融合、（未来）还要具有异构计算架构的计算模型。

企业矩阵计算类应用将推动企业计算硬件和软件架构的重大变化，以及数据性能和数据管理的改善。

总的来说，矩阵计算的收益就是简化了流程，大幅提高自动化程度。

避免记录系统的转换。一些供应商和专业人士认为，当前的记录系统和分析系统都应转换为“现代”平台。这对于小公司或非常小的系统是可能的，但是转换大规模的记录系统和分析系统将带来数年的延迟，并带来很高的故障风险。Wikibon坚信，建立在现有记录系统的应用价值和数据价值的基础上，会更快、成本更低、风险也更小。Wikibon建议CXO拒绝任何需要转换现有记录系统的数字化转型和差异化战略。

智能和实时重定价系统案例。航空公司和酒店等行业使用频繁重定价来优化收入，像Norwegian这样的航空公司就采用了实时动态定价。

实时定价在另一个行业中有一个很好的例子，这就是Uber引入的动态乘车共享定价。如果司机供应量少而价格保持固定，那么客户等待搭车的时间就会增加，满意度就会大幅下降。当Uber实时提价时，如果需求量大于司机供给量，价格上涨、需求量减少，不仅供给量增加、服务水平保持合理，客户满意度也明显提高，因为对于选择付费的人来说，上车时间和到达目的地的可靠性更重要，所以客户满意度明显提高。对整个Uber系统的分析表明，实时定价的整体收益约占总收入的3.5％。

自动定价的另一个延伸，可能是根据与客户开展业务的难易程度来个性化价格。如果一个顾客退货或在社交媒体上发表不利评论的概率较高，那么减少或取消给予这些顾客的折扣可能是有意义的。

这种实时定价的例子需要获得大量的供需各方面信息，需要有复杂的模型来实时分析这些数据，并能够将这些变化应用到现有的记录系统中。实时定价的潜在商业收益，是提高收入、客户满意度和降低成本。

计算实时定价的企业效益出发点是总收入增加3.5%（来自Uber研究）。如果所有数据都可以获得而且定价可以自动化，合理的估计可能是操作定价所需人力减少5倍。

总结来说：智能和实时案例研究并没有得出结论说所有企业都应该优先发展实时定价，该案例只是一个可能的矩阵推理计算应用。然而，只要开始研究在哪些地方的矩阵计算可以增加几个百分点的收入、可能提高客户满意度并能将运营成本降低5倍，就可以推动创新，提供持续的差异化并确保竞争力。

企业矩阵计算实施策略

企业部署了各种各样的软件和数据资产来协助运营和规划流程，在整个企业的多个地点和平台上都有大量的投资。Wikibon认为，试图将所有的数据都放在一个平台上的战略，对于几乎所有的企业——尤其是大型企业来说，都会失败。如上文所述，不仅转换的成本很高，而且需要很多年才能实现。

相反，Wikibon建议企业专注于建立一个有效的端到端数据战略，从今天的数据在哪里创建以及未来的数据将驻留在哪里开始。然后，企业应该实施高效的多云、混合云和相邻云战略，以确保：

• 正确的数据在正确的时间出现在正确的地方。
• 通过尽可能地将计算推送到数据上，最大限度地减少数据的移动。
• 基础设施服务的部署和维护的责任转移到软硬件厂商和云提供商，而不是由企业IT部门来承担。
• 利用RPA（机器人过程自动化）和其它技术来改善现有过程。

同时，企业应该确定实时矩阵计算可以发挥作用的关键部分，并认真进行实验，设计和开发能够实现彻底简化和自动化的解决方案。执行管理层应密切关注这些项目，以提高对被颠覆风险的了解，以及更早发现潜在颠覆者的能力。

总的来说：企业应识别潜在的矩阵计算应用并制定商业应用策略。企业应重点加快记录系统的速度，并规划向智能系统的迁移路径。其它方法如机器人流程自动化（RPA），也可用于精简系统。智能化系统可以成为实施可持续的数字化战略差异化的基础，具有显著改善业务创新周期时间的能力。企业的潜在收益将从确保生存到压倒性的长期商业价值等，不一而足。

结论及建议

Wikibon对新兴矩阵企业级计算应用的计算型收入预测：前四年的增长受到软件工具、硬件可用性和技能可用性等方面的重大制约，特别是受制于企业级异构计算系统的缺乏。Wikibon预计，企业矩阵计算应用的计算支出将快速增长，并在2020年开始的十年后半程占据企业计算支出的42%。

对两个案例研究的结论是：作为一个颠覆者，特斯拉与当前制造商大不相同。特斯拉还必须成功地处理其它非常重要的因素，包括制造技术、电池成本、电池管理、充电器可用性和充电时间等。

Wikibon强调特斯拉数据处理策略中的两个关键部分——矩阵处理技术的投资以及端到端的一体化数据策略。对于从零部件供应商组装车辆并且是全球供应链专家的传统汽车供应商来说，这些都很难实施。因此，Wikibon怀疑许多品牌在未来十年将会失败。

而智慧系统案例研究表明，可以在提高现有记录系统的性能方面取得重大进展，并开始利用现有和新数据提供实时高级分析以帮助简化和自动化流程。Wikibon讨论了矩阵的一个具体计算应用——自动定价的潜在好处。Wikibon的结论是，实现实时定价的潜在收益估计可能会增加总收入的3.5% ，并将执行定价的运营成本降低5倍。

在未来十年，实时矩阵计算应用将成为数字创新和差异化的主要贡献者。Wikibon认为，尝试将所有数据放在一个平台上的一种策略将会失败，因为转换成本过高并且需要很多很多年才能实现。RPA（机器人流程自动化）之类的技术可以使串行的事务环境自动化，并可以更快地开发和部署实时矩阵计算应用。然而，目前的RPA技术仅靠自身力量是不够的。实时矩阵计算应用将对系统的简化和自动化产生更大的影响。

Wikibon建议，企业应该专注于建立一个有效的端到端数据战略，从现在的数据在哪里创建以及未来的数据在哪里开始。企业应该实施高效的多云、混合云和相邻云战略，确保将正确的数据放在正确的地方，通过将计算力转移到数据上，最大限度地减少数据的移动，并将基础架构服务的部署和维护责任转移到软硬件厂商和云供应商身上。

Wikibon还建议升级当前的记录系统并将某些组件外包，以提高性能并降低运营成本。一级任务关键型数据库通常是瓶颈，唯一的一级大型任务关键型数据库是IBM DB2、微软SQL Server和Oracle。所有这些都提供云选项，无论是在本地还是在它们自己的云中。整个数据库栈的性能和可靠性以及运营升级，从服务器上的微代码到数据库升级，都由供应商负责。

现在可以将一级数据库与调用一级数据库的应用程序的运行系统分开运行。这两个组件都在相邻的云中，运行在同一个数据中心中，并通过相邻的两个云之间的低延迟直接通信连接。例如，Microsoft Azure和VMware提供了在其云上运行应用程序的功能，并且与运行在同一云数据中心中的Oracle相邻数据库之间的连接延迟非常低。微软和Oracle工程师已经努力提供两个云之间的连接。这使得数据库厂商可以灵活地使用矩阵技术来加速数据库，而其它云则可以使用异构架构来加速矩阵推理工作负载。

进行这种改变的重要性在于加快当前记录系统的速度，并为矩阵计算应用的并行运行留出时间。同时，企业应该确定实时矩阵计算可以发挥作用的关键部分，并认真进行实验，设计和开发能够实现业务流程的彻底简化和自动化的解决方案。企业的高级管理人员应该对企业的潜在颠覆者保持警惕。

行动起来！特斯拉的案例研究展示了端到端数据战略的威力、实现这一战略所需的投资和承诺，以及对现有汽车企业的威胁。该案例研究还显示了执行矩阵计算对开发ADS和建立连续的、潜在的指数级改进过程的能力。

Wikibon强烈建议高级企业主管制定端到端数据策略，并对矩阵计算形成深刻的理解。重要的是，该战略要关注实时数据流而不是历史数据，因为历史数据的价值可能会低很多。

通过这项工作，高级管理层可以了解外部创新威胁最可能来自哪里，及早发现矩阵计算可能被外部颠覆者利用的地方。这将使高级管理层能够了解任何颠覆性威胁的程度和性质，并通过收购、合作或推进内部项目来确保企业保持竞争力。

此外，制定端到端数据战略有助于避免失去对关键数据访问的控制。如果组织中的一部分人不了解如果将数据交给供应商或潜在的竞争对手，会给公司整体带来的损失。（云科技时代编译）

(Wikibon原文链接：https://wikibon.com/matrix-workloads-power-real-time-compute/)游戏网

编后语：关于《矩阵计算与AI革命：20年前《黑客帝国》的预言成真》关于知识就介绍到这里，希望本站内容能让您有所收获，如有疑问可跟帖留言，值班小编第一时间回复。 下一篇内容是有关《黄峥发布2020年度致股东信：新生之时》，感兴趣的同学可以点击进去看看。