从行业视角看 2020 年技术发生了哪些变化？

一篇文章很难回顾所有技术的发展变化，但我还是试图从个人视角出发进行一个总结。一直以来，我都认为行业发展是技术的第一驱动力，以行业为视角可以穿透技术发展的表象，触及到本质。

过去一年，在疫情、国际冲突、数字时代发展的共同推动下，技术发生了巨大的变化。本文，我会以行业视角来分析这些变化对我们的影响，以及如何应对这些变化。

疫情之下

封城之殇

封国、封城是自从黑死病和瘟疫大流行开始，人类用血肉换取的宝贵抗疫经验。随着社会科技发展，这些抗疫手段在原则不变的情况下，融入了更多技术去应对其副作用。

数字抗疫

COVID-19 健康凭证、支付宝健康码、公共交通管控、城市大脑和人员行动轨迹管控……共同构成了传播源管控系统。始于中国推广全球的移动 APP 管控经验，良好的完成了其使命。但是，社会公权力的担忧和隐私侵犯现象层出不穷，也构成普罗大众对利维坦的恐惧。在疫情面前没有赢家，欧洲选择自由而牺牲生命，集权国家选择生命而部分出让自由，只是选择不同而已，都要付出相应的代价：no free lunch！对于技术人员，手持技术道德的达摩克里斯之剑时，需要更多的担当和自省。

远程办公

为了最大程度减小疫情对经济的影响，远程办公 Thinclient 神隐多年后，Zoom 代表的新一代远程办公系统崛起。疫情只是一个催化剂，带宽发展、网络压缩传输技术成熟、机器学习的超分辨率技术加持的大规模并行计算能力……等，共同缔造了远程办公的可能性。但是，同时也要看到远程办公并不是员工和雇主的博弈，而是工作模式、生产关系的升级。围绕着博弈诞生的 3D 虚拟形象自动化参会，终将消亡。而围绕着远程协同办公的核心“办公”，将诞生更多新技术，背景替换只是冰山一角，类似微软 HoloLens 的远程辅助、远程医疗……等专业领域的成功经验，将是驱动远程办公发展的重要动力。

生活电商

作为疫情经历者，封城禁足带来的第一个问题就是：吃穿住用行怎么解决？疫情初期口罩哄抢，买不到口罩让出行买菜成了第一个问题。从超市哄抢到本地生鲜的哄抢，买不到菜成了第二个问题。长期禁足在家，买不到 Switch 健生环大冒险，成了娱乐消遣的第三个问题。

社区志愿者、网格化管理和电商，成为了解决生活问题的核心手段。必须承认，在突如其来的疫情面前，没有人准备充分，有些问题、有些弊端是正常的，但是，当这些弊端和问题发生在我们自己身上呢？在后疫情的时代，需要反思作为一个技术人，我们改变了什么？改善了什么？

就像在软件工程里思考异常情况和边界值一样，在供给技术方案的时候也要考虑社会的异常情况和边界值，藉此避免在社会发生问题的时候手忙脚乱。如果投入和价值被挑战，作为一个技术人，至少应该把灵活性和扩展性提前设计好、预留好。

远程教育

工作和生活之余，孩子的教育怎么办？教育的场景要大于工作场景，因为寓教于乐、蒙氏教育……已经成为了家长追求教育质量的主流要求。技术如何提供交互能力？技术如何提供良好的体验？技术如何让孩子能够身临其境？ AR/VR/MR 带来了很多可能性和想象空间。

HTTP3/QUIC

传输效率是首先要关注的，因为孩子更加缺乏耐心，如何用 HTTP3/QUIC 来解决 TCP/IP 头部阻塞问题，如何更快的让孩子看到画面，如何分布加载引导孩子等待的同时有部分交互性或展示能力？可以良好的解决孩子耐心的问题。可以参考：Facebook部署QUIC的实践。

动作捕捉

在 ARKit 上不仅可以进行 3D 空间的测量、表面侦测、放置虚拟元素等，还加入了动作捕捉能力。动作捕捉可以让孩子可以更加身临其境，和数字世界进行更真实的交互。尤其是硬件设备的升级，能够更好的完成这件事情：神经网络运算加速芯片、雷达、多摄像头下机器视觉……。

音视频压缩

无论远程办公还是远程教育，就像传统视频网站一样，带宽是一个绕不过的话题。以往的压缩技术是根据信息论，通过算法对缺失信息进行还原（丢包等问题）。如今，有超分辨率技术加持，可以很好的解决带宽的问题。解题思路和以往编程领域一致，“时间换空间”和“空间换时间”，在需要空间的场景如数据传输，就用“时间换空间”计算代替存储，在需要时间的场景如缓存，就用“空间换时间”存储代替计算。

云计算

疫情阻断了人提供服务的路径，“上门服务”逐步编程“上云服务”，软件的云化 SaaS 出现了一波新行情，不少人投入到 2B 的领域进行创新创业。在构建 SaaS 的过程中，WebServices 再次借助 OAM（Open Application Model）从幕后走到台前。

应用程序有限、应用和平台能力的关注点分离、被 Go 证明的开箱即用是第一推广力，几乎构成了 OAM 的主要特色。

编程对象也从以往的对象存储、数据服务、消息服务……等，扩展到 IoT 和边缘计算，云原生和云基础设施将进一步从 DevOps 向 NoOps 挺进。

国际冲突

同一个故事有两个不同的版本：

1、由于投入了大量的研发成本、人才培养、技术学科建设……，所以，要大力保护知识产权，必须保证利润来促进资本投入新技术研究；

2、由于历史原因发展不足，长期受到高利润盘剥，所以，要大力发展自身技术，必须保证大家能够享受到技术发展带来的红利，促成技术普惠。

两个版本都没有错，只是缺少了一个毫无偏颇的第三者仲裁，否则，公说公有理婆说婆有理永无休止。但是，一个无法忽略的事实是：资本家永远拿着新技术投入作为要挟，挥舞着知识产权保护的大棒，捶打着不争气的技术人。因此，君子以自强不息，如何应对是一个问题。

芯片技术封锁

众所周知，芯片是近现代工业产业飞速发展的基石，万物互联已经在日常生活的家电、手机、耳机……等，渗透的愈加深入和全面。然而，芯片技术从 EDA、光刻、封装到测试，原材料的晶圆……构成了一个庞大复杂且分工明晰的产业。无论媒体如何肯定我们的研究成果，10~15 年内所谓“赶英超美”的梦想大概率只是个梦想。太多的基础学科需要去攻克，太多的材料学、技术工艺需要去创新和发明。

然而，随着人工智能应用的普及，通用芯片逐步分化为专用芯片：NPU、DSP、CPLD、FPGA、Intel DPDK……都在特定领域替代了通用计算芯片，从本质上改变了软件开发这件事。

“人机协同的编程方式”造就了一个契机：在专用芯片上开发软件，打开通用计算芯片封锁的通路。人机协同的编程方式，这个概念源自于对前端智能化的深入思考。整个前端的职责范围，随着 Node FaaS、RN、Weex 等技术的涌现而扩大。

image.png

image.png

image.png

通过 “人工智能 + 前端” 来定义的“前端智能化”，通过人工智能借助专用芯片“NPU”突破通用芯片“CPU”技术封锁的能力，为技术打开另一片天地。

image.png

之于前端，进入智能化领域需要学习：机器学习、Python、TF 等机器学习框架、并行化和运算加速……等技术，门槛很高。在 imgcook.com 的前端智能化实践中，阿里巴巴前端委员会沉淀并开源了：Pipcook ，降低前端智能化门槛。

image.png

同时，借助 Boa 提供丰富的 Python 技术生态复用能力，让前端做出靠谱的机器学习。

image.png

在保证前端可以开发出靠谱的机器学习项目的同时，Pipcook 还对流程进行了优化。借助 Jupiter Notebook 的思想，对学习和实验提供了大量支持，并同时推出 Pipboard 和支持 Corlab 。

image.png

人工智能和机器学习离不开数据的处理，无论是组织训练样本还是处理日志，都需要对海量数据进行：获取、组织、清洗、分析……等工作。DataCook 吸收了开源项目 Danfo.js 开源项目，借助 Tensorflow 强大的 TFData 数据处理能力和硬件加速能力，赋能前端轻松处理海量数据。

image.png

软件技术封锁

image.png

“倾巢之下俺有完卵？”抱着“事不关己高高挂起”心态处之，未来一定会很被动。核心技术自研来确保在关键点上不被“卡脖子”，应用技术开源来保证全球化和社区化软件生态抵御政治风险，是两条关键的路径。

核心技术自研

核心技术自研 ≠ 重复造轮子！！！核心技术自研首先要划定范围在：商业和闭源软件范围内，因为，开源软件属于社区共享，大家共同遵循开源协议可远离专利流氓和技术卡脖子，直白点说：相互牵制。

其次，对于操作系统、驱动、算法库……这些频繁被使用的底层技术，也需要有充分的风险认知和评估。Matlab 就是一个典型的例子，今天，大量算法用 Matlab 编写，大量工程技术和自动化控制技术依赖于 Matlab，大量的化学、生物学等科学研究依赖于 Matlab，Matlab 的技术封锁可谓“精准打击”。在耗费社会大量人力、物力、财力进行迁移的同时，作为技术人，要能够充分评估自己企业的技术风险，识别出这些可能被“精准打击”的点，提早寻找开源技术和“备胎”，甚至在必要时自己造轮子。

最后，需要关注框架、脚手架和工具。随着工程技术的发展，技术工作已经被越来越多的框架、脚手架和工具所挟持，一旦这些框架、脚手架和工具出现问题，对现有的软件工程体系会造成巨大冲击。

image.png

React 协议变化对中国前端技术的冲击不可谓不巨大，直接对所有前端技术人完成了开源协议普及工作。同时，这次冲击也让大家意识到，对于框架、脚手架和工具的重度依赖是有风险的。因此，在设计技术体系的时候，首先要有“面向卡脖子”的设计：框架换了怎么办？脚手架换了怎么办？工具不能用了怎么办？即便不去自己造轮子，也要在这些非自研框架、脚手架和工具上，做好解耦。

应用技术开源

image.png

并不是开源的代码商业都能使用，比如 Highcharts（ https://shop.highsoft.com/highcharts ）是明确商业授权方式的，就是花钱买。另外，一些允许商业免费使用的开源代码也不是随便免费的，比如以 GPL-2.0（ https://choosealicense.com/licenses/gpl-2.0/ ）协议开源的代码，你的代码用了他的代码，你的代码也必须按 GPL 开源。另外，还有一些开源协议是明确了不授予相关专利的使用权的，比如 BSD-3-Clause-Clear（ https://choosealicense.com/licenses/bsd-3-clause-clear/ ），这些代码引入到业务代码里面都是有潜在风险的。根据前端的场景，梳理了一个 License 白名单，如果你的项目依赖了以下协议发行的开源模块是安全的：

• MIT

• Zlib

• ISC

• WTFPL

• Unlicense

• Apache-1.1

• Apache-2.0

• BSD-2-Clause

• BSD-3-Clause

了解开源协议之余，未来如何用开源去突破技术封锁？放在技术封锁的视角下：首先，需要“卡脖子”方使用我们提供的开源技术，“普适性”可以保证开源技术从各个维度渗透到对方的业务中去；其次，要么从功能层面、要么从技术层面，要设计一定的依赖性，避免被替换或祛除的时候不痛不痒；最后，要具备先进性，要让大家不得不用、不能不用，不用会带来显而易见的巨大成本和代价。

数字时代

环境和其中的人共同构成了这个世界。环境方面，数字孪生的技术把物理世界映射到数字世界，便于我们跨越时间和空间进行交互，如：支付宝天然气抄表。AR 等技术把数字世界映射到物理世界，便于我们对物理世界进行数字化理解（HoloLens修车）和数字化使用（AR游戏、AR看房）。人的方面也是双向的，首先，是物理世界里提供数字化凭证（电子身份证）；其次，是数字世界里提供物理模拟（3D虚拟形象）。当技术发展到一定阶段，我们将无法区分物理世界和数字世界，统一称之为“世界”。

环境

image.png

数字孪生让物理的城市数据化，借助 AI 对信号灯以及路况的管控，使通行时间减少 15.3%，高架桥出行时间节省 4.6 分钟。通过 WebGPU 技术的加持，在跨平台能力超强的 Web 技术上提供良好的 3D 渲染能力。通过 WASM

技术对算力进行加速，通过 WebNN 技术（Pipcook是 WebNN 的标准制定者）提供的 AI 加速能力，共同构成了数字孪生的基础，由此诞生了大量的生活和工业应用场景。

物理引擎：

image.png

仓储：

image.png

工业控制自动化：

image.png

能源管理自动化：

image.png

人

image.png

数字凭证

SSL/TLS 的核心贡献者 Christopher Allen 在 2016 年给我们介绍了一种用于支撑新型数字化身份的 10 个原则，以及实现这一目标的途径：通往自主身份之路。自主身份也被称为去中心化身份，按照基于IP协议栈的信任标准，是一种“不依赖任何中心化权威并且永远不能被剥夺的任何人、组织或事物的终身可转移身份”。实现去中心化身份正在逐渐升温并变得可能。我们看到了它在隐私方面的应用:客户健康应用、政府医疗基础设施和公司法律身份。如果想快速地应用去中心化身份，你可以评估 Sovrin Network，Hy-perledger Aries 和 Indy 等开源软件，以及 W3C 标准去中心化身份和可验证凭证标准。

image.png

3D 虚拟形象

image.png

据科学家研究，人类通过表情传递的信息量是语言的数倍之多。逼真的肖像生成，表情细节的准确捕捉，已经成为可能，让数字世界里你的形象更加真实生动。

还可以语义分割，把物理世界里的部分区隔开。

image.png

再来个对象检测，找到物理世界里需要被数字化形象替代的部分。

image.png

最后，当然少不了声音。

总结和展望

疫情冲击、国际冲突、数字时代悄然而至，带来了巨大的技术挑战的同时也带来了巨大的机遇。巴菲特说：别人贪婪的时候我恐惧，别人恐惧的时候我贪婪。其实，是一个道理，在危机之下看到机遇，在机遇之中洞察危机，才是一个优秀的技术人需要掌握的重要技能。

而贯穿本文始终的 AI 和机器学习，也是我最关注且最看好的部分。我们在技术成长的道路上，总是从简单问题的解决向复杂的、系统性的问题解决迈进。我们的技术能力也从技术点向技术面、技术体系演进。然而，在遇到 AI 和机器学习这个强大的技术能力时，以往确定性编程显得如此苍白无力，需要面向不确定性编程的能力，来应对多变的环境、人以及环境和人之间因交互而产生的复杂数据。期待 Pipcook 能够帮助大家快速走进 AI 和机器学习的时代，应对各种不确定性和复杂性问题，把智能体嵌入到我们的技术和工程中，把简单的 if……else、select……case 变成 AI 预测和决策，用“人机协同”重新定义我们的编程方式。