近年来，几次全球性危机占据了咱们的日常生活，因而看看咱们是否能够利用技术来解决这些辣手的人类问题。现在，咱们能够从很多互联设施获取数据，例如：可穿戴设施、医疗设施、环境传感器、视频捕获设施等，数据起源比以往任何时候都多。当这些设施与计算机视觉技术、机器学习技术和模仿技术等云技术相结合时，信息和应用程序的完满交融能够让咱们霎时看到大数据。
下一波的创新者和发明家（我曾有幸在拍摄《Now Go Build》时遇到了其中的一些人）曾经在构建解决方案，以从新毁林，让年轻人放弃生机，并且重塑从仓库到交付的供应链等，这才是真正的开始。随着获取先进技术变得更加广泛，生存的每个方面都成为咱们能够剖析的数据，咱们将开始看到翻新的洪流在 2023 年激增。
预测一：云技术将重塑人们熟知的体育运动行业
音乐和视频一样，静止将成为咱们能够剖析的数据流，这些数据带来的认知将在将来几年内扭转整个静止行业，并从新定义每场较量的意义。
体育运动是人类生存的一部分，超过工夫、文化和物理空间的边界。此时此刻，世界上最大的体育赛事之一——世界杯正在举办，预计将有 50 亿人观看。到目前为止，广播电视对职业静止的倒退产生了极大的影响，为明天这个价值 5000 亿美元的行业铺路。下一个扭转游戏规则的技术行将到来。在将来几年，每项静止，从青少年篮球到职业足球，各个层面都将经验数字化转型。
像 Veo 这样的公司正在引领这一潮流，它利用机器学习、计算机视觉和信息流解决等云技术来放大业余运动员和职业运动员之间的数字鸿沟。Veo 不仅为观看业余体育运动的观众发明了相似业余体育直播的体验，还建设了一个深度神经网络，使其能主动从视频流中创作精彩片段。这使得球员、教练和球探们能够轻松找到要害战术，以改良本人的战术，并以全新的形式去分享这些战术。随着像 Veo 等技术越来越宽泛地利用于所有静止的各个层面，设想一下接下来会产生什么。
德甲和 NFL 等顶级联赛曾经开始应用视频流、可穿戴设施、物联网传感器等进行实时剖析和洞察，但展望未来，这些性能将持续倒退，这些技术将成为简直每项静止各个级别无所不在的力量。
设想一下这样一个场景，一名教练能够应用实时剖析的计算机视觉和生物数据，在球员抽筋或失球之前换下他们，用劳动最充沛的队友代替他们，这是当初能够量化的事件。这同时进步了运动员的安全性，并减少了静止的竞争力。在这一点上，静止自身将真正开始成为一种数据流，咱们能够实时剖析和决定球员的水合度、球的静止、场地饱和度——所有这所有加起来，比咱们明天看到的任何货色都更丰盛。更多的数据带来了进一步的翻新。在不太边远的将来，咱们将达到这样一个点，即团队在每场较量期间都在后盾运行继续的假如模仿，使他们可能更好地预测他们的决策在那一刻的影响。技术自身将成为职业体育运动的竞争根底。
无论是在现场还是在屏幕上，粉丝的体验都将发生变化。体育场将迅速采纳咱们在批发等行业（如 Amazon Go 商店）看到的一些翻新办法，在这些行业，计算机视觉、传感器技术和深度学习的应用将实现无票入场和即拿即走的洽购模式。咱们还将看到下一代的数据笼罩和实时洞察深刻到运动员层面，从而加强静止的体验感，并使体育运动更靠近咱们对当今最具视觉信息量的视频游戏的预期。独特观看和个性化观看体验将持续倒退，这 50 亿观众将比以往任何时候都更加严密地分割在一起。
体育界目前正处于有史以来最大的改革边缘，而云技术正是这场改革的外围。
预测二：模仿世界将重塑咱们的体验模式
空间计算，仿真技术，数字双胞胎这些技术多年来始终在缓缓成熟，但对日常产生的影响还是无限的。这种状况正在迅速发生变化，到 2023 年，云技术将使这些技术变得更容易取得，进而使一些新用例类别的实现不受事实束缚。
仿真技术用来制作更好的赛车、预测天气和模仿股票市场。尽管仿真技术能够解决的问题很重要，然而构建和运行仿真技术也是很有难度的，它是日常用例的一个阻碍。公司紧缺高性能硬件和业余人员。以喷射机翼或赛车的流体动力学模仿为例，仅模仿实在场景的一秒钟就可能须要多达 150TB 的数据。然而，随着最近推出的 Amazon SimSpace Weaver 等技术的呈现，这种状况正在迅速发生变化，Amazon SimSpace Weaver 技术是许多模仿技术中的第一个技术，将为将来奠定根底。在将来，咱们世界中的简直任何货色都能够模仿，并且终将被模仿。模仿技术将有助于咱们在路线建设、仓库组织和劫难应答方面做出更好的决策。通过模仿技术，咱们能够展望未来，只需运行大量的虚构场景就能够去预测可能产生的事件，并看看多年后的影响。借助 SimSpace Weaver 这样的技术，Terraformation 这样的公司能够模仿整个森林的成长，以达到种植 1 万亿棵树的指标。因而，它能够确保尽可能多的碳对消量和生物多样性，让森林可能衰弱成长。
另一个我看到翻新快速增长的畛域是空间计算技术。各公司曾经在构建专门的硬件，并应用云技术来捕获和创立简直所有环境的 3D 模型。仅用一台挪动设施就能做到这一点将很快成为事实。这种普惠化将激发修建、施工、商业地产和批发行业的新一轮翻新浪潮。就像互联网上的视频一样，空间计算技术将在将来几年迅速倒退，到那时 3D 对象和环境就像明天你最喜爱的短视频社交媒体一样容易创立和生产。互联网上的动态 2D 产品图像将成为过来，取而代之的是 3D 模型，您能够像明天在浏览器中看到的那样无缝拿起、旋转并把它们放在客厅。您能够期待与这些模型能有更多的互动，比方它的一些性能就能够在你的虚构家庭中模仿进去。虚构灯不仅能够放在你客厅的地板上，你还能够关上和敞开它，实时察看环境光如何与你的虚构家具互动，并理解它对能源消耗的影响。所有这所有，都在您按下“立刻购买”按钮之前。
2023 年，相似这样的技术将开始交融。随着数字技术在咱们的事实世界中的日益交融，模仿技术对于确保空间计算技术产生正确影响变得更加重要。这将导致已经齐全不同的技术开始被企业和消费者并行应用的良性循环。云技术凭借其微小的规模和可拜访性，将推动这一新时代的到来。
预测三：智能能源畛域的翻新浪潮
储能外表资料、分布式电网、智能生产技术。在 2023 年，咱们将看到寰球范畴内的疾速倒退，这将改善咱们生产、贮存和生产能源的形式。
咱们正处于另一场能源危机之中。一直上涨的老本和牢靠的能源获取艰难是全球性的问题，它们影响着每个人。尽管这不是咱们第一次面临能源危机，但几种成熟的技术开始交融，将使咱们可能以前所未有的形式解决这一问题。
咱们四周的环境产生了足够多的可再生能源。实际上，挑战在于存储和按需交付给耗费这些能源的零碎。亚马逊正在这一畛域发展工作，以亚利桑那州的 150 兆瓦电池存储系统为例，它为咱们在该地区的设施提供清洁、牢靠的能源。但咱们不是惟一的使用者，寰球各个公司也都在这个畛域迅速翻新。云科技正在将资料钻研迷信用于新的应用案例，例如将能源贮存整合到他们用意提供能源的物体的构造中。设想一下，一艘船的两侧实际上是为旅程提供能源的电池。这只是冰山一角，咱们也开始察看到如沉积块和燃料电池长期存储的突破点。
另一个畛域是能源的分散化。随着能源供应的不确定性，一些社区开始转向微电网。我喜爱把微电网设想成社区花园（但用于能源），社区成员用这些来维持本人的生存，进而缩小对传统能源公司及老化基础设施的依赖。在我家左近，咱们有一个小型微电网，咱们通过它收集太阳能并在租户之间共享。近年来，因为地缘政治事件的产生以及气象稳定，能源挑战有所加剧，微电网将成为世界各地许多社区的可行解决方案，云科技将在实现这一指标中发挥作用。来自太阳能电池板、风力发电场、地热和水力发电的数据将在云科技中进行流化、存储、监控、丰盛和剖析。机器学习将用于剖析所有能源数据，以预测应用顶峰，并通过家庭级别的颗粒度进行重新分配能源来避免断电。
咱们还将看到基于物联网的智能生产设施，将会于将来一年在寰球范畴内宽泛应用，这将引领下一阶段翻新。这些设施为家庭和企业提供的新的察看能力，设想一下，如果咱们通过应用节能技术改造历史修建，将会节俭多少能源。
在将来几年，咱们将看到各种智能能源技术的疾速交融，因为咱们终于达到了以技术解决方案解决所面临危机的门槛。尽管这可能不会像咱们心愿的那样产生空谷传声的成果，但这些技术将从根本上永远扭转咱们在将来发明、贮存和生产能源的形式。
预测四：行将到来的供应链转型
2023 年，计算机视觉和深度学习等技术的采纳将推动供应链的倒退。无人驾驶车队、自主仓库治理和模仿只是将引领智能物流和寰球供应链进入新时代的多数优化措施。
过来几年，我经常思考无关 寰球供应链的脆弱性。咱们每天都被揭示，提早交货、缺货、空货架。尽管亚马逊通过翻新对其供应链进行了微调，如数字货运匹配和配送站，但仍有许多公司在应答物流挑战。这种状况行将产生扭转。
扭转将从商品自身的制作开始。工厂中的物联网传感器的数量将激增，机器学习不仅将用于预测机器故障，还将用于预防故障。缩小停机工夫意味着更加稳固的生产。在寰球范畴内运送这些产品是一个齐全不同的挑战。由云计算驱动的数字货运网络将逾越国家甚至陆地，并提供实时数据，使承运人可能选取最优的运输路线，并扭转航线以应答如设施故障和天气烦扰等不可避免的事件。在供应链的每一个层面上，咱们能够把它看成对货物的以后状态和达到工夫的实时预测。
这些货运网络将为首次跨国的主动驾驶卡车运输奠定根底，这些影响将立刻失去浮现。像美国这样的国家目前正面临着 8 万多名司机的短缺问题，通过空间计算、边缘计算和模拟实验，主动驾驶卡车运输将对咱们的寰球供应链产生微小影响。为什么？因为司机驾驶过长时间，将可能分心、变得疲劳，有潜在危险。这是在咱们思考国别衰弱和平安法规之前。这意味着从南加州运出的陈腐水果只能寄希望于在开始变坏之前达到达拉斯。然而，一辆主动驾驶卡车则能够全天 24 小时在路上行驶，没有强制性的劳动，不会疲劳、也没有不耐烦或分心。并且产品将更快、更平安、更高效地达到它们须要的中央。
到达当地仓库后，机器人拣货、订单分拣和自动化包装将变得更加广泛。咱们将持续看到这些通过应用人工智能、计算机视觉对准确解决库存产品的状况正随着机器人技术的翻新而倒退。自主机器人也将在仓储中施展更大的作用。设想一下，如果减少一名叉车操作员，他花了很长一段时间只是在搜寻产品，但如果领有一个实时更新的库存数字正本，应用自主航行的库存无人机将不断更新。
转变供应链的要害是利用技术来优化产品过程中的每一步。从明年开始，咱们将看到智能工厂、智能设施和智能航运的减速倒退。这其中的每一个都将在爱护工人平安、优化库存治理、升高保护老本和简化生产流程方面发挥作用。将来的供应链是数字化的。
预测五：专用芯片成为支流
2023 年，专用芯片的应用将迅速减少。因而，随着工作负载将利用硬件优化来最大限度地进步性能，同时升高能耗和老本，翻新的步调将会进一步放慢。
定制化的专用芯片和专用硬件在生产技术行业迅速取得了倒退。随着定制化专用芯片的制作和采纳，从咱们的笔记本电脑到咱们的手机，再到咱们的可穿戴设施，它们都在性能上有了显著的晋升。尽管消费者畛域的采纳速度很快，但商业应用程序和零碎的状况却并非如此，在这些畛域，软件和硬件的更新周期通常较长。然而，随着定制化专用芯片的遍及和采纳，这种状况将在将来几年迅速产生扭转。
在亚马逊云科技，均匀每天有 1 亿个 EC2 实例被启动（截至撰写本文时）。这在很大水平上是因为多年来咱们与客户之间的密切合作，理解他们正在运行的工作负载类型，进而确定咱们接下来应该构建什么。与消费类设施一样，这使得亚马逊云科技近年来在芯片设计上投入大量资金。这是因为咱们晓得，公司在云科技中运行的工作负载在定制芯片上运行，具备更好的性能以及更高的老本效益。这些芯片是为特定状况而专门构建的。
以机器学习工作负载为例。传统上，软件工程师始终依赖低廉、耗电的 GPU 来实现从模型构建到推理的全副工作。然而，这种一刀切的办法并不高效——大多数 GPU 都没有针对这些工作进行优化。在将来几年，越来越多的工程师将会看到将工作负载转移到专为模型训练（Amazon Trainium）推理（Amazon Inferentia）。随着这种状况的产生，新一轮的翻新将开始。通过应用基于 Trainium 的实例实现约 50% 的培训老本节约，或者应用基于 Inferentia2 的实例实现了 50% 的每瓦特性能，工程师和企业都会留神咱们将开始看到工作负载的大规模迁徙。即便是个别的利用也是如此，在这些利用中，迁徙到定制化的专用芯片上仍有益处，比方基于 Graviton3 的实例，在雷同的性能下，它比同类 EC2 实例的能耗低 60%。
老本节约和性能劣势将带来更多的试验、翻新以及采纳，并最终为其余特定工作负载提供更多的定制芯片。这是一个良性循环。艾伦·凯已经说过，“真正对软件认真的人，应该制作本人的硬件。”在将来一年里，真正认真对待软件的人将真正开始利用定制芯片所提供的所有劣势。
点击 查看原文