根据计算，在比较极致的情况下，基本上可以节省用户 2/3 的硬件成本，而且也不需要额外付出其他运维成本，只需配置好定时启停的规则即可。
云原生时代带来的最大变化在于基础设施和业务逻辑的真正解耦。此前，中间件逻辑存在于应用程序的进程中，而现在压测、限流等都可以在Sidecar中实现，从而解耦了基础设施和业务逻辑。然而，这种解耦是不断进行着的，即使在未来也很难做到业务完全不需要关注基础设施。比如，业务流量应该多大，DB节点应该设置多少个，业务流量和DB的设计是否符合要求。
比如，同步的关键业务对应的流量链路和异步化任务可能运行在同一个节点中，那么如何实现二者流量隔离就是一个难题。再比如，如何结合基础设施和业务要求进行部署，保证内存和CPU合理分配。在基础设施对这些内容无感知的前提下，如何自动化地进行混布和限流。从应用研发的视角来看，此前需要写很多代码来实现业务逻辑和基础设施交互；而现在相应的代码量会减少很多。
比如，使用FASS能够很容易地实现系统功能，但当系统的可用性要求、业务体量增大时，任何一个抖动都可能影响到整个软件系统的可用能力。高可用设计并不存在标准配置。实际上，高可用设计需要根据业务重要性、能力和效率的分层等进行分层次的设计，最核心业务需要通过一些高复杂度的设计来提高它们的可用性。
状态型数据的容灾设计
这两种数据在进行应用层容灾设计时需要不同的处理方式，状态型数据的容灾设计通常比较困难。比如，会员信息在出现错误时通常不能再写该数据，也不能让该用户重新注册一次支fb。状态型数据的容灾设计需要以数据库不可靠为前提。数据库通常存在主备库，这两个库通常使用异步复制的方式来保证两个库之间的同步。然而，这种同步通常具有时延特征。当主库宕机时，如果FO库的版本比较旧，就不能直接将FO库作为主库，因为原来的主库上已经有用户修改的内容。如果此时将FO库作为主库继续进行修改，那么最终得到的数据必然不是用户所预期的。
除非掌握了所有可能的写数字九的方法，否则深度学习网络以外的AI算法将很难检测到，尽管形状不同，但两个数字都代表九。借助深度神经网络进行的深度学习可以轻松地将两个数字都识别为9。深度学习准确地对不同对象进行分类的能力可以解决自动驾驶汽车面临的一些主要挑战。
机器学习算法在训练自动驾驶汽车时面临特征提取的问题。特征提取要求程序员告诉算法他们应该寻找什么来做出决策。因此，机器学习算法的决策能力在很大程度上取决于程序员的洞察力。深度学习的功能有所不同，消除了特征提取的问题，从而使深度学习神经网络的检测和决策更加准确。深度学习可以提高检测道路上障碍物的准确性和更好的决策能力，可以帮助应对自动驾驶汽车面临的许多挑战。
对于那些致力于将人工智能技术融入产品并开发新的使用方式的组织来说，机器人和自动驾驶汽车并不是其关注的重点。与其相反，人工智能技术的开发是从人们的行动中学习，从而在日常生活中更有效地提供帮助，为人们解答问题，并在工作和家庭中通过语音识别和语言处理功能完成任务。
配置要和代码完全分离，环境变量可以非常方便地在不同的部署间做修改，却不动一行代码。配置主要包括数据库信息，缓存信息，第三方服务证书，每份部署特有的配置，如域名等信息。
判断一个应用是否正确地将配置排除在代码之外，一个简单的方法，看该应用的基准代码是否可以立刻开源，而不用担心会暴露任何敏感的信息。
