无人驾驶汽车是一项实验，至今尚无人知道结果如何。自动驾驶汽车深度学习能否将其驱动到主流交通工具取决于技术如何进一步发展。即使克服了深度学习的挑战，自动驾驶汽车的方式也存在其他障碍。这些汽车与IoT设备等多种技术集成在一起，以收集数据，云计算以处理数据，以及5G以提高数据传输速度。一旦这些技术能够有效地协同工作，以建立良好的交通生态系统，自动驾驶汽车就能成为主流。
移动端发展至今，诞生了很多架构用于解决各领域的专有问题。比如针对移动端动态化的Hybrid方案；兼顾动态化和性能的RN、WEEX乃至界面搭建方案；针对热修复的各种Patch方案；还有一些配置、编排等特殊需求的方案。
这些方案的核心都是用某种语言描述业务的逻辑方法，描述能力越强大，能够解决的问题越多。脚本语言似乎有着无限的可能性，但是当我们尝试解决某个未知领域的计算问题，对于问题计算的可行性又缺少自信。此外，正确评估各种架构的计算性极限对于我们选型、解决具体问题也是十分重要的。因此需要总结如何设计、评估端计算架构的一般性方法。
埋点修复其实就是将一个错误的字典计算为一个正确字典的过程。如果满足下面两个条件，则可以修正任何错误的埋点数据：
能够无二义性的识别错误数据。
完备的数据，可以计算出正确的数据。
这些方案的核心都是用某种语言描述业务的逻辑方法，描述能力越强大，能够解决的问题越多。脚本语言似乎有着无限的可能性，但是当我们尝试解决某个未知领域的计算问题，对于问题计算的可行性又缺少自信。
因众所周知的原因，苹果禁止类似JSPatch的热修复方案上线。对于考拉iOS客户端，大多数问题需要发版解决。通过发版解决数据问题，周期长且持续产生脏数据。对于依赖数据驱动产品迭代的开发方式会产生很大影响。同时，我也在思索是否有一种更敏捷的移动端取数方案，缩短数据试验周期。基于以上目的，埋点热修方案的研发就提上了日程。
埋点修复其实就是将一个错误的字典计算为一个正确字典的过程。如果满足下面两个条件，则可以修正任何错误的埋点数据：
能够无二义性的识别错误数据。
完备的数据，可以计算出正确的数据。
一个解决埋点热修问题的计算框架原理基本完成。框架主要围绕三件事情展开：
一，向JSContext补充API提供基础计算能力。
二，补充数据源为计算提供物料。
三，补充触发计算的时机。
世上没有免费的午餐，微服务技术让 IT 系统变得更敏捷、更健壮、更高性能的同时，也带来了架构复杂度的提升。对于开发者而言，要想更好的驾驭微服务架构，需要解决持续集成、服务发现、应用通信、配置管理、流量防护等一系列难题。
在大型分布式 IT 架构领域，微服务是一项必不可少的技术。从本质上来讲，微服务是一种架构风格，将一个大型的系统拆分为多个拥有独立生命周期的应用，应用之间采用轻量级的通信机制进行通信。这些应用都是围绕具体业务进行构建，可以独立部署、独立迭代，也可能根据业务负载独立进行水平扩展。
