数据不互通：虽然是同一个业务组件，同一个系统，产生的数据由于在不同的方案中，数据难以互通，无法充分发挥数据价值
自动驾驶一共分为6级，其中0-2级主要还是靠人来进行决定，到了等级3之后就可以进行无意识驾驶，也就是手眼可以暂时性不用关注驾驶，到了等级5的话人就可以完全脱离驾驶这个枯燥的工作，在车上可以自由活动。
传统智能分析算法存在不可突破的局限性，限制了智能分析技术的进一步发展，直到2012年之后，深度学习算法带来了突破，深度学习作为一种技术思想，其理论和技术本身并不是一种新鲜事物，但是随着硬件计算能力的突破和海量数据的积累，深度学习在各个领域的智能应用取得了重大突破。
边缘AI和云AI相得益彰，并且云资源几乎总是与边缘AI用例有关。在一个完美的世界中，为了简化和扩展，我们将所有工作负载集中在云中，但是，诸如延迟，带宽，自治性，安全性和隐私之类的因素使得必须在靠近数据的边缘部署更多的AI模型。消息来源。一些培训正在边缘进行，并且越来越多地关注联合学习的概念，该概念将处理集中在数据区域，同时集中结果以消除区域偏见。
模型交换格式（例如，开放神经网络交换）也可以增加模型在不同环境中的流动性。Sletten建议探索像LLVM这样的工具，这是一个开源编译器基础结构项目，以使从应用程序所运行的环境中抽象出应用程序变得更加容易。
在大数据上云解决方案中，通过数据集成将离线和实时的数据分别通过离线引擎（EMR、MaxCompute）和实时引擎（MaxCompute交互式分析（Hologres）、Flink）去做数据处理，然后汇聚到DataWorks中做数据开发和数据服务，包括机器学习PAI平台去做模型开发等，最后开放给数据应用去使用，包括QuickBI、DataV、Tableau等。
1）数据在不同的系统中存储多份，空间浪费，数据一致性的问题难以解决；
2）整个数据链路由多种引擎和系统组合而成，开发和维护成本高，学习成本高；
3）从使用上来说，离线加工，实时加工以及统一数据服务层等处理过程中均使用不同的加工语言和接口，使用起来并不容易；
在介绍数据库2025的规划之前，首先回顾一下数据库的发展历程。数据库的发展离不开计算机基础设施的发展，因此可以将数据库的发展分为五个阶段。
K8s集群管理：阿里云容器服务ACK的节点池管理，集群管理等完全都是采用Kubernetes方式进行自动化管理与运维的。ACK Infra支撑了部署在全球各地数万个Kubernetes集群，基于K8s完成自动化了扩缩容、故障发现/自愈等能力。
在传统软件开发流程中，在系统设计开发完成后和发布交付前，安全人员才开始介入进行安全审核。这种流程无法满足业务快速迭代的诉求。”Shifting left on security“ (安全性左移)”开始得到更多的关注，这将应用程序设计、开发人员尽早与安全团队协作，并无缝地嵌入安全实践。
