开源20多年的嵌入式 GUI *** 作系统 MiniGUI 4.0 发布

嵌入式和智能物联网设备的成熟和经过验证的跨平台GUI系统。

是一个自由软件项目，其目标是提供一个快速、稳定、跨 *** 作系统的图形用户界面（GUI）支持系统，尤其是基于 Linux/uClinux、eCos 以及其他传统 RTOS（如 VxWorks、ThreadX、uC/OS-II、Nucleus 等）的实时嵌入式 *** 作系统。

MiniGUI 的开发起始于 1998 年底，到现在已历经二十年多时间。

在这个版本中，我们主要增强和调整与文本呈现相关的API，以便MiniGUI可以处理复杂的书写系统（脚本），如阿拉伯语和印度语：

另一个重要的增强功能是`dri` NEWGAL引擎，可用于支持Linux上的现代DRM驱动的图形卡或GPU。通过使用`dri`引擎，一个MiniGUI应用程序现在可以使用硬件加速的图形渲染来实现2D / 3D图形。

你知道哪些好用的嵌入式 GUI *** 作系统，欢迎评论分享，共同探讨学习

有机会，但是建议不要做泛和大，从垂直领域出发比较好，为啥这样说呢？原因如下。

1、各大运营商、互联网公司、设备制造商等等企业都在做综合性的平台。

国内有阿里、华为、三大运营商、百度、腾讯、小米、海尔、京东、中电科等。

国外有亚马逊、IBM、SAP、

谷歌、GE、西门子、博世等。

通过以上名单可以发现，这些公司的特点。

这说明物联网是未来的发展方向，是值得花钱而且花大钱去布局的事。

2、做综合性的物联网平台，要求的资金、资源和技术要求会很高。因为是综合性平台，那么你得搞清楚各行各业的所使用物联网平台的诉求，行业标准等等，不然你的用户群体就会很窄。

3、面对的竞争对手的实力都不可小觑，你要考虑的是现阶段进入这个领域做平台在技术上能否与以上那些公司一较高下呢？你想投入多少时间和精力去做平台呢？人家都可是布局好几年了，踩了很多坑积累了很多经验，且现在平台已具有一定规模，形成了一定的行业壁垒，特别是华为，据我所知，国内运营商的平台都离不开华为的支持。
物联网平台的玩家之多，让人惊叹啊，那么咱们还有没有机会呢？答案是肯定的，有！但我的建议走垂直领域。

物联网的领域很广泛，所以专业的物联网平台未来会有很多，而这种综合性的物联网平台经过几年的厮杀后，最终也就剩下几家巨头。何谓垂直领域的物联网平台呢？

最基本的就是行业垂直，比如工业、农业、教育、医疗、安防、建筑、家居、交通运输等领域。

以上玩家也有做垂直领域的，比如ABB/西门子/GE/普奥云/博世等，他们专注工业领域，爱立信、诺基亚专注通信领域，而互联网巨头则是走综合性的较多，因为他们有一定客户基础、服务器资源和用户群体，可以面对企业和开发者提供平台服务，海尔/小米等企业就是在智能家居领域发力的。

不出意外，安防领域的海康、大华都在对自己的领域来架设相应的物联网平台。
从专业的角度来看物联网平台类型有功能呢？
物联网平台有五种类型

1网络连接，网络连接平台以物联网系统的网络组件为中心。它们为用户提供保持设备在线所必需的软件、连接硬件和数据指导。它们的网络通常依赖现有的运营商服务和WI-FI，并以一种便于物联网设置的方式配置网络连接。
有机会的，物联网的网少不了平台，没有平台就没有物联网。平台提供基于数据的存储、管理等。数据挖掘、数据分析等都基于云平台来计算。

物联网平台从另一个角度来看，是数据的“聚合”平台，通过大数据分析，给决策提供状态、趋势和决策等。
随着5G时代的到来，“边缘计算”一词越来越多的出现在大众视野。今天我们就来讲讲Arex算力资源平台如何利用“边缘计算”制霸未来物联网20。
什么是边缘计算？
首先我们介绍一下什么是边缘计算：边缘计算是分布式计算技术的一种，分布式系统的崛起催生边缘计算平台和新的网络构架分布式AI会在最后一英里网络中增加更多的计算、智能和处理/存储能力，将引发移动端硬件和算力变革。

在这种配置中，人工智能引擎将依赖于大量物联网传感器和执行器，收集和处理大量的 *** 作现场数据。海量数据将为“本地化”的边缘计算AI引擎提供燃料，这些引擎将运行本地进程并在现场做出决策。

因此网络需要另一种水平的实时边缘计算、数据收集和存储，将推动人工智能处理到网络边缘。这将完成云边缘智能和网络化计算机的循环, 并通过基于区块链的智能合约来完成数据授权和业务运转。

物联网中边缘计算与区块链的结合是大势所趋，会将当前的传统物联网完全颠覆掉。
为什么这么说呢？
传统物联网将被淘汰

伴随着近年来通用计算机设备的飞速发展，各类自动化的智能设备开始进入人们视野，背后是廉价传感器和控制设备的爆炸性增长。传统物联网系统基于服务器/客户端的中心化架构。即所有物联设备都通过云实现验证、连接和智能控制。

中心化的物联网架构存在三个问题。

一是云计算成本，例如在家庭应用场景下，两台家电相距不到一米，也需要通过云端进行沟通。数据汇总到单一的控制中心，企业所销售的物联设备越多，其中心云计算服务支出的成本会越大。由于终端物联设备竞争愈加激烈，利润走低，中心计算成本矛盾会越来越突出。

其次，中心化的数据收集和服务方式，无法从根本上向用户保证数据会合法使用。用户的数据保护完全依靠企业单方面的承诺，难以进行有效的监管。

第三，中心化物联生态系统中，一个设备被攻陷，所有的设备会受到影响。例如《麻省理工 科技 评论》2017年所指出的僵尸物联网，可以通过感染并控制摄像头、监视器等物联设备，造成大规模网络瘫痪。
区块链技术重塑物联网
区块链技术可以利用区块链独特的不可篡改的分布式账本记录特性，构建底层通讯节点、建立链上算力生态、依托分布式存储用于计算服务等区块链技术的综合应用，将全球闲置算力整合起来，通过构建“边缘算力”模式为有需求的用户提供d性可扩容的算力交易、算力租赁等服务。为用户打造一个开放、公平、透明和低门槛的去中心化算力资源共享平台，同时结合丰富的行业经验为全球客户提供更优质的服务。

简单来说就是Arex算力资源平台利用分布式计算模式将全球的闲置算力进行整合，从而构建出高数量级的“边缘算力”，并以此为算力源对需要的应用场景进行高能输出。

边缘算力的应用场景到底有多广阔？

边缘计算将数据处理从云中心转移到网络边缘，计算和数据存储可以分散到互联网靠近物联终端、传感器和用户的边缘，不仅可以缓解云带宽压力，还可以优化面向感知驱动的网络服务架构。（例如家里的空调、热水器与冰箱、安防摄像头等可以通过边缘计算进行协调运行，即使是在连接不上云服务器的情况下，也能确保最佳的节能和服务状态。）

第三方数据分析机构IDC预测，在2020年全球将有约500亿的智能设备接入互联网，除了目前大火的5G通信外，包括大数据人工智能穿戴产品、无人驾驶技术、智慧城市服务等，其中40%的数据需要边缘计算服务。由此可见边缘计算有着强大市场潜力，也是当前各服务商争夺的热点。

无人驾驶技术：

无人驾驶

智能穿戴设备：
智慧城市：
要回答物联网云平台是不是还有机会的问题，首先要搞清楚几方面的状况：

一是定位。从技术角度来说，你是做物联网云平台的那一层，IaaS、PaaS、SaaS，单做某层或是混合？而技术的定位取决于：（1）你觉得那一块是你发掘出的空白或者你觉得有前景？（2）为你的客户提供什么样的价值（3）你想做什么样的商业模式。这三个问题依次定推，最后才决定了你了的技术定位和技术架构。找准定位，这是你开始一切的起点。

二是资源。这个我就不多说了，包括资金、技术、人脉、产业链合作，这是你保障自己可以开始有效行动的基础。

三是团队。团队是真正去实施理想的载体，可以是几个人的创业“作坊”，也可以是有一定规模的公司，也可以是松散的联盟组织。

其实，物联网的市场何其大，需要的云服务何其多，宏观市场和细分市场规模都足够你有所作为。做不做，做不做得好在于自己。至于，做不做设备终端，就看你是怎么玩了。

机会很大

物联网平台承上启下，是物联网产业链枢纽。按照逻辑关系和功能物联网平台从下到上提供终端管理、连接管理、应用支持、业务分析等主要功能。

通信技术发展促进连接数迅速猛增，物联网迎来告诉发展引爆点

连接数告诉增长是物联网行业发展基础

物联网发展路径为连接--感知--智能，目前处于物联网发展第一阶段即物联网连接数快速增长阶段。到2018年，全球物联网连接数将超过手机连接数。

物联网发展第一阶段：物联网连接大规模建立阶段，越来越多的设备在放入通信模块后通过移动网络（LPWA\GSM\3G\LTE\5G等）、WiFi、蓝牙、RFID、ZigBee等连接技术连接入网，在这一阶段网络基础设施建设、连接建设及管理、终端智能化是核心。爱立信预测到2021年，全球的移动连接数将达到275亿，其中物联网连接数将达到157亿、手机连接数为86亿。智能制造、智能物流、智能安防、智能电力、智能交通、车联网、智能家居、可穿戴设备、智慧医疗等领域连接数将呈指数级增长。该阶段中最大投资机会主要在于网络基础设施建设、通讯芯片和模组、各类传感器、连接管理平台、测量表具等。

物联网发展第二阶段：大量连接入网的设备状态被感知，产生海量数据，形成了物联网大数据。这一阶段传感器、计量器等器件进一步智能化，多样化的数据被感知和采集，汇集到云平台进行存储、分类处理和分析，此时物联网也成为云计算平台规模最大的业务之一。根据IDC的预测， 2020年全球数据总量将超过40ZB(相当于4万亿GB)，这一数据量将是2012年的22倍，年复合增长率48%。这一阶段，云计算将伴随物联网快速发展。该阶段主要投资机会在AEP平台、云存储、云计算、数据分析等。

物联网发展第三阶段：初始人工智能已经实现，对物联网产生数据的智能分析和物联网行业应用及服务将体现出核心价值。Gartner 预测2020 年物联网应用与服务产值将达到2620 亿美元，市场规模超过物联网基础设施领域的4 倍。该阶段物联网数据发挥出最大价值，企业对传感数据进行分析并利用分析结果构建解决方案实现商业变现，同时运营商坐拥大量用户数据信息，通过数据的变现将大幅改善运营商的收入。该阶段投资者机会主要在于物联网综合解决方案提供商、人工智能、机器学习厂商等

物联网云平台是一个专门为物联网定制的云平台，物联网与普通的互联网是不同的:物联网终端设备比普通互联网手机端,电脑端多出几个数量级;普通互联网对>

《物联网开放平台》（丁飞）电子书网盘下载免费在线阅读

g1wx   

书名：物联网开放平台

作者：丁飞

豆瓣评分：67

出版社：电子工业出版社

出版年份：2018-1-1

页数：269

内容简介：

物联网被称为世界信息产业的第三次浪潮，它将引发人类社会运行与生活方式的深刻变革。与此同时，随着业务的发展，未来物联网产业的发展将由信息网络向全面感知和智能应用两个方向扩展、延伸和突破，形成“云、管、端”的开放网络架构。 本书主要介绍物联网开发平台的体系结构、关键技术和典型应用，主要内容涉及物联网的概念和基础、物联网体系的基础技术、从物联网产业生态看开放平台价值、物联网开放平台架构设计与实现、物联网开放平台的开源软件、物联网开放平台的安全、物联网典型应用。

作者简介：

丁飞，男，博士，高级工程师，中国移动通信集团江苏有限公司研发中心物联网牵头人、网络专业组组长。主持或重点参与国家重大专项、国家863计划、江苏省物联网应用示范工程、智慧江苏建设重点示范试点工程以及企业项目共20多项。"智慧交通载具产品体系创新与规模应用”课题研究成果实际应用取得明显成效。获国家发明专利4项，获得省部级等各类奖项10多项。

通过AIoT开发平台，开发者能够以零代码/低代码的方式快速搭建一套完整的物联网系统，这种全新的高生产力开发方式，大大降低了物联网开发门槛，加速缩短整体开发周期，降低研发成本。
机智云AIoT开发平台遵循开放设计原则，采用微服务架构，平台为开发者提供自助式智能硬件开发工具与开放的云端服务。通过傻瓜式的自助工具、完善的SDK与开放的API，拖拉拽实现IoT设备研发，最大限度降低IoT设备开发的技术门槛，帮助个人及企业开发者快速实现设备智能化升级，有效降低研发成本；同时基于海量开发者接入、资源d性配置、云化部署运行等优势，有效促进创新产品和服务规模化应用。
设备端开发：基于数字孪生技术实现物理组件在云端映射，提供可模拟调试的虚拟设备；真实设备通过机智云连接组件GAgent为设备端、云端和APP端提供连接服务，并提供每个开发环节的SDK，自动代码生成工具、开源开发工具和完整解决方案。
APP开发：提供了APP SDK、开源框架、微信SDK，便于开发者快速构建手机应用端系统，只需根据工具指引实现业务功能，无需实现底层功能。
企业应用开发：提供了SNoti等消息传输工具，通过企业API控制设备、进行设备数据的统计分析，以实现企业对设备、设备消费者的运营管理需要。
协同应用开发：针对企业复杂需求打造的中台架构，包括技术中台、业务中台和数据中台。技术中台提供物联网端到端技术框架和便捷化工具集合；业务中台对物联网设备、用户的通用业务提炼形成服务，供有物联网属性的各类应用使用，快速上线新业务，以达到快速物联网化和满足日益变化的业务诉求;数据中台对物联网数据进行标准化建模，设备数据、业务数据上传到云端后经过数据治理存储在数据中台的主题库中，包括用户中台、设备中台、应用中台等。

认真的回答这个问题。没有。哈哈哈。会不会很失望。但是，事实就是如此。就给你说说吧

1阿里云计算

这个首先说一下，阿里目前的云计算技术，排名世界第三。屈居谷歌和微软之后。不过，你对比一下就会知道有多牛逼了。亚马逊发展了在什么地方？微软成立了多少年。亚马逊成立于1995年，微软成立于1975年。阿里成立于1999年。而微软和亚马逊都是全球发展的公司。实力有目共睹，阿里这些年的赶超可是花的大力气。所以，这一点来说阿里的云计算还是很厉害的。

2阿里的传感城市技术

这个技术实际是一个三维的数字化数据库的概念，这些年阿里通过高德，支付宝，以及阿里系的各个公司，获取到了大量的城市底层数据，现在基本可以利用这个技术，把这个城市进行重建，让一个城市更加宜居，环保，且可持续发展。实际也是可以通过海量数据为一个城市提供大脑虚拟计算，最后做出最优决策。也就是阿里所说的ET城市大脑。

对抗性神经网络

在ET城市大脑项目中，阿里巴巴达摩院的科学家使用对抗性神经网络训练ET城市大脑更好的识别客车、火车、卡车的车牌，将识别精准度提高了10%。此外，科学家还将对抗性神经网络用于双11中，完成了数亿张海报的设计。说句简单的，就是让机器能够拥有一定的思考力和更加快速的反应能力。

一个就是AI技术

强大的人工智能技术，就是让无数的数据荟聚到一个计算机大脑。让一个机器大脑能够拥有大量的知识储量，并且可以进行深度计算，最后会发展到各种程度，谁都不知道。

另外，就是或者还有阿里没有公布的技术。这就是我们不知道的了。或者他在憋着大招，没有放出来，咱谁都不知道。只能说，我相信以后阿里会成为一个合格的 科技 企业， 科技 实力会越来越强。也希望中国有越来越多这样的企业。这样才会让中国的企业在世界有更大的话语权。

谢邀~

从大背景来说，近些年，中国的硬核技术真正做到了起步晚、进步快，是"后来者居上"的典型。在越来越多的新兴行业里中国 科技 也早已占据着巨大的市场份额。而说到世界领先的硬核技术，阿里巴巴作为一家被电商光芒掩盖 科技 实力的互联网公司代表，很有一些东西能说道说道的。

当今爆炸式增长的数据量，使得未来 科技 竞争最重要的赛道当属云计算。而作为早早入局的阿里云已经率先突围，占据头部。据Gartner最新数据，如今亚马逊+微软+阿里占据了全球云计算市场72%的市场份额，而伴随着马太效应的持续演进，头部玩家的优势将会越来越大，未来预测云计算将会持续形成"3A"竞争的三分局面。

值得一提的是，依靠着在亚太地区的强势表现，阿里云去年还成功将亚马逊的王座地位向下拽了两个百分点，背靠着亚太这个全球最大的市场，阿里云的崛起势必还将有一番作为。

此外，诸如大疆的无人机，海康威视的监控、安保设备也都已经站在各自行业的顶端了，不得不说中国 科技 已经从过去的陪跑者变成了如今的竞争者甚至是领先者。

从当年的中华有为到如今的众帆竞航，中国 科技 的崛起想必会让世界重新认识这个沉睡的东方雄狮。

按惯例，各个击破。

先说硬核技术， 科技 领域的技术多不胜数，哪些技术才配称的上是"硬核技术"？个人认为，能决定未来的技术，才能算"硬核"。现在， 科技 届公认的能改变世界的几项技术：量子计算、云计算、芯片、底层 *** 作系统等，都是全球顶尖 科技 公司在啃的"硬菜"。

再说世界领先，得说实绩，不能靠"吹"。我们自己说了不完全算，要世界纪录认可的。

具体来说下阿里。自从诞生了阿里云之后，阿里"云"化的速度越来越快，而"云"化的底气，来源于几个：云计算，底层 *** 作系统，芯片，量子计算。

我们挑2个说说。

大家开玩笑喜欢说"遇事不决，量子力学"，但认真说，量子计算，能量超乎想象。2018年3月，谷歌发布研制全球首个高质量72比特量子计算机的计划后，就提出要实现"量子霸权"计划。

业界听了都笑了

2018年5月，达摩院的量子电路模拟器"太章"就出来打脸了。太章，率先成功模拟了81比特40层作为基准的谷歌随机量子电路，成为世界最强的量子电路模拟器。

再说一个，云计算。

云计算领域，早年都是亚马逊、谷歌的天下。开始的时候，中国人自己都不信，中国能做出自己的云计算，比如某度的那个谁，某腾的那个谁，都说云计算是"异想天开"。结果呢？阿里愣是不信邪，花了十年，作为公有云计算江湖的后起之秀，阿里云以全球前三、亚太第一的市场份额赶超一众老牌云厂商。现在估值都超过770亿美元了。

之前，在最新的斯坦福大学DAWNBench深度学习榜单中，阿里云打破纪录，勇夺四项世界第一。不久后，在安全性能权威评比中，又勇夺"全球第二安全的云"，让亚马逊目瞪口呆，这样够"硬核"吗？

说到硬核技术，必须要提的当然是芯片啊！

最近华为、中芯国际、光刻机频繁上热搜，芯片的事情闹得沸沸扬扬的，大家都知道了芯片的重要性！但我觉得阿里最硬核的技术，芯片必须排在首位。

阿里旗下有个公司叫平头哥，专门搞芯片的。它才成立两年，旗下第一款芯片—含光800在业界标准的resnet-50测试中，推理性能达到了78563IPS，能效500IPS/W，这两项能力都是全球第一，而且远超第二名数倍，着实给中国自研芯片争了口气！

不久前，含光800还宣布已经实现量产，我相信中国芯片自主的那一天不会太远的。

之前，斯坦福大学最新公布的DAWNBench深度学习榜单中，阿里巴巴旗下的阿里云在训练时间、训练成本、推理延迟以及推理成本拿下四项第一，打破了谷歌等企业垄断榜首的神话，这也意味着，阿里云可提供全球最快的AI计算服务。

这种理论的东西，可能大家没什么兴趣，我也一样。我个人最感兴趣的是：阿里通过AI技术，跟物联网IOT联系起来，为智能家居提供了更多的新可能。

之前，阿里云搞过一个给空巢老人的技术，真是暖心：借助阿云智能人居平台，为空巢老人量身打造了远程看护方案，不仅接入多种物联网设备，还专门定制开发了一个手机APP，所有家人都可以使用。借助物网传感器，家人可以时刻记录老人在家里的所有行为，对异样的行为进行预警。

其实，阿里的硬核技术，只是中国这些年 科技 崛起的一个缩影。作为中国 科技 公司的代表，阿里技术有今天的成就，也离不开大环境的进步和对 科技 基础设施的重视。

阿里巴巴作为中国最大的互联网公司。 在海量数据处理、高并发、云计算等方面积累了非常多的技术。程序员应该都非常清楚阿里的技术实力 。 著名开源项目Dubbo、RocketMq、Fastjson、Druid、Weex、等都是阿里开源的 。这些项目在全世界各种Java、前端等项目中都有使用。除去这些上层应用方面的技术之外，阿里还有哪些在国际上领先的技术呢？

深度学习技术DAWNBench

DAWNBench是深度学习技术的一个框架。用于端到端深度学习训练和推理的基准套件，它提供了一组常见的深度学习工作负载，用于在不同的优化策略、模型架构、软件框架、云和硬件上量化训练时间、训练成本、推理延迟和推理成本。此前这项技术一直是谷歌和亚马逊保持领先的记录。而在最新一轮的比赛中，阿里云团队在训练时间、训练成本、推理延迟以及推理成本四项中均取到了世界第一的名次。打破了谷歌多年的记录。

数据库OceanBase

在数据库领域，一直是甲骨文的Oracle在全球垄断。在阿里的OceanBase没有出现之前，世界上没有可以与Oracle可以抗衡的数据库。不管是企业级还是个人软件项目开发，我们都会第一选择使用Oracle（当然还有Mysql，Mysql也是甲骨文的数据库）。甲骨文公司几乎垄断了整个数据库领域。但是阿里巴巴每年的双十一对于数据库的吞吐能力提出了更高的挑战，阿里投入研发的OceanBase就是为了满足这种高吞吐场景需求的。经过国际TPC-C基准测试，OceanBase的TPS达到了100万（每秒处理事务数，可理解为订单数），比Oracle真正高了一倍。

云服务阿里云

阿里云大家应该不陌生。从全世界市场占有额来看，阿里云目前国内市场占有额第一，全球市场占有额第三。在全球市场占有额中，仅此于亚马逊和微软。而相比全球市场，亚太市场增长更快，云计算市场规模同比增长达50%。

在大众眼里，提起阿里巴巴就想起淘宝，天猫，支付宝。实际上阿里巴巴经过这些年的已然发展成为国际一流的技术公司， 在量子计算机，云计算，人工智能，芯片研发等硬核技术已经取得了世界领先的成就。

量子计算机技术

理论上，量子计算机可以模拟出整个宇宙，不仅仅是原理的模拟，而是整个宏观体系和微观细节的模拟。比如，宇宙中的尘埃——地球上，每个生物身上的每个细胞，都可以被模拟出来。 目前，世界范围内已有两家公司，在这方面已有突破性进展，那就是谷歌和阿里。目前，阿里云在超导量子计算方向，发布11比特的云接入超导量子计算服务。该服务已在量子计算云平台上线，有兴趣可以注册个账号体验下。

人工智能技术

斯坦福大学最新公布的DAWNBench深度学习榜单中， 阿里巴巴旗下的阿里云在训练时间、训练成本、推理延迟以及推理成本拿下四项第一，打破了谷歌等企业垄断榜首的神话，这也意味着，阿里云可提供全球最快的AI计算服务。 这些都属于人工智能最前沿，最顶尖的技术，阿里不仅立足当下，而且将眼光放眼未来，布局即将到来的人工智能时代。

阿里芯片技术

阿里的芯片技术已经名列世界前茅。 旗下第一款芯片—含光800在业界标准的resnet-50测试中，推理性能达到了78563IPS，能效500IPS/W，这两项能力都是全球第一，而且远超第二名数倍。 我们平时经常使用的淘宝“拍立淘”功能，使用含光800，搜索效率可以提升12倍，每天新增10亿张，之前的GPU完成搜索任务要1小时，现在只要5分钟。

结语

阿里这些硬核技术，只是本人了解到的，阿里技术团队一向做事低调如扫地僧。应该还有其他不为大众所知的硬核技术，只是本人不了解而已，你如果知道，请在评论区赐教，不胜感激！

谈到阿里的硬核技术，很多人第一印象肯定是想到了云计算，基于云端数据处理和存储技术，阿里在这方面的成就在世界范围内都是数一数二的，但这是老生常谈，我们暂且不说，今天来说说其他方面，阿里的表现同样强悍。

一、云 *** 作系统

云 *** 作系统指的就是阿里的飞天系统，是由阿里云自主研发、服务全球的超大规模通用计算 *** 作系统，诞生于2009年，如今经过十年发展，早已今非昔比。飞天分布式系统，如今已经累计服务了200多个国家和地区，让许多大企业减小了对于硬件的依赖，减少了支出。2017年双11，飞天更是创下世界记录，实现了每秒325万笔交易峰值，每秒256万笔支付峰值。强悍如斯，让人震撼。

二、阿里物联网平台

阿里自研的物联网平台，同样让人惊艳。2014年，阿里云自主研发了一站式物联网使能台阿里云Link，之后，又相继推出物联网 *** 作系统、物联网云平台、边缘计算引擎、一站式开发平台等。基于以上平台和系统，阿里在智能化、云端化、云计算展现出惊人优势，为我们日常的智能生活、智能城市、智能制造，提供了技术和平台支持，为经济发展提供了极大的便利。

三、AI芯片含光800

阿里巴巴达摩院研发的AI芯片“含光800”，同样让人震撼，这款芯片是阿里巴巴第一款自主研发的芯片，它被认为是全球最厉害的智能AI芯片，数据显示，含光800在芯片测试标准平台Resnet 50上的具体分数是性能78563 IPS，是第二名（15012）的5倍；能效比500 IPS/W，是第二名（150）33倍。这款芯片如今已经商用，并在全世界范围内接受了不少订单。

阿里其他方面的技术还有很多，譬如“神龙”服务框架、端 *** 作系统等等，但阿里最厉害的还是我们经常说的云计算，基于这方面的投入也是最大，未来三年，阿里将投入2000亿，继续加大对于云计算的研发，相信在未来，我们的智能生活体验中，必定离不开阿里的身影。

如果说阿里云是世界领先的话，可能有些人感受并不深。那就简单说一下一个利用阿里云落地的身边应用——城市大脑。

发明云计算最大的作用，可能就是能在这个时代“磅礴浩瀚”的数据量面前处变不惊，这也使得一些以前不敢做甚至于不敢想的东西顺利落地。从城市大脑来讲，能将整个城市的方方面面映射到一个整体系统上，这是不是和你以前看过的科幻片高度重合起来？阿里云的诞生使得各类复杂的数据都能够得到迅速响应、快速计算和实时处理，这也就让我们等待红灯的时间灵活调整，出行时间大大缩减，停车难、排队难、看病难等城市病也都得到了有效解决，这也是为什么世界上很多城市跑来借鉴的原因所在吧！

看了一些回答，有些小寒心，难道技术非要等到打上西方封禁的标签才能够得到证明吗？不可否认每个时代都有独特的事物在独领风骚，而当前以及未来都应该与数字时代脱不开联系，这也就是为何云计算崛起后持续受到各个行业关注的原因。

当然，阿里云当年不顾一切搞自主研发，虽然耗费了大量的人力物力时间，但是如今回头来看无疑是幸运的，有了核心技术也就无需担心他人的掣肘，这也是如今阿里云世界领先的原因。而有了阿里云为支撑，例如城市大脑、数据库的OceanBase、平头哥的含光芯片都纷纷亮相。相比而言，甲骨文也已经撤出中国，亚马逊和微软也在一步步让出自己的市场份额。值得一提的是，阿里身后还有达摩院的一批顶尖科学家做支撑，因此可以想象在未来相当长的时间内，阿里的技术优势还是会不断保持。

互联网经济，也就是我们说的共享经济。其他技术也是依靠互联网的钱收购的。雷声很大的达摩院也没见到什么硬核成果。期待早点见到效果！

常见的大数据术语表(中英对照简版)：
A
聚合(Aggregation) – 搜索、合并、显示数据的过程
算法(Algorithms) – 可以完成某种数据分析的数学公式
分析法(Analytics) – 用于发现数据的内在涵义
异常检测(Anomaly detection) –
在数据集中搜索与预期模式或行为不匹配的数据项。除了“Anomalies”,用来表示异常的词有以下几种：outliers, exceptions,
surprises, contaminants他们通常可提供关键的可执行信息
匿名化(Anonymization) – 使数据匿名，即移除所有与个人隐私相关的数据
应用(Application) – 实现某种特定功能的计算机软件
人工智能(Artificial Intelligence) –
研发智能机器和智能软件，这些智能设备能够感知周遭的环境，并根据要求作出相应的反应，甚至能自我学习
B
行为分析法(Behavioural Analytics) –
这种分析法是根据用户的行为如“怎么做”，“为什么这么做”，以及“做了什么”来得出结论，而不是仅仅针对人物和时间的一门分析学科，它着眼于数据中的人性化模式
大数据科学家(Big Data Scientist) – 能够设计大数据算法使得大数据变得有用的人
大数据创业公司(Big data startup) – 指研发最新大数据技术的新兴公司
生物测定术(Biometrics) – 根据个人的特征进行身份识别
B字节 (BB: Brontobytes) – 约等于1000 YB(Yottabytes)，相当于未来数字化宇宙的大小。1
B字节包含了27个0!
商业智能(Business Intelligence) – 是一系列理论、方法学和过程，使得数据更容易被理解
C
分类分析(Classification analysis) – 从数据中获得重要的相关性信息的系统化过程; 这类数据也被称为元数据(meta
data),是描述数据的数据
云计算(Cloud computing) – 构建在网络上的分布式计算系统，数据是存储于机房外的(即云端)
聚类分析(Clustering analysis) –
它是将相似的对象聚合在一起，每类相似的对象组合成一个聚类(也叫作簇)的过程。这种分析方法的目的在于分析数据间的差异和相似性
冷数据存储(Cold data storage) – 在低功耗服务器上存储那些几乎不被使用的旧数据。但这些数据检索起来将会很耗时
对比分析(Comparative analysis) – 在非常大的数据集中进行模式匹配时，进行一步步的对比和计算过程得到分析结果
复杂结构的数据(Complex structured data) –
由两个或多个复杂而相互关联部分组成的数据，这类数据不能简单地由结构化查询语言或工具(SQL)解析
计算机产生的数据(Computer generated data) – 如日志文件这类由计算机生成的数据
并发(Concurrency) – 同时执行多个任务或运行多个进程
相关性分析(Correlation analysis) – 是一种数据分析方法，用于分析变量之间是否存在正相关，或者负相关
客户关系管理(CRM: Customer Relationship Management) –
用于管理销售、业务过程的一种技术，大数据将影响公司的客户关系管理的策略
D
仪表板(Dashboard) – 使用算法分析数据，并将结果用图表方式显示于仪表板中
数据聚合工具(Data aggregation tools) – 将分散于众多数据源的数据转化成一个全新数据源的过程
数据分析师(Data analyst) – 从事数据分析、建模、清理、处理的专业人员
数据库(Database) – 一个以某种特定的技术来存储数据集合的仓库
数据库即服务(Database-as-a-Service) – 部署在云端的数据库，即用即付，例如亚马逊云服务(AWS: Amazon Web
Services)
数据库管理系统(DBMS: Database Management System) – 收集、存储数据，并提供数据的访问
数据中心(Data centre) – 一个实体地点，放置了用来存储数据的服务器
数据清洗(Data cleansing) – 对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性
数据管理员(Data custodian) – 负责维护数据存储所需技术环境的专业技术人员
数据道德准则(Data ethical guidelines) – 这些准则有助于组织机构使其数据透明化，保证数据的简洁、安全及隐私
数据订阅(Data feed) – 一种数据流，例如Twitter订阅和RSS
数据集市(Data marketplace) – 进行数据集买卖的在线交易场所
数据挖掘(Data mining) – 从数据集中发掘特定模式或信息的过程
数据建模(Data modelling) – 使用数据建模技术来分析数据对象，以此洞悉数据的内在涵义
数据集(Data set) – 大量数据的集合
数据虚拟化(Data virtualization) –
数据整合的过程，以此获得更多的数据信息，这个过程通常会引入其他技术，例如数据库，应用程序，文件系统，网页技术，大数据技术等等
去身份识别(De-identification) – 也称为匿名化(anonymization)，确保个人不会通过数据被识别
判别分析(Discriminant analysis) –
将数据分类;按不同的分类方式，可将数据分配到不同的群组，类别或者目录。是一种统计分析法，可以对数据中某些群组或集群的已知信息进行分析，并从中获取分类规则。
分布式文件系统(Distributed File System) – 提供简化的，高可用的方式来存储、分析、处理数据的系统
文件存贮数据库(Document Store Databases) – 又称为文档数据库(document-oriented database),
为存储、管理、恢复文档数据而专门设计的数据库，这类文档数据也称为半结构化数据
E
探索性分析(Exploratory analysis) –
在没有标准的流程或方法的情况下从数据中发掘模式。是一种发掘数据和数据集主要特性的一种方法
E字节(EB: Exabytes) – 约等于1000 PB(petabytes), 约等于1百万 GB。如今全球每天所制造的新信息量大约为1
EB
提取-转换-加载(ETL: Extract, Transform and Load) –
是一种用于数据库或者数据仓库的处理过程。即从各种不同的数据源提取(E)数据，并转换(T)成能满足业务需要的数据，最后将其加载(L)到数据库
F
故障切换(Failover) – 当系统中某个服务器发生故障时，能自动地将运行任务切换到另一个可用服务器或节点上
容错设计(Fault-tolerant design) – 一个支持容错设计的系统应该能够做到当某一部分出现故障也能继续运行
G
游戏化(Gamification) –
在其他非游戏领域中运用游戏的思维和机制，这种方法可以以一种十分友好的方式进行数据的创建和侦测，非常有效。
图形数据库(Graph Databases) –
运用图形结构(例如，一组有限的有序对，或者某种实体)来存储数据，这种图形存储结构包括边缘、属性和节点。它提供了相邻节点间的自由索引功能，也就是说，数据库中每个元素间都与其他相邻元素直接关联。
网格计算(Grid computing) – 将许多分布在不同地点的计算机连接在一起，用以处理某个特定问题，通常是通过云将计算机相连在一起。
H
Hadoop – 一个开源的分布式系统基础框架，可用于开发分布式程序，进行大数据的运算与存储。
Hadoop数据库(HBase) – 一个开源的、非关系型、分布式数据库，与Hadoop框架共同使用
HDFS – Hadoop分布式文件系统(Hadoop Distributed File
System);是一个被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统
高性能计算(HPC: High-Performance-Computing) – 使用超级计算机来解决极其复杂的计算问题
I
内存数据库(IMDB: In-memory) –
一种数据库管理系统，与普通数据库管理系统不同之处在于，它用主存来存储数据，而非硬盘。其特点在于能高速地进行数据的处理和存取。
物联网(Internet of Things) – 在普通的设备中装上传感器，使这些设备能够在任何时间任何地点与网络相连。
J
法律上的数据一致性(Juridical data compliance) –
当你使用的云计算解决方案，将你的数据存储于不同的国家或不同的大陆时，就会与这个概念扯上关系了。你需要留意这些存储在不同国家的数据是否符合当地的法律。
K
键值数据库(KeyValue Databases) –
数据的存储方式是使用一个特定的键，指向一个特定的数据记录，这种方式使得数据的查找更加方便快捷。键值数据库中所存的数据通常为编程语言中基本数据类型的数据。
L
延迟(Latency) – 表示系统时间的延迟
遗留系统(Legacy system) – 是一种旧的应用程序，或是旧的技术，或是旧的计算系统，现在已经不再支持了。
负载均衡(Load balancing) – 将工作量分配到多台电脑或服务器上，以获得最优结果和最大的系统利用率。
位置信息(Location data) – GPS信息，即地理位置信息。
日志文件(Log file) – 由计算机系统自动生成的文件，记录系统的运行过程。
M
M2M数据(Machine2Machine data) – 两台或多台机器间交流与传输的内容
机器数据(Machine data) – 由传感器或算法在机器上产生的数据
机器学习(Machine learning) –
人工智能的一部分，指的是机器能够从它们所完成的任务中进行自我学习，通过长期的累积实现自我改进。
MapReduce – 是处理大规模数据的一种软件框架(Map: 映射，Reduce: 归纳)。
大规模并行处理(MPP: Massively Parallel Processing) –
同时使用多个处理器(或多台计算机)处理同一个计算任务。
元数据(Metadata) – 被称为描述数据的数据，即描述数据数据属性(数据是什么)的信息。
MongoDB – 一种开源的非关系型数据库(NoSQL database)
多维数据库(Multi-Dimensional Databases) – 用于优化数据联机分析处理(OLAP)程序，优化数据仓库的一种数据库。
多值数据库(MultiValue Databases) – 是一种非关系型数据库(NoSQL),
一种特殊的多维数据库：能处理3个维度的数据。主要针对非常长的字符串，能够完美地处理HTML和XML中的字串。
N
自然语言处理(Natural Language Processing) –
是计算机科学的一个分支领域，它研究如何实现计算机与人类语言之间的交互。
网络分析(Network analysis) – 分析网络或图论中节点间的关系，即分析网络中节点间的连接和强度关系。
NewSQL – 一个优雅的、定义良好的数据库系统，比SQL更易学习和使用，比NoSQL更晚提出的新型数据库
NoSQL –
顾名思义，就是“不使用SQL”的数据库。这类数据库泛指传统关系型数据库以外的其他类型的数据库。这类数据库有更强的一致性，能处理超大规模和高并发的数据。
O
对象数据库(Object Databases) –
(也称为面象对象数据库)以对象的形式存储数据，用于面向对象编程。它不同于关系型数据库和图形数据库，大部分对象数据库都提供一种查询语言，允许使用声明式编程(declarative
programming)访问对象
基于对象图像分析(Object-based Image Analysis) –
数字图像分析方法是对每一个像素的数据进行分析，而基于对象的图像分析方法则只分析相关像素的数据，这些相关像素被称为对象或图像对象。
*** 作型数据库(Operational Databases) –
这类数据库可以完成一个组织机构的常规 *** 作，对商业运营非常重要，一般使用在线事务处理，允许用户访问 、收集、检索公司内部的具体信息。
优化分析(Optimization analysis) –
在产品设计周期依靠算法来实现的优化过程，在这一过程中，公司可以设计各种各样的产品并测试这些产品是否满足预设值。
本体论(Ontology) – 表示知识本体，用于定义一个领域中的概念集及概念之间的关系的一种哲学思想。(译者注:
数据被提高到哲学的高度，被赋予了世界本体的意义，成为一个独立的客观数据世界)
异常值检测(Outlier detection) –
异常值是指严重偏离一个数据集或一个数据组合总平均值的对象，该对象与数据集中的其他它相去甚远，因此，异常值的出现意味着系统发生问题，需要对此另加分析。
P
模式识别(Pattern Recognition) – 通过算法来识别数据中的模式，并对同一数据源中的新数据作出预测
P字节(PB: Petabytes) – 约等于1000 TB(terabytes), 约等于1百万 GB
(gigabytes)。欧洲核子研究中心(CERN)大型强子对撞机每秒产生的粒子个数就约为1 PB
平台即服务(PaaS: Platform-as-a-Service) – 为云计算解决方案提供所有必需的基础平台的一种服务
预测分析(Predictive analysis) –
大数据分析方法中最有价值的一种分析方法，这种方法有助于预测个人未来(近期)的行为，例如某人很可能会买某些商品，可能会访问某些网站，做某些事情或者产生某种行为。通过使用各种不同的数据集，例如历史数据，事务数据，社交数据，或者客户的个人信息数据，来识别风险和机遇
隐私(Privacy) – 把具有可识别出个人信息的数据与其他数据分离开，以确保用户隐私。
公共数据(Public data) – 由公共基金创建的公共信息或公共数据集。
Q
数字化自我(Quantified Self) – 使用应用程序跟踪用户一天的一举一动，从而更好地理解其相关的行为
查询(Query) – 查找某个问题答案的相关信息
R
再识别(Re-identification) – 将多个数据集合并在一起，从匿名化的数据中识别出个人信息
回归分析(Regression analysis) –
确定两个变量间的依赖关系。这种方法假设两个变量之间存在单向的因果关系(译者注：自变量，因变量，二者不可互换)
RFID – 射频识别; 这种识别技术使用一种无线非接触式射频电磁场传感器来传输数据
实时数据(Real-time data) – 指在几毫秒内被创建、处理、存储、分析并显示的数据
推荐引擎(Recommendation engine) – 推荐引擎算法根据用户之前的购买行为或其他购买行为向用户推荐某种产品
路径分析(Routing analysis) –
针对某种运输方法通过使用多种不同的变量分析从而找到一条最优路径，以达到降低燃料费用，提高效率的目的
S
半结构化数据(Semi-structured data) –
半结构化数据并不具有结构化数据严格的存储结构，但它可以使用标签或其他形式的标记方式以保证数据的层次结构
情感分析(Sentiment Analysis) – 通过算法分析出人们是如何看待某些话题
信号分析(Signal analysis) – 指通过度量随时间或空间变化的物理量来分析产品的性能。特别是使用传感器数据。
相似性搜索(Similarity searches) – 在数据库中查询最相似的对象，这里所说的数据对象可以是任意类型的数据
仿真分析(Simulation analysis) –
仿真是指模拟真实环境中进程或系统的 *** 作。仿真分析可以在仿真时考虑多种不同的变量，确保产品性能达到最优
智能网格(Smart grid) – 是指在能源网中使用传感器实时监控其运行状态，有助于提高效率
软件即服务(SaaS: Software-as-a-Service) – 基于Web的通过浏览器使用的一种应用软件
空间分析(Spatial analysis) – 空间分析法分析地理信息或拓扑信息这类空间数据，从中得出分布在地理空间中的数据的模式和规律
SQL – 在关系型数据库中，用于检索数据的一种编程语言
结构化数据(Structured data)
-可以组织成行列结构，可识别的数据。这类数据通常是一条记录，或者一个文件，或者是被正确标记过的数据中的某一个字段，并且可以被精确地定位到。
T
T字节(TB: Terabytes) – 约等于1000 GB(gigabytes)。1 TB容量可以存储约300小时的高清视频。
时序分析(Time series analysis) –
分析在重复测量时间里获得的定义良好的数据。分析的数据必须是良好定义的，并且要取自相同时间间隔的连续时间点。
拓扑数据分析(Topological Data Analysis) –
拓扑数据分析主要关注三点：复合数据模型、集群的识别、以及数据的统计学意义。
交易数据(Transactional data) – 随时间变化的动态数据
透明性(Transparency) – 消费者想要知道他们的数据有什么作用、被作何处理，而组织机构则把这些信息都透明化了。
U
非结构化数据(Un-structured data) – 非结构化数据一般被认为是大量纯文本数据，其中还可能包含日期，数字和实例。
V
价值(Value) – (译者注：大数据4V特点之一)
所有可用的数据，能为组织机构、社会、消费者创造出巨大的价值。这意味着各大企业及整个产业都将从大数据中获益。
可变性(Variability) – 也就是说，数据的含义总是在(快速)变化的。例如，一个词在相同的推文中可以有完全不同的意思。
多样(Variety) – (译者注：大数据4V特点之一)
数据总是以各种不同的形式呈现，如结构化数据，半结构化数据，非结构化数据，甚至还有复杂结构化数据
高速(Velocity) – (译者注：大数据4V特点之一) 在大数据时代，数据的创建、存储、分析、虚拟化都要求被高速处理。
真实性(Veracity) – 组织机构需要确保数据的真实性，才能保证数据分析的正确性。因此，真实性(Veracity)是指数据的正确性。
可视化(Visualization) –
只有正确的可视化，原始数据才可被投入使用。这里的“可视化”并非普通的图型或饼图，可视化指是的复杂的图表，图表中包含大量的数据信息，但可以被很容易地理解和阅读。
大量(Volume) – (译者注：大数据4V特点之一) 指数据量，范围从Megabytes至Brontobytes
W
天气数据(Weather data) – 是一种重要的开放公共数据来源，如果与其他数据来源合成在一起，可以为相关组织机构提供深入分析的依据
X
XML数据库(XML Databases) –
XML数据库是一种以XML格式存储数据的数据库。XML数据库通常与面向文档型数据库相关联，开发人员可以对XML数据库的数据进行查询，导出以及按指定的格式序列化
Y
Y字节 (Yottabytes) – 约等于1000 ZB (Zettabytes),
约等于250万亿张DVD的数据容量。现今，整个数字化宇宙的数据量为1 YB, 并且将每18年翻一番。
Z
Z字节 (ZB: Zettabytes) – 约等于1000 EB (Exabytes), 约等于1百万
TB。据预测，到2016年全球范围内每天网络上通过的信息大约能达到1 ZB。
附：存储容量单位换算表：
1 Bit(比特) = Binary Digit
8 Bits = 1 Byte(字节)
1,000 Bytes = 1 Kilobyte
1,000 Kilobytes = 1 Megabyte
1,000 Megabytes = 1 Gigabyte
1,000 Gigabytes = 1 Terabyte
1,000 Terabytes = 1 Petabyte
1,000 Petabytes = 1 Exabyte
1,000 Exabytes = 1 Zettabyte
1,000 Zettabytes = 1 Yottabyte
1,000 Yottabytes = 1 Brontobyte
1,000 Brontobytes = 1 Geopbyte

---