新基建的大背景之下，5G、数据中心、人工智能、工业互联网成为了必然的发展趋势，科技企业纷纷在主赛道上加速布局，那些生于互联网时代的企业，或者率先完成传统业务重塑的企业将很有希望跑在前列。而以云计算的方式和理念展开业务实践的企业，更是走了一条“捷径”。

      通过与不少行业客户接触，他们的多数新应用都是在云中构建，而且这些企业可能是IT互联网、金融、教育、工业、交通运输等领域，可见云原生在各行各业的普遍性。有一项调查显示，在已经部署云原生的公司中，基于云来构建的应用比例会在近几年攀升到70%-80%。

      可以说，云原生已成为企业在部署业务时的主要选择之一，其好处在于应用可以直接基于云架构设计和开发，像12原则（The Twelve-Factor App）在基准代码、端口服务、流程日志等方面也为云原生下了进一步的定义。不过从另一方面看，云原生也不是绝对的一本万利，其仍有一些成本因素是不容忽视的。

      云原生是Pivotal负责架构的全球CTO Matt Stine在2013年提出的概念，当时的判断像DevOps、微服务、敏捷交付等技术至今都已成为趋势。当时Matt Stine认为，如果用新的一体性架构去取代现有的一体性架构，只是把复杂性从一端转移到了另一端，这也是传统SOA的尴尬之处，“从运维的角度来看，实际上什么都没做。”对于企业来说，有必要对旧有的业务进行重构。

      当然，云原生也不是毫无缺点。一些报告显示，规模越大的企业通常更倾向于选择云原生，但有意思的一点是像那些营收超过200亿美元的更大型的企业，往往会比较保守，他们使用云原生的比例甚至不到25%。这一现象与企业上云的思路类似，即对数据丢失、系统故障等问题的担心，包括受限于监管因素只得将关键业务应用放在私有环境。

      除了安全性，企业在将业务迁移上云的过程中也会遇到其他的“额外”成本，例如可能会需要对应用进行部分或完全重构，以调用完整的云原生功能，这种重构不仅涉及重写，还会有后续一系列的测试、上线、交付，以及工具调用，这些往往加起来会超过企业最初的预算。

      但是，云计算与AI紧密联系仍让不少企业趋之若鹜，越来越多的计算、存储、网络资源以虚拟化的方式交付和部署，AI的推理和训练也在云端完成。调查显示，2018年企业在人工智能领域的平均投资将达到500万美元，超过70%的企业客户宣称正在组织内部使用AI技术。考虑到部署成本，多数企业在智能化初期会选择外部方案。随着AI与业务结合逐级深入，企业关注的重点也从提升效率渗透到流程决策管理层面。也就是说，AI不再是简单的工具，而是开始向生产力转变。

      对于公有云平台来说，其是自带Al属性的，像AWS、Azure、IBM、谷歌、阿里云、腾讯云等厂商相继推出了基于云平台的AI开发工具，降低了企业迈向智能化的门。举个例子，云服务商提供用于图像分析的认知计算API，当企业用户想构建一套面部识别解决方案时，无需从零开始编写代码，甚至不用知道这些代码的实现逻辑，而是只需要直接调用API实现功能即可。按照这个思路，自然语言处理、计算机视觉等技术同样可以让开发者拿来即用。

      例如，可解释的AI系统也提供了新的图像识别方式。谷歌的图像分类神经网络Inception Network测试过一项名为“LIME”的技术，其在图像识别时会根据图片本身搜索解释，而不是触发神经网络中的某个神经元，具体来说就是将原始图像的各个部分变黑，通过Inception反馈所产生的“扰动”图像，检测哪些扰动将算法抛离得最远。这一测试表明了原始图像特征对于神经网络的影响，传统识别过程更多是集中在对象的某一特定部位。

      也就是说，AI与行业应用场景结合的越来越紧密，也驱使着企业向云和AI转型。