1 前言

IT技术飞速发展，对于一些概念让人听起来很高大上，不知所云，本文通过我个人的理解，用简单直白的语言描述一下这些概念，云即云计算、物即物联网、大即大数据、移即移动互联网、智即人工智能
这五个字不是一种信息技术，每一个字可能包含多种信息技术，所以不要误解成一种信息技术，是一种统称

2 云计算

2.1 定义

云计算的目的：

• 资源管理
  • 计算资源（CPU）
  • 网络资源（带宽）
  • 存储资源 （磁盘，内存）

将以上三方面资源通过信息技术实现虚拟化、形成资源池、对于用户不限时间，不限空间，按需分配

• 云化软件弹性管理

通用的应用（数据库，运行环境，服务）进行标准化封装，用户按需调用

云计算可以比做成虚拟化的一台本地计算，我们可以通过网络链接到这台计算机，控制这台计算机进行计算,云计算的本质：资源到架构的全面弹性，随用随取

2.2 分类

• 公有云

第三方通过实例的方式提供给最终用户，每一个实例等同于一台计算机，最终用户买实例和在电脑城买一台电脑是一样的，可以选择不同的配置。

优点：价格便宜，0安装0维护，可直接部署所需环

缺点：公有云由于服务器遍布在全球的各个区域，网络安全可能不符合规定，公有云按需付费，但是大量数据传输会需要更大的带宽，导致费用上升

• 私有云

私有云(Private Clouds)是为一个客户单独使用而构建的，因而提供对数据、安全性和服务质量的最有效控制。该公司拥有基础设施，并可以控制在此基础设施上部署应用程序的方式。私有云可部署在企业数据中心的防火墙内，也可以将它们部署在一个安全的主机托管场所。私有云极大的保障了安全问题，目前有些企业已经开始构建自己的私有云。

优点：提供了更高的安全性，因为单个公司是唯一可以访问它的指定实体。这也使组织更容易定制其资源以满足特定的IT要求。

缺点：安装成本很高。此外，企业仅限于合同中规定的云计算基础设施资源。私有云的高度安全性可能会使得从远程位置访问也变得很困难。

• 混合云

混合云模型提供了来自不同服务提供商的多个选项。借助混合云，数据和应用程序可以在私有云和公共云之间移动。例如，客户可以选择将数据存储在私有云中，同时在公共云中运行应用程序。

优点：混合云方法的好处是它允许用户利用公共云和私有云的优势。它还为应用程序在多云环境中的移动提供了极大的灵活性。此外，混合云模式具有成本效益，因为企业可以根据需要决定使用成本更昂贵的云计算资源。

缺点：混合云的困难是由于更加复杂而难以维护和保护。此外，由于混合云是不同的云平台、数据和应用程序的组合，因此整合可能是一项挑战。在开发混合云时，基础设施之间也会出现主要的兼容性问题。

• 超融合

谈到云计算必须要聊聊超融合

与传统方案相比，超融合最大的改变就在存储上，弥补了传统存储横向扩展能力不足的问题。
它通过实现存储、网络、计算的虚拟化，将计算、网络、存储整合到同一个系统平台，解决了从计算到存储包括网络横向扩展的难题。它大幅提升了系统整体性能（尤其IO性能，结合闪存），依托其底层分布式存储，可实现数据容灾功能，同时使硬件成本大幅降低，数据更安全、业务更可靠、维护更方便。

附一段百度百科解释：

超融合基础架构（Hyper-Converged Infrastructure，或简称“HCI”）也被称为超融合架构，是指在同一套单元设备（x86服务器）中不仅仅具备计算、网络、存储和服务器虚拟化等资源和技术，而且还包括缓存加速、重复数据删除、在线数据压缩、备份软件、快照技术等元素，而多节点可以通过网络聚合起来，实现模块化的无缝横向扩展（scale-out），形成统一的资源池。当前业界普遍的共识是：软件定义的分布式存储层和虚拟化计算是超融合架构的最小集。

3 大数据

3.1 定义

顾名思义，大数据就是海量数据，大数据的“4V”
规模性（Volume）、高速性（Velocity）、多样性（Variety）、价值性（Value）

• 规模足够大

随着信息化技术的高速发展，数据开始爆发性增长。大数据中的数据不再以几个GB或几个TB为单位来衡量，而是以PB（1千个T）、EB（1百万个T）或ZB（10亿个T）为计量单位。

• 速度足够快

这是大数据区分于传统数据挖掘最显著的特征。大数据与海量数据的重要区别在两方面：一方面，大数据的数据规模更大；另一方面，大数据对处理数据的响应速度有更严格的要求。实时分析而非批量分析，数据输入、处理与丢弃立刻见效，几乎无延迟。数据的增长速度和处理速度是大数据高速性的重要体现。

• 数据类型足够多

数据来源多，数据类型多， 数据关联性强

• 数据即价值

尽管企业拥有大量数据，但是发挥价值的仅是其中非常小的部分。大数据背后潜藏的价值巨大。由于大数据中有价值的数据所占比例很小，而大数据真正的价值体现在从大量不相关的各种类型的数据中。挖掘出对未来趋势与模式预测分析有价值的数据，并通过机器学习方法、人工智能方法或数据挖掘方法深度分析，并运用于农业、金融、医疗等各个领域，以期创造更大的价值。

3.2 应用场景

• 工业数字化转型，智能制造，工业4.0

生产线部署传感器获取生产数据，OA系统记录工作信息，邮件往来

• 大数据辅助决策

“拍脑袋”决策已成历史，随着影响决策的数据越来越完整，依托于数据的决策是发展趋势
通过大数据挖掘数据价值，提供有价值的决策信息
大数据正在创造出一些不能想象的其他决策

4 物联网（IoT）

4.1 定义

Internet of things，通俗来说，物联网是互联网的一个延申，互联网的终端是计算机，我们开发的程序运行在计算机上，通过网络，按照规定的协议进行数据传输，物联网的终端是具备网络链接能力的智能终端。终端是嵌入式计算机及其配套的传感器，只要有硬件连上网络，发生数据交互，就是物联网

4.2 应用场景

对于当今的各种以“智慧”开头的应用，都离不开物联网，智慧交通，智能家居，智慧仓库，智慧物流，智慧医疗，数不胜数

5 移动互联

5.1 定义

移动互联网，将移动通信与互联网二者结合到一起，用户通过移动端获取互联网中需要的数据。移动互联网的核心还是互联网，移动互联网是桌面互联网的补充和延伸。简单来说，移动互联网就是通过移动端使用应用程序，购物，出行，办公等等

5.2 应用场景

移动定位服务，手机搜索，移动支付，移动电子阅读，移动购物

6 人工智能

6.1 定义

具备感知、理解、行动和学习能力的信息技术系统。由多种技术组成，这些技术的目的是让计算机能够像人类一样具备“感知世界”的能力。
大数据+人工智能+机器学习之间有什么关系呢？
计算机想要“智能”，需要海量的数据，经过机器学习算法，训练海量数据，得到知识库，这个知识库就像人类的大脑，具备识别某种信息的能力，大数据是实现人工智能的必要条件，机器学习是人工智能的一个分支，是实现人工智能的一种技术手段的统称。

6.2 应用场景

• 智能音响 小AI同学 百度音响
• 自动驾驶
• 智能家居
• 视频智能分析