還記得1999年的第一部《Matrix》電影麼？當時有很多人都不理解爲什麼這部電影取名爲“Matrix”（可翻譯爲矩陣，也可翻譯爲母體或孕育生命的地方），後來這部電影被翻譯爲《黑客帝國》也令人非常費解。無論是“矩陣”還是“母體”，都代表了什麼樣的含義或怎樣的預言？
在第一部《Matrix》電影裏，尼奧被告知這個世界被“Matrix”控制了，需要他去拯救世界。在隨後的兩部系列電影中，電影名分別爲第二部《Matrix Reloaded》和第三部《The Matrix Revoluation》。如果把“Matrix”翻譯爲“母體”，其實很難與“Matrix Reloaded”和“The Matrix Revoluation”對應上。
多年以後，當人們開始把《Matrix》系列電影與AI人工智能聯繫在一起的時候，把“Matrix”翻譯爲“矩陣”就順理成章多了：Matrix矩陣計算是AI人工智能特有的計算方式，而Matrix Reloaded即爲用矩陣計算取代已有的傳統計算方式，Matrix Revolution即爲當矩陣計算大流行的時候將顛覆和取代傳統計算模式。
事實上，人工智能和機器學習最流行算法即爲深度神經網絡計算，其核心即爲超大規模矩陣計算，矩陣計算的核心在於整數計算以及並行計算；而傳統的非人工智能類計算，主要是帶有小數點的浮點計算和串行計算爲主，這就是當前以英特爾CPU芯片爲代表的傳統計算方式。衆所周知，CPU並不適合人工智能類計算，具有並行計算能力的GPU被率先用於處理人工智能類計算但其成本過高，因此很多高科技公司紛紛自研人工智能芯片。
隨着越來越多的人工智能和機器學習類計算應用大量出現在實際場景中，矩陣計算正在取代現有的傳統計算。根據市場調查諮詢公司Wikibon的預測，企業在矩陣計算類應用上的投資與花費正在快速增長，並將在2030年佔據42%的企業計算支出。
2020年3月，Wikibon發佈了長篇研究文章：矩陣計算推動實時AI。矩陣計算應用的例子包括實時智能系統、實時分析、AI推理、機器人、自主車輛以及其它數據驅動的實時或近乎實時AI的例子。Wikibon認爲，人工智能計算框架是推動實時推理的重要驅動力，而實時推理則是典型的矩陣計算；當然，其它技術如高級分析、貝葉斯網絡、因果推理等共同推動了實時推理應用和其它矩陣計算應用。
Wikibon就矩陣計算提出了三大主題：
- 矩陣計算類應用可以幫助推動更積極的端到端數據策略，這些策略一起可以極大地簡化和自動企業的業務流程。
- 精心設計的矩陣計算類應用與端到端數據策略一起，可以帶來比傳統應用高一個數量級的價值。
- 企業開發和部署矩陣計算類應用，需要新的硬件和軟件架構、技術和工具，而這些很可能來自於消費類技術。
如今，《黑客帝國4》正在拍攝中，是時候瞭解一下矩陣計算了！
矩陣計算101
“矩陣”類計算應用主要是數據驅動。這類數據的規模非常大而且往往是並行計算，包括聲音、圖像、視頻、雷達、超聲波以及任意數量的IoT設備。AI是一項重要的技術，可以幫助開發矩陣類計算應用和任務。
我們對神經網絡算法無需瞭解太多，只需要知道神經網絡算法以矩陣表達和矩陣乘法爲基礎，因爲涉及到大量矩陣甚至是高維矩陣的運算而與其它非人工智能類算法有顯著區別。人工智能算法分爲模型訓練與推理預測兩個步驟，在每個步驟都要使用一個或多個神經網絡模型；模型訓練就是用帶標籤的高質量數據作爲輸入以推算出神經網絡的參數配置而形成模型，推理就是用已經訓練好的模型對新數據進行計算而得出結論。
如下圖所示，AI模型訓練開發通常被分爲數據工程和統計建模與訓練，兩者都是面向存儲的批處理計算任務，其中I/O通常是瓶頸。基於Fabric的NVMe NAND閃存可以減輕I/O開銷，並允許在一個計算位置直接高效地連接多個大型數據源。像Pure這樣的公司，已經開發了面向數據準備和AI訓練而優化的創新型私有云硬件平臺，戴爾、HPE和IBM也有專門的集成系統。
AI模型訓練開發對基礎計算資源的需求是間歇型，因此非常適合“即服務”型雲產品。Wikibon還指出，機器學習需要相關的高質量數據纔會有效。沒有質量和相關性的數量，就會導致“垃圾進，垃圾出“。
總結來說：AI模型訓練開發需要高質量的數據，而端到端的數據架構則確保這一點。然而，AI模型訓練開發並不是實時的矩陣計算任務，實時AI推理才屬於矩陣計算。
推理計算是執行型計算任務，推理通常受計算限制並且需要靠近數據源以縮短執行時間。推理計算的瓶頸通常是內存帶寬，內存通常會採用大量SRAM，以改善內存中的計算工作流程；推理計算硬件是異構的，這可大幅提高並行化程度和完成速度。當前，異構計算系統被越來越多地用於部署深度神經網絡，並針對推理進行了優化。
實時推理是一種矩陣計算型應用。迄今爲止，推理是AI中計算量最大的部分。AWS指出，95％以上的Alexa計算都是推理計算。Wikibon預測到本十年末（2030年左右），該比例將上升到99％。端到端數據策略的要求之一是確保提供高質量的相關數據，以開發推理應用。
實時推理還意味着把矩陣計算移至邊緣。實時也意味着計算必須放在離數據產生非常近的地方。哪怕是幾英里的距離，也沒有時間來轉移數據。Wikibon的早期研究表明，將計算遷移到邊緣的成本很高。移動數據的成本和上下文丟失導致的數據質量下降，這兩個因素都將導致未來十年內相當一部分計算會轉移到邊緣。
面向矩陣型任務的異構計算體系結構。矩陣型計算任務具有大量要計算的矩陣數據，傳統處理器無法勝任實時的大規模矩陣計算，但是部署一些具有不同有限指令集的並行加速器則可以實時完成工作負載。因此，這意味着需要專門的計算架構來完成實時矩陣計算類計算任務，這就是異構計算架構。
異構計算架構由許多不同的計算元素（處理器或內核）組成，具有不同的指令集。這些元素可以包括通用處理器、GPU、NPU、ASIC、FPGA等。這些元素通常被組合成一個SoC（System on a Chip），如消費級的蘋果iPhone SoC，其主要優勢在於從根本上提高了性能，並降低了功耗要求。異構系統的主要設計挑戰包括管理對內存和數據的訪問以及編程複雜性，一個被稱作CXL的行業標準正在成爲可能的高速CPU互連標準，將加速解決方案的發展。
總之，異構計算允許更高程度的並行計算和執行成速度，非常適合矩陣型計算任務。Wikibon預計，未來十年內，企業級異構計算將快速增長。
矩陣計算是一項新技術，而新技術通常首先在大規模的消費領域中應用，過幾年後纔會被企業採用。一個很好的例子是x86技術，該技術已在以英特爾x86硬件和微軟Windows軟件爲主的消費PC雙頭壟斷中使用。x86的體量、較低的成本和先進的技術，讓英特爾向企業服務器領域拓展，並在十年內取代了大部分的RISC服務器，現在x86主導了企業計算市場和一個正在萎縮的PC市場。
蘋果智能手機於2007年推出，開始將投入轉移到移動設備上。消費類設備的龐大數量和投資推動了大多數硬件和軟件創新。幾乎所有的移動技術都在基於Arm的系統中實現，現在創建的基於Arm的晶片數量是任何其它移動平臺的10倍。這種創新來自於蘋果、Arm、Google、NVIDIA、高通、三星等公司，以及許多其它消費類軟硬件廠商。
消費類移動平臺上的消費型矩陣計算應用正在如火如荼地進行：蘋果使用面部識別和神經核心來保障金融交易的安全；Google在Pixel 4智能手機中部署了神經芯片，以提高圖像和語音處理能力。兩者都在利用神經網絡實現實時拍照和視頻增強、改進語音識別、健康監測等諸多領域。
蘋果與Google都強調了神經網絡的重要性，而對GPU的重視程度要低得多。這一點已經迅速蔓延到移動應用開發者，尤其是遊戲應用的開發者。隨着企業開始採用實時矩陣計算型應用，相應的開發者將成爲重要的人才來源。大量的消費級開發者正在對自己重新進行技術培訓。
因此，在消費領域快速擴大的大型矩陣計算應用所使用的技術和軟件很有可能會擴展到企業領域，專家們也是如此。
案例研究：特斯拉自動駕駛邊緣實時矩陣計算
Wikibon認爲，實時矩陣計算應用將成爲大多數高價值和有效的企業數字計劃的基礎。業務邊緣將是物聯網重要的早期應用領域，由於採用了MEMS工藝導致傳感器價格暴跌，因而可以在邊緣提供大量的IoT數據。實時矩陣計算將使邊緣上的工作流程大爲簡化和自動化。
特斯拉（Tesla）是成功部署企業矩陣計算應用的一個好例子，該公司正在開發自動駕駛系統（ADS）。ADS的商業目標是提高電動汽車的功能和利潤率並開闢新的商業機會。這個例子說明了軟件、硬件和端到端數據對一個真實企業在邊緣運行實時矩陣計算的影響。
ADS的反應時間、可靠性和準確性可能遠勝於任何人類駕駛員。交通中生死的主要決定因素是數據和矩陣計算技術。從長遠來看，因爲ADS的出現，將極大避免美國每年因汽車事故而喪生的35,000人以及與事故相關的更多嚴重傷害。NHTSA的研究評估，每年因交通事故造成的損失約爲6000億美元。他們指出：94％的嚴重事故是由於人爲錯誤造成的。自動駕駛汽車有可能將人爲錯誤從車禍中剔除，這將有助於保護駕駛員、乘客以及騎自行車的人和行人。NHTSA還指出，自動駕駛時代將在2025年開始。
特斯拉正向ADS邁進，並希望能率先跨越到新時代。特斯拉電動汽車擁有獨立的電動發動機，剎車是獨立且採用RBS反饋制動式（Regerative Brake System）。由於電動發動機和剎車的作用，所有車輪相對於地面都有反饋，而低延遲電子組件與車輛位置的精確知識以及車內數據和功能相關知識都集成在了一起，這是一個端到端的數據架構，爲車輛的動作更快、更安全的駕駛創造了可能。
ADS還需要一種方法，將所有內部傳感器信息與車輛的外部傳感器數據集成在一起，並制定關於在何處以及如何駕駛車輛的行動計劃。最後一個難題是如何評估計劃的質量，並隨着時間的推移改進它們。關鍵的挑戰是瞭解數據需求，以及如何建立端到端的數據策略，以可承受的成本建立一個改進反饋迴路。
對於特斯拉矩陣計算任務來說，首先要解決的問題是如何處理來自8個攝像頭以60幀全幀/秒速度運行而產生的10億像素/秒實時數據。此外，還有來自雷達、12個超聲波傳感器、高精度GPS、地圖以及車輛內部所有傳感器的輸入，如車輪劃痕、轉向角、加速度等。系統需要實時處理這些輸入，並制定行動計劃。所有這些數據共同驅動所有駕駛員輔助功能，例如自動駕駛、自動駕駛等功能的更新，以及未來的ADS。
特斯拉將此係統稱爲Tesla HW3（硬件級別3）。Wikibon相信特斯拉汽車的這種端到端架構和數據管理決策，其設計將對大多數企業來說十分重要。
特斯拉的軟件理念是所有數據都應該由一個系統來處理。理論上來說，這樣的結果質量最好，響應速度最快。最初的特斯拉計算硬件使用MobileEye EyeQ技術，但它太慢了。Tesla HW2（硬件級別2）使用Nvidia Drive硬件並使用GPU處理矩陣數據。就像前面提到的Apple和Google工程師一樣，特斯拉工程師也瞭解到，神經網絡比GPU處理更高級別的數據抽象要快得多。
在當時（2016年），還沒有其它合適且現成的硬件或軟件解決方案。因此，特斯拉投資開發了自己的硬件解決方案——HW3，以驅動自己的軟件。從HW3的電路板可以看出，該板中間有兩個異構的基於Arm的SoC，以實現完全冗餘。在SoC內部，CPU和GPU是基於Arm的組件，再加上一個原生的Tesla設計的NPU。這兩個NPU的計算能力共計72 TOPS（萬億次/秒運算量）@2GHz。來自傳感器的輸入在電路板的右側，最高25億像素/秒，電源在左側。
這塊板子安裝在特斯拉手套箱的後面，作爲早期板子的替代品，也是所有新車的替代品，總功率要求只有75瓦。HW3的關鍵性能指標是每秒可處理的高清幀數。HW3在運行特斯拉軟件的NPU硬件上，可以提供2300幀/秒的幀數。HW2硬件上的同一軟件只能提供110幀/秒的速度，不到HW3吞吐量的5％，這對於ADS是不夠的。
對於特斯拉而言，這種企業級矩陣計算任務對於增強駕駛和安全性並最終實現ADS來非常重要。特斯拉相信HW3可以實現ADS。隨着時間的流逝，來自傳感器的數據量可能會增加，所使用的技術應該可以實現性能的額外提升。特斯拉計劃到2022年將其技術更新，性能提高2-3倍。
Tesla HW3的數據策略。特斯拉要解決的第二個問題是如何設置端到端數據策略，以可承受的成本，改進反饋循環。有些人認爲，每一輛車的所有數據都應該也會被保留下來，有人認爲5G將免費帶走所有這些數據。
當然，這些數據在發展的早期階段是很重要的。然而，如果讀者對每秒10億像素的問題進行一些非常簡單的數學計算，當應用到全世界數百萬輛汽車和數十億英里的汽車上時，就會發現這種思維的謬誤。此外，這些每秒十億像素的數據會隨着時間的推移而發展成更多每秒十億像素的數據。
Wikibon研究指出，在邊緣上創建的絕大多數數據（> 99％）將在邊緣被刪除，因爲價值已經被提取出來了。特斯拉的做法強調了這個預測。HW3將數據保留在SRAM中僅10分鐘。在這段時間內，只有極少數的數據被選擇通過網絡發送。
被選擇發送的數據是爲了完成事故、近距離失誤、路面異常（例如坑洞）內部和外部合規數據等事件的反饋。此外，針對特定和罕見環境解決方案的工程師可以從整個車隊中請求數據。例如，人類駕駛員如何處理駕駛環境，如雪天、日落或路上的大型動物等。這是對嚴重的“長尾”問題的一種創新且具有成本效益的解決方案。
“長尾”問題。在ADS的整個學習過程中，存在一個非常“長尾”的低概率事件。獲取這些數據、車輛準確部件的數據，再加上整個車隊中不使用或“超控”自動化的人類駕駛員反應，對於開發識別罕見事件和訓練車輛正確反應的能力至關重要。
特斯拉的“長尾”解決方案可以識別罕見事件，並將有關這些事件的剪貼記錄數據返回給開發系統。如果特斯拉可以將道路上的汽車數量從100萬增加到數百萬，並將過去數年的行駛里程增加到數十億，那麼端到端的數據採集和改進系統應該可以爲ADS系統的整體質量帶來指數級的提升。端到端數據架構師必須在初始設計階段就理解並內置這種端到端功能。
這種優雅的端到端數據體系結構有助於解決長尾問題，並顯着減少了開發完整ADS的時間和成本。MobileEye和Waymo是另外兩家正在開發不同矩陣技術的公司，他們正在建立一個車隊。
特斯拉案例的結論。特斯拉的方法具有許多積極的屬性。其中包括明確的所有權和對所有特斯拉汽車中所有數據的訪問權，清晰的端到端軟件和數據架構，以及將數據採集集中在重要事件上的能力。特斯拉設計出了低延遲的電動汽車，集成了獨立的電動發動機/剎車系統，並對車輛的設計和內部數據有精確瞭解。這可以比傳統的內燃機汽車（ICE）反應速度更快、更有效、更安全。如果特斯拉能夠將這些內部數據與可靠的計劃生成器連接起來，那麼結果可能是車輛的安全性提高了一個數量級，道路利用率大幅提高。如果特斯拉能夠執行並將其在路上行駛的汽車數量增加到數百萬輛、行駛里程數增加到數十億英里，那麼特斯拉就可以創造出一個交通行業中獨一無二的端到端的數據反饋和改進循環，並有可能在全球範圍內拯救數百萬生命。
如果成功，特斯拉還可以將該數據架構用於許多相鄰的商機，包括有關個人駕駛員安全的高級反饋並將之計入特斯拉品牌保單成本，其它機會包括維護、租賃、向城鎮報告路面坑洞和設備故障、信息娛樂、航運和旅程終點等。
從消極的一面來看，特斯拉的案例說明了開發早期矩陣計算解決方案的一些固有挑戰，包括開發和維護獨特的軟件和硬件所需的投資水平。如果像Mobileye和Waymo這樣的競爭對手成爲批量供應商，那麼特斯拉的技術開銷可能會導致對其它公司創新成果採用速度的放緩；其它批量供應商的存在，可能會讓特斯拉更難說服合規監管機構，讓他們相信特斯拉的 "長尾 "數據解決方案會像其它替代方案一樣有效。
邊緣革新的其它示例。無論特斯拉試圖顛覆汽車行業的結果如何，Wikibon都認爲這種關於矩陣計算型應用和數據的端到端架構思維，將推動許多其它行業的數字化創新和差異化發展。
業務邊緣有很多實時計算應用的例子，包括機器人、供應鏈優化、風場監控、民用和軍用飛機的自動化、自動化倉庫、自動化門店等，每個行業都有很多實時計算用例。此外，許多跨行業的應用，如高級分析等都將從矩陣應用技術中獲益。
例如，亞馬遜正在開發這種技術，使亞馬遜Go商店的零售完全自動化。每個企業都應該評估其當前的流程，確定端到端的矩陣計算任務架構可以提高多少效率，並確定如何創建端到端的數據架構來支持這些計算任務。
總之，Wikibon認爲，掌握實時的矩陣計算和端到端數據架構是創造數字化差異化的絕對必要條件。
案例研究II：智能和實時定價系統
那麼，企業應該如何考慮將矩陣計算技術納入企業計算任務組合中呢？
成功實施矩陣計算與端到端數據架構的企業，可以解決三個非常重要的戰略機遇：與繼續使用當前的串行交易系統的企業組織相比，可以期望產生更多的應用價值；可以防止來自低成本替代方案的外部顛覆，並擴大可用來識別和防止外部顛覆的選擇；能夠更好地擴展到相鄰的行業領域，成爲潛在的顛覆者。
變化的核心是要從目前衆多的記錄系統（如ERP）和數據倉庫系統向 "智能系統”遷移。簡單來說，智能系統是指與矩陣計算集成的記錄系統，如實時高級業務分析和/或AI等。
以一個狹義的例子來估算潛在的效益。當前，大多數企業通過專業人員採取一系列步驟來應對價格變化。他們最終在數週（或數月內）就新的定價達成一致，然後IT在一個方便的時間實施這些變化。Wikibon以“智能和實時定價系統的業務案例”討論了實時矩陣計算應用的潛在好處，與目前速度較慢、勞動密集型的人工系統相比，實時矩陣計算可以實現價格調整的自動化。
目前，記錄系統很少能在一個事務中執行所有的工作流，而往往有多個串行事務以及管理它們的複雜工作流。由於傳統的企業事務性計算任務與集成了企業矩陣計算的新型記錄系統有着顯著區別，因而可以創建獨特的解決方案，從根本上簡化工作流並提供非常高的自動化水平。
矩陣計算的用戶很可能包括機器和其它應用，通過工作流和API來實現控制，而且數據很可能是分佈式、高度並行、大規模數據量。矩陣計算最有可能在創建數據的地方執行，通常在業務邊緣，當然也會有一些矩陣計算最好集中執行。
矩陣計算的重點是實時或接近實時的並行執行事務。這將意味着更大的、分佈式的數據庫，以及計算模型將是雲優先、超融合、（未來）還要具有異構計算架構的計算模型。
企業矩陣計算類應用將推動企業計算硬件和軟件架構的重大變化，以及數據性能和數據管理的改善。
總的來說，矩陣計算的收益就是簡化了流程，大幅提高自動化程度。
避免記錄系統的轉換。一些供應商和專業人士認爲，當前的記錄系統和分析系統都應轉換爲“現代”平臺。這對於小公司或非常小的系統是可能的，但是轉換大規模的記錄系統和分析系統將帶來數年的延遲，並帶來很高的故障風險。Wikibon堅信，建立在現有記錄系統的應用價值和數據價值的基礎上，會更快、成本更低、風險也更小。Wikibon建議CXO拒絕任何需要轉換現有記錄系統的數字化轉型和差異化戰略。
智能和實時重定價系統案例。航空公司和酒店等行業使用頻繁重定價來優化收入，像Norwegian這樣的航空公司就採用了實時動態定價。
實時定價在另一個行業中有一個很好的例子，這就是Uber引入的動態乘車共享定價。如果司機供應量少而價格保持固定，那麼客戶等待搭車的時間就會增加，滿意度就會大幅下降。當Uber實時提價時，如果需求量大於司機供給量，價格上漲、需求量減少，不僅供給量增加、服務水平保持合理，客戶滿意度也明顯提高，因爲對於選擇付費的人來說，上車時間和到達目的地的可靠性更重要，所以客戶滿意度明顯提高。對整個Uber系統的分析表明，實時定價的整體收益約佔總收入的3.5％。
自動定價的另一個延伸，可能是根據與客戶開展業務的難易程度來個性化價格。如果一個顧客退貨或在社交媒體上發表不利評論的概率較高，那麼減少或取消給予這些顧客的折扣可能是有意義的。
這種實時定價的例子需要獲得大量的供需各方面信息，需要有複雜的模型來實時分析這些數據，並能夠將這些變化應用到現有的記錄系統中。實時定價的潛在商業收益，是提高收入、客戶滿意度和降低成本。
計算實時定價的企業效益出發點是總收入增加3.5%（來自Uber研究）。如果所有數據都可以獲得而且定價可以自動化，合理的估計可能是操作定價所需人力減少5倍。
總結來說：智能和實時案例研究並沒有得出結論說所有企業都應該優先發展實時定價，該案例只是一個可能的矩陣推理計算應用。然而，只要開始研究在哪些地方的矩陣計算可以增加幾個百分點的收入、可能提高客戶滿意度並能將運營成本降低5倍，就可以推動創新，提供持續的差異化並確保競爭力。
企業矩陣計算實施策略
企業部署了各種各樣的軟件和數據資產來協助運營和規劃流程，在整個企業的多個地點和平臺上都有大量的投資。Wikibon認爲，試圖將所有的數據都放在一個平臺上的戰略，對於幾乎所有的企業——尤其是大型企業來說，都會失敗。如上文所述，不僅轉換的成本很高，而且需要很多年才能實現。
相反，Wikibon建議企業專注於建立一個有效的端到端數據戰略，從今天的數據在哪裏創建以及未來的數據將駐留在哪裏開始。然後，企業應該實施高效的多雲、混合雲和相鄰雲戰略，以確保：
- 正確的數據在正確的時間出現在正確的地方。
- 通過儘可能地將計算推送到數據上，最大限度地減少數據的移動。
- 基礎設施服務的部署和維護的責任轉移到軟硬件廠商和雲提供商，而不是由企業IT部門來承擔。
- 利用RPA（機器人過程自動化）和其它技術來改善現有過程。
同時，企業應該確定實時矩陣計算可以發揮作用的關鍵部分，並認真進行實驗，設計和開發能夠實現徹底簡化和自動化的解決方案。執行管理層應密切關注這些項目，以提高對被顛覆風險的瞭解，以及更早發現潛在顛覆者的能力。
總的來說：企業應識別潛在的矩陣計算應用並制定商業應用策略。企業應重點加快記錄系統的速度，並規劃向智能系統的遷移路徑。其它方法如機器人流程自動化（RPA），也可用於精簡系統。智能化系統可以成爲實施可持續的數字化戰略差異化的基礎，具有顯著改善業務創新週期時間的能力。企業的潛在收益將從確保生存到壓倒性的長期商業價值等，不一而足。
結論及建議
Wikibon對新興矩陣企業級計算應用的計算型收入預測：前四年的增長受到軟件工具、硬件可用性和技能可用性等方面的重大制約，特別是受制於企業級異構計算系統的缺乏。Wikibon預計，企業矩陣計算應用的計算支出將快速增長，並在2020年開始的十年後半程佔據企業計算支出的42%。
對兩個案例研究的結論是：作爲一個顛覆者，特斯拉與當前製造商大不相同。特斯拉還必須成功地處理其它非常重要的因素，包括製造技術、電池成本、電池管理、充電器可用性和充電時間等。
Wikibon強調特斯拉數據處理策略中的兩個關鍵部分——矩陣處理技術的投資以及端到端的一體化數據策略。對於從零部件供應商組裝車輛並且是全球供應鏈專家的傳統汽車供應商來說，這些都很難實施。因此，Wikibon懷疑許多品牌在未來十年將會失敗。
而智慧系統案例研究表明，可以在提高現有記錄系統的性能方面取得重大進展，並開始利用現有和新數據提供實時高級分析以幫助簡化和自動化流程。Wikibon討論了矩陣的一個具體計算應用——自動定價的潛在好處。Wikibon的結論是，實現實時定價的潛在收益估計可能會增加總收入的3.5% ，並將執行定價的運營成本降低5倍。
在未來十年，實時矩陣計算應用將成爲數字創新和差異化的主要貢獻者。Wikibon認爲，嘗試將所有數據放在一個平臺上的一種策略將會失敗，因爲轉換成本過高並且需要很多很多年才能實現。RPA（機器人流程自動化）之類的技術可以使串行的事務環境自動化，並可以更快地開發和部署實時矩陣計算應用。然而，目前的RPA技術僅靠自身力量是不夠的。實時矩陣計算應用將對系統的簡化和自動化產生更大的影響。
Wikibon建議，企業應該專注於建立一個有效的端到端數據戰略，從現在的數據在哪裏創建以及未來的數據在哪裏開始。企業應該實施高效的多雲、混合雲和相鄰雲戰略，確保將正確的數據放在正確的地方，通過將計算力轉移到數據上，最大限度地減少數據的移動，並將基礎架構服務的部署和維護責任轉移到軟硬件廠商和雲供應商身上。
Wikibon還建議升級當前的記錄系統並將某些組件外包，以提高性能並降低運營成本。一級任務關鍵型數據庫通常是瓶頸，唯一的一級大型任務關鍵型數據庫是IBM DB2、微軟SQL Server和Oracle。所有這些都提供雲選項，無論是在本地還是在它們自己的雲中。整個數據庫棧的性能和可靠性以及運營升級，從服務器上的微代碼到數據庫升級，都由供應商負責。
現在可以將一級數據庫與調用一級數據庫的應用程序的運行系統分開運行。這兩個組件都在相鄰的雲中，運行在同一個數據中心中，並通過相鄰的兩個雲之間的低延遲直接通信連接。例如，Microsoft Azure和VMware提供了在其雲上運行應用程序的功能，並且與運行在同一雲數據中心中的Oracle相鄰數據庫之間的連接延遲非常低。微軟和Oracle工程師已經努力提供兩個雲之間的連接。這使得數據庫廠商可以靈活地使用矩陣技術來加速數據庫，而其它雲則可以使用異構架構來加速矩陣推理工作負載。
進行這種改變的重要性在於加快當前記錄系統的速度，併爲矩陣計算應用的並行運行留出時間。同時，企業應該確定實時矩陣計算可以發揮作用的關鍵部分，並認真進行實驗，設計和開發能夠實現業務流程的徹底簡化和自動化的解決方案。企業的高級管理人員應該對企業的潛在顛覆者保持警惕。
行動起來！特斯拉的案例研究展示了端到端數據戰略的威力、實現這一戰略所需的投資和承諾，以及對現有汽車企業的威脅。該案例研究還顯示了執行矩陣計算對開發ADS和建立連續的、潛在的指數級改進過程的能力。
Wikibon強烈建議高級企業主管制定端到端數據策略，並對矩陣計算形成深刻的理解。重要的是，該戰略要關注實時數據流而不是歷史數據，因爲歷史數據的價值可能會低很多。
通過這項工作，高級管理層可以瞭解外部創新威脅最可能來自哪裏，及早發現矩陣計算可能被外部顛覆者利用的地方。這將使高級管理層能夠了解任何顛覆性威脅的程度和性質，並通過收購、合作或推進內部項目來確保企業保持競爭力。
此外，制定端到端數據戰略有助於避免失去對關鍵數據訪問的控制。如果組織中的一部分人不瞭解如果將數據交給供應商或潛在的競爭對手，會給公司整體帶來的損失。（雲科技時代編譯）
(Wikibon原文鏈接：https://wikibon.com/matrix-workloads-power-real-time-compute/)