至顶网软件频道消息:近几年来DevOps一直是一个热门话题。在这段时间内,很多企业一直试图采用这样或者那样的工作方式,在这些工作方式下开发产出以与业务需要保持一致。但是到了2018年,所有这些都需要聚合到一起,并且实现自身意义。
为什么?我们已经到了一个关键时刻,软件和数据在推动着业务的方方面面。高管和决策者认识到,技术需要跟上业务需求的快速变化,应用需要能够立即组装、重新组装和卸载。
下面就是一些主要的DevOps观察者预测未来几个月该领域的发展趋势:
跨平台互动和物联网意味着将会有越来越多的应用和设备:典型的企业已经成为一个不间断的软件和数据工厂,全天候运营。技术必须使用在这里提供支持,要跟上全天候创建、测试和交付软件的步伐,DevOps是至关重要的。Perfecto公司首席技术布道师Eran Kinsbruner在DevOps.com网站上这样写到:“加上物联网的兴起,实现了跨智能手机、电视、平板电脑和其他设备之间的无缝切换。在2018年,金融服务、医疗保健、零售和汽车等行业将全面采用物联网,提供完美用户体验的关键一步就是测试,大量的测试。在今天这场数字革命中,测试、测量和开发永远都不嫌多。”
“DevSecOps”:安全是每个人的头等大事,需要做的就是把安全融入到应用中,从一开始到生命周期结束。Qualy公司产品管理副总裁Chris Carlson探讨了为什么DevOps中需要加入Sec这个词:“安全团队需要了解,DevOps正在快速改变IT的运营方式,需要在规划和执行生命周期更早期的阶段与IT和应用开发团队展开合作。”这就要求“将安全性融入到DevOps中,而不是事后再行动。”
让DevOps变得敏捷:Forrester分析师Diego Lo Giudice发现,将敏捷(开发者与最终用户紧密合作,以进行频繁的软件迭代)与DevOps结合起来的企业组织表现要好于那些将两者分开的企业组织。“任何IT组织只关注敏捷、或者只关注DevOps都是不能接受的。一枚硬币有两面性,一面成就了另一面。”Forrester的最新研究发现,企业组织如果正在运作将敏捷与DevOps结合起来的项目,那么业务/IT成果会提高2倍,功能质量也有所改进,能更快地获得业务价值,持续交付,对结果更高的可预测性,与要求相符。
频繁的新版本发布需要更快节奏的更新:对企业技术预期的提高,使得确保持续高性能应用的压力也加大了。Kinsbruner表示,IT负责人“必须意识到为开发人员提供工具和时间在整个软件开发生命周期内持续测试的重要性。像自动化和云这样的工具可以提高效率,让开发人员可以节省手动质量检查的时间,从而确保他们开发的应用能够满足消费者的期望。”
人工智能和机器学习可能会开始在DevOps中发挥作用。市场中出现了很多采用人工智能和机器学习的解决方案,不仅可以帮助DevOps团队追踪进度,还可以预测何时何地需要代码。在去年发表的文章中,Ronald Van Loon和Daniel Cronin探讨了基于人工智能的解决方案为DevOps增加认知计算的能力。例如,Van Loon描述了“采用机器学习算法,将人类知识与日志数据进行匹配,再加上开源代码库、论坛和社交线索。利用所有这些信息,创建了一个相关洞察数据库,其中可能包含用于解决IT运营和DevOps团队日常面对的大量关键问题的解决方案。”
Kinsbruner警告说,在人工智能真的可以减轻DevOps团队的一些负担之前,还需要做一些谨慎思考。“开发人员首先必须了解他们希望人工智能在SDLC内部和跨DevOps帮助他们做些什么,以及如何做。一个合理的开始,就是老姐他们如何最好地利用人工智能来分析测试自动化战略。”
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。