作者 | 章劍鋒

筆者從 2008 年開始工作到現(xiàn)在也有 11 個年頭了，一路走來都在和數(shù)據(jù)打交道，做過大數(shù)據(jù)底層框架內(nèi)核的開發(fā)（Hadoop，Pig，Tez，Spark，Livy），也做過上層大數(shù)據(jù)應(yīng)用開發(fā)（寫 MapReduce Job 做 ETL ，用 Hive 做 Ad hocquery，用 Tableau 做數(shù)據(jù)可視化，用 R 做數(shù)據(jù)分析）。今天我想借此機(jī)會和大家聊聊我所理解的大數(shù)據(jù)現(xiàn)狀和未來。

首先讓我們來聊聊什么是大數(shù)據(jù)。大數(shù)據(jù)這個概念已經(jīng)出來很多年了（超過10年），但一直沒有一個準(zhǔn)確的定義（也許也并不需要）。數(shù)據(jù)工程師（DataEngineer）對大數(shù)據(jù)的理解會更多從技術(shù)和系統(tǒng)的角度去理解，而數(shù)據(jù)分析人員（Data Analyst）對大數(shù)據(jù)理解會從產(chǎn)品的角度去理解，所以數(shù)據(jù)工程師（Data Engineer) 和數(shù)據(jù)分析人員（Data Analyst）所理解的大數(shù)據(jù)肯定是有差異的。我所理解的大數(shù)據(jù)是這樣的，大數(shù)據(jù)不是單一的一種技術(shù)或者產(chǎn)品，它是所有與數(shù)據(jù)相關(guān)的綜合學(xué)科?？创髷?shù)據(jù)我會從 2 個維度來看，一個是數(shù)據(jù)流的維度（下圖的水平軸），另外一個是技術(shù)棧的維度（下圖的縱軸）。

其實我一直不太喜歡張口閉口講“大數(shù)據(jù)”，我更喜歡說“數(shù)據(jù)”。因為大數(shù)據(jù)的本質(zhì)在于“數(shù)據(jù)”，而不是“大”。由于媒體一直重點宣揚大數(shù)據(jù)的“大”，所以有時候我們往往會忽然大數(shù)據(jù)的本質(zhì)在“數(shù)據(jù)”，而不是“大”，“大”只是你看到的表相，本質(zhì)還是數(shù)據(jù)自身。

在我們講清楚大數(shù)據(jù)的含義之后，我們來聊聊大數(shù)據(jù)目前到底處在一個什么樣的位置。從歷史發(fā)展的角度來看，每一項新技術(shù)都會經(jīng)歷下面這樣一個技術(shù)成熟度曲線。

當(dāng)一項新技術(shù)剛出來的時候人們會非常樂觀，常常以為這項技術(shù)會給人類帶來巨大的變革，對此持有過高的期望，所以這項技術(shù)一開始會以非?？斓乃俣仁艿酱蠹易放?，然后到達(dá)一個頂峰，之后人們開始認(rèn)識到這項新技術(shù)并沒有當(dāng)初預(yù)想的那么具有革命性，然后會過于悲觀，之后就會經(jīng)歷泡沫階段。等沉寂一定階段之后，人們開始回歸理性，正視這項技術(shù)的價值，然后開始正確的應(yīng)用這項技術(shù)，從此這項技術(shù)開始走向穩(wěn)步向前發(fā)展的道路。（題外話，筆者在看這幅圖的時候也聯(lián)想到了一個男人對婚姻看法的曲線圖，大家自己腦補(bǔ)）。

1、從大數(shù)據(jù)的歷史來看，大數(shù)據(jù)已經(jīng)經(jīng)歷了 2 個重要階段

兩個重要階段是指過高期望的峰值和泡沫化的底谷期 ?，F(xiàn)在正處于穩(wěn)步向前發(fā)展的階段。我們可以從 googletrend 上 big data 的曲線就能印證。大數(shù)據(jù)大約從 2009 年開始走向人們的視野，在 2015 年左右走向了頂峰，然后慢慢走向下降通道（當(dāng)然這張曲線并不會和上面這張技術(shù)成熟度曲線完全擬合，比如技術(shù)曲線處在下降通道有可能會使討論這項技術(shù)的搜索量增加）。

接下來我想講一下我對大數(shù)據(jù)領(lǐng)域未來趨勢的幾個判斷。

2、數(shù)據(jù)規(guī)模會繼續(xù)擴(kuò)大，大數(shù)據(jù)將繼續(xù)發(fā)揚光

前面已經(jīng)提到過，大數(shù)據(jù)已經(jīng)度過了過高期望的峰值和泡沫化的底谷期，現(xiàn)在正在穩(wěn)步向前發(fā)展。做這樣判斷主要有以下 2 個原因：

• 上游數(shù)據(jù)規(guī)模會繼續(xù)增長，特別是由于 IOT 技術(shù)的發(fā)展和成熟，以及未來 5G 技術(shù)的鋪開。在可預(yù)測的未來，數(shù)據(jù)規(guī)模仍將繼續(xù)快速增長，這是能夠帶動大數(shù)據(jù)持續(xù)穩(wěn)定向前發(fā)展的基本動力。
• 下游數(shù)據(jù)產(chǎn)業(yè)還有很多發(fā)展的空間，還有很多數(shù)據(jù)的價值我們沒有挖掘出來。

雖然現(xiàn)在人工智能，區(qū)塊鏈搶去了大數(shù)據(jù)的風(fēng)口位置，也許大數(shù)據(jù)成不了未來的主角，但大數(shù)據(jù)也絕對不是跑龍?zhí)椎模髷?shù)據(jù)仍將扮演一個重要而基礎(chǔ)的角色。可以這么說，只要有數(shù)據(jù)在，大數(shù)據(jù)就永遠(yuǎn)不會過時。我想在大部分人的有生之年，我們都會見證大數(shù)據(jù)的持續(xù)向上發(fā)展。

3、數(shù)據(jù)的實時性需求將更加突出

之前大數(shù)據(jù)遇到的最大挑戰(zhàn)在于數(shù)據(jù)規(guī)模大（所以大家會稱之為“大數(shù)據(jù)”），經(jīng)過工業(yè)界多年的努力和實踐，規(guī)模大這個問題基本已經(jīng)解決了。接下來幾年，更大的挑戰(zhàn)在于速度，也就是實時性。而大數(shù)據(jù)的實時性并不是指簡單的傳輸數(shù)據(jù)或者處理數(shù)據(jù)的實時性，而是從端到端的實時，任何一個步驟速度慢了，就影響整個大數(shù)據(jù)系統(tǒng)的實時性。所以大數(shù)據(jù)的實時性，包括以下幾個方面：

• 快速獲取和傳輸數(shù)據(jù)
• 快速計算處理數(shù)據(jù)
• 實時可視化數(shù)據(jù)
• 在線機(jī)器學(xué)習(xí)，實時更新機(jī)器學(xué)習(xí)模型

目前以 Kafka，Flink 為代表的流處理計算引擎已經(jīng)為實時計算提供了堅實的底層技術(shù)支持，相信未來在實時可視化數(shù)據(jù)以及在線機(jī)器學(xué)習(xí)方面會有更多優(yōu)秀的產(chǎn)品涌現(xiàn)出來。當(dāng)大數(shù)據(jù)的實時性增強(qiáng)之后，在數(shù)據(jù)消費端會產(chǎn)生更多有價值的數(shù)據(jù)，從而形成一個更高效的數(shù)據(jù)閉環(huán)，促進(jìn)整個數(shù)據(jù)流的良性發(fā)展。

4、大數(shù)據(jù)基礎(chǔ)設(shè)施往云上遷移勢不可擋

目前IT基礎(chǔ)設(shè)施往云上遷移不再是一個大家還需要爭論的問題，這是大勢所趨。當(dāng)然我這邊說的云并不單單指公有云，也包括私有云，混合云。因為由于每個企業(yè)的業(yè)務(wù)屬性不同，對數(shù)據(jù)安全性的要求不同，不可能把所有的大數(shù)據(jù)設(shè)施都部署在公有云上，但向云上遷移這是一個未來注定的選擇。目前各大云廠商都提供了各種各樣的大數(shù)據(jù)產(chǎn)品以滿足各種用戶需求，包括平臺型（PAAS) 的 EMR ，服務(wù)型 (SAAS) 的數(shù)據(jù)可視化產(chǎn)品等等。大數(shù)據(jù)基礎(chǔ)設(shè)施的云化對大數(shù)據(jù)技術(shù)和產(chǎn)品產(chǎn)生也有相應(yīng)的影響。大數(shù)據(jù)領(lǐng)域的框架和產(chǎn)品將更加 Cloud Native 。

• 計算和存儲的分離。我們知道每個公有云都有自己對應(yīng)的分布式存儲，比如 AWS 的 S3 。 S3 在一些場合可以替換我們所熟知的 HDFS ，而且成本更低。而 S3 的物理存儲并不是在 EC2 上面，對 EC2 來說， S3 是 remote storage 。所以如果你要是 AWS 上面做大數(shù)據(jù)開發(fā)和應(yīng)用，而且你的數(shù)據(jù)是在 S3 上，那么你就自然而然用到了計算和存儲的分離。
• 擁抱容器，與 Kubernate 的整合大勢所趨，我們知道在云環(huán)境中 Kuberneate 基本上已經(jīng)是容器資源調(diào)度的標(biāo)準(zhǔn)。
• 更具有彈性（Elastic）。
• 與云上其他產(chǎn)品和服務(wù)整合更加緊密。

5、大數(shù)據(jù)產(chǎn)品全鏈路化

全鏈路化是指提供端到端的全鏈路解決方案，而不是簡單的堆積一些大數(shù)據(jù)產(chǎn)品組件。以 Hadoop 為代表的大數(shù)據(jù)產(chǎn)品一直被人詬病的主要問題就是用戶使用門檻過高，二次開發(fā)成本太高。全鏈路化就是為了解決這一問題，用戶需要的并不是 Hadoop，Spark，Flink 等這些技術(shù)，而是要以這些技術(shù)為基礎(chǔ)的能解決業(yè)務(wù)問題的產(chǎn)品。 Cloudera 的從 Edge 到 AI 是我比較認(rèn)同的方案。大數(shù)據(jù)的價值并不是數(shù)據(jù)本身，而是數(shù)據(jù)背后所隱藏的對業(yè)務(wù)有影響的信息和知識。下面是一張摘自 wikipedia 的經(jīng)典數(shù)據(jù)金字塔的圖。

大數(shù)據(jù)技術(shù)就是對最原始的數(shù)據(jù)進(jìn)行不斷處理加工提煉，金字塔每上去一層，對應(yīng)的數(shù)據(jù)量會越小，同時對業(yè)務(wù)的影響價值會更大更快。而要從數(shù)據(jù)（Data) 最終提煉出智慧（Wisdom），數(shù)據(jù)要經(jīng)過一條很長的數(shù)據(jù)流鏈路，沒有一套完整的系統(tǒng)保證整條鏈路的高效運轉(zhuǎn)是很難保證最終從數(shù)據(jù)中提煉出來有價值的東西的，所以大數(shù)據(jù)未來產(chǎn)品全鏈路化是另外一個大的趨勢。

6、大數(shù)據(jù)技術(shù)往下游數(shù)據(jù)消費和應(yīng)用端轉(zhuǎn)移

上面講到了大數(shù)據(jù)的全鏈路發(fā)展趨勢，那么這條長長的數(shù)據(jù)鏈路目前的狀況是如何，未來又會有什么樣的趨勢呢？

我的判斷是未來大數(shù)據(jù)技術(shù)的創(chuàng)新和發(fā)力會更多的轉(zhuǎn)移到下游數(shù)據(jù)消費和應(yīng)用端。之前十多年大數(shù)據(jù)的發(fā)展主要集中在底層的框架，比如最開始引領(lǐng)大數(shù)據(jù)風(fēng)潮的 Hadoop ，后來的計算引擎佼佼者 Spark，Flink 以及消息中間件 Kafka ，資源調(diào)度器 Kubernetes 等等，每個細(xì)分領(lǐng)域都涌現(xiàn)出了一系列優(yōu)秀的產(chǎn)品?？偟膩碚f，在底層技術(shù)框架這塊，大數(shù)據(jù)領(lǐng)域已經(jīng)基本打好了基礎(chǔ)，接下來要做的是如何利用這些技術(shù)為企業(yè)提供最佳用戶體驗的產(chǎn)品，以解決用戶的實際業(yè)務(wù)問題，或者說未來大數(shù)據(jù)的側(cè)重點將從底層走向上層。之前的大數(shù)據(jù)創(chuàng)新更偏向于 IAAS 和 PAAS ，未來你將看到更多 SAAS 類型的大數(shù)據(jù)產(chǎn)品和創(chuàng)新。從近期一些國外廠商的收購案例，我們可以略微看出一些端倪。1、2019 年 6 月 7 日，谷歌宣布以 26 億美元收購了數(shù)據(jù)分析公司 Looker，并將該公司并入 Google Cloud。2、2019 年 6 月 10 日，Salesforce 宣布以 157 億美元的全股票交易收購 Tableau ，旨在夯實在數(shù)據(jù)可視化以及幫助企業(yè)解讀所使用和所積累的海量數(shù)據(jù)的其他工具方面的工作。3、2019 年 9 月初，Cloudera 宣布收購 Arcadia Data 。 Arcadia Data 是一家云原生 AI 驅(qū)動的商業(yè)智能實時分析廠商。面對最終用戶的大數(shù)據(jù)產(chǎn)品將是未來大數(shù)據(jù)競爭的重點，我相信會未來大數(shù)據(jù)領(lǐng)域的創(chuàng)新也將來源于此，未來 5 年內(nèi)大概率至少還會再出一個類似 Looker 這樣的公司，但是很難再出一個類似 Spark 的計算引擎。

7、底層技術(shù)的集中化和上層應(yīng)用的全面開花

學(xué)習(xí)過大數(shù)據(jù)的人都會感嘆大數(shù)據(jù)領(lǐng)域的東西真是多，特別是底層技術(shù)，感覺學(xué)都學(xué)不來。經(jīng)過多年的廝殺和競爭，很多優(yōu)秀的產(chǎn)品已經(jīng)脫穎而出，也有很多產(chǎn)品慢慢走向消亡。比如批處理領(lǐng)域的 Spark 引擎基本上已經(jīng)成為批處理領(lǐng)域的佼佼者，傳統(tǒng)的 MapReduce 除了一些舊有的系統(tǒng)，基本不太可能會開發(fā)新的 MapReduce 應(yīng)用。 Flink 也基本上成為低延遲流處理領(lǐng)域的不二選擇，原有的 Storm 系統(tǒng)也開始慢慢退出歷史舞臺。同樣 Kafka 也在消息中間件領(lǐng)域基本上占據(jù)了壟斷地位。未來的底層大數(shù)據(jù)生態(tài)圈中將不再有那么多的新的技術(shù)和框架，每個細(xì)分領(lǐng)域都將優(yōu)勝劣汰，走向成熟，更加集中化。未來更大的創(chuàng)新將更多來來自上層應(yīng)用或者全鏈路的整合方面。在大數(shù)據(jù)的上層應(yīng)用方面未來將會迎來有更多的創(chuàng)新和發(fā)展，比如基于大數(shù)據(jù)上的BI產(chǎn)品， AI 產(chǎn)品等等，某個垂直領(lǐng)域的大數(shù)據(jù)應(yīng)用等等，我相信未來我們會看到更多這方面的創(chuàng)新和發(fā)展。

8、開源閉源并駕齊驅(qū)

大數(shù)據(jù)領(lǐng)域并不是只有 Hadoop，Spark，Flink 等這類大家耳熟能詳?shù)拈_源產(chǎn)品，還有很多優(yōu)秀的閉源產(chǎn)品，比如 AWS 上的 Redshift ，阿里的 MaxCompute 等等。這些產(chǎn)品雖然沒有開源產(chǎn)品那么受開發(fā)者歡迎，但是他們對于很多非互聯(lián)網(wǎng)企業(yè)來說是非常受歡迎的。因為對于一個企業(yè)來說，采用哪種大數(shù)據(jù)產(chǎn)品有很多因素需要考慮，否開源并不是唯一標(biāo)準(zhǔn)。產(chǎn)品是否穩(wěn)定，是否有商業(yè)公司支持，是否足夠安全，是否能和現(xiàn)有系統(tǒng)整合等等往往是某些企業(yè)更需要考慮的東西，而閉源產(chǎn)品往往在這類企業(yè)級產(chǎn)品特性上具有優(yōu)勢。

最近幾年開源產(chǎn)品受公有云的影響非常大，公有云可以無償享受開源的成果，搶走了開源產(chǎn)品背后的商業(yè)公司很多市場份額，所以最近很多開源產(chǎn)品背后的商業(yè)公司開始改變策略，有些甚至修改了 Licence 。不過我覺得公有云廠商不會殺死那些開源產(chǎn)品背后的商業(yè)公司，否則就是殺雞取卵，殺死開源產(chǎn)品背后的商業(yè)公司，其實就是殺死開源產(chǎn)品的最大技術(shù)創(chuàng)新者，也就是殺死開源產(chǎn)品本身。我相信開源界和公有云廠商最終會取得一個平衡，開源仍然會是一個主流，仍然會是創(chuàng)新的主力，一些優(yōu)秀的閉源產(chǎn)品同樣也會占據(jù)一定的市場空間。

最后我想再次總結(jié)下本文的幾個要點：

1、目前大數(shù)據(jù)已經(jīng)度過了最火的峰值期和泡沫化的底谷期，現(xiàn)在正處于穩(wěn)步向前發(fā)展的階段。2、數(shù)據(jù)規(guī)模會繼續(xù)擴(kuò)大，大數(shù)據(jù)將繼續(xù)發(fā)揚光大3、 數(shù)據(jù)的實時性需求將更加突出4、大數(shù)據(jù)基礎(chǔ)設(shè)施往云上遷移勢不可擋5、大數(shù)據(jù)產(chǎn)品全鏈路化6、大數(shù)據(jù)技術(shù)往下游數(shù)據(jù)消費和應(yīng)用端轉(zhuǎn)移7、底層技術(shù)的集中化和上層應(yīng)用的全面開花8、開源閉源并駕齊驅(qū)