大公司经常因为“错过”未来而受到批评 — 因为处于目前舒适的环境中，他们会认为未来也不过如此罢了。虽然老牌公司一般都处于领先地位，但未来仍然是未来，充满了未知的可能性。微软可能就是好的例子：该公司没有“错过移动” — Windows Mobile 于 2000 年出现。但是，它过于忠守其基于许可证的模块化商业模式，而没有展望未来的发展趋势，就好比 Windows 是一个行星，在不断地围绕“移动”这个太阳转。可以说，关于 Windows Mobile 的一切假设都没有与实际接轨。
人们可以对 Google 和其企业得出同样的论点，G Suite 和 Google Docs 于十年前推出，并取得了小幅成功，尤其是在小型企业和教育领域。这不奇怪，因为这两个市场与 Google 的核心消费者用户群具有广泛相似的特征 — 有限的可支配资源和价格较低的产品。虽然在大型企业中前进是很困难的，但事实上在过去几年中，Office 365 赶超 G Suite，不仅增长更快，而且赢得了客户。
尽管如此，为了微软与 Office 365 的成功，云计算的真正巨人，也就是企业计算的未来，像往常一样充满未知性：同年 Google 决定使用微软亚马逊推出的 Amazon Web Services。AWS 能如此引人注目是因为它反映了亚马逊是运行方式：它为规模和具有清晰定义以及强化的接口而构建的。 客户，从一开始的亚马逊内部人员，到后来世界各地的公司，都能访问“原始性”代码，并用于混合和匹配，以构建一个更具可扩展性和更安全的后端，它能比任何自己建立系统的公司更有效。
AWS 的原始性
今年早些时候在 The Amazon Tax 我解释了亚马逊的 AWS 战略是如何通过同一个方法，使公司成功名列第一：
该公司由多个相对独立的团队组织，每个团队都有自己的损益，责任和分布式决策。 [The Everything Store 作者 Brad] Stone 解释了早期的 Bezos 计划：
他说整个公司会将自身重组为他所说的“两个披萨团队”。员工将被组织成少于 10 个人的自治团体（足够小），当工作到很晚时，团队成员可以得到两个比萨饼。这些团队将独立摆脱亚马逊大的问题…Bezos正在将一种混沌理论应用于管理，通过将其分解为最基本的部分以认识到他的组织的复杂性，希望可能出现令人惊讶的结果。
Stone 后来写道，“两个披萨团队”不是在任何地方都行得通，但正如他在后续文章中指出的那样，公司仍然保持着扁平化，责任广泛分布。 而那些“最基本的部分”，是原始的规模和试验。记住上面的报告描述了 Bezos 和团队如何实现 AWS 想法的：
如果亚马逊想刺激开发商的创造力，它不应该试图猜测他们可能想要什么样的服务，这种猜测会基于过去的模式。 相反，它应该创建原始性 — 计算的构建块，然后抛弃这种方式。
Steven Sinofsky 喜欢指出组织倾向于发布他们的组织图，虽然我开始时建议亚马逊重复 AWS 模型，但事实证明，AWS 模型在许多方面是亚马逊本身的代表（就像 iPhone 在许多方面反映了苹果的统一组织）：创建一堆原物，然后又将其抛弃，当做这一切都没发生一样。
AWS 的产品无论在进一步的提取（例如 Lambda “无服务器”计算）方面，还是从堆栈到平台和软件服务方面，都远远超出了（虚拟化）处理器，硬盘驱动器和数据库等的基础架构，但其成功的基础仍然是亚马逊的纯平台方法：它们为企业提供了几乎任何他们想要的东西。
Google 属于产品公司
与此同时，谷歌从未成为一家真正的平台公司。它和苹果走的也是不同的路线，前者专注于服务，而后者专注于产品，当然，需要前提是硬件算得上产品，这个说法才成立。“产品”还有一个更广泛的定义——一个提供给终端用户的完全解决方案，从这一点来看，谷歌与苹果公司的性质还是十分接近的。
平台公司与产品公司的差别非常大，就像云服务与硬件之间的差异一样（我在 Apple’s Organizational Crossroads 中进行过探讨）。要创造一款理想的产品，无论它是智能手机还是搜索框，为了给用户带来良好的体验，都需要在设计和工程上下足功夫。但这些努力是终端用户是看不到的。而集成产品恰恰与之相反，这也是为什么谷歌以消费者为中心的服务集成在后端的原因，这点和 iPhone 一样。
“与集成多个部件来交付产品不同，AWS 选择将构建后端服务的所有部件分解成完全模块化”，不过，这种经营模式不仅是亚马逊在用，作为 IT 时代卓越平台公司的 Microsoft 在 Win32 API 的做法也是这样。虽然 Windows 这么设计带来的最终用户体验比不上 Mac OS，但它性能更强，并且可扩展。而AWS的灵活性和模块化也成为了它打破2008年 Google 最初云产品（Google App Engine）的主要因素。另外，AWS 有一个明显的优点就是可以让您随心所欲构建自己所需要的，而使用 App Engine 则需要接受 Google 的一些规则。
Google 的反平台策略
当涉及到 Google 的转变方式时，Windows 提供的示例还是具有指导意义的，即围绕广泛 API 构建大规模生态系统。Windows 很强势的地方就是，为 Windows 构建的应用程序不容易被移植到其他操作系统。而且，Windows 与合作伙伴之间还存在着庞大商业网络，它使 Windows 成为企业必备的工具。因此，现在的亚马逊也在朝着这个方向努力。
对于消费者和企业级用户而言，不使用 Windows，如今也是可行的，而之所以如此的原因在于 web 技术：现在有了一个新的运行时，我们可以将它放在 Windows 上面运行，但它并不依赖于 Windows 系统，而这样的运行时让 Google 成了消费者阵营中的大赢家。实际上，浏览器的兴起也对 AWS 进行了诠释：任何新的业务应用程序都是为网络（包括基于网络的 API 运行的应用程序）构建的，并且可以在任何设备上访问。
事实证明，在过去几年中，Google 已经采用了一种浏览器方法来实现企业计算。 在2014年，谷歌发布 Kubernetes，一个基于谷歌的内部 Borg 服务的开源容器集群管理器，其摘录 Google 的大规模基础设施，使所以 Google 的服务都可以即时访问他们所需的所有计算能力，而不必担心细节。它的重点是容器，我曾在2014年写道：工程师建立一个标准的接口，只需保留其完全的灵活性，而不需要知道底层硬件和操作系统的相关内容。
Kubernetes 与 Borg 的不同之处在于它的完全可移植性：它可运行在 AWS 和 Azure上，也能运行在Google Cloud Platform 和内部部署的基础设施上，甚至可以在家里运行。与本文更相关的是，它是开局十年来 AWS 在基础设施即服务方面的完美矫正：虽然谷歌在自己的基础设施产品方面取得了巨大的进步，但 kubernetes 的特殊性和基于容器开发的广泛适用性，使你不管用哪个基础设施提供商，都不影响 AWS 的使用。难怪它是增长速度最快的项目之一：因为没有锁定。
但如何能帮助 Google 呢？毕竟，即使 Kubernetes 成为企业云的标准，亚马逊的广泛生态系统锁定仍然存在（公司有自己的容器战略，进一步锁定客户进入 AWS）; 如此看来。 Google 必须采取不一样的措施。
成本与经验
这里桌面也起了指向作用：在平台无关的浏览器上运行的网络，其开放性并没有促使 Google 成功。相反，网络的开放为最佳技术创造了获胜条件。Google 的优势不仅是因为具备好的搜索引擎，还因为它的依赖连接使得网络越做越大，这一点谷歌做的比竞争对手好。
我认为这是一个可以广泛试用的想法。事实上，它是聚合理论的核心部分：随着分配（或交换）成本的降低，用户体验的重要性增加。换句话说，当你可以对所有服务进行访问的时候，不管是新闻、汽车共享，还是视频或搜索，好的取胜方法不是赢在最初的优势，还是赢在之后的优势复合。
Google 在提到企业云时打赌说：Kubernetes 的开源表明着谷歌试图有效地在云基础架构上构建浏览器，从而降低交换成本。该公司与 Google Search 性质相当的将是机器学习。
机器学习与数据
几乎可以肯定的是，机器学习将越来越倾向于云服务：这两者都在于处理大数据。然而只有少数巨头有财政能力来建立所需的基础设施和聘请好的机器学习的世界工程师。这意味着大多数企业从机器学习将首先从他们的数据是否在云上产生分化（会有内部部署的解决方案，但我希望他们掉越来越多的过去时间），其次是他们所选择的云服务供应商。
这提高了云计算供应商自身的风险；优秀的机器学习产品是可持续的：更好的产品吸引到更多的客户，从而获取更多的数据，而数据是机器学习的原材料。也正因为数据，谷歌才成为 AWS 的大威胁。
谷歌的大优势是它在近二十年来收集到的大量数据，以及在过去的几年里开发了强大的机器学习算法。所有问题的关键都在于数据，去年谷歌开源的 tensorflow 就是好的例子：正如我在TensorFlow 和货币化的知识产权 所说的，谷歌愿意分享其方法，就是含蓄地承认了其优越的数据处理基础设施是一个可持续的优势。
我们已经可以看到应用到谷歌云产品的优势了，感恩节前谷歌发布的一系列产品，就可以清楚地看到其利用了自身的数据优势：
l Cloud Natural Language API 使用机器学习来逐字分析，从而获得通用可行性
l 升级版的Cloud Translation API 使用机器学习大规模提高翻译八种语言的精度（超过支持超过100种语言的标准版）
l Cloud Vision API 使用机器学习来分析图像后价格大大降低
l 新的 Cloud Jobs API 使用机器学习来匹配员工与工作
前三个 API 显然起源于多样化的谷歌消费产品，Jobs API 四核和谷歌网页财产统计的数据一样，基于谷歌内部工具创建。这些谷歌都花了几年时间来磨练它的算法，使其被应用到一个企业数据集的结果很有可能优于或至少远低于培训漏斗。我希望这一优势能够坚持下去，并产生更多的意义。
不过，谷歌不得不做更多的事，顶级 AI 专家李飞飞、李嘉带领的机器学习团队将会发布构建和训练智能应用定制模型的云端机器学习框架 Google Cloud Machine Learning：这个团队将负责建立一个新的机器学习商业API，换句话说，他们的任务是让谷歌的机器学习转向产品化。
这是被第一次云计算浪潮中成为中国好的平台——亚马逊打败的谷歌公司的迂回策略，它试图通过开源项目 Kubernetes 来把竞争目标转移到产品。毕竟，改变竞争规则比改变作为一家公司的基本性质更为容易。
当然谷歌的成功岌岌可危：公司要处理一个新的商业模式——销售和广告，以及建立必要的销售和企业支持组织。这两个领域亚马逊均已处于领先地位，它有很多的合作伙伴和很大的一般性功能集。
当然，AWS、IBM 和微软都拥有自己的机器学习 API。微软可能在这方面尤为强大：不仅对此有多年的研究，还有具体的商业产品化技术的经验；而谷歌长期关注消费者可能成为它的障碍，而同样受欢迎的 Kubernetes，可以说是谷歌还没吃自己的狗食。
不管怎么说，谷歌将是一个强大的竞争对手：因为它有完整的战略，并且，现如今找到一个新业务线远比2006年更为紧迫。而最重要的是，它才刚刚开始转移到云计算，而亚马逊似乎已经发展到了遥远未来，未来尚未可知，它将看着谷歌试图改变规则，那一定很有意思。
热门专题
