去年初，誰能想到GenAI和ChatGPT會(huì)搶占先機(jī)?

一年前，我們預(yù)測(cè)數(shù)據(jù)、分析和AI提供商最終會(huì)抽出時(shí)間來簡化和重新思考現(xiàn)代數(shù)據(jù)堆棧，這是一個(gè)我們已經(jīng)接近和熱愛了一段時(shí)間的話題。作為分布式企業(yè)中數(shù)據(jù)治理的解決方案，也有很多關(guān)于數(shù)據(jù)網(wǎng)格的討論和擔(dān)憂，我們還預(yù)測(cè)了數(shù)據(jù)倉庫的崛起。

那么，這一切在2024年將如何發(fā)展呢?在未來一年里，我們將看到GenAI在向量索引、數(shù)據(jù)發(fā)現(xiàn)、治理和數(shù)據(jù)庫設(shè)計(jì)方面發(fā)揮重要作用，這并不令人驚訝，但讓我們首先回顧一下AI在過去一年里是如何影響我們的預(yù)測(cè)的。

那么，2023年的數(shù)據(jù)發(fā)生了什么?

事實(shí)證明，去年的預(yù)測(cè)其中許多都成真了。

我們看到了通過擴(kuò)展云數(shù)據(jù)倉庫服務(wù)來集成SAP SE、微軟、甲骨文等公司的交易、數(shù)據(jù)轉(zhuǎn)換管道和可視化，在簡化和扁平化現(xiàn)代數(shù)據(jù)堆棧方面取得了真正的進(jìn)展，此外，Amazon Web Services Inc.還大幅擴(kuò)展了其zero-ETL (提取/轉(zhuǎn)換/加載)功能，將操作數(shù)據(jù)庫與RedShift和OpenSearch捆綁在一起，克服了其數(shù)據(jù)庫產(chǎn)品組合中的一個(gè)關(guān)鍵弱點(diǎn)。

正如我們所預(yù)期的那樣，現(xiàn)實(shí)檢查打擊了數(shù)據(jù)網(wǎng)格，因?yàn)槠髽I(yè)正在努力應(yīng)對(duì)使聯(lián)合數(shù)據(jù)治理成為現(xiàn)實(shí)的復(fù)雜性，現(xiàn)在有了一種將數(shù)據(jù)視為產(chǎn)品的新意識(shí)，但數(shù)據(jù)產(chǎn)品的定義仍在旁觀者的眼中。

至于我們稱之為“the revenge of the SQL nerds”的數(shù)據(jù)倉庫，Apache Iceberg成為了連接數(shù)據(jù)倉庫和數(shù)據(jù)湖的事實(shí)上的標(biāo)準(zhǔn)開放表格格式，就連Databricks Inc.也打開了大門。

在第一季度，幾乎沒有提到GenAI，但奇怪的是，4月1日左右，科技界發(fā)生了180度大轉(zhuǎn)彎，正如我們?cè)诮衲晗奶彀l(fā)布的Gen AI Trip報(bào)告中所指出的那樣，自去年11月發(fā)布以來，OpenAI的ChatGPT在短短幾個(gè)月內(nèi)就獲得了1億用戶，這比Facebook、Instagram和Twitter快得多。

突然之間，每個(gè)數(shù)據(jù)、分析和AI解決方案提供商都必須有一個(gè)GenAI故事，矢量數(shù)據(jù)支持成為操作數(shù)據(jù)庫的一個(gè)復(fù)選框功能，英語(以及越來越多的其他流行語言)正迅速成為世界上最受歡迎的應(yīng)用程序編程接口和軟件開發(fā)工具包，盡管存在知識(shí)產(chǎn)權(quán)問題，但人們對(duì)Gen AI自動(dòng)生成代碼的潛力非常感興趣。

當(dāng)然，生成性模型不僅僅與語言有關(guān)，他們還可以將像素組裝成圖片，為所需功能吐出樣板代碼，拼湊音符形成歌曲，并利用分子結(jié)構(gòu)、地理空間和幾乎任何其他形式的數(shù)據(jù)來尋找概率聯(lián)系，但大多數(shù)人的注意力都集中在大型語言模型上。

在幕后，硬件變得和Jensen Huang的商標(biāo)黑色皮革轟炸機(jī)夾克一樣酷，這位NVIDIA的CEO幾乎無處不在地出現(xiàn)在我們舉辦的幾乎每一場(chǎng)云會(huì)議上，如果Huang沒有在舞臺(tái)上露面，那么他的主旨演講就不完整。

盡管每個(gè)人都想成為NVIDIA的好朋友，但爭(zhēng)奪第二來源的競(jìng)賽已經(jīng)開始，圖形處理單元的稀缺已經(jīng)到了企業(yè)只能通過長期、一到三年的硅片承諾才能獲得訪問的地步，以備不時(shí)之需，平均利用率可能只有20%左右。在這里，我們可以看到為AI工作帶來了一個(gè)未使用的GPU周期的售后市場(chǎng)。

這里是數(shù)據(jù)的角度：每一個(gè)AI模型的成功——生成性或經(jīng)典ML——取決于模型的相關(guān)性、性能和準(zhǔn)確性，當(dāng)然還有數(shù)據(jù)的相關(guān)性和質(zhì)量。在新的生成世界中，“垃圾輸入，垃圾輸出”仍然一如既往地切合實(shí)際。

為2024年做好準(zhǔn)備

十年前，數(shù)據(jù)是風(fēng)險(xiǎn)投資的中心。瀏覽一下2010年代Strata舊大數(shù)據(jù)會(huì)議的會(huì)議日程，我們的議程上擠滿了提供大量輔助工具和服務(wù)的初創(chuàng)公司，這些工具和服務(wù)以Hadoop、流媒體、目錄和數(shù)據(jù)爭(zhēng)論為中心。

可以說，那里有相當(dāng)高的死亡率，這是達(dá)爾文主義的秩序?？爝M(jìn)到今天，AI已經(jīng)取代數(shù)據(jù)成為風(fēng)險(xiǎn)投資的熱點(diǎn)。根據(jù)經(jīng)濟(jì)合作與發(fā)展公司的數(shù)據(jù)，在過去十年中，AI一直是同期風(fēng)險(xiǎn)融資增長最快的行業(yè)。經(jīng)合公司的一個(gè)相關(guān)有趣事實(shí)是，在此期間，實(shí)際的AI風(fēng)險(xiǎn)投資增長了28倍。

誠然，過去幾年的情況更加低迷，但如果OECD的圖表更新，我們預(yù)計(jì)風(fēng)險(xiǎn)投資比例和AI倍數(shù)的增長將會(huì)繼續(xù)。

根據(jù)PitchBook的數(shù)據(jù)，2023年第三季度，整體風(fēng)險(xiǎn)融資降至2017年以來的最低水平，早期融資與五年低點(diǎn)同步，但富人們正在變得越來越富有，微軟100億美元的支持下，開放AI顯然是一個(gè)典型，然后是Anthropic PBC，它得到了來自AWS和谷歌有限責(zé)任公司的約50億美元的支持，最近又獲得了7.5億美元的融資，其估值達(dá)到了相當(dāng)高的150億美元，相當(dāng)于收入的75倍。

問題不是這個(gè)泡沫是否會(huì)破滅，而是何時(shí)破滅。由于2024年利率可能會(huì)下降，這一清算時(shí)刻不太可能立即到來，這項(xiàng)技術(shù)太新了，客戶不會(huì)失望。

但請(qǐng)稍等，OpenAI、Anthropic、Cohere Inc.或其他公司，2024年可能會(huì)被標(biāo)記為寒武紀(jì)適合用途的、更緊湊的基礎(chǔ)模型或FM的開始。我們預(yù)計(jì)，這一類別的融資將上升到較長尾的公司。

這些適合用途的FM的增長將受到對(duì)運(yùn)營GPT等大型模型的巨額支出的強(qiáng)烈反對(duì)。有了學(xué)習(xí)曲線，數(shù)據(jù)科學(xué)家將在優(yōu)化生成模型的合適大小的訓(xùn)練數(shù)據(jù)庫方面變得更有先見之明。

正如我們幾個(gè)月前指出的那樣，GenAI可能是市場(chǎng)上閃閃發(fā)光的新事物，但在幕后，“經(jīng)典”ML模型將繼續(xù)發(fā)揮重要作用。當(dāng)塵埃落定時(shí)，為任務(wù)的正確部分使用正確的模型，將會(huì)有更多的平衡。

在數(shù)據(jù)庫方面，我們看到了一種安全的逃亡。在一個(gè)仍有數(shù)百個(gè)引擎的環(huán)境中，人們對(duì)新的數(shù)據(jù)庫初創(chuàng)公司幾乎沒有興趣，但顯示最受歡迎的10個(gè)引擎基本保持穩(wěn)定。

Couchbase Inc.是一個(gè)很好的例子，它從失去的十年中恢復(fù)過來，勉強(qiáng)實(shí)現(xiàn)了可觀的增長，但它的市場(chǎng)份額永遠(yuǎn)不會(huì)達(dá)到與MongoDB持平的水平，后者曾是它的競(jìng)爭(zhēng)對(duì)手。除了這一群體，我們認(rèn)為2010年代的前景渺?！雽?shí)驗(yàn)室公司、Yuabyte公司或Aerospike Inc.等老牌初創(chuàng)公司取代了現(xiàn)有的秩序。

那么，我們應(yīng)該在2024年的數(shù)據(jù)庫環(huán)境中尋找什么呢?一個(gè)廣泛的暗示是，其中很大一部分將與支持和內(nèi)部利用AI有關(guān)。

向量索引和BI整合

向量指數(shù)不會(huì)成為頭條新聞，也不會(huì)是GenAI-商業(yè)智能集成，但這將是2024年最重大的數(shù)據(jù)庫創(chuàng)新。數(shù)據(jù)庫供應(yīng)商今天將擴(kuò)展他們的通用向量索引產(chǎn)品，提供更多的優(yōu)化選擇，他們將加入編排，允許使用表格、BI風(fēng)格的結(jié)果豐富Gen AI查詢。

回到基本問題，那么GenAI與數(shù)據(jù)庫有什么關(guān)系呢?對(duì)于運(yùn)行例程查詢，持久化數(shù)據(jù)比按需填充數(shù)據(jù)更有效。對(duì)于生成性模型，能夠訪問新的或更相關(guān)的數(shù)據(jù)是使它們?cè)谀Ｐ陀?xùn)練所依據(jù)的數(shù)據(jù)語料庫之外保持最新的關(guān)鍵，這就是檢索增強(qiáng)生成(RAG)和向量的用武之地。

毫不奇怪，數(shù)據(jù)庫部門去年的回應(yīng)是增加了存儲(chǔ)向量嵌入的能力。對(duì)于現(xiàn)有的操作數(shù)據(jù)庫，這幾乎是不費(fèi)吹灰之力的，因?yàn)橄蛄恐皇橇硪环N要添加到混合中的數(shù)據(jù)類型。AWS、DataSTax Inc.、微軟、MongoDB Inc.、Snowflake Inc.和各種PostgreSQL變種也加入了這一潮流。

我們還看到了專門的病媒數(shù)據(jù)庫的出現(xiàn)，例如來自松果系統(tǒng)公司和Zillis公司及其Milvus的數(shù)據(jù)庫。我們預(yù)計(jì)矢量數(shù)據(jù)庫環(huán)境將以與圖形相同的方式發(fā)展：出現(xiàn)了幾個(gè)專門的數(shù)據(jù)庫，用于服務(wù)于涉及極端規(guī)模和復(fù)雜性的用例，其中大部分操作來自我們已經(jīng)使用的數(shù)據(jù)庫，這些數(shù)據(jù)庫正在或正在將矢量數(shù)據(jù)支持添加為一項(xiàng)功能。

隨著大多數(shù)操作數(shù)據(jù)庫添加向量存儲(chǔ)，我們將索引視為下一個(gè)前沿，這也是GenAI支持方面的大部分差異化之處。大多數(shù)添加向量存儲(chǔ)的數(shù)據(jù)庫都是從基本的索引開始的，該索引沒有針對(duì)特定的服務(wù)級(jí)別協(xié)議進(jìn)行優(yōu)化，這種情況即將改變。

原因如下：向量索引不是平等創(chuàng)建的。向量索引搜索標(biāo)識(shí)相似項(xiàng)目的“最近鄰居”(也稱為“相似性搜索”)，但有不同的方法來優(yōu)化相似性搜索，這反過來又會(huì)根據(jù)它們支持的索引類型來決定使用什么數(shù)據(jù)庫。

向量索引的變量包括查找率，它衡量為特定查詢檢索到的相關(guān)數(shù)據(jù)實(shí)體或項(xiàng)的比例。從本質(zhì)上說，有兩種選擇，一種是低召回率，一種是快速而骯臟的方法，運(yùn)行起來更經(jīng)濟(jì)，提供的是大體情況，另一種是高召回率，它更全面，對(duì)結(jié)果更嚴(yán)格。

因此，用于生成營銷內(nèi)容的生成性應(yīng)用程序可能會(huì)使用低召回率向量索引，而與合規(guī)相關(guān)的用例將需要更全面、更昂貴、更高召回率的搜索。向量索引中還有針對(duì)速度(性能)或比例等參數(shù)進(jìn)行優(yōu)化的其他變體。

例如，Milvus提供了近12種不同的向量索引類型，它們針對(duì)數(shù)據(jù)集的大小、速度、召回率、內(nèi)存占用和維度(查詢復(fù)雜性的衡量標(biāo)準(zhǔn))進(jìn)行了優(yōu)化，而Oracle提供了內(nèi)存中索引的選擇，以實(shí)現(xiàn)更緊湊的搜索，以及一種旨在跨多個(gè)分區(qū)并行擴(kuò)展的索引。

硬幣的另一面是能夠?qū)⑾蛄坎樵兊慕Y(jié)果與表格數(shù)據(jù)混合和匹配。從字面上看，這將是GenAI數(shù)據(jù)庫創(chuàng)新的明顯一面，例如，一家為商業(yè)客戶提供市場(chǎng)情報(bào)的提供商，它為關(guān)鍵字搜索提供了一種自然語言替代方案，將矢量商店中關(guān)于客戶情緒的匯總數(shù)據(jù)與來自文檔數(shù)據(jù)庫(如MongoDB)的異類數(shù)據(jù)關(guān)聯(lián)起來。

這里有另一個(gè)用例：制造商使用GenAI對(duì)產(chǎn)品質(zhì)量問題進(jìn)行根本原因分析，可以與跟蹤保修和服務(wù)成本的關(guān)系數(shù)據(jù)庫中的表格數(shù)據(jù)相關(guān)聯(lián)。我們希望在能夠協(xié)調(diào)這種復(fù)合查詢的數(shù)據(jù)庫平臺(tái)中看到更好的結(jié)締公司。

數(shù)據(jù)和AI治理開始走到一起

今天，數(shù)據(jù)治理和AI治理是獨(dú)立的工具鏈，由不同的從業(yè)者運(yùn)行：一端是數(shù)據(jù)庫管理員和數(shù)據(jù)管家，另一端是AI開發(fā)人員和數(shù)據(jù)科學(xué)家，這個(gè)問題并不局限于GenAI，而是適用于所有類型的AI模型，而且早該融合了。我們預(yù)計(jì)在未來一年將開始看到通過跟蹤和關(guān)聯(lián)譜系將數(shù)據(jù)和AI治理結(jié)合在一起的運(yùn)動(dòng)。

這是一個(gè)棘手的挑戰(zhàn)，僅以數(shù)據(jù)治理為例：在大多數(shù)公司中，它很難說是鐵板一塊。通常，不同的團(tuán)隊(duì)和參與者在數(shù)據(jù)質(zhì)量、安全和隱私、合規(guī)性和風(fēng)險(xiǎn)管理以及整體生命周期管理方面處于領(lǐng)先地位，這些工作往往是重疊的，因?yàn)榇蠖鄶?shù)公司都有多個(gè)工具，如數(shù)據(jù)目錄，來執(zhí)行相同的任務(wù)。

數(shù)據(jù)治理中的脫節(jié)引發(fā)了關(guān)于數(shù)據(jù)網(wǎng)格的討論，這是關(guān)于在數(shù)據(jù)產(chǎn)品的整個(gè)生命周期中協(xié)調(diào)數(shù)據(jù)所有權(quán)與責(zé)任的問題，這在2022年的數(shù)據(jù)討論中占據(jù)了主導(dǎo)地位。

與此同時(shí)，隨著ML的采用從孤立的概念證明擴(kuò)展到常規(guī)地嵌入預(yù)測(cè)性和規(guī)范性分析，AI治理迅速出現(xiàn)，它通常側(cè)重于跟蹤模型譜系、審計(jì)、風(fēng)險(xiǎn)管理、合規(guī)性，在某些情況下，還關(guān)注可解釋性。GenAI加劇了這一挑戰(zhàn)，需要更多地關(guān)注數(shù)據(jù)源的引用，同時(shí)引入新的問題，如檢測(cè)(并允許刪除)有毒或誹謗性語言，幻覺(當(dāng)然)，以及版權(quán)和知識(shí)產(chǎn)權(quán)問題。

當(dāng)然，挑戰(zhàn)在于，在AI領(lǐng)域，模型和數(shù)據(jù)交織在一起，模型的性能、安全性和合規(guī)性與用于生成答案的訓(xùn)練和生產(chǎn)數(shù)據(jù)集直接相關(guān)，這就是為什么，當(dāng)檢測(cè)模型偏差時(shí)，問題可能很容易出在數(shù)據(jù)上，或者出在邏輯或算法上，或者兩者兼而有之。

例如，有充分的文件證明，面部識(shí)別系統(tǒng)的可靠性很容易受到不同種族和國籍的過度或不足抽樣的影響。當(dāng)不同的人口普查區(qū)域或人口隊(duì)列以不同的比率進(jìn)行抽樣時(shí)，對(duì)產(chǎn)品或社會(huì)服務(wù)的需求分析也是如此。

然后是漂移的問題，數(shù)據(jù)和模型可以獨(dú)立漂移，也可以相互依賴，數(shù)據(jù)來源可能會(huì)改變，數(shù)據(jù)揭示的趨勢(shì)也可能要求模型反過來調(diào)整其算法。你不會(huì)想用今天的數(shù)據(jù)來解決昨天的問題，反之亦然。

在接下來的一年里，我們預(yù)計(jì)AI治理工具將開始關(guān)注數(shù)據(jù)譜系，它是審計(jì)跟蹤可以開始的邏輯點(diǎn)，評(píng)估哪個(gè)模型的哪個(gè)版本針對(duì)什么數(shù)據(jù)的哪個(gè)版本進(jìn)行了培訓(xùn)，以及誰是擁有和擔(dān)保這些更改的責(zé)任方。

從那時(shí)起，以后可能會(huì)出現(xiàn)更復(fù)雜的能力，跟蹤和關(guān)聯(lián)數(shù)據(jù)質(zhì)量、準(zhǔn)確性、合規(guī)性等。隨著許多ML模型在數(shù)據(jù)庫中執(zhí)行，我們看到了數(shù)據(jù)目錄合并模型資產(chǎn)的巨大機(jī)會(huì)，并由此成為應(yīng)用治理的點(diǎn)。

我們很感興趣地看到，IBM完成了對(duì)Manta Software Inc.的收購，以實(shí)現(xiàn)數(shù)據(jù)沿襲，同時(shí)也揭開了AI治理領(lǐng)域Watsonx.治理的面紗。雖然IBM的時(shí)機(jī)是巧合的，但我們希望它最終會(huì)利用這個(gè)偶然的機(jī)會(huì)。

GenAI豐富了數(shù)據(jù)發(fā)現(xiàn)和治理

不足為奇的是，Gen AI最受歡迎的用例一直圍繞著從查詢到編碼的各種任務(wù)的自然或?qū)υ捳Z言界面。我們預(yù)計(jì)，數(shù)據(jù)發(fā)現(xiàn)和治理將是未來一年GenAI增強(qiáng)的主要目標(biāo)。

讓我們從自然語言或會(huì)話查詢開始，一些很好的早期例子包括QuickSight中的ThoughtSpot Sage、Databricks Lakehouse IQ和Amazon Q，它們繼承了Tableau Ask Data等面向關(guān)鍵字的前輩的做法。我們預(yù)計(jì)Tableaus和Qlik將在2024年做出回應(yīng)。

我們還預(yù)計(jì)，自然語言將圍繞數(shù)據(jù)生命周期中涉及的阻塞和處理發(fā)揮各種功能，從編目數(shù)據(jù)到發(fā)現(xiàn)、管理、管理和保護(hù)數(shù)據(jù)。Atlan是一家專注于DataOps的數(shù)據(jù)目錄提供商，它提供了我們預(yù)計(jì)今年會(huì)看到更多內(nèi)容的一瞥。Atlan從一個(gè)常見的自然語言搜索功能開始，該功能與越來越多的BI工具提供的自然語言查詢功能非常相似。

但它進(jìn)一步改進(jìn)了數(shù)據(jù)庫元數(shù)據(jù)的自動(dòng)發(fā)現(xiàn)(例如，數(shù)據(jù)資產(chǎn)的表名和列名、模式規(guī)范和譜系)，以生成簡單英語的文檔。作為自然語言SQL代碼生成的鏡像，Atlan可以將現(xiàn)有的SQL轉(zhuǎn)換為純語言描述。

這只是冰山一角，對(duì)這些自動(dòng)文檔功能的邏輯擴(kuò)展將從業(yè)務(wù)術(shù)語表中提取數(shù)據(jù)，并將它們與表元數(shù)據(jù)相關(guān)聯(lián)，反之亦然。GenAI的自動(dòng)匯總能力可以指向書面政策、規(guī)則和事件，以記錄對(duì)風(fēng)險(xiǎn)管理護(hù)欄的遵守情況。讀取表元數(shù)據(jù)和SQL轉(zhuǎn)換可以豐富或生成參考數(shù)據(jù)，以協(xié)調(diào)數(shù)據(jù)庫和應(yīng)用程序之間的數(shù)據(jù)，并找出差距或遺漏，這些只是我們預(yù)計(jì)今年會(huì)出現(xiàn)的幾種可能性。

GenAI與數(shù)據(jù)庫設(shè)計(jì)

追隨自動(dòng)代碼生成或指導(dǎo)的腳步，GenAI還可以幫助數(shù)據(jù)庫設(shè)計(jì)人員簡化數(shù)據(jù)庫的開發(fā)和部署，當(dāng)然，這將繼續(xù)需要人類參與——我們不應(yīng)該讓一個(gè)聰明的機(jī)器人在沒有干預(yù)的情況下設(shè)計(jì)數(shù)據(jù)庫，但語言模型掃描、匯總和突出顯示數(shù)據(jù)語料庫的能力，可能使其成為數(shù)據(jù)庫開發(fā)的主要生產(chǎn)力工具。

誠然，AI已經(jīng)被用于數(shù)據(jù)庫操作的許多方面，從查詢優(yōu)化到索引創(chuàng)建、自動(dòng)調(diào)優(yōu)、配置、修補(bǔ)等，Oracle自治數(shù)據(jù)庫是完全自動(dòng)駕駛自動(dòng)化的典范。盡管在一些運(yùn)營領(lǐng)域，ML已經(jīng)被用來優(yōu)化或提供可以由GenAI補(bǔ)充的建議，但我們相信，最大的回報(bào)將是數(shù)據(jù)庫處理數(shù)據(jù)內(nèi)容的方面，這也是我們預(yù)計(jì)2024年下一波AI創(chuàng)新將發(fā)生的地方。正如前面提到的，我們已經(jīng)略微了解了自然語言查詢和SQL代碼生成。

在短期內(nèi)，我們預(yù)計(jì)將看到GenAI數(shù)據(jù)庫創(chuàng)新專注于數(shù)據(jù)的結(jié)構(gòu)化。利用轉(zhuǎn)換器模型用于匯總和提取文檔亮點(diǎn)的相同類型的功能，我們可以看到，通過輸出E-R圖、模式生成和基于實(shí)際數(shù)據(jù)的特征生成合成數(shù)據(jù)，可以將其應(yīng)用于掃描用于數(shù)據(jù)建模的應(yīng)用程序的需求文檔。利用代碼生成能力和檢測(cè)隱式數(shù)據(jù)結(jié)構(gòu)的能力，我們可以看到GenAI被應(yīng)用于創(chuàng)建數(shù)據(jù)轉(zhuǎn)換管道。

從長遠(yuǎn)來看，我們可以看到GenAI的出現(xiàn)，以補(bǔ)充已經(jīng)應(yīng)用于ML的任務(wù)，例如創(chuàng)建索引、錯(cuò)誤和離群值檢測(cè)以及性能調(diào)優(yōu)，但我們不認(rèn)為這些功能是2024年數(shù)據(jù)庫提供商的首要任務(wù)，因?yàn)槟抢锏暮锰帉⑹菨u進(jìn)的，而不是變革性的。對(duì)于任何閃亮的新事物，讓我們不要得意忘形。