几年前，云存储的概念非常简单：你将文件拖入一个文件夹，它就会出现在你的其他设备上。这就是它的全部卖点。如今，云存储中的人工智能正在悄然重写这一承诺，将被动的文件存储库转变为能够预测用户需求、更智能地压缩数据并在你察觉之前发现问题的系统。如果你在过去一年中同步过笔记本电脑和手机，你可能已经在不知不觉中受益于这种转变。
这种变化并非一夜之间发生，它也不仅仅是强加于旧基础设施之上的营销噱头。机器学习模型现在直接嵌入到在设备间移动文件的同步引擎中，实时决定优先处理哪些内容、推迟哪些内容，以及标记哪些内容看起来可疑。了解其工作原理及其未来发展方向，有助于你就信任哪些服务来托管你的数据做出更好的决策。
为何传统同步开始显得力不从心
传统的文件同步依赖于简单的触发机制。当文件发生变化时，时间戳会更新，系统会将该变更推送到所有连接的设备。这种方法对于拥有少量文件的单个用户来说效果良好，但在大规模应用下就会失效。共享数千份文档的团队、上传数吉字节原始格式图像的摄影师，以及频繁推送代码更改的开发者，都暴露出了同样的弱点：笨拙的同步机制将每个字节都视为同等紧急。
其结果就是带宽浪费、移动设备电池耗电过快，以及导致用户面对同一电子表格的两个版本而不知所措的同步冲突。存储服务提供商注意到，瓶颈已不再是磁盘空间，而是决策能力。需要有人或某种机制来决定当下什么最重要，而基于规则的逻辑无法跟上实际使用模式那难以预测的变化。
这正是机器学习擅长填补的空白。提供商不再硬编码诸如“始终优先同步照片”之类的规则，而是可以根据实际行为训练模型，让系统自行适应。
机器学习如何切实改善同步体验
人工智能增强型同步的核心是一个优先级引擎。系统不再按照文件修改的顺序进行处理，而是学习用户接下来可能打开哪些文件，并将这些文件移至队列前端。如果你倾向于在每个周一早晨打开演示文稿文件夹，训练有素的模型会注意到这一模式，并在你发出请求之前预取这些文件。
预测性缓存在下载端也以类似方式工作。Dropbox 和 Google Drive 等服务已经发布了关于利用使用信号（如一天中的时间段、设备类型、近期活动）来决定哪些文件应在本地保持随时可用、哪些文件可以仅保留在云端的研究成果。这并非披着智能外衣的猜测；这是对无效传输的真正减少，体现为用户实际访问的文件加载速度更快。
压缩是人工智能产生可衡量影响的另一个领域。传统压缩算法以相同方式处理所有数据，无论内容如何都应用固定方法。相比之下，基于神经网络的压缩可以识别出充满相似截图或近乎重复照片的文件夹中存在通用算法所忽略的可利用冗余。对于存储大型媒体库的用户来说，这种节省会迅速累积。
增量同步也变得更加智能
增量同步——仅发送文件中发生变化的部分而非整个文件——已
免责声明：本文内容来自互联网，该文观点不代表本站观点。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请到页面底部单击反馈，一经查实，本站将立刻删除。
