近年来，谷歌实践了一条依靠浏览器来探索企业计算的道路。2014 年，谷歌宣布推出以 Borg 服务为基础的开源容器集群管理系统 Kubernetes。由于 Borg 能抽调大量的谷歌基础设施，所以谷歌所有的服务都能随时按需支取相应的计算功能，而不必挂虑任何细节问题。这一过程的关键就在于容器。谷歌工程师们建立了一个灵活性几乎无损的标准界面（接口），因此根本不需再费心思去了解底层硬件或操作系统。

　　Kubernetes 和 Borg 的不同之处就在于，前者是可以到处安家的。它可以在 AWS 上运行，可以在 Azure 上运行，可以在 Google Cloud Platform 和内部部署的基础设施上运行，甚至还可以在用户家中运行。对于谷歌而言，虽然 AWS 在IaaS（基础设施即服务）这一领域已经有十年经验了，但利用 Kubernetes，它一样有机会迎头赶上。首先，谷歌自己在基础设施上已经有了长足进步；其次，Kubernetes 的潜在影响和以容器为基础的研发理念最终会让用户拥有选择基础设施供应商的自由。难怪 Kubernetes 成了史上成长最快的开源项目，因为，它真的不捆绑人。

　　不过这对谷歌到底有什么帮助呢？毕竟，就算 Kubernetes 变成了企业云的标准，AWS 生态系统也绝不会放走一个企业客户。所以，谷歌真正需要的是做到差异化。

　　成本 VS 体验

　　这里需要澄清的是：Web 的开放性本身不是谷歌有把握战胜亚马逊的根本原因，不过，这种开放性却为谷歌研发最佳技术创造了条件；同时，谷歌拥有最先进的搜索引擎，这件事本身同样不能保证谷歌就能战胜亚马逊。但是，由于其搜索引擎依赖的是链接而非网页内容，所以，只要 Web 成长，谷歌就会跟着成长。这一优势是其竞争者们不具备的。

　　我认为我们能从中得出一个值得推而广之的理念——实际上，该理念也是聚合理论（Aggregation Theory）的核心：当分配成本（distribution cost）或转换成本（switching cost）下降时，用户体验的重要性就会上升。也就是说，当你可以对所有服务进行访问时（不管是新闻、汽车共享，还是视频或搜索），最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。（注：本段翻译参考了开源中国）

　　所以，谷歌在企业云领域挑战 AWS，首先就是把宝押在了开源的 Kubernetes 上。利用 Kubernetes，谷歌希望能创建一个完全不受控于云基础设施的浏览器，然后降低转换成本。再一个，谷歌还将向机器学习发起冲刺，而在这一领域取得的成果，同样会成为谷歌打击 AWS 的利器。

　　胜负未定 图片来自 CloudAcademy Blog

　　机器学习和数据

　　无疑，云服务正在日益主导机器学习。两者都涉及到对大量数据的处理，而在这方面，只有小部分巨头拥有足够财力，能最终建起所需的基础设施并雇佣全球一流的机器学习工程师。这就意味着，对于绝大多数企业来说，机器学习之成果的大小，首先取决于它们的数据是否来自云端（虽然有本地解决方案，但我认为这些方案会随着时间的推移而不再适用），其次则取决于各自云供应商的好坏。

　　这就意味着云供应商们要承担更大的风险。优秀的、可供机器进行学习的“教材”不仅要保持差异化，而且还要保证可持续，因为只有精益求精才能吸引更多用户并采集到更多数据，最后，这些数据将会帮助企业改进各自的机器学习。

　　可以说，就目前各自所拥有的数据而言，谷歌已经成了AWS 在云端的最大威胁。

　　谷歌的巨大优势是：将近20年来它一直在和大量数据打交道，并且过去几年里一直在开发强大的机器学习算法。要知道，数据是最重要的，而最好的证据就是：去年谷歌宣布开源TensorFlow（一种机器学习蓝图）后不久，直播，我 注意到该公司就是想借机向人们暗示：它的数据储备更为庞大，而它的基础设施也具备可持续演进的优越性。

　　其实谷歌已经按捺不住地向我们展示了它是如何在其云产品上运用这些优势的了——就在今年感恩节之前，谷歌发布了一系列产品，从中我们可以明确看出：这些产品都利用了谷歌在数据上的优势：

云自然语言API（Cloud Natural Language API）：通过机器学习来分析文本，已经具备了一定的可用性；

高级版的云翻译API（Cloud Translation API）：它使用机器学习，以大幅度提高八种语言翻译的准确性；

大幅度降价的云视觉API（Cloud Vision API）：通过机器学习来分析图像；

新版的云工作API（Cloud Jobs API）：通过机器学习给员工分配合适的工作