F5 2025年技术展望

尽管生成式AI无疑是2024年对企业影响较大的技术之一，但它并非唯一引发广泛关注的趋势或技术。成本与复杂性问题交织，促使企业将工作负载从公有云迁回本地，其中尤以存储和数据为甚。毫无疑问，这一趋势也源于企业需要整顿数据环境，以充分利用AI带来的潜在价值。

因此，企业的混合IT环境将分布在公有云、本地部署环境和边缘计算环境中。尽管我们预计大量工作负载将从公有云迁移至本地部署环境，但我们认为企业不会将所有资源集中在任何一种环境中。企业仍将一如既往，坚定采用混合模式。

这使企业在不同环境中实现安全、交付和运营标准化时面临重大挑战。纷繁复杂的API和工具仍对数字业务的稳定性和规模化发展构成现实威胁。

在此背景下，F5探索各项技术及其可能对企业产生的影响，并进一步评估其对应用交付和安全的影响。这些影响为我们的规划、战略以及对新兴技术的进一步探索提供参考。基于这一视角，多位F5技术专家分享了他们对五项关键技术的见解。我们认为，这些技术将在2025年对企业乃至应用交付产生重大影响。

2025 年第 1 项技术：WebAssembly

这一现实使WebAssembly（Wasm）成为我们2025年首项值得关注的技术。Wasm为实现混合多云环境中的可移植性提供了一条路径，使应用能够在任何可运行Wasm运行时的环境中部署和运行。但Wasm的价值不只是实现代码的跨平台可移植性。它不仅能带来性能和安全方面的优势，还为丰富基于浏览器的应用功能开辟了新的可能性。

Oscar Spencer，首席工程师解释道：

预计在整个2025年，浏览器中的WebAssembly不会发生重大变化。最重要的更新是继续支持WebAssembly垃圾回收（GC），该功能已集成到Chrome中。这将有助于Dart和Kotlin等高度依赖GC并希望扩大浏览器环境应用范围的语言。Python在浏览器中的应用也有望得到改进，但目前预测其全面影响还为时尚早。

不过，随着WASI（WebAssembly系统接口）Preview 3的发布，更重要的进展正在浏览器之外发生。此次更新引入了异步和流，解决了代理等各种场景下流式数据处理的一项主要难题。WASI Preview 3提供了高效的方法来处理数据进出Wasm模块，并支持对数据处理进行精细控制，例如无需处理整个请求正文即可修改标头。此外，引入异步机制将增强语言之间的可组合性，使异步代码与同步代码能够顺畅交互，这对Wasm原生语言尤其有益。随着WASI标准逐步稳定，预计Wasm的采用率将显著提高，为开发者提供强大的工具和可靠的平台，以便在这些进展的基础上进行构建。

假设Wasm能够解决以往技术固有的部分可移植性问题，那么如今困扰95%组织的可移植性问题将转移到IT技术栈的其他关键层，例如运维层。

生成式AI正加速应对这一挑战，而AIOps所描绘的未来也日益成为现实。这种曾经看似遥不可及的运维愿景，即基于全栈可观测性提供的信息，通过AI分析来推动变更和策略制定，正随着生成式AI的快速演进而逐步成为现实。

2025 年第 2 项技术：智能体 AI

不到一年，智能体便已出现，并开始取代AI功能。这种能力被称为“智能体AI”，不仅有望重塑运营模式，还可能取代整个企业软件市场。近20年来，工作流一直由SaaS主导；如今，AI正被用于实现工作流自动化，由此便可看出这项能力可能带来多大的颠覆性影响。

Laurent Quérel，杰出工程师解释道：

自主编码智能体有望通过自动执行代码生成、测试和优化等关键任务，推动软件开发方式发生变革。这些智能体将显著简化开发流程，减少人工投入并缩短项目周期。与此同时，大型多模态智能体（LMA）的兴起将使AI能力从文本搜索扩展到更复杂的交互。这些智能体将与网页交互，并从文本、图像和视频等多种格式中提取信息，改进我们访问和处理在线内容的方式。

随着AI智能体重塑互联网，专为智能体打造的浏览基础设施将逐步发展，以支持智能体与网站安全、高效地交互。这一转变可通过自动执行复杂的Web任务，对电子商务等行业产生颠覆性影响，带来更加个性化、更具交互性的在线体验。然而，随着这些智能体日益融入日常生活，新的安全协议和法规将不可或缺，以应对AI身份验证、数据隐私和潜在滥用等方面的问题。预计到2028年，相当一部分企业软件将集成AI智能体，通过在迭代工作流中加快令牌生成，推动工作流程转型并支持实时决策。这一演进还将催生面向智能体驱动型Web开发的新工具和平台，成为数字领域发展的重要里程碑。

但事实上，要充分发挥AI的优势，需要大量数据。鉴于近一半（47%）的组织承认尚未制定AI数据战略（https://www.f5.com/state-of-application-strategy-report），这是一项重大挑战，绝非易事。组织拥有的数据量十分庞大，包括结构化数据、非结构化数据和实时指标。仅对这些数据进行编目，就需要投入大量资源。

2025 年第 3 项技术：数据分类

攻击面急剧扩大带来的安全问题、围绕数据隐私与合规出台的新法规，以及新数据源和威胁向量的出现，共同推动了强大的实时数据分类技术快速发展。具体而言，生成式AI模型在企业数据检测和分类方面有望超越传统的基于规则的系统。

James Hendergart，高级技术研究总监解释道：

多种趋势在2024年交汇，使数据分类的重要性显著提升。随着数据、设备和应用激增，加之数字化转型持续推进，网络威胁的攻击面大幅扩大。漏洞增多与数据泄露事件持续发生，凸显了加强数据保护的迫切需要。与此同时，旨在保护数据隐私和确保合规的法规不断扩展，进一步促使组织优先开展数据分类，因为分类是隐私保护的起点。此外，生成式AI的兴起带来了新的数据源和攻击途径，使数据安全挑战更加复杂。

约80%的企业数据是非结构化数据。展望未来，生成式AI模型将成为检测和分类企业非结构化数据的首选方法，准确率可达95%以上。随着时间的推移，这些模型的效率将不断提高，所需算力更少，推理速度也将更快。数据安全态势管理（DSPM）、数据丢失防护（DLP）和数据访问治理等解决方案将日益依赖敏感数据检测与分类，并以此为基础提供一系列安全服务。随着网络服务与数据交付服务逐步融合，平台整合将推动供应商增强产品与服务能力，力求通过提供功能全面、经济高效且易于使用的平台来满足不断变化的企业需求，并扩大市场份额。

随着各组织开始部署AI能力，普遍希望利用生成式AI提升生产力、实现工作流自动化和创建内容，这推动了一种新的应用架构模式。该模式在传统的客户端、服务器和数据三层架构基础上新增了用于部署推理的AI层。

2025 年第 4 项技术：AI网关

这一新层级正在推动定义我们关注的第四项技术：AI Gateways。AI网关并非只是API网关或Web网关。虽然其基础功能与API网关类似，但双向非结构化流量的特殊架构需求，以及不断扩大的“良性”机器人用户群体，都需要新的功能。

Ken Arora，杰出工程师解释道：

AI网关正逐渐成为API网关的自然演进方向，专门用于满足AI应用的需求。正如云访问安全代理（CASB）专注于保护企业SaaS应用一样，AI网关将重点应对幻觉、偏见和越狱等特有挑战，这些问题往往会导致非预期的数据泄露。随着AI应用的自主性不断增强，网关还需要提供强大的可见性、治理和供应链安全能力，确保训练数据集和第三方模型的完整性，因为它们如今可能成为攻击途径。此外，随着AI应用规模扩大，分布式拒绝服务（DDoS）攻击和成本管理等问题变得至关重要，因为AI应用的运营成本远高于传统应用。与此同时，随着更多数据被共享给AI应用以执行摘要和模式分析等任务，还需要更先进的数据泄露防护。

未来，AI网关需要同时支持反向代理和正向代理。短期内，由于AI消费的发展速度超过AI生产，正向代理将发挥关键作用。中间代理对于管理AI应用内部组件之间的交互也至关重要，例如向量数据库与大语言模型（LLM）之间的交互。威胁不断变化，我们的安全防护方式也需要随之调整。随着许多客户端转变为代表人类执行操作的自动化智能体，现有的机器人防护模型将逐步演进，以区分合法机器人和恶意机器人。AI网关需要借鉴零信任原则，纳入委托身份验证、行为分析和最小权限实施等高级策略。其中包括风险感知策略和更强的可见性，以便在保持稳健治理的同时，有效遏制AI驱动的安全漏洞。

最迫切的是，不仅要能够应对数据方面的传统安全问题（数据外泄、泄露），还要解决幻觉和偏见带来的伦理问题。几乎所有相关调查都将后两者列为重大风险，这并不令人意外。

2025 年第 5 项技术：小型语言模型

鉴于幻觉和偏见问题，检索增强生成（RAG）和小型语言模型（SLM）的应用日益广泛，不容忽视。RAG已迅速成为生成式AI的一种基础架构模式，尤其是因为它能够提高大型语言模型所生成信息的针对性和准确性。RAG结合了检索系统与生成模型的优势，为解决AI面临的一项关键挑战提供了方案，即幻觉，也就是生成错误或误导性信息。

尚未将RAG纳入AI战略的组织，正错失大幅提升数据准确性和相关性的机会，尤其是在需要实时检索信息并根据上下文作出响应的任务中。但随着生成式AI用例不断拓展，组织逐渐发现，仅靠RAG无法解决某些问题。

杰出工程师Lori MacVittie解释道：

大语言模型（LLM）的局限性日益凸显，尤其是在处理特定领域或组织的专有知识时不够精准，这正加速推动小语言模型（SLM）的采用。尽管LLM在通用知识应用中功能十分强大，但在专业领域提供准确且细致入微的信息时，往往表现不佳。SLM则能弥补这一不足。它们针对特定知识领域量身定制，因此可以提供更可靠、更聚焦的输出。此外，SLM所需的电力和计算周期显著更少。对于并非每个用例都需要LLM广泛能力的企业而言，SLM是一种更具成本效益的解决方案。

目前，SLM往往面向特定行业，通常使用医疗保健或法律等领域的数据进行训练。尽管这些模型仅适用于较窄的领域，但无论从成本还是复杂性来看，其训练和部署都比LLM更具可行性。随着越来越多的组织寻求更契合其专业数据需求的解决方案，预计在仅靠检索增强生成方法无法充分缓解幻觉问题的情况下，SLM将取代LLM。我们预计，随着时间的推移，SLM将在高度重视准确性和效率的用例中得到越来越广泛的应用，为组织提供比LLM更精准且资源效率更高的替代方案。

展望未来：超越Transformer

市场对更高效AI模型的需求正迅速成为现实。这类模型需要能够应对现代应用日益增长的复杂性，同时无需消耗巨量计算资源。Transformer模型虽然功能强大，但在可扩展性、内存使用和性能方面存在局限，尤其是在AI模型规模不断增大的情况下。因此，业界正积极推动开发既能保持高准确率，又能降低计算开销的架构。此外，推动AI普及，使其能够应用于各种设备和用例的需求，也进一步加快了1位大语言模型等创新技术的采用。这类模型旨在尽可能降低硬件要求，同时优化精度。

这些需求正推动AI突破Transformer架构，持续演进。

首席创新官Kunal Anand解释道：

一种新范式正在兴起：将新型神经网络架构与突破性的优化技术相结合，有望让AI能够更广泛地部署到各种应用和设备中。

AI社区已经看到神经网络设计领域出现后Transformer创新的早期迹象。这些新架构旨在解决当前Transformer模型的根本局限，同时保持或提升其出色的内容理解与生成能力。其中，经过高度优化的模型，尤其是1位大语言模型，正成为备受关注的发展方向。这些创新从根本上改变了提升模型效率的思路：即使降低精度，也能在保持模型性能的同时，大幅减少内存需求和计算开销。

这些发展将分阶段对整个AI生态系统产生连锁影响。最直接的影响是，AI部署所需的资源将会减少。过去需要大量计算资源和内存的模型，将能以显著降低的开销高效运行。这种优化将推动计算架构转型：GPU可能会专门用于训练和微调任务，而CPU则凭借新的处理能力承担推理工作负载。

这些变化将催生第二波影响，重点推动AI普及和可持续发展。随着资源需求降低，更多应用和设备将能够部署AI。基础设施成本将大幅下降，使过去难以实现的边缘计算能力成为可能。同时，计算强度降低将减少能源消耗和碳足迹，从而带来环境效益，提升AI运营的可持续性。

这些发展将显著提升边缘设备的能力和实时处理水平，并推动AI以更具成本效益的方式融入各行各业。计算格局将向混合解决方案演进，结合针对特定工作负载优化的不同处理架构，打造更高效、更灵活的AI基础设施。

这些发展带来的影响远不止技术改进。它们预示着，未来的AI部署将在保持性能的同时，更加灵活并更注重环境影响。随着2025年临近，这些变化可能会加快AI融入日常应用，为各行各业的创新和效率提升创造新机遇。

如今，唯一不变的确实是变化

过去一年，技术领域无疑经历了重大变化与演进，也带来了不少惊喜。可以预见，明年仍将延续这一趋势。毕竟，生成式AI的全部潜力尚未得到充分探索，这意味着这项令人振奋的技术很可能会涌现出更多具有颠覆性的用例。

如果组织尚未开始尝试生成式AI，现在就应该行动起来。使用相关服务无疑为聊天机器人和推荐引擎等基本用例提供了良好起点，但生成式AI的潜力远不止对话和生成新的猫咪视频。

随着AI持续重塑技术根基，预计将出现更多变革，并不断涌现利用AI的新方式。