制药工程专业的发展趋势？

一、制药工程专业的发展趋势？

制药工程学的多尺度化 一个学科的发展不仅仅受到本学科的局限,而且还会因为其他学科以及领域的发展而受到影响,这其中就包括了政治,经济,环境,社会决策。所以如果想要成为一个卓越的制药工程师,我们的眼界必须不拘泥于..制药工程研发生产感谢支持

二、制药工程未来发展趋势？

目前最热点的话题也许就是人工智能了，前几年最火也最流行的是“互联网+”模式，我在想，未来我们的制药工程，能不能也用“人工智能+”模式。仔细分析，一颗药从设计研发到进入病患体内，都有人工智能介入的可能。

目前最火的药物分子设计恐怕非计算机辅助设计莫属了，有的大学以及研究院所还将这个作为一个研究领域，我在想，一粒新药的问世意味着无数次的的实验，无数次的相近药物的淘汰，为了这一种新药，有多少合成思路半路夭折，多少分子设计徒劳无获，多少次临床试验最终无果。

目前，一种新药的研发成功，必将耗费大量的人力物力财力，而人工智能的介入，必将提高药物研发的效率，我们人类只需要将大体设计方向和设计思路引入智能系统，其他的过程都交给人工智能去解决，人工智能机器可以制造自然的无菌无毒环境，并且智能机器人不会受到药物的侵蚀和影响，而且智能化参数更加精确。

那时，制药工业的人力可以大大解放，我们只需要付出一部分脑力活动，给出方向和思路，就能通过智能最快地得到我们设想的药物，那时候的制药工厂，我相信一定是高度智能化的。由此来看，未来的制药工程的研发生产，完全可以有“人工智能+”的模式。

三、前介工程发展趋势？

前介工程师负责对前期介入项目的规划设计方案、建筑、结构、水电、景观等图纸审核工作，并负责与地产公司设计研发部门对接协调及问题跟踪落实等，在城市进程中，具有广阔的职业前景。

四、混沌工程未来发展趋势？

混沌工程的未来发展趋势主要是数字世界的大规模应用，以及物联网、人工智能和区块链技术的在金融、社交和公共服务等领域的广泛应用。

而混沌工程的核心在于实现对复杂性的可控管理，从而使大规模的系统能够有效地运作。

五、数据库技术的发展趋势是什么？

前言

22 年 12 月 14 - 16 号是中国 DTCC 数据库技术大会，由于疫情的影响，今年大会分享全部改到线上直播了。个人主要观看了 14 号、16 号两天技术分享，所以这里结合各位大佬的技术分享，整体做一个观后的总结和个人思考，加深一下个人整体的认识，同时也期望能够对大家能够有所帮助，大家有什么想法欢迎关注我的公众号进行交流。如果有不对的地方，也欢迎指出。下面是这三天的大会技术专场的议程：

一、数据库发展趋势闲聊

14 号这天个人主要看了上午场（数据智能 价值创新）和下午场（数据库内核技术）两个专场，上午主要观看了腾讯云（王义成）、华为云的 GaussDB（苏光牛）、PolarDB（李飞飞）、OceanBase（杨志丰）三位大佬的技术分享，主要是对数据库发展趋势的看法以及他们自家数据库的演进方向的思考。下午由于时间关系，数据库内核技术主要看了 StarRocks、PolarDB-X 两场技术分享，所以 14 号这天整体的个人总结主要从这些技术分享中带来的个人思考，下面先聊聊对数据库发展趋势的看法。

1.1 Serverless

对于数据库未来的趋势之一：serverless，这次听到这个词还是蛮多的。serverless 即无服务化，用户在使用数据库服务时，不需要关注数据库服务器的运维和管理成本，这些繁琐的管理交给云仓商来托管，用户主要专注自己应用架构设计和业务即可。对于未来云上数据库，serverless 必定是终态之一。个人还是非常认可这个观念的，serverless 能为用户带来主要以下两个好处：

1. 无须关注数据库服务器繁琐的管理和运维成本
2. 资源弹性扩缩容，使用户按需按量付费

这里重点说下第二点，传统模式下，用户在使用数据库服务时，需要结合实际业务的情况，通过对业务的 QPS、TPS、数据量等提前预估所需要的资源，最终来估算自己需要准备多少机器，然后提前一个月和运维部门沟通好，提交采购申请，最终使用完后，还需要想办法将采购的资源消化掉，这类情形在双十一大促期间尤为明显，这种模式下，有以下几个问题：

1. 使用方需要提前预估计算资源，如果资源预估不准，会对业务以及成本有很大的影响，机器资源评估过少，当业务流量扛不住，对公司业务有影响，机器资源预估过多，会浪费很大的机器成本。
2. 一次资源扩缩容链路过长，同时整个过程时间很久，同时在业务使用完后，还需要消化剩余的机器资源。一次资源扩容的需求，公司的人力成本过大。

所以使用 serverless 服务能够做到资源弹性扩缩容，同时做到按需按量付费。当然 serverless 弹性扩缩容具体能够做到什么程度，实际扩缩容的时间、扩缩容与实际业务使用资源的差异、扩缩容对于线上业务的影响，对于用户使用体验和成本，影响都很大。对于数据库内部冷热数据，也可以做到 serverless，把不经常使用的数据放到冷数据底层的存储，降低存储成本。

我看阿里云和中国信通院云大所联合发布了《Serverless数据库技术研究报告》，我还没有看，感兴趣的同学可以去看看。同时也可以看下伯克利关于 serverless 的 这篇Paper（李飞飞大佬推荐）：

1.2 存算分离

上面说到 serverless 的弹性扩缩容，那么如何做到用户按需进行扩展（CPU、内存、磁盘）？所以云上数据库存储和计算分离是个很好的思路。

很多传统数据库是 Shared Nothing 架构，计算资源（CPU）和存储资源（内存、磁盘）都是在一台机器上，这样的好处能够降低网络 IO 带来的传输时间成本，最大化提升查询性能。但有一个问题就是，由于计算资源和存储资源都是在一起的，用户在机器扩缩容时，必须同时对计算资源、存储资源一起进行扩缩容，但可能用户只扩容计算资源，不想扩容存储资源，此时这种模式会对存储资源有一定浪费。

存算分离，用户能够分别对存储或者计算资源单独进行扩缩容，按实际业务需要来进行资源调整，进一步节约资源成本。当然存算分离架构下，也有两个不足点：

1. 存储和计算之间会有一层数据网络 IO 传输时间成本，为了降低网络 IO 的影响，一般可以在计算节点上，加一层 Local Cache。
2. 存储分离下，由于网络 IO 容易是瓶颈，会导致集群规模机器数容易受限。

可见，任何技术特性都不是银弹，需要结合实际业务侧需求，来综合评估，很多东西就是 Trade Off。下面是 PolarDB-X 的一张图：

1.3 私有云、公有云、混合云一套架构部署

这个不用多说了，私有云、公有云、混合云一套架构部署，便于数据库的运维和管理，能够提升数据库产品的交付效率，降低产品的交付成本，这对于私有云部署模式，带来的好处尤为明显。

1.4 多模多态一体化数据库

随着社会的发展，人们产生的数据格式越来越复杂，结构化（比如关系型）、半结构化（比如 Json、CSV）、非结构化（比如视频、图片）数据，相应的，单一模型的数据库也已经很难再完全支持公司的业务需求，数据库的种类也越来越多，RDS 数据库、KV 数据库、图数据库、文档型数据库、时序数据库等等。当然，完全通过一款数据库满足用户侧所有的业务需求也不现实，只能说在一款数据库上，尽可能多的来 Cover 业务侧需求。

比如现在 HTAP 数据库，在 TP 的基础上，增加了 AP 的数据分析能力，提升数据库的分析时效性，同时一般会带着 Zero-ETL 的口号一起来宣传，像 GassDB、PingCAP TIDB、阿里 PolarDB、OceanBase、SingStoreDB（原 MemSQL）都在做 HTAP。阿里 ADB 的离在线一体化（离线 ETL 处理 + 在线 OLAP 分析），让数据库尽可能 Cover 离线 ETL 和在线 OLAP 分析需求。阿里的 Lindorm多模数据库，提供宽表、时序、文件、搜索等多种数据模型等等。

1.5 数据库智能化

数据库智能化，主要有两个方向：

1. AI For DB
2. DB For AI

AI For DB，主要思路是结合 AI 机器学习能力，智能化运维和管理数据库，让数据库做到自治化，智能的做到 SQL 性能优化和问题根因诊断。

DB For AI，主要是如何让 DB 来支持更多 AI 场景的需求，怎么做到 AI 模型的抽象、存储、推理等等，这块个人了解的比较少。

1.6 模块化构建数据库

李飞飞大佬认为未来数据库系统内核可以结合用于实际业务侧需要，模块化的组装出数据库，比如用户的需求可能是：读多写少、读少写多的、分析型的、IO 密集型、计算密集型、AI 类的、HTAP 类型等等，相应的需要的存储、计算、带宽等对应的硬件资源，可以使用不同型号和规格的硬件来组装，对于底层机器资源来说，数据库能够做到一套代码，数据库内核各模块在不同形态下的资源类型，同时能够很好的 Work。

个人认为未来数据库内核各模块不仅能够在不同形态下的资源类型进行构建，同时数据库内核也能够进行组装。未来对于一个 DataBase 的研发，可能就是使用已有的数据库中各模块的标准事实开源组件，快速组装出一个 DB，比如 SQL 方言标准（使用 Mysql / PG）、SQL Planner 层（ Apache Calcite / DuckDB ）、Planner 层和 Runtime 层计划序列化通信方式（substrait）、Runtime 层使用( Apache Arrow + Rust Or ClickHouse）、数据湖存储（Iceberg / Hudi / Deltalake）、列存（Parquet Or ORC） 。公司将相对有限的工程资源，尽可能多的投入到差产品异化功能上，这样才能和其他同类产品有竞争优势，形成独特性。

1.7 用户对数据库拥有更强的自主可控性

Blue/Green Deployment 是 AWS 2022 re:Invent 亮相的产品，看网上资料说是一套灰度技术，未来用户想去做某个操作时，但不确定该操作对线上实际业务的影响是什么，此时就可以借助 Blue/Green Deployment 来灰度进行验证，没有问题，在完全切流。

下面这张图片的出处是来源于知乎同学@zhoutall 的文章<a href="https://zhuanlan.zhhttp://ihu.com/p/591406895">《AWS re:Invent 2022数据库内核视角摘要》，感兴趣可以看下他这篇文章，还是非常有收获的。个人看完也非常认可其观点的，现在云数据库场商希望用户做得事情越来越少，所以提供了很多工具，或者解决方案，来帮助和指导用户做决策和执行，但实际用户可能需要更大的自主可控权（对业务影响的可控）。

二、数据库内核技术分享总结

数据库内核技术方面，个人主要听了 OceanBase、Starrocks、阿里云 DLA，所以这里主要讲下这三场分享的总结。

StarRocks 今年主要宣传语是从极速 OLAP 到极速数据湖分析，从原来数据在自己 OLAP 存储到底层存储是数据湖，所以第一步则是在 Connector 做了扩展，支持了 Hudi、Iceberg（v1、v2）、Hive、JDBC 数据源。扩展了新的数据源，那么 FE 的元数据这一层，肯定要能够识别到外部数据源，同时对于外部的数据源元数据获取，增加了 Cache（分区、文件 List、统计信息）。其他也做了各种细节优化，比如 Scan 优化、优化器等等。

StarRocks 今年还做了存算分离，这样的话，计算节点是无状态的，那么可以弹性扩缩容。最值得关注的一点，今年 StarRocks 提出了它们的 StarOS 的设计，StarOS 通过抽象和统一存算分离架构下的分布式逻辑，同时统一了存储，这块听起来感觉不错，具体信息后面看 StarRocks 的分享吧。

阿里云 DLF 主要分享了他们如何做统一的湖仓元数据服务的经验，目前业界开源数仓标准的元数据服务是 Hive MetaStore，所以几乎主流引擎都支持直接从 Hive MdetaStore 中读取数据。但 Hive 本身也有部分局限性：

1. ACID 和 Hive 引擎绑定，同时不支持 Time-Travel 查询数据/元数据
2. 不易于对接内部自家引擎接入，单点问题，同时引擎需要 Thrift 协议接入，高可用的问题。

而在开源权限体系方面，主要有 Hive 自身权限和 Apache Ranger，但它也有各自缺陷：

针对以上两点，所以阿里云做了 DLF 这款产品，统一了湖仓的元数据服务，同时兼容了 HMS 接口，对外也提供标准的 Open API ，方便客户接入。

其他的一些分享，个人记得比较清楚两点是：数据库的迁移工具和数据库容灾。如果你的产品如果想买入到某家客户时，尤其是数据库方面，那么你要考虑到客户存量的业务如何能够方便的迁移到你的产品上来，最好能够非常底成本的、客户无感的迁移。同样，数据库容灾，关乎着企业数据和业务生存问题。

三、个人思考

不得不说，国内在数据库这个领域还是挺卷的，共有 200 多家数据库公司，有 TP 的、AP 的、数仓的、湖仓的等等，但最终能跑出来的可能就几家。当前云上数据库一直都被国内几家云场商占领着，比如阿里云、腾讯云、华为云等等，对于中小型创业公司而言，云肯定是要做的，但在国内市场直接去和几家云厂商 PK 云，当前阶段还是过于激进，赢面较小，选择出海，可能更加明智一些。

中小型创业公司目前主要争取还是私有云场景下独立部署的市场，这样不仅要保证自家产品的质量，同时还要比拼谁家的交付效率更快、交付成本更低，这样才有更大赢的可能性。

六、制药工程的特点及发展趋势？

制药工程的特点 制药工业 主要指化学药品的生产部门,由原料药生产和药物制剂生产两部分组成。原料药是药品生产的物质基础, 但必须加工制成适合于服用的药物制剂才成为药品。

一、高度的科学性、技术性。二、分工细致明确、质量标准规范。

三、生产过程复杂、品种繁多四、生产过程的连续性五、高投入、高产出 

制药工程专业毕业后可到制药工程(或医药生物技术)领域相关的生产企业、营销企业、科研院所、药品监督管理部门等企、事业单位从事药品生产、管理、营销、检验监督和研发等工作。也适于报考生物技术、药学及相关专业的研究生。

七、光学工程未来发展趋势？

光学工程专业就业前景较好，由于光学工程类专业较为冷门，光学工程行业专业人才紧缺，所以社会对光学工程专业性人才需求较大。

光学工程类专业主要有以下四个研究方向，每个研究方向就业方向都略有不同，主要体现在以下四个方面

1.光电成像器件及宽束电子光学：主要从事各种光电成像器件的原理与技术、设计、检测及应用技术，宽束电子光学系统及设计等方面的研究工作。

2.虚拟现实与增强现实技术：主要从事虚拟现实与增强现实算法、技术、系统，及其在各领域的应用等方面的研究工作。

3.微光与红外热成像技术：主要从事微光与红外成像探测理论、技术与系统的设计、测试、模拟仿真及总体技术，目标与环境光学特性，图像目标探测、识别与跟踪技术等方面的研究工作。

4.图像工程与视频处理技术：主要从事图像信息与视频信号采集、提取、处理、压缩、融合、传输及其实时实现等技术，以及质量评价等方面的研究工作。

八、工业工程研究方法发展和趋势？

工业工程（Industrial Engineering 简称IE），是从科学管理的基础上发展起来的一门应用性工程专业技术。

工业工程（IE）研究方法发展:

二次世界大战以后，随着自动化、电子化的进一步发展，IE关于人的因素的研究有了新的发展。IE工程师们逐渐认识到必须把人和系统结合起来加以分析和研究，出现了“人机工程”，又称工效学(Ergonomics)。IE从战前经验主义发展为战后更讲求定量方法。IE的研究方法随着应用数学所取得的成就以及电子计算机的诞生与发展而产生了巨大的变化。定量化技术成为IE研究的主导和趋势，通过数学模型的建立来分析、设计、描述复杂的工业生产系统，特别是计算机科学、系统科学与工程的产生，使得IE工程师们对大规模的经济与社会系统进行分析、实验、多方案对比与决策，以及运行过程的控制与创新。

工业工程（IE）的发展趋势:

1、管理创新是发展的必然趋势

推行先进制造技术和先进的组织变革，必须相应地改革管理方法，树立崭新的管理理念和企业文化。

2 、最新的工业工程（IE）的发展倾向是源流管理。

以前的IE所要解决的问题是对已经设计好的产品在生产过程中如何改善的问题。最多是生产部门将生产效率差的设计反馈给设计部门再由其进行改良。但是、在现在的超竞争时代中、更重要的是在产品开发时如何按照IE的原则设计出效率更好的产品。设计部门将IE的原理编入设计中，由生产部门把握是否可行并进行指导及改善。

九、工程量清单计价的发展趋势？

短期内，各地定额管理部门将推出配套的消耗量定额和各种指标供企业在投标报价时参考。但是建设工程工程量清单计价规范没有强制所有的工程必须执行工程量清单计价，因此好多地区可能定额计价与工程量清单计价两种计价办法并存。从长期看，依赖政府定额作为计价依据会逐步淡化，发展为完全依靠自己消耗量定额——企业定额及价格管理体系下的清单计价模式。

十、CAD工程师未来发展趋势？

CAD前景如何？CAD工程师未来的发展趋势怎样？工程领域和几乎所有行业都充斥着复杂，大型项目，通常这些项目在开发之前就要求有高精确度和整体设计解决方案。CAD的推出，让设计师更专注。

然而，随着工程项目越来越复杂，这意味着如今的工程师、设计师们要面对有关设计，测试，生产准备过程中的大量数据，但时间还是有限的。他们需要提供细节，层次分明，模型精确的最终产品，并满足所有需求，这是一个成功的设计。