根据全球领先的信息技术研究和顾问公司Gartner最新研究报告“Hype Cycle for Emerging Technologies, 2020”,介绍了30项须重点关注的技术,这些技术可实现可编组企业,有望重拾社会对于技术的信任并改变人脑的状态。
“新兴技术具有颠覆潜力,但其带来的竞争优势很少有人了解,或尚未经过市场验证。多数技术要经过5到10年以上才能达到生产成熟期。但本技术成熟度曲线中的某些技术将在短期内发展成熟,技术创新领导者须掌握这些技术机遇,尤其是那些具有变革性或重大影响的技术。” Gartner研究副总裁Brian Burke表示。
例如,与新冠肺炎疫情相关的健康护照和社交距离技术在整个技术成熟度曲线中发展迅速,且影响巨大。其他技术很少像社交距离技术一样在发展初期就进入技术成熟度曲线。该技术之所以受到媒体的高度关注,主要是由于人们对隐私问题的担忧。健康护照技术也是一个特例,因为技术成熟度曲线很少引入市场渗透率为5%~20%的技术。但在中国(健康码应用)和印度(Aarogya Setu数字化服务),这项技术是进入公共场所和乘坐交通工具所必需的,用户达数亿之多。预计这两项技术将在两年内达到生产成熟期。
在Gartner众多技术成熟度曲线中,新兴技术成熟度曲线是比较独特的一个,它对Gartner所研究的1,700多项技术进行精选,生成一个包含30项新兴技术和趋势的技术集,并提供深刻见解。本篇技术成熟度曲线尤其关注那些有望在未来5~10年内提供较大竞争优势的技术(参见图1)。
图 1. 2020年新兴技术成熟度曲线
来源:Gartner(2020年8月)
五大新兴技术趋势
数字自我——技术与人的结合日益紧密,而数字护照和社交距离技术等人的数字化代表也有了越来越多的运用机会。人的数字孪生可以在物理空间和数字空间创造代表个人的模型。人与数字世界的互动方式也在发生变化,在使用屏幕和键盘互动的基础上,演变出更为丰富的互动模式(如语音、视觉和手势),甚至是直接改变人脑的互动方式。
须跟踪的技术包括社交距离技术、健康护照、个人数字孪生、公民数字孪生、多重体验和双向脑机接口(BMI)。
编组架构——可编组企业的设计理念是,通过基于灵活数据编织的封装业务能力来响应快速变化的业务需求。搭建编组架构,需要将一系列封装业务能力编组为解决方案。内置智能呈现去中心化趋势,并延伸至边缘设备和终端用户。
企业机构要提高敏捷性,应跟踪以下技术:可编组企业、封装业务能力、数据编织、私有5G、嵌入式人工智能(AI)和低成本单板边缘计算机。
构成化AI——指可通过动态变化响应不同情境需求的一系列新兴AI技术及相关技术。其中,一部分技术有助于应用开发人员和用户体验设计人员通过AI赋能工具创建新的解决方案;另一部分技术则推动AI模型开发,使其具备动态演变、适应未来环境的能力。其中最先进的技术可以针对具体问题生成全新模型。
希望探索AI边界的企业应考虑利用以下技术:AI辅助设计、AI增强开发、本体与图谱、小数据、编组式AI、自适应机器学习(ML)、自监督学习、构成化AI和生成对抗网络。
算法信任——基于权威责任机构的信任模型已被算法信任模型所取代,用于保护数据、资产来源以及个人与物件身份信息的隐私性和安全性。算法信任可以帮助企业机构规避失去客户、员工与合作伙伴信任的风险和损失。
与算法信任相关的新兴技术包括:安全访问服务边缘(SASE)、差异化隐私、可认证溯源、自带身份、负责任的AI和可解释型AI。
超越硅的芯片材料——四十多年来,摩尔定律(密集集成电路[IC]中可容纳的晶体管数量每两年会增加一倍)一直指导着IT行业的发展。随着技术水平的提高,硅材料的开发已接近其物理极限,新的先进材料正在为元器件技术创造突破性机遇,打造速度更快、体积更小的元器件。
应考虑的关键技术包括DNA计算、可自然降解传感器和碳基晶体管。
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。