Gartner称,CIO们必须花些时间考虑一些“假设”情景以避免被社会、行为和技术颠覆性趋势弄得措手不及。
Gartner副总裁分析师David Yockelson表示,很多看似未来才会发生的颠覆性趋势可能要比我们想象地要近得多。
Yockelson说:“颠覆就是会产生持久变化的根本性转变,成功的企业组织都会针对这些颠覆性趋势做好准备。我们需要不断地去问自己‘如果发生会怎样’,以便对颠覆性趋势带来的机遇保持开放的态度。”
他强调了技术高管在未来五年内应该考虑的七项关键颠覆性趋势:
1、元宇宙工作体验
Gartner将元宇宙定义为“虚拟世界和物理世界中的下一个层面的交互”。如今,企业组织正在利用元宇宙技术,通过更好的沉浸式办公空间和使用所谓Intraverse的元宇宙内部体验,为他们的员工提供更好的参与、协作和联系环境。
Gartner预测,完全虚拟的工作空间将在元宇宙技术投资增长中占到30%的比例,并将在2027年之前实现对办公体验的重构。
2、飞行汽车
飞行自动驾驶汽车或无人驾驶飞行器(UAV)主要用于城市地区的短距离载客,其中包括有时被称为“飞行汽车”或者是载人无人机的自动驾驶飞机,其设计目的是在没有人类飞行员的情况下运行。目前有几家公司正在开发由AI驾驶的新型飞机,旨在打造一种更快速、更便宜、更安全、更低碳的航空旅行方式,主要用于拥挤的地区。首个飞行出租车服务计划于2024年推出。
尽管这其中可能监管挑战,但CIO们应该评估使用这些车辆可以解决哪些交通问题——是运送人员和还是运送货物。
3、数字人类经济
从医疗保健、客户服务、虚拟网红、HR培训、再到让死者“起死回生”,数字人类的潜在用途是无限的,而数字人类经济为新的数字生态系统提供了机会,这种生态系统以技术为基础,将个人和组织聚集在一起,以新的方式进行创新和互动。
Gartner预测,到2035年,数字人类经济将发展成为一个规模达到1250亿美元的市场,并且还将持续增长下去。
4、“去中心化自治组织”
去中心化自治组织(DAO)代表了IT服务市场中出现的一种新型组织模式,Gartner将DAO定义为运行在区块链上的数字实体,可以与其他DAO、数字代理和人工代理、以及公司进行业务交互,而无需传统的人工管理。
很多高价值的数字工作者将被吸引到DAO领域工作,虽然还处于起步阶段,但DAO有可能对技术行业很多现有范式带来巨大的颠覆。
5、无线电动汽车(EV)充电
随着无线充电的推出,无线充电将最适合于像公交和和出租车这样的车队型车辆,让这些车辆可以有效地利用动态充电来扩展续航里程并降低成本。
并且,住宅安装将成为无线汽车充电的最大市场,因为电动汽车车主无需插入电缆即可享受到一定的便捷性,不过展望未来,Gartner预计私人住宅区和校园站点将超过家庭安装量。
6、石墨烯取代硅
在未来7到10年中,碳基场效应晶体管(FET)在达到最小尺寸限制时,将发挥巨大的潜力以取代传统晶体管中的硅。其中一个例子就是石墨烯,一种单原子厚的纯碳材料,以六边形蜂窝晶格结合在一起。石墨烯可以取代当前的硅器件,特别是对于无线通信来说,这些碳基FET可以在小区域内承载更高的电流,从而实现超快速的处理。
CIO们应考虑石墨烯技术带来的全新可能性,研究新兴的供应商。
7、技术变成“一次性”
如果科技行业开始效仿时尚行业,把“一次性”应用设计成可以快速生成、使用和丢弃的应用会怎样?虽然业务可组合性的元素已经得到广泛应用,但CIO仍有机会将它提升到一个新的高度,并为一次性技术带来的灵活性做好准备。
好文章,需要你的鼓励
Lumen Technologies对美国网络的数据中心和云连接进行重大升级,在16个高连接城市的70多个第三方数据中心提供高达400Gbps以太网和IP服务。该光纤网络支持客户按需开通服务,几分钟内完成带宽配置,最高可扩展至400Gbps且按使用量付费。升级后的网络能够轻松连接数据中心和云接入点,扩展企业应用,并应对AI和数据密集型需求波动。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
RtBrick研究警告,运营商面临AI和流媒体服务带宽需求"压倒性"风险。调查显示87%运营商预期客户将要求更高宽带速度,但81%承认现有架构无法应对下一波AI和流媒体流量。84%反映客户期望已超越网络能力。尽管91%愿意投资分解式网络,95%计划五年内部署,但仅2%正在实施。主要障碍包括领导层缺乏决策支持、运营转型复杂性和专业技能短缺。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。