Gartner 2022年新兴技术成熟度曲线列出了25项值得关注的新兴技术,这些技术正在推动沉浸式体验的发展和扩展、加速人工智能(AI)自动化并优化技术人员交付。
Gartner研究副总裁Melissa Davis表示:“新兴技术为企业提供了转型的潜力,但首席信息官和技术创新领导者所面临的挑战是,尽管资源瓶颈变得愈发严重,仍需要在扩展数字化功能的同时提高可持续性。企业机构必须正确看待有关新兴技术的市场炒作,利用创新技术来推动差异化竞争并提高效率,从而加速变革进程。”
在Gartner的一系列技术成熟度曲线报告中,新兴技术成熟度曲线报告属于最为独特的一种。这是因为,此类报告从Gartner每年覆盖的逾两千种技术和应用框架中发掘独到见解,并言简意赅地对值得企业机构重视的新兴技术和趋势进行介绍。这些技术和趋势有望在未来二至十年内为企业机构带来高度的竞争优势(参见图一)。
图一、2022年新兴技术成熟度曲线
来源:Gartner(2022年8月)
Gartner杰出研究副总裁Gary Olliffe表示:“在今年的技术成熟度曲线上,所有技术都处于相对早期阶段,但部分技术处于萌芽期并且在发展上存在巨大的不确定性。虽然部署此类技术面临的风险更大,但早期使用者如能根据自身对于未经验证技术的接纳能力来评估和利用这些技术,则可能会带来更大的收益。”
新兴技术趋势的三个主题
沉浸式体验不断发展和扩展:沉浸式体验是数字体验的未来发展方向。部分新兴技术通过客户和人们的动态虚拟表示、环境和生态系统以及新的用户互动模式来支持这种体验。个人可以使用这些技术管理自己的身份和数据,并且体验已集成数字货币的虚拟生态系统。这些技术也将帮助企业机构以新方式接触客户,加强或开辟新的收入来源。
这类技术包括:元宇宙(metaverse)、非同质化代币(non-fungible tokens,NFT)、超级应用(super apps)和Web3、去中心化身份(decentralized identity)、数字人类(digital humans)、客户数字孪生(digital twin of the customer)以及内部人才市场(internal talent marketplace)。
AI自动化提速:AI正在日益普及并成为产品、服务和解决方案的一个重要组成部分。这一趋势正在加快专用AI模型的创建速度,然后用来支持自动化模型的开发、训练和部署。AI自动化重新聚焦人类在AI开发中的作用,可提高预测与决策的准确性并缩短实现预期效益的时间周期。
这类技术包括:自主系统(autonomic system)、因果AI(causal AI)、基础模型(foundation model)、生成式设计AI(generative design AI)和机器学习代码生成(machine learning code generation)。
技术人员交付得到优化:成功的数字业务都是通过构建获得,而不是通过购买获得。部分新兴技术专注于融合团队等产品、服务和解决方案构建者社区及其使用的平台。这些技术可提供反馈和洞察,支持产品、服务及解决方案交付优化和加速,提高业务运营的可持续性。
这类技术包括:增强财务运维(augmented FinOps)、云数据生态系统(cloud data ecosystem)、云可持续性(cloud sustainability)、计算存储(computational storage)、网络安全网格架构(cybersecurity mesh architecture)、数据可观测性(data observability)、动态风险治理(dynamic risk governance)、行业云平台(industry cloud platform)、最简可行架构(minimum viable architecture)、可观测性驱动开发(observability driven development)、开放式遥测(OpenTelemetry)和平台工程(platform engineering)。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。