快讯：2022年新兴技术成熟度曲线

来源 | Gartner（转载请注明来源）

【资料图】

编辑 | 蒲蒲

近日，Gartner发布2022年新兴技术成熟度曲线，并列出了25项值得关注的新兴技术。

2022年新兴技术趋势确定了 25 种需要了解的新兴技术，主要包含三个主题：沉浸式体验的演进、加速人工智能自动化和优化技术人才交付。

2022年 Gartner 新兴技术成熟度包含了 25 项“必须了解”的创新，以推动竞争差异化和效率。
只有少数有望在两年内被主流采用，很多需要10年或更长时间才能被采用。
部署处于萌芽期的技术也意味着风险更大，但对早期采用者也有一定的潜在收益。

其中，元宇宙、超级应用和Web3是推动沉浸式体验发展的核心技术；云可持续性和数据可观测性正在帮助技术人员满足新兴业务需求；自主系统和因果AI正在支持AI模型创建与部署提速。

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。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）。

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

主题1：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）。

‍客户数字孪生 (DToC) 是客户的动态虚拟表示，可以模拟、学习和预测行为。它可用于修改和增强客户体验 (CX) 并支持新的数字化工作、产品、服务和机会。DToC 需要 5 到 10 年才能被主流采用，将对组织带来很大影响。

沉浸式体验中的其他关键技术包括：

去中心化身份(DCI) 允许实体（通常是用户）利用区块链或其他分布式账本技术 (DLT) 以及数字钱包来控制自己的数字身份。

数字人类是一种 AI 驱动的，交互式的表示，具有人类的一些特征、个性、知识和思维方式。

内部人才市场将内部员工以及在某些情况下的临时员工人才库，与有时间限制的项目和各种工作机会相匹配，而无需招聘人员参与。

元宇宙是一个集体虚拟 3D 共享空间，由虚拟增强的物理和数字现实的融合创建。元宇宙具备持久性，提供增强的沉浸式体验。

非同质化代币(NFT) 是一种基于区块链的独特可编程数字项目，可公开证明数字资产（如数字艺术或音乐）或代币化的物理资产（如房屋、汽车或文件）的所有权。

Superapp是一个复合移动应用程序，作为平台构建，可提供模块化微应用程序，用户可以激活这些微应用程序以获得个性化的应用程序体验。

Web3是用于开发去中心化Web 应用程序的新技术堆栈，使用户能够控制自己的身份和数据。

主题2：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）。

自主系统（Autonomic systems）是人工智能自动化加速的例子。自主系统是自我管理的物理或软件系统，执行具有三个基本特征的域界任务：自主、学习和代理。当传统的人工智能技术无法实现业务适应性、灵活性和敏捷性时，自主系统可以协助处理。自主系统需要 5 到 10 年才能被主流采用。

加速 AI 自动化的其他关键技术包括：

因果人工智能 (AI)识别并利用因果关系，突破了基于相关性的预测模型，让AI系统朝着更有效更自主地推荐行动的方向前进。

基础模型是基于Transformer 架构的模型，例如大型语言模型，它体现了一种深度神经网络架构，可以上下文环境中计算文本的数字表示，强调单词的序列。

生成式设计 AI或 AI 增强设计，是使用 AI、机器学习 (ML) 和自然语言处理 (NLP) 技术自动生成和开发数字产品的用户流程、屏幕设计、内容和表示层代码。

机器学习代码生成工具包括可插入专业开发人员集成开发环境 (IDE) 的云托管 ML 模型，IDE 是基于自然语言描述或部分代码片段提供建议代码的扩展。

主题3：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：增强型敏捷金融（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）、最小可行架构（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）。

云数据生态系统体现了优化的技术人员交付。它们提供了一个统一的数据管理环境，能够支持从探索性数据科学到生产数据仓库的所有数据工作负载。云数据生态系统提供简化的交付和全面的功能，易于部署、优化和维护。它们将需要两到五年的时间才能被主流采用。

优化技术人员交付的其他关键技术包括：

增强型敏捷金融（augmented FinOps）通过应用 AI 和机器学习 (ML) 实践，将敏捷性、持续集成和部署以及最终用户对财务治理、预算计划和成本优化工作的反馈等传统 DevOps 概念自动化。

云可持续性是利用云服务在经济、环境和社会系统中实现可持续性效益。

计算存储(CS) 将主机处理从中央处理单元 (CPU) 的主存储器卸载到存储设备。

网络安全网格架构(CSMA) 是一种新兴的方法，用于构建可组合的分布式安全控制，以提高整体安全效率。

数据可观测性是通过持续监控、跟踪、警报、分析和故障排除事件来了解组织数据环境、数据管道和数据基础设施健康状况的能力。

动态风险治理(DRG) 是一种新方法，用于定义风险管理的角色和责任这一关键任务。DRG 针对每种风险适当地定制风险治理，使组织能够更好地管理风险并降低保障成本。

行业云平台利用底层 SaaS、PaaS和IaaS服务，为确定的垂直行业提供与行业相关的打包业务和技术能力，并将其整合为一个产品。

最小可行架构(MVA) 是产品团队用来确保及时、合规地开发和迭代产品的标准化框架。

可观测性驱动开发(ODD) 是一种软件工程实践，它通过将系统设计为可观察（观测）的，为系统状态和行为提供细粒度的可见性和上下文。

开放式遥测（OpenTelemetry）是规范、工具、应用程序编程接口 (API) 和软件开发工具包 (SDK) 的集合，用于描述和支持软件的开源仪器和可观察性框架的实施。