Gartner發布2022年新興技術成熟度曲線，這三大趨勢值得關注

25種必須瞭解的新興技術

編者按：Garnter（高德納咨詢公司，是美國一家從事資訊科技研究和顧問的公司）最新發布的 2022 新興技術趨勢主要集中在三個主題上：沉浸式體驗的演進與拓展，加速人工智能的自動化，以及優化的技術專家交付。與 2021 年發布的技術成熟度曲線相比，上榜的技術差別較大。當然了，這也是因為技術發展日新月異所致。文章來自編譯。

2022 年 Gartner 技術成熟度曲線確定了 25 種必須瞭解的新興技術，值得企業架構和技術創新領導者關註：

• 拓展沉浸式體驗

• 加速人工智能（AI）的自動化

• 優化技術專家交付

預計這些技術可在未來 2 到 10 年內對商業和社會產生極大影響，但對於 CIO 和 IT 領袖來說，這些技術對實現數字業務轉型的幫助作用尤其顯著。

新興技術在本質上是顛覆性的，競爭優勢不會是眾所周知或經過驗證的。為了抓住機遇，瞭解潛在用例，知道技術被主流採用的途徑是什麼至關重要，這個過程需要時間，短至兩年，長則需 10 年或更長時間。

Gartner 副總裁兼分析師 Melissa Davis 表示：“這些技術都還處在早期階段，但其中有些仍處在萌芽階段，其未來演進仍存在很大的不確定性。部署處在萌芽態的技術風險會更大，但同時給早期採用者帶來的收益也更大，這就是它們與期望膨脹期內的戰略技術趨勢的不同。”

2022 年新興技術成熟度曲線

2022年及以後需要考慮的三個技術趨勢主題

2022 年 Gartner 技術成熟度曲線主要聚焦於新興技術，裡面提煉了 2000 多種技術洞察，匯總成精簡的高潛力技術集合。大多數技術都有多個用例，但企業架構和技術創新領導者的優先考慮應該是那些可以為組織帶來最大潛在利益的技術。（還需要啟動概念驗證項目，證明技術對目標用例的可行性。）

以下是關於 2022 年技術所屬的三個主題的更多信息：

主題 1：演進/拓展沉浸式體驗

這些技術帶來的好處是，可以為個人提供更多對身份和數據的控制權，並將體驗范圍拓展到可與數字貨幣集成的虛擬場所和生態體系。這些技術還提供了接觸客戶的新方法，可加強或開辟新的收入來源。

客戶的數字孿生（DToC）是客戶的動態虛擬表示，這種技術可模擬和學習客戶，從而模仿和預測客戶的行為。DToC 可用於改進和增強客戶體驗（CX），為新型數字化工作、產品、服務和機會提供支撐。 DToC 需要 5 到 10 年才會被主流採用，但對於組織來說，這種技術是變革性的。

沉浸式體驗中的其他關鍵技術包括：

• 去中心化身份（Decentralized identity ，DCI）可利用區塊鏈或其他的分佈式賬本技術（DLT）和數字錢包，讓實體（一般是人類用戶）控制自己的數字身份。

• 數字人類（Digital humans）是一種 AI 驅動的，交互式的表示，具備了人類的部分特徵、個性、知識與思維方式。

• 內部人才市場（Internal talent marketplaces）實現了在不需要招聘人員參與的情況下，內部員工以及某些情況下臨時工人才庫，與有時間限制的項目和各種工作機會的匹配，而無需招聘人員參與。

• 元宇宙（Metaverse）是一個共同的虛擬 3D 共享空間，融合了虛擬增強的物理現實與數字現實。元宇宙具備持久性，可提供增強的沉浸式體驗。

• 非同質化代幣（Non-fungible token,NFT） 是獨特的、可編程的、基於區塊鏈的數字物品，可公開證明數字資產（如數字藝術或音樂）或代幣化的實物資產（如房屋、汽車或文件）的所有權。

• 超級應用（Superapp）是一種綜合式的移動 app，開發成平台的形式，可提供模塊化的小程序，用戶激活這些小程序後可獲得個性化的應用體驗。（編者註：微信就是超級應用的先驅）

• Web3是一個新的技術棧，可用來開發去中心化的 Web 應用，讓用戶管理自己的身份和數據。

主題 2：加速的人工智能自動化

加大人工智能的採用范圍是發展產品、服務和解決方案的關鍵手段。這意味著加速建立專門的人工智能模型，將人工智能應用到模型的開發和訓練上，並將其部署到產品、服務以及解決方案交付中。其結果是預測和決策會更準確，獲得預期收益會更快等。而人類的角色會更側重於成為消費者、評估者和監督者。

自主系統（Autonomic systems）是人工智能自動化加速的例子。自主系統是可自我管理的實體系統或軟件系統，可執行具有三個基本特徵領域（自主、學習和代理）的任務。當傳統的AI技術無法實現業務的適應性、靈活性和敏捷性時，自主系統可以提供幫助。自主系統需要 5 到 10 年的時間才能獲得廣泛採用，但對於組織來說具有變革性的作用。

加速的 AI 自動化的其他關鍵技術包括：

• 因果推理人工智能（Causal artificial intelligence）識別並利用了因果關系，突破了基於相關性的預測模型，讓AI系統朝著更有效更自主地推薦行動的方向前進。

• 基礎模型（Foundation models）是基於 Transformer 架構的模型，比如大型語言模型就是例子，其具體表現是一種深度神經網絡架構，可以在上下文環境下計算文本的數字表示，強調的是詞序。

• 生成式設計AI（Generative design AI）或AI增強設計（AI-augmented design）。這種技術利用了 AI、機器學習和自然語言處理技術，自動生成和形成數字產品的用戶流程、屏幕設計、內容以及表示層的代碼。

• 機器學習代碼生成工具（Machine learning code generation tools）包括了雲託管的，可植入到專業開發者集成開發環境（IDE）的機器學習模型，是基於自然語言描述或部分代碼片段提供代碼建議的插件。

主題 3：優化技術專家交付

這些技術專注於建立數字業務的關鍵要素：產品、服務或解決方案開發者社區（如Fusion Team），以及他們使用的平台。這些技術可提供反饋和洞察，優化並加速產品、服務和解決方案的交付，同時提高業務運營的可持續性。

雲數據生態體系（Cloud data ecosystems）是優化的技術專家交付的典範。雲數據生態體系提供了一個統一的數據管理環境，可支持從探索性數據科學到生產數據倉庫的各種數據工作負載。雲數據生態體系提供了流水化的交付與全面功能，很容易部署、優化和維護。這種技術需要 2 到 5 年的時間才會得到廣泛採用，對用戶來說也很有好處。

優化技術專家交付的其他關鍵技術包括：

• 增強型財務運營（FinOps，將技術、財務和業務融於一體的運營框架）通過應用AI和機器學習實踐，將敏捷、持續集成與部署，以及最終用戶對財務治理、預算計劃與成本優化工作的反饋等傳統的 DevOps（開發運營）概念自動化。

• 雲可持續性（Cloud sustainability）是利用雲服務實現經濟、環境和社會體系（ESG）的可持續性效益。

• 計算存儲（Computational storage ，CS）將主機的處理從 CPU 的主存儲器卸載到存儲設備身上。

• 網絡安全網格架構（Cybersecurity mesh architecture ，CSMA）是一種用於設計可組合的分佈式安全控制的新式做法，可提高整體的安全效率。

• 數據可觀察性（Data observability）是通過對事件進行持續監控、跟蹤、告警、分析和故障排除，來瞭解企業的數據環境、數據管道與數據基礎設施健康狀況的能力。

• 動態風險治理（Dynamic Risk Governance ，DRG）是一種用來定義風險管理角色和責任這個關鍵任務的方法。DRG針對每種風險定製適當的風險治理，讓組織能夠更好地管理風險，降低保障成本。

• 行業雲平台（Industry cloud platforms）利用底層的 SaaS、PaaS 和 IaaS 服務，為特定的垂直行業提供與行業相關的打包業務和技術能力，並將其整合為一個產品。

• 最小可行架構（Minimum viable architecture,MVA）是產品團隊用來確保產品研發及時性與合規性，並支持迭代的標准化框架。

• 可觀察性驅動開發（Observability-driven development，ODD）是通過將系統設計為可觀察的，為系統狀態和行為提供細顆粒度的可見性和上下文的軟件工程實踐。

• OpenTelemetry是一系列的規范、工具、應用編程接口（API）與軟件開發工具包（SDK），用來描述和支持開源儀器與軟件的可觀察性框架的實現。

• 平台工程（Platform engineering）這門學科研究的是如何為軟件交付與生命週期管理開發和運營自服務的內部開發者平台（internal developer platforms，IDPs）。

譯者：boxi。

本文經授權發布，不代表36氪立場。

如若轉載請註明出處。來源出處：36氪