Gartner重磅發布2017新興技術成熟度曲線：13大AI技術處曲線巔峰

20萬，這是新智元今天達到的用戶總數。在飛向智能宇宙的旅程中，感謝每一位和新智元同行的朋友。您的關注和支持是「新智元號」星艦永不枯竭的燃料。

圖1 2017新興技術成熟度曲線（來源：Gartner 2017年7月）

突出趨勢：無處不在的人工智慧

2017年，Gartner 推出三方面趨勢： 1. 無處不在的人工智慧（AI）；2. 透明化身臨其境的體驗；3. 數字化平台。在這三大趨勢下，四個技術領域值得決策者優先關注，因為和企業加快和加深技術創新有關，並對如何對待員工、客戶、合作夥伴產生重要影響，它們分別是：商業生態擴展類技術，例如區塊鏈；融合類技術，例如腦機介面；商業自動化技術，例如承載貨物與服務的商業無人機；安全類技術，例如軟體定義安全將帶來更加安全的數字化世界。

1. 無處不在的人工智慧

未來10年，人工智慧將成為最具破壞性級別的技術，主要是因為卓越的計算能力、漫無邊際的數據集、深度神經網路領域的超乎尋常的進步。插上AI這個「翅膀」，人們基於數據可以解決超乎想像的若干問題。

企業圍繞這個主題考慮以下技術：深度學習、強化學習，通用智能、自動駕駛、認知計算、商業無人機（無人機）、對話用戶界面、企業分類法和本體管理、機器學習，智能微塵、智能機器人，智能空間。

2. 透明化身臨其境的體驗

技術強調以人為中心，它將提高人、企業和事物之間的透明度。隨著技術演變更加適應工作場所和家庭環境，並且與企業和其他人的互動加強，這種關係將變得更加交織。

需要考慮的關鍵技術包括：4D列印、增強現實、腦機介面、互聯家庭、人體增強、納米管電子、虛擬現實和立體顯示。

3. 數字化平台

大數據、卓越的計算能力和無處不在的技術生態構成了新興技術的革命性的堅實基礎。這種從技術結構向生態支持的數字平台的轉換成為人和技術之間的橋樑——新商業模式的基礎。在這些充滿活力的生態中，企業必須主動理解生態平台並重新定義他們的戰略，產生對應的平台商業模式，探索平台內在和外在的構造，從而依靠平台產生更多的價值。

需要跟蹤的關鍵技術有5G、數字孿生、邊緣計算、區塊鏈、物聯網平台，神經形態硬體、量子計算、無伺服器PaaS和軟體定義安全。

重點關註：人工智慧類新興技術正處於曲線巔峰

一是人工智慧類新興技術在今年的成熟度曲線上快速移動。這些技術正處於曲線的巔峰位置，它們也是支撐和創造透明和身臨其境體驗的關鍵技術。二是數字化平台類技術在曲線上處於上升期，說明支撐未來範式的數字化平台正向我們走來。三是量子計算、區塊鏈技術有望在未來5-10年產生變革性和戲劇性的影響。

1. 新技術

了解2017新興技術成熟度曲線第一次引入的技術，為企業架構師（EA）提供未來幾年戰略性技術趨勢的領先指標。

下面的8個新技術將支持EA和技術創新的領導者們理解應用無處不在的人工智慧，透明身臨其境的體驗和數字平台這三個主題：

2. 顯著移動技術

區塊鏈概念正在得到人們認可，未來它將改變行業的經營模式。區塊鏈在多個行業使用的實例表明其初步價值，但還需要進一步的驗證。未來，我們將看到區塊鏈在金融服務業、製造業、政府、醫療和教育行業得到更快的認可和應用。

AI硬體的主要進步，計算能力的小型化，以及更為實用的深層學習演算法，使得無人機可以用於金融服務、製造業、零售業和汽車業。

安全供應商繼續將更多策略管理從個別硬體元素移動到一個基於軟體的管理平面，以便保證指定安全策略的靈活性。因此，SDSec為安全政策的執行帶來速度和敏捷性，而不管用戶的位置、信息或工作量。

隨著可穿戴技術的發展，微型化、智能化、個性化在普通場合也變得越來越普及，應用程序將受益於混合技術，將大腦、注視和肌肉跟蹤結合起來，提供免提交互。在未來的五年中，隨著虛擬現實（VR）硬體的發展，很有可能這種技術的較新版本是包含在VR耳機設計中。腦-機介面不僅顯示出重大進展，而且以一種變革的方式增加了它的影響。

3. 脫離曲線技術

在許多情況下，這些技術不再是「新興的」，而是正慢慢的融入我們的生活，從新興技術曲線中離開的技術只是為了突出其他的新興技術。出現在2016年新興技術曲線，但沒有出現在今年新興技術曲線的技術有：

4. 成為主流技術的時間預見

新興技術具有破壞性的性質，但他們提供的競爭優勢還沒有完全為人所知或在市場上證明。然而，大多數技術將需要超過5至10年達到生產力高點。以下這些例子說明在短期和長期的關鍵新興技術的影響。

2到5年將被主流採用。無處不在的人工智慧和已經發揮效能的新興技術，例如機器學習已經提供了廣泛而顯著的效益，而深度學習和商業無人機（無人機）的發展帶動機器學習演算法的深入進步。

以下列出2到5年的主流應用新興技術：

5到10年被主流採用。技術調查顯示數字平台正在充分發揮作用。軟體定義安全(SDSec)表明平台革命正在全面發力，SDSec為安全策略的實施帶來速度和敏捷性，而不考慮用戶的位置、信息或工作量。虛擬個人助理提供不顯眼的、無處不在的、情景感知的基於顧問的解決方案，同時數據區塊鏈將擴大分散式總賬概念，有望改變行業經營模式。

以下列出5到10年的主流應用新興技術：

超過十年被主流採用。量子計算將提供前所未有的計算能力。通用人工智慧將無處不在，人工智慧將與外界融合，成為透明沉浸體驗和數字平台融合的關鍵因素。

以下是超過10年主流採用的新興技術的清單：

圖2 2017新興技術的優先矩陣（來源：Gartner2017年7月）

分階段技術點

1. 上升階段

智能微塵是一種機器人、微機電系統(MEMS)或其他設備。智能微塵可以通過光學、溫度、壓力振動、磁場和化學成分來檢測出任何事物。他們運行在一個無線計算機網路中，分布在一個區域來執行任務，通常通過無線射頻識別(RFID)感測。由於他們不使用大型天線，使得系統的測量精度可以達到幾毫米。

2017年，雖然針對智能微塵的研究還處在實驗室階段，但還是有了一些進展。如南加州大學機器人研究實驗室（美國國防高級研究計劃局(DARPA)資助）和JLH實驗室，以及最近的斯圖加特大學，已經開發出一種新的「智能塵埃」微型攝像頭類似沙粒大小。本研究的目的是使塵埃儘可能小，這涉及智能化、小型化、一體化和能源管理。因為一個完整的感測器和通信系統集成到一個立方毫米封裝，還有很長的路要走，我們還沒有看到智能灰塵大的商業應用。然而，一些合理的小微粒在商用樓宇控制、工業監控和安全中得到應用。最近，安費諾先進感測器宣布研製成功新的智能塵埃感測器，主要用來檢測顆粒物，空氣質量下降的程度等。

四維列印（4DP）技術是用動態能力（或功能、屬性）對材料進行編程，並通過化學、應用電子、顆粒或納米材料將其改變。此外，該技術具有排列、混合和放置特定材料的功能。

2017年，4DP有一些令人興奮的最新前沿應用。哈佛團隊運用4DP列印轉換的組織工程支架，用來支持細胞生長；維克森林研究所的研究人員列印3D印刷結構，這種結構由活性的細胞組成，可以代替人類組織，這種3D結構形狀隨時間發生變化。同時，美國宇航局的工程師們已經利用4DP列印「太空鏈郵件」。新加坡研究中心和蘇黎世瑞士聯邦技術學院的4DP研究已經進入公共領域，涉及4D列印部件及其耐久性，涉及4DP設計承重。在這項技術成為主流之前，仍需要10年以上的時間。

又名「強人工智慧」或「通用機器智能」。機器具有類似人類在學習、推理、適應和理解等方面的能力就被稱為「智能」。 AGI適用於廣泛的使用案例，相對而言，弱人工智慧僅限於特定（窄）的使用案例。但是，目前AGI只存在於科幻小說。2017年的人工智慧系統，都不能通過等同於人類的智力的通用測試。這並不是說，永遠不可能創造一種接近於人類認知能力的機器，但我們可能距離完成必要研究和工程實驗還有好幾十年。AGI（「強人工智慧」）往往與認知計算的討論糾纏在一起。弱人工智慧運用案例包括輔助駕駛、聰明顧問、虛擬客戶助理、專註於各種任務的特定智能（比如財富管理等）；強人工智慧將給人們的生活和商業活動帶來巨大的、甚至是毀滅性的影響。

深度強化學習是深層神經網路在強化學習中的應用。強化學習是一種機器學習技術，理解和表達獲取情況和動作之間的映射關係。強化學習進入曲線已經有三多年的歷史了。它可以被認為是一種啟發式的動態規劃，由李察貝爾曼在60年前引入。2017年，深度強化學習表現搶眼，是因為計算機遊戲類領域深度強化學習的巨大成功，例如alphago（谷歌DeepMind開發）正激發人們對該領域的興趣，成為深度強化學習系統化、廣泛應用的重要驅動力。有幾個開源框架，支持強化學習的應用（例如，谷歌tensorflow和那些OpenAI），但幾乎所有的商業數字化平台目前都缺乏此功能。建議不要對深度強化學習期望太高，不要把深度強化學習放進你的規劃或路線圖，除非你實在沒有別的解決途徑可尋。深層強化學習必須有深入的專業知識，最好是一個模擬或受控的環境，在這個環境中，系統可以拿出搜索一系列最終產生最佳評價的策略。當前，除了前面提到的遊戲類的深度強化學習，其他類別成功的深度強化學習還比較少見。

神經形態計算可以被理解為受到神經生物學結構概念影響的基於半導體處理器的計算。神經形態晶元與傳統的處理器完全不同，往往需要執行模塊，是非馮-諾伊曼結構。2017年，神經系統仍然處於非常早期的原型階段。休利特帕卡德實驗室正在開發的點陣，是一種加快神經信息處理形態的引擎設計。美光的自動化處理器旨在為圖形分析、模式匹配和數據分析提供極高的並行性和性能。神經形態硬體的發展存在三大障礙：一是加速計算技術（例如GPU)需要比硅基神經更方便、更容易編程的結構；二是知識短板，編程的神經形態硬體要求新的執行模型和編程方法；三是可擴展性，大量的神經元和深互連將挑戰半導體廠商創造可行的神經形態設備的能力。

人體機能增強主要是用外在手段提高自身技能，提供超過正常人類極限的性能。增強的例子包括增加體力（例如，通過外骨骼），提高感知（例如，助聽器與手機應用程序優化，或植入磁體檢測電流），提高注意力，（例如，通過藥物或腦刺激）提高精神集中度。

日益專業化和能力水平等競爭需求下，未來更多的人將嘗試通過人體機能增強來提高自己，未來20年將觸發一個價值數十億美元的市場。投資者可以關注選擇性增強的趨勢和機會，定位合適人群，挖掘市場潛力。關於人體機能增強的倫理爭議正在出現，美國幾個州已經通過了法案，禁止僱主將晶元植入作為就業條件。

5G是4G下一代蜂窩標準。這是目前被國際電信聯盟（ITU），第三代合作夥伴計劃（3GPP）和歐洲電信標準協會（ETSI）認可的官方標準。Gartner預計，到2020年，3%的基於網路的移動通信服務提供商（CSP）將推出5G商業化網路。從2018到2022年，國際上將主要利用5G來支持物聯網通信、高清視頻和固定無線接入。

沒有服務業務的PaaS被稱為無伺服器PaaS。所有的PaaS應該從一開始就反映了雙方的IaaS和SaaS的設計原理是伺服器。無伺服器PaaS代表真正的雲式操作的雲平台服務。一個伺服器PaaS交付模式將提高生產力和效率，並幫助簡化開發、規模經營、降低基礎設施成本。這將創建一個更一致的和可管理的雲應用環境，但需要規劃的實踐和策略的調整，產生經營為基礎的解決方案，PaaS的設計、繪製以及現有的一些應用程序，需要一些新的改變。

數字孿生是一個虛擬物對應一個實物。其一重要功能是數字孿生使其他軟體/系統與其虛擬物直接交互，而不是實際對象，以改善實際對象的維護、升級、修復和操作。數字孿生的基本要素包括被控對象的模型、對象的數據，一個唯一的一對一對應對象和監控對象的能力。

對汽車、建築物和消費產品來說，嵌入在虛擬模型中的功能行為的想法剛剛出現：到目前為止，不到1%被建模者關注。在高價值資產密集型行業（如交通運輸和製造業）和關鍵領域（如航空航天和國防），在相對常見又比較複雜的領域（例如，汽車，飛機，飛船，機器），數字孿生依然罕見。迄今為止，Gartner估計只有5%的此類複雜資產被建模。

Gartner預計，簡單的數字孿生將快速增殖。例如，面向消費者的消費電子產品等行業，簡單的數字雙胞胎產品開始在消費者層面增殖分化（如音響系統、智能照明等）。對於普通客戶而言，隨著對簡單電子設備的數字孿生的體驗的提升，比如通過移動設備上相對簡單的數碼雙胞胎遠程監控和控制他們的消費電子產品，數字孿生將在普通消費群體中得到歡迎和認可。隨著時間的推移，越來越多的製造型企業將使用更成熟的數字雙胞胎避免設備故障和運行設備維修計劃，優化製造的工藝流程，提高對設備故障的預測和提高運營效率，增強對產品的開發和維護。

量子計算是一種非經典計算是基於亞原子粒子的量子態。粒子的狀態代表信息，用一個稱為量子位（量子比特）的單個元素表示。一個量子位可以同時保存所有可能的結果，直到讀到一個被稱為疊加的屬性。量子位也可以與其他量子位聯繫起來稱為糾纏。量子計算機操縱鏈接的量子比特來解決問題，觀察（讀取）量子比特中的最終結果。

基於量子技術的硬體可不一般，比較複雜和前沿。迄今為止，最大的糾纏演示是大約17個量子位，也是在實驗室好奇心驅使下實現的。即便如此，大多數研究人員都認為硬體不是核心問題。有效的量子計算將需要開發新的量子演算法來解決現實世界中的問題，同時在量子態中運行。研究人員正試圖將新的量子演算法優化到量子計算機的特定設計特性上。IBM最近開放了它的外部量子平台，目的是提高人們對量子計算的認識。今天，只有17個量子比特，系統只能解決一些微不足道的問題，但IBM希望通過增加量子位數量和降低錯誤率來繼續擴大其能級。

另一個新出現的方法是捕獲離子，而不是電子。離子的質量比電子大幾千倍，這使它們不易受噪音干擾，而且更容易管理。量子計算這項技術繼續吸引大量資金，許多大學和企業實驗室正在進行大量研究。D-Wave系統，製造商的退火的量子計算機，目前利用2000個量子比特而不依賴於完全的糾纏量子比特。谷歌，一個D波量子計算機的用戶，相信它會促進深度學習和量子計算的結合。微軟的量子結構和計算組正在開發面向未來的量子演算法以及編程演算法軟體體系結構。

立體顯示技術是將物體呈現為三維的效果，採用跟隨觀眾移動的360度球面視角。與大多數平面3D顯示器不同，通過立體顯示技術可以創建出高度的幻覺效果或立體的視覺感受，能夠擁有非常逼真的立體效果。目前，立體顯示技術還沒有走出實驗室，但常常被認為像是電影《星球大戰》中莉亞公主的實體圖像那樣。但實體顯示仍然是一個難以捉摸卻夢寐以求的目標。

立體顯示技術的商業應用還處於起步階段。到目前為止，在市場營銷中針對高端零售環境的簡單應用已經部署。有一些專門的地理空間成像應用程序來增強2D地圖，並用於建築渲染。然而，其中大部分可以用更為廉價的技術，如3D顯示器來實現。同時，頭戴式顯示器和光場顯示器的快速增長和持續發展威脅到專業市場以外的立體顯示器的持續發展。潛在的應用領域包括醫學成像、消費娛樂、遊戲和設計，但成本需要極大降低。

腦機介面（BCI）是一種用戶界面，用戶可以通過計算機解釋不同的大腦模式。數據要麼被被動地觀察和研究，要麼用作命令來控制應用程序或設備。有三種方法：

● 侵入性的，電極直接連入大腦。

● 部分侵入性，顱骨穿透，但沒有觸及大腦。

● 非侵入性的，在商業上可用的帽子或頭巾戴在頭骨上來檢測信號。

非侵入性的方法不能使用更高頻率的信號作為頭骨塊和分散電磁波。這種方法的一個主要挑戰是獲得足夠清晰的大腦模式來執行一系列命令。雖然今天的控制不是很平滑或連續，但可以控制多維度的虛擬對象，玩互動式遊戲和控制硬體。值得注意的是，佛羅里達大學於2016年舉辦了世界上第一個被大腦神經控制的無人機競賽，顯示了服務機器人發展的潛在路徑。但是，從思想到檢測，從檢測到執行，任然存在一個延遲的問題，這個主要問題使得實時控制面臨挑戰。

目前，最好的神經介面用於肢體修復，並使用100個通道提取大腦的神經信號。國防高級研究計劃局（DARPA）正投資6000萬美元，在未來四年內神經工程系統設計提高到一百萬通道（NESD），將看到一個一立方厘米的裝置植入人的大腦，使神經元的數據以電子的方式加以傳送。如果這樣，這項技術將發生顛覆性的轉變，它不僅對細微差別的介面有廣泛的影響，而且有利於從生理和心理方面深入理解大腦。

新的使用案例，如無人機控制、客戶行為研究。FACEBOOK的8個研究小組最近宣布在其F8開發者大會上宣布一項無創性的項目，允許用戶進行思想和目標交互，每分鐘100字。

對話用戶界面（CUI）是一個高層次的設計模型，在此之中用戶和機器以口語或書面自然語言交互作用。這些通常是非正式的和雙向的交互作用範圍從簡單的話語（例如「停止」，「是」或「現在幾點」「12:24」）到高度複雜的相互作用（收集犯罪案件的證人證言）和高度複雜的結果（如為用戶創建一個抽象的形象）。作為設計模型，CUI要依賴於應用程序和相關服務的實現。供應商和開源活動在不斷增加，利於CUI的發展。更多已確定引進將動搖新UI模式控制局面的CUI和新商業模式，以部分替代和補充應用程序和API。

智能工作空間利用物理物聯網對物理對象數字化，傳遞新的工作方式，分享信息及開展合作。物理環境程序化使智能工作空間與移動設備、應用軟體、數字職場圖、智能機器協同，以提高員工的工作效率。人們工作的任何地點都可以成為智能工作空間。

2. 頂峰期

增強數據挖掘（原智能數據挖掘），標誌性的特點是下一代BI和分析平台，使得用戶自動發現、想像和敘述相關研究，例如相互關聯、例外、整體預測等，無需建立模型或寫演算法。用戶通過可視化搜索和自然語言查詢數據，支持自然語言生成的結果解釋。

在過去的五年中，基於視覺的數據挖掘破壞了傳統的商業智能（BI）和分析市場，因為它們易於使用，用戶可以快速組裝數據，可視化地探索假設，以便在數據中找到新的見解。但是依靠用戶手動尋找模式可能會導致用戶挖掘自己的偏見假設，丟失關鍵結果，並得出不正確或不完整的結論，這可能會對決策和結果產生不利影響。

增強數據挖掘可以減少耗時的挖掘探索和錯誤識別，以及產生較少的額外解釋。而不是一個分析師手動測試數據的所有組合，只有最顯著的和相關的結果呈現給用戶的智能可視化和/或自然語言的敘述。將一系列演算法並行應用於數據，並向用戶解釋實際的結果，減少了數據丟失與人工探索之間的重要見解的風險，優化提升對策建議。

邊緣計算描述了一種計算拓撲，其中信息處理、內容收集和交付更接近於信息的源和匯。從網狀網路和分散式數據中心的概念出發，邊緣計算著眼於保持本地和遠離網路中心的流量和處理。目標是減少延遲，減少不必要的流量，並建立一個集線器，用於在感興趣的對等點之間進行互連，以及對複雜的媒體類型或計算負載進行數據細化。

創建邊緣數據中心的物理基礎設施的大多數技術都是現成的，但是拓撲、顯式應用程序、網路體系結構的廣泛應用還不常見。邊緣計算在物聯網物理實現軌跡中發揮協同作用，極大地提高了概念的可視性。需要擴展系統和網路管理平台，包括邊緣位置和邊緣功能特定技術，如數據細化、視頻壓縮和分析等。

智能機器人是一種機電形式的因素，在物理世界中自主工作，在短期間隔中學習，接受人類監督、培訓和示範，在人類的管理下工作。

與工業機器人（預定義的、不變的任務）相比，智能機器人迄今為止的使用量明顯減少，但他們在市場上受到了巨大的鼓舞，這就是為什麼智能機器人正處於膨脹預期的頂峰。在未來幾年中，圍繞智能機器人的宣傳和期望將繼續增長。由於幾家主要供應商在過去幾年中的努力，智能機器人正在大放異彩：

● 亞馬遜機器人公司（原名Kiva Systems）計劃配置10000個機器人來完成客戶的訂單。

● 谷歌收購多個機器人技術公司。

● Rethink Robotics推出巴克斯特和Sawyer，可與人類員工一起工作。

● 2016年，開始在一些酒店，例如希爾頓、威斯汀酒店房間使用服務機器人。

智能機器人將在以資產為中心、以產品為中心、以服務為中心的行業中發揮其最初的業務影響力。他們的體力、勞動能力，更高的可靠性，更低的成本，更高的安全性和更高的生產力，在這些行業中表現出很強的競爭力。典型的和潛在的使用案例包括醫療材料處理、危險廢物處置、調劑和交付，病人護理，直接材料搬運、補貨、產品裝配、成品動作，產品挑選和包裝，電子商務訂單、送貨、購物協助、客戶服務、禮賓和處置有害物質等。

各企業致力於增加物聯網終端種類, 尋求更好效益, 同時發覺新的商機和盈利模式。由於這些因素的交互作用，企業需要不斷增加先進技術資源以達到相應的成熟度、規模和商業價值。大規模物聯網平台可以實現基礎和高級的物聯網方案和數字化商業操作。物聯網平台以一個混合方式部署，它將與基於雲的元素（無論是私人的還是公共的）和分布於終端和網關之間的本地軟體合併。

越來越多的企業通過物聯網和數字業務擴大了物聯網平台的宣傳力度，推動了供應商和用戶對物聯網平台和服務的投資。物聯網項目部署的增加，人們對成本的預期和技術的低估（例如，設備配置、端到端的解決方案集成和足夠的網路安全）形成挑戰，推動物聯網平台接近期望膨脹的高峰期，在實踐經驗的積累將最終把它們帶到主流的生產力和成熟。2017年，看到很多大型廠商帶來的第二代產品市場，總的來說，還沒有完全證據證明他們的銷售量，但是考慮到新的市場進入者，其營銷量註定繼續增加。

VAS幫助用戶或企業完成以前只能由人類完成的一組任務。VAS使用人工智慧和機器學習（例如NLP、預測模型、推薦和個性化）來幫助用戶或自動化完成任務。VAS監聽和觀察行為，建立和維護數據模型，並預測和推薦行動。它們可以為用戶服務，並隨著時間與用戶形成關係。虛擬助理通過與用戶相應的轉換將職責從用戶理解傳輸到系統。

VA具體應用如蘋果Siri、谷歌助手、微軟Cortana、亞馬遜的Alexa、kore.ai和SAP的副駕駛等。將來，越來越多的圖像識別、行為和事件識別等將使用VAS。虛擬助理也可以部署在虛擬個人助理、虛擬客戶助理和虛擬僱員助理。隨著用戶對它們的適應程度提高，技術的改進和實現的多樣性，VA的使用也隨之增長。

互聯家庭的目的是實現與多個設備、伺服器和應用程序的網路連接，從通信娛樂到醫療、安全和家庭自動化。這些伺服器和應用程序通過多個相互關聯的集成設備、感測器、工具和平台傳遞信息。情境的、實時的、智能的信息可以通過本地或雲端存儲，使得個體或者其他連接到伺服器的家庭成員能夠通過遠程或者在家裡監控自己的家。媒體娛樂、家庭安全、監控和自動化、能源管理產品和服務、健康和健身、教育等將成為互聯家庭的關鍵詞。

深度學習通過進一步發現和研究中間變數擴展和延伸機器學習，是機器學習的一個分支。三方面的因素導致深度學習到達新興技術曲線的頂端位置：一是前所未有的大量數據的可獲取，包括以前難以處理的數據；二是演算法的改進、模型的優化，能夠處理快速增長的數據集；三是深層學習硬體平台的升級換代（擁有數以萬計的集群晶元和基於GPU的硬體架構的超級計算機）。

成千上萬的供應商都在探索深度學習領域的應用，如計算機視覺、會話系統和生物信息學領域的應用。研究人員正在不斷地發布驚人的新的關於這一主題的論文。企業中的巨頭如谷歌，蘋果，微軟，臉譜網和百度正在增加其針對深度學習的研發份額。蘋果的Siri、谷歌的谷歌Now，微軟的Cortana和亞馬遜的Alexa的身後都有深度學習的身影。硬體製造商正在加緊交付新的、深層的神經網路訓練的高性能演算法（深度神經網路演算法，DNNs）。未來在科學數據平台上，深度學習的功能將變得更容易獲得，估計到2018年，80%的數據科學家的標配是深度學習。

我們看到，為了持續獲得好的成果，深度學習需要專家系統和相應的設備。目前被普遍認可的是DNN架構。然而，深度學習的計算資源並不是隨手可得的，有一些技術還比較模糊，沒有一個單一的演算法或系統當前能夠滿足所有深度學習的處理需求。

深度學習當前的成功是通過DNN的主要變數：圖像和語音識別中的卷積神經網路；自然語言處理和翻譯中的遞歸神經網路；生物信息學中的自動編碼的人工神經網路。建議在能力範圍內把深度學習的數據作為長期投資的重點，因為正確數據的價值會隨著時間增長。建議在法律和道德都很明晰的領域避免使用DNNs，例如當你註定要面臨歐盟數據保護規定的時候。在美國，國防高級研究計劃局（DARPA）資助了一個解釋人工智慧的項目，但這將需要幾年的時間。

對於產業來說，深度學習對所有行業都具有轉換和顛覆潛力。對於那些想實現這種潛力的人來說，挑戰是要找出正確的問題，以便在深度學習中加以解決。

DNN潛能的基礎是對高維複雜數據顆粒的表徵能力。DNN可以通過解釋圖像來診斷早期的腫瘤，並給出可靠的結果；幫助改善視障人士的視覺能力；幫助車輛自動駕駛；給黑白照片染上彩色；給元素缺失的照片補上缺憾；識別和理解一個特定人的語音等。

機器學習是從一系列觀察中提取某種知識和模式，有三個主要分支：監督學習（也被稱為「標記數據」）、無監督學習、強化學習（給出好到什麼程度和壞到什麼情形的評價）。

機器學習是目前最熱門的技術概念之一。機器學習的一個分支就是深度學習，其中涉及深度神經網路，受到格外關注是因為它涉足了認知領域，而這以前是人類的專屬領地：圖像識別，文本理解和語音識別方面都身手不凡。機器學習將在以下方面驅動改進和解決新業務問題，展現大量的商業和社會場景：分別是自動化領域、藥物研究、客戶關係管理、供應鏈優化、預見性維護、操作效能、反欺詐、自動駕駛、資源優化等領域。機器學習的影響可以是顯性的或隱性的，顯性的影響來自主動接受機器學習服務，隱性影響來自您使用的產品和解決方案，而不知道它們包含了機器學習的成分。

自動駕駛是指車輛不需要人類干預，自己就可以從一個起點，藉助各種車載技術和感測器，如激光雷達、雷達和攝像頭，以及控制系統、軟體、地圖數據、GPS和無線通信數據等，「自動駕駛」到預定目的地。感測器、定位、成像、引導、人工智慧(AI)、映射和通訊技術的不斷進步，以及先進軟體和雲計算的快速發展， 使得自動駕駛很快成為現實。

2017年，汽車製造商和技術公司開發的自動駕駛汽車得到了主流媒體的吹捧，導致對這項技術不切實際的和過高的期望。AI是一個關鍵的技術，使基於機器學習和演算法的自動駕駛得以加速發展。自動駕駛目前的主要挑戰是成本，當然人們也在可靠性、道德、法律層面展開研討。

利用半導體性質，碳納米管為將來製備具有高速開關的微晶體管半導體設備提供了可能。利用金屬（導電）性質，碳納米管為作為低電阻連接件應用到集成電路中提供了可能。人們正在評估將碳納米材料技術應用到硅及其化合物的半導體材料中。具有半導體特性的碳納米管有望在未來半導體器件中具有高開關速度的小型晶體管。具有金屬（導電）特性的碳納米管具有低電阻的特性，可以應用於集成電路中的互連。其他納米管材料包括硅和化合物半導體材料正在評估中。硅版本（通常稱為硅納米線）正在積極研究用於硅陽極電池。

認知計算包括虛擬助理，認知專家顧問和智能增強現實等這些類別的技術，改進和提升人類的認知任務。我們認識到「認知計算」是當前市場上的宣傳詞，但不相信這些系統真正能夠認知。但可以說，他們模仿和/或延長人類的認知能力。他們是互動的，在對話中迭代，回顧以往的相互作用，並適應信息的變化或目標的改變。當前認知計算處於新興技術曲線的頂端位置，主要是AI的發展所致。在自動駕駛、虛擬客戶助理等領域，認知計算處於非常重要的位置，AI可能會因為認知計算取代人工。炒作、預期、需求都將推動認知計算的發展。未來5年，我們希望認知計算的主要障礙得到解決，加上物聯網、大數據，促動更大的商業創新。

區塊鏈包含了一系列聯繫較弱的技術和處理過程，包括中間件、資料庫、數據安全、數據分析、貨幣及身份管理等概念。大多數分散式分類賬仍處於alpha或beta階段。最近的版本包含資產、數據和可執行程序，在總賬協議之上開發的允許定製應用程序。顯著的炒作仍對帳簿的價值，但技術的可行性、安全性（軟體和硬體），可擴展性，合法性和互操作性問題仍然存在。

商業無人機（UAV）是小型直升機，固定翼飛機。無人機通常包括全球導航衛星系統（GNSS）、攝像機和感測器，引導他們進行成像、熱和光譜分析。高速緩存和通信系統使無人機能夠收集數據集或將它們傳輸到雲中存儲或處理，這些系統也包括防撞系統。

2017年，由於技術的改進和進一步需求程度的影響，商業無人機已經越過期望的巔峰。民用無人機應用案例包括採掘業、基礎設施的檢查、管道檢測、災害監測、安全檢查、測量、農業篩查等。中國、日本、英國和歐盟繼續測試在農業蟲害防治和包裹遞送中嘗試使用無人機，前者得到普遍認可，後者在特殊地形、地貌條件下作用重大。

3. 滑向低谷

專家認知顧問是最專業形式的人工智慧功能體現的虛擬助手，依賴於極深而窄的訓練語言資料庫的發展。至少包括專門的演算法，以及機器學習和自然語言處理功能等，基於認為積累的大數據基礎來回答問題、發現問題、給出建議、幫助決策等。他們模仿人類專家的「認知」功能。

信息的分類（按類別）和本體（按自然屬性）的管理包括實踐和實施技術解決方案。本體（ontology）是一種分類方法，將具有親緣關係或者功能相近的對象歸納在一起。分類（taxonomy）是一種對特定概念、物質，甚至語言結構進行區分的方法。這一定義只針對數據，而並不是一個一般化的定義。

軟體定義安全 (SDSec) 是一個涵蓋大量的安全技術的統稱。在安全政策管理技術從基礎的安全政策實施環節中抽象出來之後，這些安全技術就有了優勢。信息安全不能抑製劑數字化商業的需求。在不考慮用戶、信息的位置或工作量的前提下，軟體定義安全技術將提高安全策略的執行速度和敏捷性。

增強現實(AR)是使用實時的文本、圖形、聲音和其他材料與真實世界的對象相關聯，用頭戴式的設備演示或投影成圖像的技術。虛擬世界中，不同的擴增實境都可以轉化為真實世界。這種技術的目的就在於增強用戶與環境的聯繫。目前的技術是為了解決特殊的、專業的案例。因此，曲線上的位置與到達成熟所需的時間，會因企業發展的不同而不同。這代表了人們對市場上增強現實的普遍觀點。

4. 爬坡階段

虛擬現實技術是一種可以創建和體驗虛擬世界的計算機模擬系統，它利用計算機生成一種動態的模擬環境，使用戶沉浸到該環境中。手勢識別或手掌識別根據手和身體的動作或者觸屏來進行反饋。

虛擬現實一般是使用頭盔。今天市場上的知名設備是Oculus Rift、索尼PlayStation VR、HTC萬歲，三星Gear VR和谷歌Cardboard。虛擬現實技術對於企業使用來說已經足夠成熟，但需謹慎，VR系統的成功還取決於用戶體驗和應用質量。大多數虛擬現實消費者是玩遊戲或看視頻，可以看360度或球形的視頻內容。

2017年，雖然VR能夠展示令人驚訝的內容，但定製的價格和成本依舊高昂。在頭盔顯示技術的最新進展可能有助於緩解這些障礙，開發商應更注重質量體驗。進步的人工智慧、對象元數據和社會身份數據等越來越受到人們的重視，是因為個人和社交網路技術越來越被頻繁的使用，這將幫助開發人員使虛擬現實更加個性化和智能化。例如，雲圖形處理、移動視頻遊戲等技術以及寬頻接入的普及，將使應用程序開發人員更容易將虛擬現實集成到他們的產品中。

圖3 2016新興技術成熟度曲線（來源：Gartner2016年7月）

本文由上海市科學學研究所副研究員孟海華博士根據Gartner《2017年度新興技術成熟度曲線》報告整理。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！