2022年Gartner新兴技术、人工智能技术成熟度曲线概述

Gartner 2022年新兴技术、人工智能技术成熟度曲线，以及新兴技术和趋势影响力雷达图中五项具有影响力的技术概述

肖永威

3940人浏览 · 2022-10-18 14:59:34

肖永威 · 2022-10-18 14:59:34 发布

Gartner发布2022年新兴技术成熟度曲线

2022年8月19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。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。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。主要包含三个主题：

沉浸式体验不断发展和扩展（Evolving/expanding immersive experiences）；
加速人工智能自动化（Accelerated AI automation）；
技术人员交付得到优化（Optimized technologist delivery）。

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是从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1）。

技术的发展通常符合一定的趋势曲线，Gartner公司将其大致归纳为萌芽期、期望膨胀期、泡沫破裂低谷期、复苏期、生产成熟期5个阶段

在这里插入图片描述

图1. Hype Cycle for Emerging Tech，2022

沉浸式体验不断发展和扩展（Evolving/expanding immersive experiences）

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。

加速人工智能自动化（Accelerated AI automation）

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。

Causal artificial intelligence (AI) identifies and utilizes cause-and-effect relationships to go beyond correlation-based predictive models and toward AI systems that can prescribe actions more effectively and act more autonomously.

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。

技术人员交付得到优化（Optimized technologist delivery）

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。
平台工程是为软件交付和生命周期管理构建和运营自服务内部开发人员平台 (IDP) 的学科。

在这里插入图片描述

图2. 新兴技术成熟度曲线"

Gartner发布2022年人工智能技术成熟度曲线

2022年9月16日，Gartner发布了人工智能（AI）技术成熟度曲线，确定了超越一般性人工智能的创新，这些创新已经被用于将智能添加到以前静态的业务应用程序、设备和生产力工具中。

“值得注意的是，人工智能的炒作周期充满了创新，预计将带来高效益，甚至是转型效益，”Gartner的首席分析师阿夫拉兹·贾夫里（Afraz Jaffri）说。“特别注意，包括复合人工智能、决策智能和边缘人工智能，预计在2到5年内将成为主流采用的创新。这些创新的早期采用可以推动显著的竞争优势和商业价值，并缓解与人工智能模型脆弱性相关的问题。”

已进入生产成熟期的技术，其实际效益已得到证明和认可。随着越来越多的企业机构认为风险已下降至可接受程度，AI技术的采用开始进入快速增长阶段（见图3）。

AI一直是企业、政府和社会讨论的热门话题，企业机构很难分辨哪些AI技术具有真正的业务价值。数据和分析（D&A）领导者需制定具有前瞻性的AI战略，并充分利用当前可产生重大影响的技术。
在这里插入图片描述

图3. Hype Cycle for Artificial Intelligence, 2022

阿夫拉兹·贾夫里将人工智能创新重新分为四类，并且定义了其互补性和优先级：

以数据为中心的人工智能；
以模型为中心的人工智能；
以应用为中心的人工智能；
以人为本的人工智能

以数据为中心的人工智能

传统研究专注于通过调整人工智能模型本身来改善人工智能解决方案的结果，但以数据为中心的人工智能将重点转向增强和丰富用于训练算法的数据。

在解决特定于人工智能的数据问题时，以数据为中心的人工智能打破了传统的数据管理，但大规模投资人工智能的组织将不断发展，以保持恒久的经典数据管理理念，并以两种方式将其扩展到人工智能：

为不熟悉数据管理的以人工智能为重点的受众添加方便人工智能开发所需的功能。
使用人工智能来改进和增强数据治理、持久性、集成和数据质量。

以数据为中心的人工智能的创新包括合成数据、知识图、数据标记和注释。

例如，合成数据，是类人工生成的数据，而不是从真实世界的直接观察中获得的数据。可以使用不同的方法生成数据，例如从真实数据中进行统计上严格的采样、语义方法和生成性对抗网络，或者通过创建模拟场景，其中模型和流程相互作用以创建全新的事件数据集。

随着计算机视觉和自然语言应用的使用，各个行业的采用率都在增加，但Gartner预测合成数据的采用率将大幅增加：

在通过原始数据的合成变化或部分数据的合成替换来训练机器学习（ML）模型时，避免使用个人识别信息
在机器学习开发中降低成本并节省时间，因为它更便宜、更快速
提高ML性能，因为更多的培训数据导致更好的培训结果

以模型为中心的人工智能

尽管转向了以数据为中心的方法，人工智能模型仍然需要关注，以确保输出继续帮助我们采取更好的行动。这里的创新包括物理信息人工智能、复合人工智能、因果人工智能、生成人工智能、基础模型和深度学习。

复合人工智能是指融合不同的人工智能技术，以提高学习效率和拓宽知识表示水平。由于没有单一的人工智能技术是银弹，复合人工智能最终提供了一个平台，以更有效的方式解决更广泛的业务问题。

预计在2到5年内，复合人工智能将成为主流应用，其商业效益可能会发生变革，使跨行业开展业务的新方式成为可能，从而导致行业动态发生重大变化。例如，复合AI将：

将人工智能的力量带到更广泛的组织中，这些组织无法访问大量的历史数据或标记数据，但具有重要的人类专业知识
有助于扩大人工智能应用的范围和质量（即，可以嵌入更多类型的推理挑战）

因果人工智能包括不同的技术，如因果图和模拟，有助于揭示因果关系，改善决策。虽然因果人工智能需要5到10年才能达到主流应用，但其商业效益预计将很高-实现执行水平或垂直流程的新方法，这将大大增加企业的收入或成本节约。人工智能的因果效益包括：

将领域知识添加到具有较小数据集的引导因果人工智能模型的效率
AI系统中更大的决策增强和自主性
通过捕获易于解释的因果关系，提高可解释性
通过利用在不断变化的环境中仍然有效的因果关系，提高鲁棒性和适应性
通过使因果关系更加明确，减少人工智能系统中的偏差

以应用为中心的人工智能

这里的创新包括人工智能工程、决策智能、操作人工智能系统、ModelOps、人工智能云服务、智能机器人、自然语言处理（NLP）、自动驾驶车辆、智能应用和计算机视觉。

决策智能和边缘人工智能预计将在两到五年内达到主流采用，并带来转型的商业效益。

决策智能是一门实用的学科，用于通过明确理解和设计如何做出决策，以及如何通过反馈评估、管理和改进结果来改进决策。

决策智能有助于：

减少技术债务，提高知名度，并通过实质性地提高组织决策模型的可持续性，基于其相关性和透明度的质量，使决策更加透明和可审计，从而提高业务流程的影响
通过正确捕获和考虑业务环境中的不确定性因素，并使决策模型更具弹性，减少决策结果的不可预测性

边缘人工智能是指在物联网（IoT）端点、网关和边缘服务器中嵌入人工智能技术的使用，应用范围从自动车辆到流式分析。其商业利益包括：

提高运营效率，如制造目视检查系统
增强的客户体验
通过使用本地分析减少决策延迟
降低连接成本，减少边缘和云之间的数据流量
与网络连接无关的解决方案可用性

以人为本的人工智能

该组创新包括人工智能信托、风险和安全管理（TRiSM）、负责任的人工智能、数字伦理以及人工智能制造商和教学套件。

当人工智能取代人类决策时，它放大了好的和坏的结果。负责任的人工智能通过解决交付价值与容忍风险之间的困境，实现正确的结果。负责任的人工智能是一个总括术语，用于在采用人工智能时做出适当的商业和道德选择，包括商业和社会价值、风险、信任、透明度、公平性、偏见缓解、可解释性、问责性、安全性、隐私和监管合规性。负责任的人工智能将需要5到10年才能达到主流采用，但最终将对业务产生转型影响。

数字伦理是一个近期趋势（2至5年），可能会对业务产生重大影响。数字伦理包括人、组织和事物之间进行电子互动的价值观和道德原则体系。这些问题，特别是涉及隐私和偏见的问题，仍然是许多人关注的问题。人们越来越意识到他们的信息是有价值的，他们对缺乏透明度、滥用和违规行为感到沮丧。各组织正在采取行动，以降低管理和保护个人数据的风险，而政府正在实施更严格的立法。

许多组织仍然忽视数字道德，因为他们认为它不适用于他们的行业或领域，但Gartner预测，到2024年，30%的主要组织将使用新的“社会声音”指标来处理社会问题并评估其对业务绩效的影响。组织需要将数字道德融入其人工智能战略，以增强其在客户、员工、合作伙伴和社会中的影响力和声誉。
在这里插入图片描述

主要技术介绍：

合成数据：
当今AI发展所面临的主要问题之一是，为有效训练AI模型而获取真实数据并进行标记，会给企业机构带来沉重的负担。此举不但耗时，而且费用高昂，但这一问题可通过合成数据来弥补。另外，合成数据在去除个人身份信息（PII）方面也有至关重要的作用。
因果人工智能：
人工智能的最终价值在于提高人类的行动水平。机器学习（ML）方法根据统计关系（相关性）进行预测，无论这些关系是否构成因果关系。当需要更规范地确定哪些最佳行动可促成特定结果时，因果人工智能可发挥至关重要的作用。该方法能够提高人工智能技术的自主性、可解释性、稳健性和效率。
决策智能
决策智能是一种实用的技术，旨在准确理解决策流程以及如何根据反馈来评估、管理和改进结果，从而提高决策水平。当前，随着人工智能技术在决策中的应用日益广泛，自动决策和增强智能受到热议，这一趋势正在将决策智能推向期望膨胀期。近期的危机揭示了业务流程的脆弱性，而在企业机构重构业务流程并增强韧性、适应性和灵活性的过程中，决策智能方法和技术将发挥重要作用。依托多种软件技术的决策智能市场正快速兴起，已开始为决策者提供解决方案。
复合型人工智能
复合型人工智能产生的前提在于，任何一种人工智能方法都不能解决所有问题。目前，复合型人工智能将“连接主义”派别的方法（如机器学习）与“符号主义”等派别的方法（如基于规则的推理、图分析、基于主体的建模和优化技术等）相结合，旨在减少人工智能解决方案学习时所需的数据和能量，使抽象化机制发挥更大作用。复合型人工智能是推动决策智能市场兴起的核心因素。
生成式人工智能
目前对生成式人工智能方法的探索正在升温，并且开始在生命科学、医疗、制造、材料科学、媒体、娱乐、汽车、航空航天、国防以及能源行业证明自身的价值。生成式人工智能已催生了营销、设计、建筑和内容领域的创造性工作。技术生成的合成数据可以提高人工智能交付的准确性和速度。生成式人工智能的使用日益普遍，已上市的产品种类越来越丰富，此技术最近被积极应用于元宇宙领域。
基础模型
基础模型附带大量预训练数据集并可适用于广泛的用例，是人工智能领域发展过程中的重大进步。与以前的模型相比，基础模型能更高效地提供更先进的自然语言处理能力。基础模型已成为自然语言处理领域的首选架构，此架构还可支持计算机视觉、音频处理、软件工程、生物化学、金融和法律用例。