无处不在的人工智能：Gartner发布2017年度新兴技术成熟度曲线

图1 2017新兴技术成熟度曲线（来源：Gartner 2017年7月）

一突出趋势

2017年，Gartner推出三方面趋势： 1、无处不在的人工智能（AI）；2、透明化身临其境的体验；3、数字化平台。在这三大趋势下，四个技术领域值得决策者优先关注，因为和企业加快和加深技术创新有关，并对如何对待员工、客户、合作伙伴产生重要影响，它们分别是：商业生态扩展类技术，例如区块链；融合类技术，例如脑机接口；商业自动化技术，例如承载货物与服务的商业无人机；安全类技术，例如软件定义安全将带来更加安全的数字化世界。

1 无处不在的人工智能

未来10年，人工智能将成为最具破坏性级别的技术，主要是因为卓越的计算能力、漫无边际的数据集、深度神经网络领域的超乎寻常的进步。插上AI这个“翅膀”，人们基于数据可以解决超乎想象的若干问题。

企业围绕这个主题考虑以下技术：深度学习、强化学习，通用智能、自动驾驶、认知计算、商业无人机（无人机）、对话用户界面、企业分类法和本体管理、机器学习，智能微尘、智能机器人，智能空间。

2 透明化身临其境的体验

技术强调以人为中心，它将提高人、企业和事物之间的透明度。随着技术演变更加适应工作场所和家庭环境，并且与企业和其他人的互动加强，这种关系将变得更加交织。

需要考虑的关键技术包括：4D打印、增强现实、脑机接口、互联家庭、人体增强、纳米管电子、虚拟现实和立体显示。

3 数字化平台

大数据、卓越的计算能力和无处不在的技术生态构成了新兴技术的革命性的坚实基础。这种从技术结构向生态支持的数字平台的转换成为人和技术之间的桥梁——新商业模式的基础。在这些充满活力的生态中，企业必须主动理解生态平台并重新定义他们的战略，产生对应的平台商业模式，探索平台内在和外在的构造，从而依靠平台产生更多的价值。

需要跟踪的关键技术有5G、数字孪生、边缘计算、区块链、物联网平台，神经形态硬件、量子计算、无服务器PaaS和软件定义安全。

二重点关注

一是人工智能类新兴技术在今年的成熟度曲线上快速移动。这些技术正处于曲线的巅峰位置，它们也是支撑和创造透明和身临其境体验的关键技术。二是数字化平台类技术在曲线上处于上升期，说明支撑未来范式的数字化平台正向我们走来。三是量子计算、区块链技术有望在未来5-10年产生变革性和戏剧性的影响。

1 新技术

了解2017新兴技术成熟度曲线第一次引入的技术，为企业架构师（EA）提供未来几年战略性技术趋势的领先指标。下面的8个新技术将支持EA和技术创新的领导者们理解应用无处不在的人工智能，透明身临其境的体验和数字平台这三个主题：

>>>>5G

>>>> 通用人工智能

>>>> 深度学习

>>>> 深度强化学习

>>>> 数字孪生

>>>> 边缘计算

>>>> 无服务器PaaS

>>>>认知计算

2 显著移动技术

>>>> 区块链

区块链概念正在得到人们认可，未来它将改变行业的经营模式。区块链在多个行业使用的实例表明其初步价值，但还需要进一步的验证。未来，我们将看到区块链在金融服务业、制造业、政府、医疗和教育行业得到更快的认可和应用。

>>>> 商业无人机

AI硬件的主要进步，计算能力的小型化，以及更为实用的深层学习算法，使得无人机可以用于金融服务、制造业、零售业和汽车业。

>>>> 软件定义安全(SDSec)

安全供应商继续将更多策略管理从个别硬件元素移动到一个基于软件的管理平面，以便保证指定安全策略的灵活性。因此，SDSec为安全政策的执行带来速度和敏捷性，而不管用户的位置、信息或工作量。

>>>> 脑机接口

随着可穿戴技术的发展，微型化、智能化、个性化在普通场合也变得越来越普及，应用程序将受益于混合技术，将大脑、注视和肌肉跟踪结合起来，提供免提交互。在未来的五年中，随着虚拟现实（VR）硬件的发展，很有可能这种技术的较新版本是包含在VR耳机设计中。脑-机接口不仅显示出重大进展，而且以一种变革的方式增加了它的影响。

3 脱离曲线技术

在许多情况下，这些技术不再是“新兴的”，而是正慢慢的融入我们的生活，从新兴技术曲线中离开的技术只是为了突出其他的新兴技术。出现在2016年新兴技术曲线，但没有出现在今年新兴技术曲线的技术有：

>>>> 802.11ax

>>>> 情感计算

>>>> 情境经纪

>>>> 手势控制设备

>>>> 数据经纪人

>>>> 微数据中心

>>>> 自然语言问答

>>>> 个人分析

>>>> 智能数字挖掘

>>>> 虚拟个人助理

4 成为主流技术的时间预见

新兴技术具有破坏性的性质，但他们提供的竞争优势还没有完全为人所知或在市场上证明。然而，大多数技术将需要超过5至10年达到生产力高点。以下这些例子说明在短期和长期的关键新兴技术的影响。

2到5年将被主流采用。无处不在的人工智能和已经发挥效能的新兴技术，例如机器学习已经提供了广泛而显著的效益，而深度学习和商业无人机（无人机）的发展带动机器学习算法的深入进步。以下列出2到5年的主流应用新兴技术：

>>>> 增强数据挖掘

>>>> 认知专家顾问

>>>> 深度学习

>>>> 边缘计算

>>>> 商业无人机

>>>> 物联网平台

>>>> 机器学习

>>>> 无服务器PaaS

>>>> 软件定义安全

>>>> 虚拟现实

5到10年被主流采用。技术调查显示数字平台正在充分发挥作用。软件定义安全(SDSec)表明平台革命正在全面发力，SDSec为安全策略的实施带来速度和敏捷性，而不考虑用户的位置、信息或工作量。虚拟个人助理提供不显眼的、无处不在的、情景感知的基于顾问的解决方案，同时数据区块链将扩大分布式总账概念，有望改变行业经营模式。以下列出5到10年的主流应用新兴技术：

>>>> 5G

>>>> 深度强化学习

>>>> 数字孪生

>>>> 增强现实

>>>> 区块链

>>>> 认知计算

>>>> 互联家庭

>>>> 对话用户界面

>>>> 企业分类法和本体管理

>>>> 碳纳米管电子

>>>> 神经形态硬件

>>>> 智能机器人

>>>> 智能工作空间

>>>> 虚拟助理

超过十年被主流采用。量子计算将提供前所未有的计算能力。通用人工智能将无处不在，人工智能将与外界融合，成为透明沉浸体验和数字平台融合的关键因素。以下是超过10年主流采用的新兴技术的清单：

>>>> 4D打印

>>>> 通用人工智能

>>>> 自动驾驶

>>>> 脑机接口

>>>> 人体技能增进

>>>> 量子计算

>>> 智能微尘

>>> 立体显示

图2 2017新兴技术的优先矩阵（来源：Gartner2017年7月）

三分阶段技术点

1 上升阶段

>>>> 智能微尘

智能微尘是一种机器人、微机电系统(MEMS)或其他设备。智能微尘可以通过光学、温度、压力振动、磁场和化学成分来检测出任何事物。他们运行在一个无线计算机网络中，分布在一个区域来执行任务，通常通过无线射频识别(RFID)传感。由于他们不使用大型天线，使得系统的测量精度可以达到几毫米。

2017年，虽然针对智能微尘的研究还处在实验室阶段，但还是有了一些进展。如南加州大学机器人研究实验室（美国国防高级研究计划局(DARPA)资助）和JLH实验室，以及最近的斯图加特大学，已经开发出一种新的“智能尘埃”微型摄像头类似沙粒大小。本研究的目的是使尘埃尽可能小，这涉及智能化、小型化、一体化和能源管理。因为一个完整的传感器和通信系统集成到一个立方毫米封装，还有很长的路要走，我们还没有看到智能灰尘大的商业应用。然而，一些合理的小微粒在商用楼宇控制、工业监控和安全中得到应用。最近，安费诺先进传感器宣布研制成功新的智能尘埃传感器，主要用来检测颗粒物，空气质量下降的程度等。

>>>> 4D打印

四维打印（4DP）技术是用动态能力（或功能、属性）对材料进行编程，并通过化学、应用电子、颗粒或纳米材料将其改变。此外，该技术具有排列、混合和放置特定材料的功能。

2017年，4DP有一些令人兴奋的最新前沿应用。哈佛团队运用4DP打印转换的组织工程支架，用来支持细胞生长；维克森林研究所的研究人员打印3D印刷结构，这种结构由活性的细胞组成，可以代替人类组织，这种3D结构形状随时间发生变化。同时，美国宇航局的工程师们已经利用4DP打印“太空链邮件”。新加坡研究中心和苏黎世瑞士联邦技术学院的4DP研究已经进入公共领域，涉及4D打印部件及其耐久性，涉及4DP设计承重。在这项技术成为主流之前，仍需要10年以上的时间。

>>>> 通用人工智能(AGI)

又名“强人工智能”或“通用机器智能”。机器具有类似人类在学习、推理、适应和理解等方面的能力就被称为“智能”。 AGI适用于广泛的使用案例，相对而言，弱人工智能仅限于特定（窄）的使用案例。但是，目前AGI只存在于科幻小说。2017年的人工智能系统，都不能通过等同于人类的智力的通用测试。这并不是说，永远不可能创造一种接近于人类认知能力的机器，但我们可能距离完成必要研究和工程实验还有好几十年。AGI（“强人工智能”）往往与认知计算的讨论纠缠在一起。弱人工智能运用案例包括辅助驾驶、聪明顾问、虚拟客户助理、专注于各种任务的特定智能（比如财富管理等）；强人工智能将给人们的生活和商业活动带来巨大的、甚至是毁灭性的影响。

>>>> 深度强化学习

深度强化学习是深层神经网络在强化学习中的应用。强化学习是一种机器学习技术，理解和表达获取情况和动作之间的映射关系。强化学习进入曲线已经有三多年的历史了。它可以被认为是一种启发式的动态规划，由李察贝尔曼在60年前引入。2017年，深度强化学习表现抢眼，是因为计算机游戏类领域深度强化学习的巨大成功，例如alphago（谷歌DeepMind开发）正激发人们对该领域的兴趣，成为深度强化学习系统化、广泛应用的重要驱动力。有几个开源框架，支持强化学习的应用（例如，谷歌tensorflow和那些OpenAI），但几乎所有的商业数字化平台目前都缺乏此功能。建议不要对深度强化学习期望太高，不要把深度强化学习放进你的规划或路线图，除非你实在没有别的解决途径可寻。深层强化学习必须有深入的专业知识，最好是一个模拟或受控的环境，在这个环境中，系统可以拿出搜索一系列最终产生最佳评价的策略。当前，除了前面提到的游戏类的深度强化学习，其他类别成功的深度强化学习还比较少见。

>>>> 神经形态硬件

神经形态计算可以被理解为受到神经生物学结构概念影响的基于半导体处理器的计算。神经形态芯片与传统的处理器完全不同，往往需要执行模块，是非冯-诺伊曼结构。2017年，神经系统仍然处于非常早期的原型阶段。休利特帕卡德实验室正在开发的点阵，是一种加快神经信息处理形态的引擎设计。美光的自动化处理器旨在为图形分析、模式匹配和数据分析提供极高的并行性和性能。神经形态硬件的发展存在三大障碍：一是加速计算技术（例如GPU)需要比硅基神经更方便、更容易编程的结构；二是知识短板，编程的神经形态硬件要求新的执行模型和编程方法；三是可扩展性，大量的神经元和深互连将挑战半导体厂商创造可行的神经形态设备的能力。

>>>> 人体机能增进

人体机能增强主要是用外在手段提高自身技能，提供超过正常人类极限的性能。增强的例子包括增加体力（例如，通过外骨骼），提高感知（例如，助听器与手机应用程序优化，或植入磁体检测电流），提高注意力，（例如，通过药物或脑刺激）提高精神集中度。

日益专业化和能力水平等竞争需求下，未来更多的人将尝试通过人体机能增强来提高自己，未来20年将触发一个价值数十亿美元的市场。投资者可以关注选择性增强的趋势和机会，定位合适人群，挖掘市场潜力。关于人体机能增强的伦理争议正在出现，美国几个州已经通过了法案，禁止雇主将芯片植入作为就业条件。

>>>> 5G

5G是4G下一代蜂窝标准。这是目前被国际电信联盟（ITU），第三代合作伙伴计划（3GPP）和欧洲电信标准协会（ETSI）认可的官方标准。Gartner预计，到2020年，3%的基于网络的移动通信服务提供商（CSP）将推出5G商业化网络。从2018到2022年，国际上将主要利用5G来支持物联网通信、高清视频和固定无线接入。

>>>> 无服务器PaaS

没有服务业务的PaaS被称为无服务器PaaS。所有的PaaS应该从一开始就反映了双方的IaaS和SaaS的设计原理是服务器。无服务器PaaS代表真正的云式操作的云平台服务。一个服务器PaaS交付模式将提高生产力和效率，并帮助简化开发、规模经营、降低基础设施成本。这将创建一个更一致的和可管理的云应用环境，但需要规划的实践和策略的调整，产生经营为基础的解决方案，PaaS的设计、绘制以及现有的一些应用程序，需要一些新的改变。

>>>> 数字孪生

数字孪生是一个虚拟物对应一个实物。其一重要功能是数字孪生使其他软件/系统与其虚拟物直接交互，而不是实际对象，以改善实际对象的维护、升级、修复和操作。数字孪生的基本要素包括被控对象的模型、对象的数据，一个唯一的一对一对应对象和监控对象的能力。

对汽车、建筑物和消费产品来说，嵌入在虚拟模型中的功能行为的想法刚刚出现：到目前为止，不到1%被建模者关注。在高价值资产密集型行业（如交通运输和制造业）和关键领域（如航空航天和国防），在相对常见又比较复杂的领域（例如，汽车，飞机，飞船，机器），数字孪生依然罕见。迄今为止，Gartner估计只有5%的此类复杂资产被建模。

Gartner预计，简单的数字孪生将快速增殖。例如，面向消费者的消费电子产品等行业，简单的数字双胞胎产品开始在消费者层面增殖分化（如音响系统、智能照明等）。对于普通客户而言，随着对简单电子设备的数字孪生的体验的提升，比如通过移动设备上相对简单的数码双胞胎远程监控和控制他们的消费电子产品，数字孪生将在普通消费群体中得到欢迎和认可。随着时间的推移，越来越多的制造型企业将使用更成熟的数字双胞胎避免设备故障和运行设备维修计划，优化制造的工艺流程，提高对设备故障的预测和提高运营效率，增强对产品的开发和维护。

>>>> 量子计算

量子计算是一种非经典计算是基于亚原子粒子的量子态。粒子的状态代表信息，用一个称为量子位（量子比特）的单个元素表示。一个量子位可以同时保存所有可能的结果，直到读到一个被称为叠加的属性。量子位也可以与其他量子位联系起来称为纠缠。量子计算机操纵链接的量子比特来解决问题，观察（读取）量子比特中的最终结果。

基于量子技术的硬件可不一般，比较复杂和前沿。迄今为止，最大的纠缠演示是大约17个量子位，也是在实验室好奇心驱使下实现的。即便如此，大多数研究人员都认为硬件不是核心问题。有效的量子计算将需要开发新的量子算法来解决现实世界中的问题，同时在量子态中运行。研究人员正试图将新的量子算法优化到量子计算机的特定设计特性上。IBM最近开放了它的外部量子平台，目的是提高人们对量子计算的认识。今天，只有17个量子比特，系统只能解决一些微不足道的问题，但IBM希望通过增加量子位数量和降低错误率来继续扩大其能级。

另一个新出现的方法是捕获离子，而不是电子。离子的质量比电子大几千倍，这使它们不易受噪音干扰，而且更容易管理。量子计算这项技术继续吸引大量资金，许多大学和企业实验室正在进行大量研究。D-Wave系统，制造商的退火的量子计算机，目前利用2000个量子比特而不依赖于完全的纠缠量子比特。谷歌，一个D波量子计算机的用户，相信它会促进深度学习和量子计算的结合。微软的量子结构和计算组正在开发面向未来的量子算法以及编程算法软件体系结构。

>>>> 立体显示

立体显示技术是将物体呈现为三维的效果，采用跟随观众移动的360度球面视角。与大多数平面3D显示器不同，通过立体显示技术可以创建出高度的幻觉效果或立体的视觉感受，能够拥有非常逼真的立体效果。目前，立体显示技术还没有走出实验室，但常常被认为像是电影《星球大战》中莉亚公主的实体图像那样。但实体显示仍然是一个难以捉摸却梦寐以求的目标。

立体显示技术的商业应用还处于起步阶段。到目前为止，在市场营销中针对高端零售环境的简单应用已经部署。有一些专门的地理空间成像应用程序来增强2D地图，并用于建筑渲染。然而，其中大部分可以用更为廉价的技术，如3D显示器来实现。同时，头戴式显示器和光场显示器的快速增长和持续发展威胁到专业市场以外的立体显示器的持续发展。潜在的应用领域包括医学成像、消费娱乐、游戏和设计，但成本需要极大降低。

>>>> 脑机接口

脑机接口（BCI）是一种用户界面，用户可以通过计算机解释不同的大脑模式。数据要么被被动地观察和研究，要么用作命令来控制应用程序或设备。有三种方法：

●侵入性的，电极直接连入大脑。

●部分侵入性，颅骨穿透，但没有触及大脑。

●非侵入性的，在商业上可用的帽子或头巾戴在头骨上来检测信号。

非侵入性的方法不能使用更高频率的信号作为头骨块和分散电磁波。这种方法的一个主要挑战是获得足够清晰的大脑模式来执行一系列命令。虽然今天的控制不是很平滑或连续，但可以控制多维度的虚拟对象，玩交互式游戏和控制硬件。值得注意的是，佛罗里达大学于2016年举办了世界上第一个被大脑神经控制的无人机竞赛，显示了服务机器人发展的潜在路径。但是，从思想到检测，从检测到执行，任然存在一个延迟的问题，这个主要问题使得实时控制面临挑战。

目前，最好的神经接口用于肢体修复，并使用100个通道提取大脑的神经信号。国防高级研究计划局（DARPA）正投资6000万美元，在未来四年内神经工程系统设计提高到一百万通道（NESD），将看到一个一立方厘米的装置植入人的大脑，使神经元的数据以电子的方式加以传送。如果这样，这项技术将发生颠覆性的转变，它不仅对细微差别的接口有广泛的影响，而且有利于从生理和心理方面深入理解大脑。

新的使用案例，如无人机控制、客户行为研究。FACEBOOK的8个研究小组最近宣布在其F8开发者大会上宣布一项无创性的项目，允许用户进行思想和目标交互，每分钟100字。

>>>> 对话用户界面

对话用户界面（CUI）是一个高层次的设计模型，在此之中用户和机器以口语或书面自然语言交互作用。这些通常是非正式的和双向的交互作用范围从简单的话语（例如“停止”，“是”或“现在几点”“12:24”）到高度复杂的相互作用（收集犯罪案件的证人证言）和高度复杂的结果（如为用户创建一个抽象的形象）。作为设计模型，CUI要依赖于应用程序和相关服务的实现。供应商和开源活动在不断增加，利于CUI的发展。更多已确定引进将动摇新UI模式控制局面的CUI和新商业模式，以部分替代和补充应用程序和API。

>>>> 智能工作空间

智能工作空间利用物理物联网对物理对象数字化，传递新的工作方式，分享信息及开展合作。物理环境程序化使智能工作空间与移动设备、应用软件、数字职场图、智能机器协同，以提高员工的工作效率。人们工作的任何地点都可以成为智能工作空间。

2 顶峰期

>>>> 增强数据挖掘

增强数据挖掘（原智能数据挖掘），标志性的特点是下一代BI和分析平台，使得用户自动发现、想象和叙述相关研究，例如相互关联、例外、整体预测等，无需建立模型或写算法。用户通过可视化搜索和自然语言查询数据，支持自然语言生成的结果解释。

在过去的五年中，基于视觉的数据挖掘破坏了传统的商业智能（BI）和分析市场，因为它们易于使用，用户可以快速组装数据，可视化地探索假设，以便在数据中找到新的见解。但是依靠用户手动寻找模式可能会导致用户挖掘自己的偏见假设，丢失关键结果，并得出不正确或不完整的结论，这可能会对决策和结果产生不利影响。

增强数据挖掘可以减少耗时的挖掘探索和错误识别，以及产生较少的额外解释。而不是一个分析师手动测试数据的所有组合，只有最显著的和相关的结果呈现给用户的智能可视化和/或自然语言的叙述。将一系列算法并行应用于数据，并向用户解释实际的结果，减少了数据丢失与人工探索之间的重要见解的风险，优化提升对策建议。

>>>> 边缘计算

边缘计算描述了一种计算拓扑，其中信息处理、内容收集和交付更接近于信息的源和汇。从网状网络和分布式数据中心的概念出发，边缘计算着眼于保持本地和远离网络中心的流量和处理。目标是减少延迟，减少不必要的流量，并建立一个集线器，用于在感兴趣的对等点之间进行互连，以及对复杂的媒体类型或计算负载进行数据细化。

创建边缘数据中心的物理基础设施的大多数技术都是现成的，但是拓扑、显式应用程序、网络体系结构的广泛应用还不常见。边缘计算在物联网物理实现轨迹中发挥协同作用，极大地提高了概念的可视性。需要扩展系统和网络管理平台，包括边缘位置和边缘功能特定技术，如数据细化、视频压缩和分析等。

>>>> 智能机器人

智能机器人是一种机电形式的因素，在物理世界中自主工作，在短期间隔中学习，接受人类监督、培训和示范，在人类的管理下工作。

与工业机器人（预定义的、不变的任务）相比，智能机器人迄今为止的使用量明显减少，但他们在市场上受到了巨大的鼓舞，这就是为什么智能机器人正处于膨胀预期的顶峰。在未来几年中，围绕智能机器人的宣传和期望将继续增长。由于几家主要供应商在过去几年中的努力，智能机器人正在大放异彩：

●亚马逊机器人公司（原名Kiva Systems）计划配置10000个机器人来完成客户的订单。●谷歌收购多个机器人技术公司。

●Rethink Robotics推出巴克斯特和Sawyer，可与人类员工一起工作。

●2016年，开始在一些酒店，例如希尔顿、威斯汀酒店房间使用服务机器人。

智能机器人将在以资产为中心、以产品为中心、以服务为中心的行业中发挥其最初的业务影响力。他们的体力、劳动能力，更高的可靠性，更低的成本，更高的安全性和更高的生产力，在这些行业中表现出很强的竞争力。典型的和潜在的使用案例包括医疗材料处理、危险废物处置、调剂和交付，病人护理，直接材料搬运、补货、产品装配、成品动作，产品挑选和包装，电子商务订单、送货、购物协助、客户服务、礼宾和处置有害物质等。

>>>> 物联网平台

各企业致力于增加物联网终端种类, 寻求更好效益, 同时发觉新的商机和盈利模式。由于这些因素的交互作用，企业需要不断增加先进技术资源以达到相应的成熟度、规模和商业价值。大规模物联网平台可以实现基础和高级的物联网方案和数字化商业操作。物联网平台以一个混合方式部署，它将与基于云的元素（无论是私人的还是公共的）和分布于终端和网关之间的本地软件合并。

越来越多的企业通过物联网和数字业务扩大了物联网平台的宣传力度，推动了供应商和用户对物联网平台和服务的投资。物联网项目部署的增加，人们对成本的预期和技术的低估（例如，设备配置、端到端的解决方案集成和足够的网络安全）形成挑战，推动物联网平台接近期望膨胀的高峰期，在实践经验的积累将最终把它们带到主流的生产力和成熟。2017年，看到很多大型厂商带来的第二代产品市场，总的来说，还没有完全证据证明他们的销售量，但是考虑到新的市场进入者，其营销量注定继续增加。

>>>> 虚拟助理（VAS）

VAS帮助用户或企业完成以前只能由人类完成的一组任务。VAS使用人工智能和机器学习（例如NLP、预测模型、推荐和个性化）来帮助用户或自动化完成任务。VAS监听和观察行为，建立和维护数据模型，并预测和推荐行动。它们可以为用户服务，并随着时间与用户形成关系。虚拟助理通过与用户相应的转换将职责从用户理解传输到系统。

VA具体应用如苹果Siri、谷歌助手、微软Cortana、亚马逊的Alexa、kore.ai和SAP的副驾驶等。将来，越来越多的图像识别、行为和事件识别等将使用VAS。虚拟助理也可以部署在虚拟个人助理、虚拟客户助理和虚拟雇员助理。随着用户对它们的适应程度提高，技术的改进和实现的多样性，VA的使用也随之增长。

>>>> 互联家庭

互联家庭的目的是实现与多个设备、服务器和应用程序的网络连接，从通信娱乐到医疗、安全和家庭自动化。这些服务器和应用程序通过多个相互关联的集成设备、传感器、工具和平台传递信息。情境的、实时的、智能的信息可以通过本地或云端存储，使得个体或者其他连接到服务器的家庭成员能够通过远程或者在家里监控自己的家。媒体娱乐、家庭安全、监控和自动化、能源管理产品和服务、健康和健身、教育等将成为互联家庭的关键词。

>>>> 深度学习

深度学习通过进一步发现和研究中间变量扩展和延伸机器学习，是机器学习的一个分支。三方面的因素导致深度学习到达新兴技术曲线的顶端位置：一是前所未有的大量数据的可获取，包括以前难以处理的数据；二是算法的改进、模型的优化，能够处理快速增长的数据集；三是深层学习硬件平台的升级换代（拥有数以万计的集群芯片和基于GPU的硬件架构的超级计算机）。

成千上万的供应商都在探索深度学习领域的应用，如计算机视觉、会话系统和生物信息学领域的应用。研究人员正在不断地发布惊人的新的关于这一主题的论文。企业中的巨头如谷歌，苹果，微软，脸谱网和百度正在增加其针对深度学习的研发份额。苹果的Siri、谷歌的谷歌Now，微软的Cortana和亚马逊的Alexa的身后都有深度学习的身影。硬件制造商正在加紧交付新的、深层的神经网络训练的高性能算法（深度神经网络算法，DNNs）。未来在科学数据平台上，深度学习的功能将变得更容易获得，估计到2018年，80%的数据科学家的标配是深度学习。

我们看到，为了持续获得好的成果，深度学习需要专家系统和相应的设备。目前被普遍认可的是DNN架构。然而，深度学习的计算资源并不是随手可得的，有一些技术还比较模糊，没有一个单一的算法或系统当前能够满足所有深度学习的处理需求。

深度学习当前的成功是通过DNN的主要变量：图像和语音识别中的卷积神经网络；自然语言处理和翻译中的递归神经网络；生物信息学中的自动编码的人工神经网络。建议在能力范围内把深度学习的数据作为长期投资的重点，因为正确数据的价值会随着时间增长。建议在法律和道德都很明晰的领域避免使用DNNs，例如当你注定要面临欧盟数据保护规定的时候。在美国，国防高级研究计划局（DARPA）资助了一个解释人工智能的项目，但这将需要几年的时间。

对于产业来说，深度学习对所有行业都具有转换和颠覆潜力。对于那些想实现这种潜力的人来说，挑战是要找出正确的问题，以便在深度学习中加以解决。

DNN潜能的基础是对高维复杂数据颗粒的表征能力。DNN可以通过解释图像来诊断早期的肿瘤，并给出可靠的结果；帮助改善视障人士的视觉能力；帮助车辆自动驾驶；给黑白照片染上彩色；给元素缺失的照片补上缺憾；识别和理解一个特定人的语音等。

>>>> 机器学习

机器学习是从一系列观察中提取某种知识和模式，有三个主要分支：监督学习（也被称为“标记数据”）、无监督学习、强化学习（给出好到什么程度和坏到什么情形的评价）。

机器学习是目前最热门的技术概念之一。机器学习的一个分支就是深度学习，其中涉及深度神经网络，受到格外关注是因为它涉足了认知领域，而这以前是人类的专属领地：图像识别，文本理解和语音识别方面都身手不凡。机器学习将在以下方面驱动改进和解决新业务问题，展现大量的商业和社会场景：分别是自动化领域、药物研究、客户关系管理、供应链优化、预见性维护、操作效能、反欺诈、自动驾驶、资源优化等领域。机器学习的影响可以是显性的或隐性的，显性的影响来自主动接受机器学习服务，隐性影响来自您使用的产品和解决方案，而不知道它们包含了机器学习的成分。

>>>> 自动驾驶

自动驾驶是指车辆不需要人类干预，自己就可以从一个起点，借助各种车载技术和传感器，如激光雷达、雷达和摄像头，以及控制系统、软件、地图数据、GPS和无线通信数据等，“自动驾驶”到预定目的地。传感器、定位、成像、引导、人工智能(AI)、映射和通讯技术的不断进步，以及先进软件和云计算的快速发展，使得自动驾驶很快成为现实。

2017年，汽车制造商和技术公司开发的自动驾驶汽车得到了主流媒体的吹捧，导致对这项技术不切实际的和过高的期望。AI是一个关键的技术，使基于机器学习和算法的自动驾驶得以加速发展。自动驾驶目前的主要挑战是成本，当然人们也在可靠性、道德、法律层面展开研讨。

>>>> 碳纳米管电子

利用半导体性质，碳纳米管为将来制备具有高速开关的微晶体管半导体设备提供了可能。利用金属（导电）性质，碳纳米管为作为低电阻连接件应用到集成电路中提供了可能。人们正在评估将碳纳米材料技术应用到硅及其化合物的半导体材料中。具有半导体特性的碳纳米管有望在未来半导体器件中具有高开关速度的小型晶体管。具有金属（导电）特性的碳纳米管具有低电阻的特性，可以应用于集成电路中的互连。其他纳米管材料包括硅和化合物半导体材料正在评估中。硅版本（通常称为硅纳米线）正在积极研究用于硅阳极电池。

>>>> 认知计算

认知计算包括虚拟助理，认知专家顾问和智能增强现实等这些类别的技术，改进和提升人类的认知任务。我们认识到“认知计算”是当前市场上的宣传词，但不相信这些系统真正能够认知。但可以说，他们模仿和/或延长人类的认知能力。他们是互动的，在对话中迭代，回顾以往的相互作用，并适应信息的变化或目标的改变。当前认知计算处于新兴技术曲线的顶端位置，主要是AI的发展所致。在自动驾驶、虚拟客户助理等领域，认知计算处于非常重要的位置，AI可能会因为认知计算取代人工。炒作、预期、需求都将推动认知计算的发展。未来5年，我们希望认知计算的主要障碍得到解决，加上物联网、大数据，促动更大的商业创新。

>>>> 区块链

区块链包含了一系列联系较弱的技术和处理过程，包括中间件、数据库、数据安全、数据分析、货币及身份管理等概念。大多数分布式分类账仍处于alpha或beta阶段。最近的版本包含资产、数据和可执行程序，在总账协议之上开发的允许定制应用程序。显著的炒作仍对帐簿的价值，但技术的可行性、安全性（软件和硬件），可扩展性，合法性和互操作性问题仍然存在。

>>>> 商业无人机(UAV)

商业无人机（UAV）是小型直升机，固定翼飞机。无人机通常包括全球导航卫星系统（GNSS）、摄像机和传感器，引导他们进行成像、热和光谱分析。高速缓存和通信系统使无人机能够收集数据集或将它们传输到云中存储或处理，这些系统也包括防撞系统。

2017年，由于技术的改进和进一步需求程度的影响，商业无人机已经越过期望的巅峰。民用无人机应用案例包括采掘业、基础设施的检查、管道检测、灾害监测、安全检查、测量、农业筛查等。中国、日本、英国和欧盟继续测试在农业虫害防治和包裹递送中尝试使用无人机，前者得到普遍认可，后者在特殊地形、地貌条件下作用重大。

3 滑向低谷

>>>> 专家认知顾问

专家认知顾问是最专业形式的人工智能功能体现的虚拟助手，依赖于极深而窄的训练语言数据库的发展。至少包括专门的算法，以及机器学习和自然语言处理功能等，基于认为积累的大数据基础来回答问题、发现问题、给出建议、帮助决策等。他们模仿人类专家的“认知”功能。

>>>> 企业分类及自然管理

信息的分类（按类别）和本体（按自然属性）的管理包括实践和实施技术解决方案。本体（ontology）是一种分类方法，将具有亲缘关系或者功能相近的对象归纳在一起。分类（taxonomy）是一种对特定概念、物质，甚至语言结构进行区分的方法。这一定义只针对数据，而并不是一个一般化的定义。

>>>> 软件定义安全

软件定义安全 (SDSec) 是一个涵盖大量的安全技术的统称。在安全政策管理技术从基础的安全政策实施环节中抽象出来之后，这些安全技术就有了优势。信息安全不能抑制剂数字化商业的需求。在不考虑用户、信息的位置或工作量的前提下，软件定义安全技术将提高安全策略的执行速度和敏捷性。

>>>> 增强现实

增强现实(AR)是使用实时的文本、图形、声音和其他材料与真实世界的对象相关联，用头戴式的设备演示或投影成图像的技术。虚拟世界中，不同的扩增实境都可以转化为真实世界。这种技术的目的就在于增强用户与环境的联系。目前的技术是为了解决特殊的、专业的案例。因此，曲线上的位置与到达成熟所需的时间，会因企业发展的不同而不同。这代表了人们对市场上增强现实的普遍观点。

4 爬坡阶段

>>>> 虚拟现实

虚拟现实技术是一种可以创建和体验虚拟世界的计算机仿真系统，它利用计算机生成一种动态的模拟环境，使用户沉浸到该环境中。手势识别或手掌识别根据手和身体的动作或者触屏来进行反馈。

虚拟现实一般是使用头盔。今天市场上的知名设备是Oculus Rift、索尼PlayStation VR、HTC万岁，三星Gear VR和谷歌Cardboard。虚拟现实技术对于企业使用来说已经足够成熟，但需谨慎，VR系统的成功还取决于用户体验和应用质量。大多数虚拟现实消费者是玩游戏或看视频，可以看360度或球形的视频内容。

2017年，虽然VR能够展示令人惊讶的内容，但定制的价格和成本依旧高昂。在头盔显示技术的最新进展可能有助于缓解这些障碍，开发商应更注重质量体验。进步的人工智能、对象元数据和社会身份数据等越来越受到人们的重视，是因为个人和社交网络技术越来越被频繁的使用，这将帮助开发人员使虚拟现实更加个性化和智能化。例如，云图形处理、移动视频游戏等技术以及宽带接入的普及，将使应用程序开发人员更容易将虚拟现实集成到他们的产品中。