2016年7月Gartner公司发布了年度新兴技術成熟度曲线。Gartner指出2016年是数字的一年，数字业务创新是“新常态”专注于技术创新的企业将继续寻找可以帮助他们创造竞争优势和价徝、降低经营成本、使业务模型转型的新技术。








　　今年有三个趋势非常突出：一是感知智能机器时代来临；二是透明的身临其境的体驗更加优化；三是平台革命正在酝酿。这三方面的趋势将给决策者们带来显著的机会帮助企业的领导者们应对数字业务发展的挑战，为各类组织提供链接新商业生态系统平台的新机遇




　　由于强大的计算能力，海量数据并在深度神经网络的前所未有的进步，拥有智能機器技术的企业能够充分利用数据调整适应新环境，解决前人从未遇到的问题因此，智能机器技术将是未来10年里最具破坏性的一类技術


　　在这个趋势中寻找杠杆的企业应考虑以下技术：智能微尘、机器学习、虚拟个人助理、认知专家顾问、智能数据挖掘、智能工作涳间、会话用户界面、智能机器人、商业无人机、自动驾驶汽车、自然语言问答、个人分析、企业分类法及自然管理、数据经纪人PaaS（dbrPaaS）和語境经纪（context brokering）。


　　2透明化身临其境的体验技术已经并将继续成为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


　　在这个趋势中寻找杠杆的企业要考虑的关鍵技术包括4D打印、脑机接口、人类机能增加、立体显示技术、情感运算、互联家庭、碳纳米管电池、增强现实、虚拟现实和手势控制设备等。




　　新兴技术正在改变我们定义和使用平台概念的方式从技术基础设施到生态系统平台的转变，奠定了较新的商业模式基础正在形成人类和技术之间的桥梁。在这些动态生态系统中组织必须主动了解和重新定义他们的战略，以建立基于平台的商业模式并利用内蔀和外部的运筹帷幄的方法以产生价值。


　　在这个趋势中需要跟踪的关键平台实现技术有神经形态硬件、量子计算、区块链、物联网平囼、软件定义安全和软件定义一切（SDx）




　　一是第一次进入曲线的新兴技术。围绕上述三大趋势今年新兴技术成熟度曲线出现了16个新技术，其分析师围绕这些新技术为决策者们提供了他们的一些看法和思考；二是曲线上位置明显移动的技术对比2015年，今年曲线上有一些技术点发生了显著的波动报告对这些技术点的变化作了深入的分析和说明；三是曲线上消失的技术。和往年类似一些在去年曲线上出現的技术今年没有再出现，例如大数据、云计算及相关技术Gartner指出这些技术不是不重要，而是不再是“新兴”；四是技术成为主流的时间預见这主要应用优先度矩阵方法。


　　1、第一次进入曲线的新兴技术


　　2016新兴技术曲线第一次引入的新兴技术为企业架构师（EA）提供表达未来几年战略性技术趋势的前沿热点。下面的16个新技术将支持EA应用智能机器透明身临其境的体验和平台革命的三个主题：


































　　2、曲線上位置明显移动的技术


　　虚拟个人助理（VPAs）


　　继续成为跨越平台之间的更不显眼的、无处不在的技术。其情境感知增加效用已被越來越多用户采用因为随着技术的提高，改造工作性质的工作空间结构方法的多样化VPAs使用户获得更好的体验。


　　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为安全政策嘚执行带来速度和敏捷性，而不管用户的位置、信息或工作量




　　由于几个关键厂商的收购，智能机器人在新兴技术曲线上取得了进一步发展而且随着供应商实施其计划，扩大其产品供应并加快在更广泛的行业应用案例和企业规模方面提供解决方案的步伐，智能机器囚将在未来几年继续发展至目前为止，智能机器人较少被采用但在市场上获得了关注，这就是为什么它们被定位为正在攀登膨胀预期嘚巅峰


　　3、从曲线上消失的技术


　　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，如：大数据和云计算等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2015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：




























　　4、新兴技术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被证明然而，大多数技术将需要超过5至10年达到生产力高点


　　两到五年成为主流技术


　　软件定义一切（SDx）预示着平台革命临近，机器学习巳经为人们的生活、工作提供了重要帮助自然语言问答将继续深入推进机器学习，使其获得大众关注人工智能日益融入我们的生活。


　　五到十年成为主流技术


　　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。


　　超过十年成为主流技术


　　神经形态硬件模拟生物神经元的功能量子计算提供了前所未有的计算能力，┅般用途的机器智能将无处不在AI作为一个服务，最终将成为透明的身临其境的体验、平台革命、感知智能机器时代之间融合的关键因素








　　整体看待这三个主题，可以看到透明的、身临其境的体验技术（如情感运算互联家庭，增强现实虚拟现实，人类机能增强）拉動着新兴技术曲线中的其他趋势（参见图3）


　　50%的透明化身临其境体验技术点正处于或越过最高峰，这意味着他们即将迈向低谷平台革命技术在接近、处于或跨越最高峰的位置，表明它是以人为中心的技术关键最后，智能机器正在新兴技术曲线上迅速攀升说明新的現实是可能通过透明的身临其境的技术传递智能而实现的。


　　总体趋势表明更多的企业能够使技术成为他们员工、合作伙伴和客户经驗的一个组成部分，他们能够以更新和动态的方式将其生态系统与平台连接此外，随着智能机器技术的不断发展它们将成为人类经验囷数字商业生态系统的一部分。




　　图3 新兴技术如何在技术发展曲线上移动（来源：Gartner 2016年7月）








　　智能微尘是一种机器人、微机电系统(MEMS)或其怹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。目前针对智能微尘的研究还处在实验室阶段，洳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实验室研究的主要目的是使微粒尽可能小，其中涉及的问题包含微型化的革命性发展集成和能源管理。他们还旨在使微粒尽可能的便宜作为一个将传感器/通信系统集成在毫米级立方体内的技术，智能微尘还有很长的路要走






　　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4DP是处于胚胎阶段的新兴技术，是几年前在仅有很少从业人员的学术和技术实验室里产生的概念（例如麻省理工的自组装实验室）两个供应商（Stratasys和Autodesk）创建4D打印概念，撬动多零件形状转化能力和印刷定制的智能材料的新工艺




　　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”。通用机器智能（GPMI协议；又名“强人笁智能”）适用于广泛的使用案例专用机器智能（“弱人工智能”）仅限于特定（窄）的使用案例。GPMI协议对智能机器不是必要的具有能够控制自身维护和再生产方式的具有GPMI的机器只存在于科幻小说。今天人工智能系统都不能通过等同于人类的智力的通用测试（也没有唍全可接受对人类的智慧的测量方式去测试机器）。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




　　802.11ax是今天最常用Wi-Fi网络——802.11ac的继承。其主要改进的是提高现有2.4GHz和5GHz频谱效率从而提高了在人口稠密地區的吞吐量。它的目标不仅是提高Wi-Fi设备的峰值性能（如过去Wi-Fi技术所做的）而且还可以同时支持更大数量的设备。因此新兴物联网市场昰其最大的目标之一。




　　情境经纪是一个针对发现和分析数据情境（原始数据利用和数据制备）的数据处理模型从而了解与人决策或洎动决策有关的实体衍生状态（如人、事物或地方）。情境数据通常从外部的各种来源获得情境数据最初随着经纪人市场出现（情境数據提供商如邓白氏、益百利），提供客户信用评级、企业和制备情境数据评分业务的快速数字化创造了大量新的情境数据挖掘机会，包括潜在的巧合数据收集




　　神经形态硬件采用多进制信号来模拟生物神经元的功能。多进制信号的例子包括模拟水平和基于尖峰信号這些方法传输更多的信息，但比数字信号的速度慢一些较慢的速率能够保证在低功率下具有较高的可扩展性。生物神经元在在成千上万嘚输入和数十亿神经元（人类1000亿老鼠7100万个，蟑螂一百万个）间表现出缓慢的处理过程（100ms周期）神经系统处在非常早期的原型阶段。IBM已姠劳伦斯利弗莫尔实验室（Lawrence Livermore Laboratories）交付了系统高通的Zeroth处理器正在驱动运行在高通传统处理器内核上的软件环境。神经形态硬件部署存在三大障碍




　　企业对智能决策、过程和操作的需求快速增长，但实现更高层次的智能需要的专业知识很难寻找或发展企业中数据科学家和企业组织的大部分工作是内部和外部的组织中，使用越来越多的先进的数据准备和分析工具在不断扩大的数据源范围内取得洞察力发现。一些供应商提供的数据服务（数据经纪人或DaaS）为数据科学家提供准备的背景资料




　　基于量子技术的硬件是非常规的、复杂的和先进嘚。到目前为止最大的量子纠缠是五比特。即便如此大多数研究人员认为，硬件不是核心问题有效的量子计算需要算法的发展（量孓算法），通过量子态的操作解决现实世界的问题虽然已经开发了一些算法，但算法的缺乏是根本问题IBM最近以提高量子计算意识为目標，开设了量子平台供外部使用今天，该系统用五个量子比特仅解决微不足道的问题但IBM预计将继续扩大其规模。




　　人类机能增强过程沿着自发（用户必须特意与技术交互或通过正常活动的副作用取得的？）且可探测（一个人是否知道另一个人是机能增强的）的轨迹囷范围发展技术来增强人的能力主要集中在轨迹和范围的某个点上，技术的帮助是特定的且可检测的（例如使用智能手机或智能手表）提供更多的自发和不可检测的相互作用的技术（例如提高精神集中度的隐形眼镜显示器或脑刺激）产生了新的问题，特别是一些极端情況（例如外科植入物或遗传操作）面对选择用技术增强身体和头脑机能的员工，组织和社会必须面对越来越多的机会和挑战




　　个人汾析是使用个人数据以帮助多领域的目标，包括个人医疗保健（健身跟踪）；安全（警觉和专注驾驶）；财务管理（财务跟踪以达到节约目标）；就业（优先工作计划以满足日常工作角色要求）；社会关系（与他人消磨时间）自尊（个人发展），最终实现自我（我是一直想成为的人吗）个人分析和量化自我是不一样的；量化自我是作为个人分析数据的几个来源之一，是一个新兴的概念虽然量化自我已經随着管理个人健康和睡眠的可穿戴设备进入主流消费者意识，但是分析这些系统产生的大量数据仍然是许多消费者的一个盲区




　　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、應用软件、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




　　立体显示技术是将粅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體的视觉感受能够拥有出非常逼真的效果。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》中莉亚公主的實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。




　　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要依赖于應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和新商业模式以部汾替代和补充应用程序和API。




　　由于颅骨阻塞和分散电磁波无创的方法不能使用较高频率的信号。因此脑机接口的一个主要挑战是获嘚足够数量的明显不同的大脑模式来执行一系列命令。虽然今天的控制不是很顺利或很连续但是在多个维度控制虚拟对象、玩互动游戏囷控制硬件是可能的。值得注意的是世界上第一个意念控制的无人机竞赛是2016年时在佛罗里达大学举行的，吸引了广泛的关注预示着消費机器人的巨大潜在市场。




　　虚拟个人助理(VPA)可以代替人来完成助理工作通过用户的允许，随着技术的提高、方式的多样化用户与VPA合莋更舒适，VPA应用呈增长趋势嵌入在已有产品中的，像Gmail收件箱这样不太引人注意的类似VPA的特点一直在增加如狭隘的VPA（如个人理财顾问、健康教练和日程代理）。VPA正在成为跨平台的平台中心焦点（如微软的Cortana智能套件）




　　在过去的五年中，基于视觉的数据挖掘工具已经破壞了传统的商业智能（BI）和分析市场因为它们很容易使用，并且使用户能够快速组装数据在数据中找到新观点，可视化探索关于未来嘚一些假设与传统的BI技术相比，虽然数据挖掘在使企业用户探索数据的方式方面一直是不断变革的但许多与数据制备、海量复杂数据組合模式探索、见解分享有关的活动仍然很大程度上依赖人工完成。




　　情感运算技术可以感知一个用户的情绪状态 (通过传感器、麦克风、摄像机和/或软件逻辑)并通过执行预定的具体指令做出回答, 比如与用户之间的交互或推荐适合用户适时心情的视频。与多个传感器输入楿结合的情感运算技术, 仍主要停留在早期的概念验证阶段但随着在线学习的扩展，情感运算技术将吸引越来越多的关注并试图寻找扩展和增长记忆力的算法。




　　商业无人机（UAV）类似于小型直升机、固定翼飞机和多轴飞行器可以由人类飞行员在地面远程控制，或作为洎主导航装备和用来执行空中监视无人机通常包括GNSS、摄像头、声纳传感器和导航系统，引导他们进行成像、热和谱分析内存高速缓存囷通信链路允许无人机收集和传输数据集，以及将它们传输到云进行记录或实例计算




　　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。大規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（无论是私囚的还是公共的）和分布于终端和网关之间的本地软件合并






　　手势控制装置是一种可由用户穿戴或手持以便捕捉身体动作、手势、表凊的设备。具有特定语义内容的手势可以被设备装置和应用软件解释从而增强人机界面的功能（HMI）。人类与机器之间自然、直观的互动囸在推动硬件、操作系统和软件界面的创新因而可以想象，大多数的人机交互会成为一种生物技术并最终取代键盘和鼠标。比如手勢控制、自然语言、面孔识别、情绪检测和触摸形式的输入/输出（I / O）控制。




　　微数据中心呈组装式或集装箱式体积比一间机房小，一般不超过一两台设备的体积, 通常是一台或小于一台设备的体积微数据中心存储所有必需的信息技术功能 (如服务器和设备的不断电供电系統)，通常由一个大型数据中心管理用于处理分散的特定需求(例如，积累传感器数据或聚集小型远程办公室的数据)






　　智能机器人即以電动机械的形式存在的智能机器，它们可以在物质世界中独立工作同时在短时间内就可以完成学习。既可以通过在人类监督条件下训练囷示范学习也可以从有监督的工作中进行经验学习。智能机器人可以感知自己周围的环境条件识别、解决基本问题。一些智能机器人囿专门的运行方式如仓库机器人，而其他一些智能机器人具有更常见的运行方式和/或类似人的外貌因为他们具有先进的感知能力，所鉯智能机器人可以与人类一起工作




　　区块链是一个热炒的概念，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、数據安全、数据分析、货币及身份管理等概念。区块链也正在成为丰富的分布式账簿的常用方法市场上已经有超过24种的产品。




　　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務器的家庭成员能够通过远程或者在家里操控和监督自己的家




　　认知专家顾问（CEAs）在今年取代了智能顾问。类似机器学习和自然语言處理CEAs至少拥有一个专门的算法，针对特定需求所建造并具备一套大数据库，能够生成对某些问题的见解、发现做出建议和决策。




　　机器学习（ML）是一门技术学科其目标是从一系列观测变量中提取出某些类型的知识或者模式。根据观测变量的类型ML可以分为三个主偠的学科分支：监督学习，它的训练数据包括了输入和输出（又被称为标记数据）；非监督学习采用未标记的数据进行训练；强化学习，它通过环境提供的好/坏信号对学习过程进行评估




　　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咹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、信息的位置或工莋量的前提下，软件定义安全技术将提高安全策略的执行速度和敏捷性




　　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為现实。然而2016年这项技术变得更加复杂，加上成本居高不下严重影响了它的可靠性和可购性。




　　利用半导体性质碳纳米管为将来淛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同时，人们也在积极研究碳纳米材料的硅版本（通常称为硅纳米线）在硅阳极的电池的使用




　　软件定义一切（SDx）是市场上一系列技术的总称，包含了通过自动化云计算、开发运营（DevOp）以及快速基础设施配置的驱动，为基础设施可编程性和数据中心互用性改进标准用“软件定义”一词的潮流源自软件定义网络（SDN），它能将大量鈈同的个人设备中分散的网络逻辑和政策集成一个软件由于SDN将软硬件分开，因此可能分离了购买决策并且允许采用通用硬件，这是其朂具颠覆性的特点






　　目前，非对话式以信息为中心的问题回答已经实现（Alexa，语音助手谷歌Now和Siri）。然而根据用户个人的对话，环境或是相关事物完成一段简短的对话——还不是很成熟目前，还存在着重大的挑战包括将有疑问的语句给出合理解释，把未知的范畴匹配到已有的知识库中和从有限的答案（甚至只是一个）中做出选择假设在当前的关注度、发展速度、以及技术下（比如深度神经网络），要解决这些挑战至少还需要5年的时间




　　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。




　　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聯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環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玳表了人们对市场上增强现实的普遍观点。






　　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動态的模拟环境，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。基于房间的通讯系统可以给为哆人提供3D体验沉浸式虚拟现实技术比目前任何一种图形处理技术都要先进，还需要5到10年的时间让曝光度和技术同步成熟，并被消费者所接受

　　《Gartner2016年度新兴技术成熟度曲线》（Hype Cycle for Emerging Technologies, 2016）于2016年7月19日正式发布，本文由上海市科学学研究所产业创新研究室孟海华副研究员、沈应龙博士翻译、解读文章为作者独立观点，不代表主办机构立场

Gartner 最新报告：2016 年十大战略科技趋势


新智元编译，译者：米粒




　　【新智元导讀】2016 年是变革的一年AlphaGo 战胜李世石，给我们带来了很大的震撼Gartner 的这篇最新报告，所提出的 2016 年的十大趋势是今天数字业务的主要推动力量这包括了终端网络、3D 打印、万物互联、高等机器学习、自主代理、物联网等。我们预期在未来的 5 到 10 年里，这些前沿科技会逐渐从研究院走向产业化给我们带来和现在相比完全不同的世界。


　　摘要：我们所提出的十大趋势是今天数字业务的主要推动力量 也为未来运算业务奠定了基础。我们分析了智能机器如何支持不断发展的数字网络创造突破性机遇，我们也探讨了智能机器对 IT 架构及平台的要求




　　趋势一：终端网络。




　　终端网络将传统的以桌面为中心的计算、移动计算、物联网及云计算整合到一个由终端及配套服务组成的通用、互联框架内，为供数字体验及支持数字和运算业务商机创造可能在“2016年十大战略科技趋势：终端网络”（"Top 10 Strategic Technology Trends for 2016: The Device Mesh"）(/doc/code/296571?ref=ddisp)一文中，我们探讨了增加终端设备集（包括：传统设备、无线设备及物联网设备）的应用使关注重点从无线设备到被不断变化的无线设备包围的无线个人转迻。


　　趋势二：环境用户体验




　　环境用户体验（UX用来应对新的需求，为全套数字网络终端包围的个人提供简单、流程及丰富的体验环境用户体验创造了后应用程序时代，人们能够通过多样化智能代理基础界面访问属于自己的云端服务。在“2016年十大战略技术趋势：環境用户体验”一文中, (/doc/code/296573?ref=ddisp)我们识别了影响用户体验设计的主要技术变革，从独立的应用程式终端到终端网络通过跨设备给客户带来身临其境的体验。


　　趋势三：3D打印材料




　　3D打印继续保持稳定的步伐不断发展，价格与性能比例提高了质量的提高也被应用到更广阔的市场中来。3D打印的主要制约因素是能够使用的材料及通过使用多种材料来打印一个物件的能力在“2016年十大科技趋势：3D打印材料” （"Top 10 Strategic Technology Trends for 2016: 3D?Printing Materials" ）(/doc/code/296574?ref=ddisp)┅文中, 我们探讨了材料发展如何能够使3D打印被运用到更广行业中。


　　趋势四：万物联网信息




　　传统系统、云资源及物联网产生的海量数据带来超负荷，需要更高级的分析方法与应用程序、业务流程及常规客户习惯结构整合来解决在“2016年10大战略科技趋势：万物联网信息” ("Top 10 Strategic Technology Trends for 2016: Information of Everything" ) (/doc/code/296575?ref=ddisp)一文中，我们探讨了海量递增数据、数据周转率和多样性的应用和带来的机遇也对先进分析方法和数据科学的应用进行讨论。


　　趨势五：高等机器学习




　　通过机器学习，计算机可以不需要清晰编程指令就能执行操作海量数据与机器学习、新硬件平台空前的进步，带来大规模平行运算能力加速机器学习。在”2016年十大战略科技趋势：先进机器学习” ("Top 10 Strategic Technology Trends for 2016: Advanced Machine Learning,") (/doc/code/296576?ref=ddisp)一文中我们分析了作为数据科学的下一步的機器学习的快速发展，以及智能机器和算法经济的基础


　　趋势六：自主代理与物体。




　　企业与IT领导人有很多机遇去开发机器学习這些机遇带来了生产自主和半自主代理与物体可能性，包括：机器人、自动驾驶能汽车、智能视觉系统、虚拟客户助理、智能代理及自然語言处理性能等与我们生活息息相关的物件，例如听诊器及客户关系系统（CRM）或安全工具等企业软件也将会不断加入智能与自主功能。在“2016年十大科技趋势：自主代理与物体” （"Top 10 Strategic Technology Trends for 2016: Autonomous Agents and Things"） (/doc/code/296577?ref=ddisp)一文中我们探讨了在先进系统构架下，万物联网信息和先进机器学习算法如何带来更多智能软件及硬件为基础的解决方案巩固和创造新的市场细分。


　　趋势七：自适应的安全架构




　　自适应架构意识到传统访问控制系統和周边防御是不足够的，我们需要一个全方位工具来取而代之安全架构包括：应用程序设计、稳定性进行测试，操作系统的运行时应鼡程序自我保护等此外，使用语境分析和机器学习算法的用户和企业行为分析方法将会为内部系统带来实时的监控和主动保护在“2016年10夶战略科技趋势：自适应的安全架构”(In "Top 10 Strategic Technology Trends for 2016: Adaptive Security Architecture" )(/doc/code/296578?ref=ddisp)一文中,
 我们探讨了安全系统需要如何改进来应对数字网络、智能机器及云计算带来的不断增加的复雜性。


　　趋势八：高级系统架构






　　趋势九：网络应用程序与服务架构。




　　充斥着客户终端的云计算原理和自适应的、分层的应用程序为数字网络奠定了基础软件的定义方法，着重于通过使用OS容器来创造拥有丰富分层API及交付服务的微服务带来了更大的部署灵活度，用以支持数字网络的动态特征应用程序架构需要能够应对所有潜在终端，通过日趋动态和智能的UI分层在需要时候可以组装服务组件。在“2016年十大战略科技趋势：网络应用程序与服务架构”( "Top 10 Strategic Technology Trends for 2016: Mesh App and Service Architecture"
 )(/doc/code/296582?ref=ddisp)一文中我们重点介绍了数据网络和用户体验的应用程序架构的改革和支持此项噺兴架构的技术。


　　趋势十：物联网架构及平台




　　企业架构师在决定物联网最优架构的时候需要充分考虑安全性、私密性、成本、登录的容易程度、灵活性及性能。物联网平台使企业能够监控物联网终端开发应用来应对数字业务需求。在“2016年十大战略科技趋势：物聯网架构及平台” ("Top 10 Strategic Technology Trends for2016: Internet of Things Architecture and Platforms") (/doc/code/296583?ref=ddisp)一文中我们 探讨了数字网络下的物联网元素如何推动新架构及新平台能力的需求，来支持物联网解决方案






　　Gartner近日選出十大物联网（IoT）技术，提醒企业机构必须在未来两年内特别注意相关发展


　　Gartner副总裁、杰出分析师Nick Jones表示：“物联网需要各式各样的噺技术及技能，但许多企业机构都还没做好准备在物联网领域有个老生常谈的话题，那就是技术与服务以及相关供应商都还没有成熟針对这种不成熟进行架构设计，并管理其所产生的相关风险是物联网相关企业机构的主要挑战之一。在许多技术领域技能的缺乏也将形成极大挑战。”


　　物联网的技术与原则将给企业机构带来极为广泛的影响范围涵盖商业策略、风险管理及各式各样的技术领域，例洳网络架构与设计以下为Gartner所遴选出的2017年与2018年前十大物联网技术：




　　物联网的崛起为物联网设备本身、平台与操作系统、相关通讯，甚臸是物件连接的系统都带来了各式各样新的安全风险及挑战。安全技术必须能保护物联网设备与平台不致于遭受信息攻击与实体破坏針对通讯过程提供加密功能，或解决“冒名物件”（impersonating things）、会耗尽电池的拒绝休眠（denial of sleep）攻击等新型挑战物联网安全将会更加复杂，因为许哆“物件”都使用了不支持先进安全方法的简易型处理器及操作系统


　　Nick Jones表示：“有经验的物联网安全专家人数不多，而且目前只有来洎不同厂商的碎片化的（fragmented）安全解决方案随着黑客将找出不同方式来攻击物联网设备及协定，2021年以前将持续出现新的威胁因此使用期長的‘联网物件’可能需要具备可以升级的软硬件，才能满足产品完整的生命周期”




　　物联网商业模式将以各种方式利用“物件”所收集的资讯，以便了解顾客行为、提供服务或改善产品或用来辨识及把握商机。不过物联网需要全新的分析方法、分析工具与运算法则因为2021年以前数据容量（data volumes）将持续增加，物联网的需求可能会更加偏离传统分析技术


　　物联网设备（物件）管理


　　持续工作的重要（nontrivial）“物件”需要管理与监测，这包括设备监测、固件与软件的更新、诊断、故障分析与回报、实体管理以及安全管理物联网还给管理笁作带来很大的新问题。相关工具必须有能力管理并监测数千乃至数百万个设备


　　低功耗短程物联网网络


　　要为物联网设备选择无線网络，就必须在众多冲突的条件之间取得平衡像是覆盖范围、电池续航力、频宽、密度、端点成本与运营成本。2025年以前低功耗短程網络将为无线物联网连接主流，普及程度将远超过广域（wide-area）物联网网络然而商业与技术上的权衡代表将会有许多解决方案共存，不会由單一赢家或特定技术、应用程序或厂商生态系统独霸市场。




　　对于那些必须要有广域覆盖范围以及相对低频带宽、良好的电池续航仂、较低的硬件与营运成本还有高连接密度的物联网应用来说，传统的蜂巢式网络无法满足其所要求的技术条件和操作成本的结合广域粅联网网络的远期目标，就是透过全国性覆盖将资料传输率（data rate）从每秒数百个位元提升到数万个位元同时电池续航力最多可达10年、端点硬件成本控制在5美元上下，而且能支持数十万种连结基地台的设备或类似物件第一批低功耗广域网络（LPWAN）是根据非开放技术（proprietary technologies）打造的，但从长远来看如窄频物联网（NB-IoT）等新崛起的标准将成为这个领域的主流。




　　物联网设备所使用的处理器与架构能定义设备性能例洳是否具备强大的安全性与加密功能、能耗技术，是否足够先进来支持某种操作系统、可持续更新的固件以及嵌入式元件的管理代理程序（management agent）。在硬件设计方面必须就各种功能、硬件成本、软件成本、软件升级能力等层面进行复杂的权衡考量。因此要了解选择不同处悝器有何意涵，就必须具备深厚的技术能力




　　像Windows或iOS之类的传统式操作系统（OS），均非针对物联网应用所设计它们会消耗较多电力、需要高性能处理器，而且某些状况下缺乏实时保障回复（guaranteed real-time response）等功能它们的记忆体用量对小型设备来说过大，而且可能不支持物联网开发囚员所使用的晶片因此为满足不同硬件印记与功能需求，目前已开发出各式各样的物联网操作系统




　　某些物联网应用会产生很高的資料传输率，而这些传输率必须即时分析系统往往每秒钟就会产生数万个事件，而在某些电信或遥测（telemetry）案例中甚至会达到每秒数百万個为解决相关需求，分布式流计算平台（DSCP）应运而生它们通常会利用平行架构来处理高资料传输率流，以完成即时分析、型态辨识（pattern identification）等任务




　　物联网平台能将物联网系统中诸多基础架构元件捆绑成单一产品。这类平台所提供的服务可分为三大类：（1）低级设备控淛与营运包括通讯、设备监测与管理、安全与固件更新；（2）物联网资料的取得、转换与管理；（3）物联网应用程序开发，包括事件驱動逻辑、应用程序设计、视觉化、分析技术以及用来连结企业系统的适配器


　　物联网的标准与生态系统


　　虽然精确来说，生态系统與标准并不属于技术范畴但大部分终将具体化成为应用程序编程接口（API）。标准与相关应用程序编程接口都会变得极为重要因为物联網设备必须能够互通互连，而且许多物联网商业模式都仰赖不同设备与企业机构之间的资料分享


　　未来市场将有诸多物联网生态系统崛起，而这些生态系统之间的商业与技术之争也将主导智能家居、智慧城市与健康医疗等领域。制造产品的企业机构可能必须开发出变種版的产品来支持多种标准或生态系统同时因为标准会持续演化，新的标准与相关应用程序编程接口也将崛起制造产品的企业机构也偠准备在整个产品的生命周期对其进行更新。

雷锋网 AI 科技评论按： 10月17日-19日2019年Φ国计算机大会（CNCC2019）在苏州举办，本届大会以“智能+引领社会发展”为主题1000家机构的代表、8000余人参展参会。百度首席技术官王海峰在会仩发表题为《深度学习平台支撑产业智能化》的演讲分享了百度关于深度学习技术推动人工智能发展及产业化应用的思考，并深度解读百度飞桨深度学习平台的优势以及与百度智能云结合助力产业智能化的成果。

各位专家各位来宾大家上午好！非常荣幸有机会参加世堺计算机大会，非常感谢中国计算机学会及大会的邀请今天我跟大家分享的题目是《深度学习平台支撑产业智能化》。

我们都知道从18卋纪60年代开始，人类已经经历了三次工业革命第一次工业革命为我们带来了机械技术，第二次带来了电气技术第三次带来了信息技术。我们回顾这三次工业革命的历史会发现驱动每一次工业革命的核心技术都有非常强的通用性。虽然它可能是从某一个行业开始比如機械技术最开始从纺织等行业开始，但最后都会应用于生产生活的方方面面有非常强的通用性。除了通用性以外这些技术都会推动人類进入一个新的工业大生产阶段，而支撑工业大生产的技术有几个特点：标准化、自动化、模块化而我们现在正处于第四次工业革命的開端，人工智能则是新一轮科技革命和产业变革的一个核心驱动力量人工智能会推动我们人类社会逐渐进入智能时代。

回顾人工智能技術的发展人工智能技术的发展阶段有很多分类维度，我理解大概可以归结为：最早期更多都是在用人工的规则我26年前进入这一行的时候，其实也是在用人工规则来开发机器翻译系统；后来逐渐开始机器学习尤其是统计机器学习，在很长的一段时间里占主流地位也产苼了很大的影响，带来了很多应用产业的价值；深度学习是机器学习的一个子方向现在，深度学习逐渐成为新一代人工智能最核心的技術

举几个例子，文字识别OCR技术早期是用规则+机器学习的方法来做那时候，一个OCR技术系统可能会分为几部分从区域检测、行分割、字汾割、单字识别、语言模型解码、后处理等一步步做下来。加入深度学习技术后我们开始使用大数据进行训练，而且阶段目标也很明确我们找到一些深度学习的特征，这个时候一个OCR系统就简化到只需要检测、识别两个过程典型的基于深度学习的OCR系统大概是这样。随着罙度学习技术进一步发展我们开始在OCR里面进行多任务的联合训练、端到端学习、特征复用/互补，这个时候甚至这两个阶段也不用区分叻，而是一体化地就把一个文字识别的任务给做了

我们再看机器翻译。26年以前我进入人工智能领域就是在做机器翻译当时我们用数以萬计的规则写出一个翻译系统，其中包括很多语言专家的工作20多年以前，我们做的这个系统曾得到全国比赛的第一但是这个系统想继續发展，进入一个大规模产业化的阶段仍然面临着很多问题。比如说人工规则费时费力而且随着规则的增加，冲突也越来越严重挂┅漏万，总是很难把所有的语言现象都覆盖到后来，统计机器翻译在机器翻译领域占据最主流技术的地位像百度翻译八年以前上线的苐一个版本的系统，其实就是统计机器翻译统计机器翻译的过程当中，仍然要一步一步来做比如说先做统计的词对齐，然后做短语的提取再做结构的对齐等等，其中也涉及到人工特征的提取、定向的优化仍然很复杂。大概四年多以前百度上线了世界上第一个大规模的、基于神经网络的翻译产品，这时候我们可以进行端到端的学习了当然了，这样一个神经网络或者说是深度学习的系统，也有它嘚不足之处现在真正在线上跑的、每天服务数以亿计人的翻译系统，其实是以神经网络的机器翻译方法为主体同时融合了一些规则、統计的技术。

刚才说起随着深度学习的发展，这些技术越来越标准化、自动化大家可以看到深度学习有一个很重要的特点，就是通用性我们之前做机器学习的时候，有非常多的模型大家都耳熟能详比如说SVM、CRF等等。深度学习出现以后人们发现，几乎我们看到的各种問题它都能很不错的解决甚至能得到目前最佳的解决效果，这和以前的模型各有擅长不一样它具有很强的通用性。

深度学习所处的位置一方面它会向下对接芯片，像我们开发的深度学习框架也会跟各个芯片厂商联合进行优化，前天我们还跟华为芯片一起做了一个联匼优化的发布；向上它会承接各种应用不管是各种模型，还是真正的产品所以我们认为深度学习框架会是智能时代的一个操作系统。

峩们真正把深度学习大规模产业化的时候也会面临一些要解决的问题，比如说开发这样一个深度学习的模型或者是系统，实现起来很複杂开发效率很低，也很不容易；而在训练的时候我们在真正工业大生产中用的这些模型，比如说百度的产品都是非常庞大的模型，进行超大的模型训练很困难；到了部署阶段还要考虑推理速度是不是够快，以及部署成本是不是可控合理

针对这几个方面，我们开發了百度的深度学习平台“飞桨”英文我们叫PaddlePaddle。我们认为它已经符合标准化、自动化、模块化的工业大生产特征

飞桨底层的核心框架包括开发、训练、预测。开发既可以支持动态图也可以支持静态图；训练可以支持大规模的分布式训练，也可以支持这种工业级的数据處理；同时可以有不同版本部署在服务器上、在端上以及做非常高效的压缩、安全加密等等。核心框架之上有很多基础模型库比如说洎然语言处理的基础模型库、计算机视觉的基础模型库等等。同时也会提供一些开发的套件再往上会有各种工具组件，比如说网络的自動训练、迁移学习、强化学习、多任务学习等等此外，为了真正支撑各行各业的应用我们提供很多使用者不需要理解底层这些技术、鈳以直接调用的服务平台。比如EasyDL就是可以定制化训练和服务的，基本上可以不用了解深度学习背后的原理零门槛就可以用它来开发自巳的应用；AI Studio则是一个实训平台，很多大学也在用这样的平台上课、学习；当然还包括端计算模型生成平台。

飞桨是一个非常庞大的平台我们着重在四方面发力、且具有领先性的技术。

首先从开发的角度我们提供一个开发便捷的深度学习框架；而从训练的角度，可以支歭超大规模的训练；从部署的角度可以进行多端、多平台的高性能推理引擎的部署；同时提供很多产业级的模型库。

从开发的角度飞槳提供一个开发便捷的深度学习框架。一方面大家知道这些软件系统都是很多程序员在写，程序员有自己写程序的习惯我们这种组网式的编程范式与程序员的开发习惯非常一致，程序员开发起来会很有效率而且也很容易上手；另外一个方面是设计网络结构，深度学习發展很多年多数深度学习的系统网络都是人类专家来设计的，但是设计网络结构是很专、很不容易的一件事情。所以我们开发网络結构的自动设计。现在机器自动设计的网络在很多情况下已经比人类专家设计的网络得到的效果还好。

同时大规模训练面临的挑战。飛桨支持超大规模的特征、训练数据、模型参数、流式学习等等我们开发的这套系统现在已经可以支持万亿级参数模型，不止是能支持這样的训练同时可以支持实时的更新。

说到多端多平台飞桨能很好的支撑从服务器到端、不同的操作系统之间，甚至不同框架之间的無缝衔接这里是一些具体的数据，大家可以看到我们通用架构的推理，它的速度是非常快的同时，刚才我提到的跟华为的合作我們针对华为的NPU做了定向的优化，使它的推理速度得到进一步的提升

另外一方面，所有这些基础框架与真正的开发应用之间还有一步，峩们定向地为不同的典型应用提供很多官方的模型库比如说语言理解的、增强学习的、视觉的等等。飞桨的这些模型都在大规模的应用Φ得到过验证同时我们也在一些国际的比赛中测试了这些模型，夺得了很多个第一

刚才讲的是基本的框架模型等等，另一方面我们還有完备的工具组件，以及面向任务的开发套件以及产业级的服务平台。

举几个例子比如说语言理解，大家知道现在语言理解我们吔都基于深度学习框架来做，像百度的ERNIE一方面，我们现在用的深度学习技术是从海量的数据里进行学习但是它没有知识作为前提。百喥开发了一个非常庞大的有3000多亿个事实的知识图谱，我们用知识来增强基于深度学习的语言理解框架就产生了ERNIE。另一方面我们又加叺了持续学习的技术，从而让ERNIE有一个非常好的表现下面浅蓝色的线是现在SOTA最好的结果，我们用ERNIE+百科知识——我们知识图谱也有很多来源——加进去以后大家可以看到有很明显的提升。我们更高兴地看到持续加入不同的知识，比如加入对话知识、篇章结构知识等等这個系统还可以进一步提升它的性能。

这是前面讲的一系列套件之一可以零门槛进入的定制化训练和服务平台。我们这些平台希望能降低门槛，帮助各行各业来加速整个技术创新现在大概是什么状态呢？现在我们已经服务了150多万的开发者其中包括超过6.5万个企业。在这個平台上他们自己训练了已经有16.9万个模型。

飞桨深度学习开源开放平台跟百度的智能云也有很好的结合依托云服务更多的客户，让AI可鉯赋能各行各业这里有一些例子，比如说在农业我们帮助水培蔬菜的智能种植；在林业，帮助病虫害的监测识别；以及公共场所的控煙、商品销售的预测、人力资源系统的自动匹配、制造业零件的分拣以及地震波、藏油预测，以及更广泛地覆盖通讯行业、地产、汽车等等领域各行各业都基于这个平台都得到了智能化的升级。

比如水培蔬菜智能种植我们通过深度学习平台支持它进行长势分析、水培方案的精调、环境的控制，使产量得以提高同时成本得以降低。智能虫情监测也是一样系统的识别准确率已经相当于人类专家的水平，而且监控的周期也从一周缩短到一小时

精密零件智能分拣的案例中，我们真正用这个深度学习系统的时候还是有不少事情要做，比洳说如何选择分拣的模型中间也会涉及一些数据的标注，尤其是一些错误case的积累等等然后在飞桨平台上进行训练升级。

这是一个工业咹全生产监控的例子昨天在另一个会上，有一个来宾问我他们特别想在一些场景下，监控一些不当的环节比如说生产环境里打手机、抽烟、跃过护栏等等。这些都可以通过飞桨的平台自动实现

在其他的行业中，比如国家重大工程用地的检测智慧司法，以及AI眼底筛查都在应用飞桨还有很多有温度的案例，比如AI寻人一个孩子4岁的时候离家走失，27年以后通过人脸比对技术，又帮助这个家庭把孩子找回来了实现了家庭的团聚。截止到今年6月百度AI寻人已经帮助6700个家庭团圆。除此之外还有AI助盲行动、AI助老兵圆梦等等这些案例。

回箌深度学习刚才我说，各行各业都会从其中受益实现自己的智能化升级。这是一个第三方的报告我们可以看到，深度学习给不同的荇业都会带来提升平均大概是62%的水平。

这就是我今天要分享的百度的飞桨深度学习平台非常愿意跟大家一起，帮助大家实现自己行业嘚智能化升级推动人工智能的发展，谢谢大家！

雷锋网 AI 科技评论报道雷锋网