2023-2024年变化对比
生成式AI的持续升温：生成式AI从2023年的期望膨胀期逐渐向泡沫破裂低谷期过渡，这表明市场对生成式AI的认识逐渐趋于理性。 新兴技术的涌现：2024年出现了许多新的技术，如Prompt Engineering、Machine Customers等，这表明技术创新仍在不断加速。 关注点转向AI for Good：2024年，人们对AI技术的关注点开始转向AI在社会公益领域的应用，这表明人们对AI技术的影响有了更深刻的认识。
2024年新趋势
生成式AI持续火热：生成式AI在2024年仍将保持强劲的发展势头，但同时也会面临更多的挑战和监管。 AI与其他技术的融合：AI与其他技术，如5G、区块链等，的融合将催生出更多创新的应用场景。 AI for Good：AI技术在社会公益领域的应用将受到越来越多的关注，例如AI在医疗、教育等领域的应用。 自动化与智能化：自动化和智能化将成为未来发展的主流趋势，机器学习和深度学习将进一步推动自动化进程。
2023年关键洞察
生成式AI引领潮流：生成式AI无疑是2023年的焦点，位于期望膨胀期的顶峰。这表明市场对生成式AI的潜力抱有极高的期望。 云计算持续演进：云计算相关技术，如云原生、边缘计算、行业云平台等，仍然保持着强劲的发展势头。 AI应用不断拓展：AI技术在各个领域的渗透不断加深，从软件工程到网络安全，AI都在发挥着越来越重要的作用。 数据隐私与安全受到重视：同态加密、后量子密码学等技术的出现，表明企业对数据隐私和安全问题的关注度日益提高。
建议
密切关注生成式AI的发展：生成式AI是未来发展的重点，企业应积极探索生成式AI在自身业务中的应用场景。 加强数据隐私与安全保护：在利用AI技术的同时，企业应高度重视数据隐私与安全保护，采用先进的加密技术和安全措施。 培养AI人才：AI人才的短缺是制约AI发展的瓶颈之一，企业应加大对AI人才的培养力度。 关注伦理问题：在开发和应用AI技术时，企业应充分考虑伦理问题，避免AI技术被滥用。 拥抱开源：开源技术是推动AI技术发展的强大力量，企业应积极参与开源社区，贡献力量。
2024年Gartner新兴技术成熟度曲线
技术萌芽期（Innovation Trigger）
1. 大型行动模型 (Large Action Models)
大型行动模型是能够理解和执行复杂任务的人工智能模型，通过将人类意图转化为行动来实现。它们将语言理解与与应用程序和系统的交互能力相结合，使任务能够在不同界面之间无缝完成。
2. 类人工作机器人 (Humanoid Working Robots)
类人工作机器人是设计用来模仿人类形态和能力的先进机器人系统。它们配备传感器、执行器和人工智能，能够在以人为中心的环境中执行任务，从而提高生产力并协助人类在各个行业中的工作。
3. 空间计算 (Spatial Computing)
空间计算是一种将数字世界与物理世界相结合的范式，使人类、计算机和环境之间能够无缝互动。它利用增强现实、虚拟现实和混合现实等技术，创造沉浸式体验并促进空间数据处理。
4. 数字孪生客户 (Digital Twin of a Customer，DToC)
客户数字双胞胎是一个个体的虚拟表示，捕捉其在各种接触点上的偏好、行为和互动。通过分析这些数据，组织可以个性化体验、预测未来行为并优化客户旅程。
5. 网络安全网格架构 (Cybersecurity Mesh Architecture)
网络安全网格架构（CSMA）是一种集成的安全方法，通过建立多层安全控制并使安全工具之间能够协作，来保护分布式资产。它提供了一种可组合和可扩展的方式，以扩展安全性到广泛分布的资产。
6. 虚假信息安全 (Disinformation Security)
虚假信息安全是指旨在检测、减轻和反制虚假或误导性信息传播的技术和策略。它涉及源验证、内容分析和网络映射等技术，以识别和破坏虚假信息活动。
7. 多智能体系统 (Multiagent Systems)
多智能体系统是一组自主智能体的集合，这些智能体相互作用以实现共同目标或个人目标。这些智能体可以是软件程序、机器人或两者的组合，它们通过协作、协调和谈判来解决复杂问题。
8. 6G
6G是下一代无线通信技术，旨在提供比5G更快的数据速度、更低的延迟和更可靠的连接。预计它将支持新的应用和用例，如全息通信、远程手术和自动驾驶汽车。
9. 人工智能超级计算 (AI Supercomputing)
人工智能超级计算是指使用高性能计算系统来优化人工智能工作负载。这些系统利用专用硬件（如GPU、TPU或定制ASIC）加速大规模AI模型的训练和推理，从而在自然语言处理、计算机视觉和药物发现等领域实现突破。
10. 自主智能体 (Autonomous Agents)
自主智能体是能够独立操作、做出决策并与环境互动的智能软件程序或机器人。它们旨在适应变化的环境、从经验中学习，并与其他智能体或人类协作以实现特定目标。
11. 数字免疫系统 (Digital Immune System)
数字免疫系统是一种主动的网络安全方法，结合了人工智能、机器学习和自动化，以检测、预防和响应网络威胁。它利用实时数据分析、威胁情报和自动修复来增强组织对网络攻击的抵御能力。
12. 通用人工智能 (Artificial General Intelligence, AGI)
通用人工智能（AGI）也称为强人工智能，是指人工智能系统能够执行任何人类能够完成的智力任务的假设能力。它代表着创建能够在广泛领域（包括推理、学习、解决问题和创造力）上与人类智能相匹配或超越的AI系统的目标。
13. 强化学习 (Reinforcement Learning)
强化学习是一种机器学习方法，代理通过与环境交互并根据其行为获得奖励或惩罚来学习。这种方法适用于优化复杂系统和决策过程。
14. 联邦机器学习 (Federated Machine Learning)
联邦机器学习在多个去中心化设备或服务器上训练共享的机器学习模型，保留本地数据样本，支持隐私保护的协作学习。
期望膨胀期（Peak of Inflated Expectations）
1. AI TRiSM
AI TRiSM（人工智能信任、风险和安全管理）是Gartner提出的一个框架，旨在帮助组织识别和减轻与AI模型和应用相关的可靠性、安全性和信任风险。该框架包括四个支柱：可解释性和模型监控、模型操作、AI应用安全和隐私管理，以确保AI系统的合规性和有效性.
2. 同态加密 (Homomorphic Encryption)
同态加密是一种加密技术，允许在加密数据上进行计算，而无需先解密。这使得在保持数据隐私的情况下，进行数据分析和处理成为可能，广泛应用于云计算和数据共享场景中。
3. 提示工程 (Prompt Engineering)
提示工程是指设计和优化输入提示，以提高生成性AI模型（如大型语言模型）的输出质量和相关性。通过有效的提示，可以引导模型生成更准确和有用的响应。
4. GitOps
GitOps是一种基于Git的持续交付和基础设施管理方法，利用Git作为单一真相来源，允许开发团队以声明式方式管理基础设施和应用程序的部署，增强协作和自动化。
5. 机器客户 (Machine Customers)
机器客户指的是能够自主进行交易和决策的智能系统或设备，如自动化软件、机器人或IoT设备。它们通过与其他系统的交互来实现购买和服务请求，改变了传统的客户概念。
6. 内部开发者门户 (Internal Developer Portals)
内部开发者门户是一个集中平台，提供开发人员所需的工具、资源和文档，以提高开发效率和协作。它简化了开发流程，促进了跨团队的知识共享。
7. 增强型软件工程 (AI-Augmented Software Engineering)
增强型软件工程结合了人工智能技术与传统软件开发过程，通过自动化、智能推荐和数据分析来提高开发效率和代码质量。
8. 超级应用 (Superapps)
超级应用是集成多种功能和服务的应用程序，通常包括社交媒体、支付、电子商务和其他服务，旨在为用户提供无缝的体验和便利的操作。
9. 云原生 (Cloud-Native)
云原生是一种软件开发和交付方法，充分利用云计算的灵活性和可扩展性，通常应用微服务架构，支持快速部署、更新和扩展。
10. WebAssembly (Wasm)
WebAssembly是一种低级的二进制指令格式，旨在为Web和其他环境提供高性能、可移植和安全的应用程序。它使得开发者能够在浏览器中运行接近原生速度的代码。
11. 生成性人工智能 (Generative AI)
生成性人工智能是指利用机器学习算法生成新内容（如文本、图像或音频）的技术。它在创作、设计和内容生成等领域展现出巨大的潜力，推动了创新和自动化。
泡沫破裂低谷期（Trough of Disillusionment）
<无>
稳步爬升复苏期（Slope of Enlightenment）
<无>
生产成熟期（Plateau of Productivity）
<无>
2023年Gartner新兴技术成熟度曲线
技术萌芽期（Innovation Trigger）
1. 网络安全网格架构 (Cybersecurity Mesh Architecture)
网络安全网格架构（CSMA）是一种可组合和可扩展的安全控制方法，旨在保护广泛分布的资产。它通过提供分布式身份基础设施、安全分析、智能、自动化和集中政策管理等支持服务，使安全工具能够相互集成，从而实现更为综合的安全策略。这种架构特别适合于现代多云环境，能够增强组织的安全性，适应不断变化的网络威胁。
2. 生成性网络安全人工智能 (Generative Cybersecurity AI)
生成性网络安全人工智能利用先进的AI技术（如生成对抗网络）生成合成数据，以提高安全模型的训练效果。这种方法有助于改进异常检测和威胁识别能力。
3. GitOps
GitOps是一种云原生的持续部署和基础设施管理方法，使用Git仓库作为唯一的真相来源，使开发人员能够以声明式方式管理基础设施。
4. 增强的财务运营 (Augmented FinOps)
增强的财务运营结合了人类专业知识与AI和机器学习，以优化云成本和资源利用，自动化成本分配、预测和优化建议。
5. 神经符号人工智能 (Neuro-Symbolic AI)
神经符号人工智能将神经网络与符号推理相结合，创建能够结合深度学习和逻辑方法的AI系统，从而实现更具可解释性和鲁棒性的模型。
6. 后量子密码学 (Postquantum Cryptography)
后量子密码学指的是抵抗量子计算攻击的密码算法。随着量子计算技术的发展，当前的加密方法可能会变得脆弱，因此需要新的量子抗性算法。
7. 因果人工智能 (Causal AI)
因果人工智能专注于理解数据中的因果关系，而不仅仅是相关性。通过建模因果机制，因果AI能够做出更稳健和可推广的预测。
8. 人工智能仿真 (AI Simulation)
人工智能仿真利用AI和机器学习创建更真实和准确的复杂系统仿真，帮助决策、风险评估和优化。
9. 图数据科学 (Graph Data Science)
图数据科学将机器学习和分析应用于图结构数据，以揭示洞察和模式，适用于欺诈检测、推荐系统和网络分析等应用。
10. 云开发环境 (Cloud Development Environments)
云开发环境是基于云的工具，提供完整的、预配置的开发环境，方便从任何设备访问，简化设置并确保一致性。
11. 强化学习 (Reinforcement Learning)
强化学习是一种机器学习方法，代理通过与环境交互并根据其行为获得奖励或惩罚来学习。这种方法适用于优化复杂系统和决策过程。
12. 价值流管理平台 (Value Stream Management Platforms)
价值流管理平台提供软件交付过程的端到端可视化和优化，集成工具、数据和工作流程，提高效率，减少浪费。
13. 同态加密 (Homomorphic Encryption)
同态加密允许在加密数据上直接进行计算，而无需先解密。这使得在敏感数据上进行隐私保护分析和机器学习成为可能。
14. 云可持续性 (Cloud Sustainability)
云可持续性指的是云服务提供商及其云应用的环境影响和可持续实践，包括可再生能源的使用、碳抵消和能源效率。
15. 内部开发者门户 (Internal Developer Portal)
内部开发者门户是一个集中平台，提供开发人员所需的工具、资源和文档，以提高开发效率和协作。
16. 行业云平台 (Industry Cloud Platforms)
行业云平台是针对特定行业（如医疗、金融或制造业）需求量身定制的云服务，提供预构建解决方案、行业特定数据模型和合规功能。
17. 联邦机器学习 (Federated Machine Learning)
联邦机器学习在多个去中心化设备或服务器上训练共享的机器学习模型，保留本地数据样本，支持隐私保护的协作学习。
18. 软件工程 (Software Engineering)
软件工程是将工程原则应用于软件系统开发的过程，包括需求收集、设计、实施、测试和维护。
19. WebAssembly (Wasm)
WebAssembly（Wasm）是一种低级的二进制指令格式，用于栈式虚拟机，能够在Web及其他环境中运行高性能、可移植和安全的应用。
期望膨胀期（Peak of Inflated Expectations）
1. AI TRISM
AI TRISM（人工智能信任、风险和安全管理）是Gartner提出的一个框架，旨在帮助组织识别和减轻与AI模型和应用相关的可靠性、安全性和信任风险。该框架包括四个支柱：可解释性和模型监控、模型操作、AI应用安全和隐私管理，确保AI系统的合规性和有效性.
2. 云向边缘扩展 (Cloud-Out to Edge)
云向边缘扩展是指将云计算服务和资源向边缘设备和边缘网络延伸的趋势。这种方法旨在提高数据处理速度和响应能力，特别是在需要实时分析和低延迟的应用场景中，如物联网（IoT）和智能城市。
3. 开源项目办公室 (Open-Source Program Office)
开源项目办公室是组织内部专门负责管理和支持开源软件项目的团队或职能。它的目标是促进开源软件的使用、确保合规性、管理贡献者关系，并推动开源文化的传播。
4. API中心的SaaS (API-Centric SaaS)
API中心的SaaS是指以API为核心的云服务模型，允许用户通过API接口访问和集成软件服务。这种模式增强了软件的灵活性和可扩展性，使企业能够根据需求快速构建和调整应用程序。
5. 生成性人工智能 (Generative AI)
生成性人工智能是一种利用机器学习算法生成新内容（如文本、图像或音频）的技术。它在创作、设计和内容生成等领域展现出巨大的潜力，推动了创新和自动化。
6. 增强型人工智能 (AI-Augmented)
增强型人工智能是指将AI技术与人类智能结合，以提高决策和操作的效率。这种方法利用AI的分析能力来支持和增强人类的判断，而不是完全取代人类。
7. 云原生 (Cloud-Native)
云原生是一种软件开发和交付方法，旨在充分利用云计算的灵活性和可扩展性。云原生应用程序通常应用微服务架构，能够在云环境中快速部署、更新和扩展。
泡沫破裂低谷期（Trough of Disillusionment）
<无>
稳步爬升复苏期（Slope of Enlightenment）
<无>
生产成熟期（Plateau of Productivity）
<无>
---【本文完】---
近期受欢迎的文章：
更多交流，可加本人微信
（请附中文姓名/公司/关注领域）
