小海按：
高德納咨詢公司新公布的 2022 年新興技術成熟度曲線包含了 25 項推動差異化競争與效率提升“必須知曉”的創新。其中部分技術需要 10 年或更長時間才能被接受，而技術處于萌芽态也意味着部署的風險更大，但對早期采用者的潛在收益也更大。
2022 年 Gartner 技術成熟度曲線确定了 25 種必須了解的新興技術，值得企業架構和技術創新上司者關注：
- 拓展沉浸式體驗
- 加速人工智能（AI）的自動化
- 優化技術專家傳遞
預計這些技術可在未來 2 到 10 年内對商業和社會産生極大影響，但對于 CIO 和 IT 領袖來說，這些技術對實作數字業務轉型的幫助作用尤其顯著。
新興技術在本質上是颠覆性的，競争優勢不會是衆所周知或經過驗證的。為了抓住機遇，了解潛在用例，知道技術被主流采用的途徑是什麼至關重要，這個過程需要時間，短至兩年，長則需 10 年或更長時間。
Gartner 副總裁兼分析師 Melissa Davis 表示：“這些技術都還處在早期階段，但其中有些仍處在萌芽階段，其未來演進仍存在很大的不确定性。部署處在萌芽态的技術風險會更大，但同時給早期采用者帶來的收益也更大，這就是它們與期望膨脹期内的戰略技術趨勢的不同。”
2022 年新興技術成熟度曲線
2022 年 Gartner 技術成熟度曲線主要聚焦于新興技術，裡面提煉了 2000 多種技術洞察，彙總成精簡的高潛力技術集合。大多數技術都有多個用例，但企業架構和技術創新上司者的優先考慮應該是那些可以為組織帶來最大潛在利益的技術。（還需要啟動概念驗證項目，證明技術對目标用例的可行性。）
以下是關于 2022 年技術所屬的三個主題的更多資訊：
主題 1：演進/拓展沉浸式體驗
這些技術帶來的好處是，可以為個人提供更多對身份和資料的控制權，并将體驗範圍拓展到可與數字貨币內建的虛拟場所和生态體系。這些技術還提供了接觸客戶的新方法，可加強或開辟新的收入來源。
客戶的數字孿生（DToC）是客戶的動态虛拟表示，這種技術可模拟和學習客戶，進而模仿和預測客戶的行為。DToC 可用于改進和增強客戶體驗（CX），為新型數字化工作、産品、服務和機會提供支撐。 DToC 需要 5 到 10 年才會被主流采用，但對于組織來說，這種技術是變革性的。
沉浸式體驗中的其他關鍵技術包括：
- 去中心化身份（Decentralized identity ，DCI）可利用區塊鍊或其他的分布式賬本技術（DLT）和數字錢包，讓實體（一般是人類使用者）控制自己的數字身份。
- 數字人類（Digital humans）是一種 AI 驅動的，互動式的表示，具備了人類的部分特征、個性、知識與思維方式。
- 内部人才市場（Internal talent marketplaces）實作了在不需要招聘人員參與的情況下，内部員工以及某些情況下臨時勞工才庫，與有時間限制的項目和各種工作機會的比對，而無需招聘人員參與。
- 元宇宙（Metaverse）是一個共同的虛拟 3D 共享空間，融合了虛拟增強的實體現實與數字現實。元宇宙具備持久性，可提供增強的沉浸式體驗。
- 非同質化代币（Non-fungible token,NFT） 是獨特的、可程式設計的、基于區塊鍊的數字物品，可公開證明數字資産（如數字藝術或音樂）或代币化的實物資産（如房屋、汽車或檔案）的所有權。
- 超級應用（Superapp）是一種綜合式的移動 app，開發成平台的形式，可提供子產品化的小程式，使用者激活這些小程式後可獲得個性化的應用體驗。（編者注：微信就是超級應用的先驅）
- Web3是一個新的技術棧，可用來開發去中心化的 Web 應用，讓使用者管理自己的身份和資料。
主題 2：加速的人工智能自動化
加大人工智能的采用範圍是發展産品、服務和解決方案的關鍵手段。這意味着加速建立專門的人工智能模型，将人工智能應用到模型的開發和訓練上，并将其部署到産品、服務以及解決方案傳遞中。其結果是預測和決策會更準确，獲得預期收益會更快等。而人類的角色會更側重于成為消費者、評估者和監督者。
自主系統（Autonomic systems）是人工智能自動化加速的例子。自主系統是可自我管理的實體系統或軟體系統，可執行具有三個基本特征領域（自主、學習和代理）的任務。當傳統的AI技術無法實作業務的适應性、靈活性和靈活性時，自主系統可以提供幫助。自主系統需要 5 到 10 年的時間才能獲得廣泛采用，但對于組織來說具有變革性的作用。
加速的 AI 自動化的其他關鍵技術包括：
- 因果推理人工智能（Causal artificial intelligence）識别并利用了因果關系，突破了基于相關性的預測模型，讓AI系統朝着更有效更自主地推薦行動的方向前進。
- 基礎模型（Foundation models）是基于 Transformer 架構的模型，比如大型語言模型就是例子，其具體表現是一種深度神經網絡架構，可以在上下文環境下計算文本的數字表示，強調的是詞序。
- 生成式設計AI（Generative design AI）或AI增強設計（AI-augmented design）。這種技術利用了 AI、機器學習和自然語言處理技術，自動生成和形成數字産品的使用者流程、螢幕設計、内容以及表示層的代碼。
- 機器學習代碼生成工具（Machine learning code generation tools）包括了雲托管的，可植入到專業開發者內建開發環境（IDE）的機器學習模型，是基于自然語言描述或部分代碼片段提供代碼建議的插件。
主題 3：優化技術專家傳遞
這些技術專注于建立數字業務的關鍵要素：産品、服務或解決方案開發者社群（如Fusion Team），以及他們使用的平台。這些技術可提供回報和洞察，優化并加速産品、服務和解決方案的傳遞，同時提高業務營運的可持續性。
雲資料生态體系（Cloud data ecosystems）是優化的技術專家傳遞的典範。雲資料生态體系提供了一個統一的資料管理環境，可支援從探索性資料科學到生産資料倉庫的各種資料工作負載。雲資料生态體系提供了流水化的傳遞與全面功能，很容易部署、優化和維護。這種技術需要 2 到 5 年的時間才會得到廣泛采用，對使用者來說也很有好處。
優化技術專家傳遞的其他關鍵技術包括：
- 增強型财務營運（FinOps，将技術、财務和業務融于一體的營運架構）通過應用AI和機器學習實踐，将靈活、持續內建與部署，以及最終使用者對财務治理、預算計劃與成本優化工作的回報等傳統的 DevOps（開發營運）概念自動化。
- 雲可持續性（Cloud sustainability）是利用雲服務實作經濟、環境和社會體系（ESG）的可持續性效益。
- 計算存儲（Computational storage ，CS）将主機的處理從 CPU 的主存儲器解除安裝到儲存設備身上。
- 網絡安全網格架構（Cybersecurity mesh architecture ，CSMA）是一種用于設計可組合的分布式安全控制的新式做法，可提高整體的安全效率。
- 資料可觀察性（Data observability）是通過對事件進行持續監控、跟蹤、告警、分析和故障排除，來了解企業的資料環境、資料管道與資料基礎設施健康狀況的能力。
- 動态風險治理（Dynamic Risk Governance ，DRG）是一種用來定義風險管理角色和責任這個關鍵任務的方法。DRG針對每種風險定制适當的風險治理，讓組織能夠更好地管理風險，降低保障成本。
- 行業雲平台（Industry cloud platforms）利用底層的 SaaS、PaaS 和 IaaS 服務，為特定的垂直行業提供與行業相關的打包業務和技術能力，并将其整合為一個産品。
- 最小可行架構（Minimum viable architecture,MVA）是産品團隊用來確定産品研發及時性與合規性，并支援疊代的标準化架構。
- 可觀察性驅動開發（Observability-driven development，ODD）是通過将系統設計為可觀察的，為系統狀态和行為提供細顆粒度的可見性和上下文的軟體工程實踐。
- OpenTelemetry是一系列的規範、工具、應用程式設計接口（API）與軟體開發工具包（SDK），用來描述和支援開源儀器與軟體的可觀察性架構的實作。
- 平台工程（Platform engineering）這門學科研究的是如何為軟體傳遞與生命周期管理開發和營運自服務的内部開發者平台（internal developer platforms，IDPs）。
創業政策詳情