近期Gartner公司发布了《2022年新兴技术成熟度曲线》[1]。关于2022年新兴技术趋势，如图1所示，Gartner确定了25种需要了解的新兴技术，主要围绕三个主题：一是发展/扩展沉浸式体验，主要包括去中心化身份(DID)、数字人类、非同质化代币(NFT)等关键技术；二是加速人工智能自动化，主要包括因果人工智能(AI)、基础模型、机器学习代码生成工具等关键技术；三是优化技术人员交付，主要包括增强型敏捷金融(FinOps)、网络安全网格架构(CSMA)、动态风险治理(DRG)等关键技术。Gartner公司分析师表示，这些技术都处于早期阶段，其中有些处于萌芽阶段，未来将如何发展仍存在很大不确定性。本文从三个主题出发介绍曲线中的相关技术，并结合曲线给出预测分析。
图1 Gartner公布的2022新兴技术成熟度曲线
一. 沉浸式体验
1. 1
去中心化身份
在介绍去中心化身份（Decentralized identity , DID）之前，先阐述与之相对的中心化身份。其本质就是某个中心化机构掌握着身份数据，中心化身份存在两个问题，第一个是这个身份并不由用户掌控，真正的控制权在运营者手里，第二个问题是各个网站、APP的身份(账号)彼此独立，并不互通。为了解决这两个问题，首先提出了联盟身份，期间也有很多去中心化的标准和方案出现，但是由于种种原因，依旧没有完全实现真正的去中心化。而DID是指一套完全去中介化并且允许个人或组织能够完全拥有对自己数字身份及其数据的所有权、管理权和控制权的身份。也就是说，用户的身份信息并不是存在某个机构的服务器，被某个机构所掌控，而是分布在许多的电脑上，完全由用户掌控，也为用户的认证体验带来了便利，就像比特币那样。一来用户拥有了对自身身份的控制权，二是解决了互通性的问题。
预测分析：去中心化身份早在2019年已经提出，在Gartner发布的《2021新兴技术成熟度曲线》[2]中已经出现，渡过了技术萌芽期，位于期望膨胀期，而在当时Gartner分析师给出的预测为该技术到达产品成熟期的年限为2~5年，但是在《2022新兴技术成熟度曲线》再一次见到了它的影子，这次Gartner预测到达产品成熟期年限变为了5~10年，为什么发展几年的技术反而距离产品成熟期越来越远？这里我分析了几点原因，一是去中心身份的构成，用户可以建立多个虚拟身份，仅凭链上数据无法辨别该身份可信程度，依旧会存在Web2现有的信任危机，要建立完整的信任机制依然可能求助于权威身份机构，完全的去中心化难以实现；二是不同场景需求不同，落地效果一般，目前的区块链技术存在一些发展瓶颈，比如存储速度，在海量数据处理方面技术仍需提高；三是在具体的实施过程中，不同所有制、不同类型、不同商业模式的公司是否有足够的盈利空间来做相关事情，需考虑成本投入问题。
但是好的方面是未来数字生活和实体生活之间的界限越模糊，我们的在线身份就会越来越多，越来越复杂。如果这些身份被储存在多个中心化系统中，将变得更难管理。去中心化解决了这些问题，所以DID的未来是非常值得期待的。
1.2
数字人类
数字人类(Digital Humans)是一种AI驱动的，交互式的表示，可以定义为看起来几乎与人类一模一样的 3D 虚拟对象，并且可以复制人类特征，例如身体运动、面部表情、对话等，是存在于虚拟世界中独立的对象。数字人类技术依赖于复杂的技术组合来实现功能，包括：
·人工智能处理输入并提供反馈；
·自然语言处理以理解语音命令；
·先进的3D建模可精准复制人类情感表达；
·自然语言生成，以便数字人可以通过语音做出响应。
数字人类的发展提供了很多潜在的应用，包括虚拟世界中的虚拟助手、工业和医疗保健场景中的模拟场景、更真实的NPC进行游戏、企业软技能培训、社交媒体影响者大规模营销等。
预测分析：Gartner在2021年和2022年连续两年将该技术列入新兴技术成熟度曲线中，都位于技术萌芽期阶段，且到达生产成熟期超过10年，预计明年仍然有可能出现在技术成熟度曲线中并依旧处于技术萌芽阶段。该技术从2019年提出至今，是一个大热点，也是一个大难点，国内外均有一些成功的试点，但是该技术目前发展处于瓶颈期，国内数字人类要大规模产业落地还面临三大难题，一是数字人类产业链的各个节点相对割裂，无法实现高效协同；二是服务场景与演艺场景没有有效打通，表现为演艺型数字人不具备客户所需的业务能力，而服务型数字人缺乏人设，难以与用户进行情感交流；第三是满足高机动性、高频需求的成本依旧很高，数字人的生产效率问题还有提升空间。
可以预见的是，数字技术的爆炸式发展，web 3.0的加速构建和“元宇宙”的兴起，带动了数字人类技术的发展，成为了行业的新趋势，作为企业管理者可以尝试，但是要控制成本。
个人信息作为数字化发展的核心，数据的采集、分析、处理能力越来越智能，但个人信息保护工作却没有跟上技术更新迭代的步伐，沉浸式体验技术的发展，用户数据可能会出现被泄露、滥用和黑色交易等问题，潜藏着巨大的人身和财产安全风险。《个人信息保护法》的实行，对互联网企业来说既是挑战也是机遇，鼓励企业站在更专业的角度去整改数据保护模式，开发新的技术。
二．人工智能自动化
2.1
因果人工智能
因果人工智能(Causal AI)是一种可以解释因果关系的人工智能系统，是加速AI自动化的关键技术之一，可以帮助解释决策制定和决策原因。因果AI并不是一个算法而是一套计算框架，能与各种模型进行衔接，比如，机器学习模型、统计学模型、心理学模型等。因果AI实践需要具备三个要素：
- 建立因果图。无论主观或客观，只要提出了因果图，就可以通过数据的方式证伪；
- 相关数据。主要通过数据拟合，在没有施加干预的情况下，预测干预行动的效果，这也是因果推断和AI得以联合的原因之一；
- 反事实推断。通过对比计算结果，找出增益效果最有效的途径，并对行动的效果做出预测。
预测分析：在Gartner成熟度曲线中因果AI处于萌芽期，并预测有5-10年的成长期，从NIPS 2021因果方向收录的文章来看，确实是当下一个热点，而在AAAI 2022年涉及因果的文章，可以看到越来越多的场景实现了因果落地，涉及的因果细分方向有：因果发现、因果结构学习、因果强化学习、因果推断、因果深度学习等。
然而机器学习技术本身存在一定的局限性，因果学习除了能够补机器学习的短板，也能解决企业对智能决策的需求。然而目前只是在现有模型/算法上做一些改动，小打小闹，并没有创造出全新的东西，所以暂时还看不出来具备颠覆AI领域的潜力。在数字化时代，企业的目标是尽量在决策链条中减少人的参与，实现数据驱动的自动决策，从而提高决策的准确性和整体系统的运转效率。简单来说，企业更需要的是自动化的“决策”，而不仅仅是对未来的“预测”。而当前的机器学习以相关性为基础，更多解决的是预测性分析，对未来结果做出预测。在面对需要因果关系为前提的决策性问题时显得力不从心，还很难满足自动化决策的需求，无法提供有效的行动策略选项。综合来说，笔者认为因果AI还需很长时间发展。
但是该技术的发展也存在安全问题，如果恶意攻击者在训练阶段将恶意行为偷偷塞进模型中，而在生产阶段起效，那么将造成不可想象的后果，将会直接影响公司决策的准确性，恶意行为的检测变得更加重要。
2.2
机器学习代码生成工具
机器学习代码生成(Machine learning code generation) 工具包括可插入专业开发人员集成开发环境(IDE)的云托管机器学习模型，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。由于编写代码涉及许多重复性工作，编程成为了高度消耗脑力而且繁琐的体力劳动，代码自动生成工具的出现解决了这一问题。
预测分析：基于一些检索技术，使用归纳概括、演绎和枚举搜索合成代码，通过搜索一组基本函数的组合来从大量数据集中找到规律，推断一个程序是代码生成的一种方法，但是这些方法也只能生成应用的一部分代码，代码生成器设计起来也异常复杂。国外典型的案例有18年丹麦一家公司发布的面向前端的智能代码项目pix2code，如图2所示该项目通过训练后能够将设计图直接生成前端静态页，而且生成代码准确率达到了77%。在最近发表的一篇文章中[3]，作者实现了两个最先进的自然语言编码(NL2Code)生成和检索系统，并进行了一项有31名参与者的实验，分配他们在使用NL2Code辅助和不使用这两种的工具的情况下完成一系列Python编程任务。但是结果显示，虽然参与者普遍表示喜欢NL2Code辅助，但使用插件的编程场景与不使用插件的编程场景在任何可测量的结果上都没有统计学上的显著提高。
图2 前端页面代码自动生成
在Gartner的成熟度曲线中，该技术位于萌芽期并距离产品成熟期还有5-10年的发展。近几年代码自动化生成与人工智能的结合成为了计算机领域的研究热点。另外现在一些小公司以及一些学校的实验室不需要复杂的网站，一些简单的静态网站就可能满足需求，但是本身没有网站开发人员，他们想要显示的内容以及形式可能需要经常更改找网站开发公司维护成本高，所以不需要懂技术的人就可以用的生成简单网页人工智能工具有很大的市场需求。
综合来讲，运用机器学习算法自动生成代码是人工智能应用的重要领域，能够提高代码开发效率，但是仍然处于技术发展初期，距离真正的实用化代码还有很大距离，对于不同的编程任务，需要重新训练参数，如果数据集太小，很难验证其逻辑的正确性。除此之外，模型若不在本地部署，生成的代码是否会泄露？同一模型生成的代码是否更倾向于存在同样的漏洞或攻击路径？针对代码生成模型进行投毒使其生成恶意代码，影响范围将严重失控。
企业管理者可以试点一些小的项目，比如逻辑简单的静态网页之类的，大型项目仍需慢慢发展，相信有一天会实现人工智能自动化。
三．技术人员交付
增强型敏捷金融(FinOps)：FinOps将敏捷性、持续集成和部署以及终端用户反馈等传统DevOps概念应用到财务治理、预算和成本优化工作中。增强FinOps通过人工智能(AI)和机器学习(ML)实践的应用自动化了这一过程，并主要是在云环境中。因此，FinOps可以称为“财务运营”，或者更直白地称为“成本优化”，是将财务问责制引入云计算的IT支持，进行调整以优化质量和支出。它是一种不断发展的云财务管理学科和文化实践，通过帮助工程、财务、技术和业务团队在数据驱动的支出决策上进行协作，使组织能够获得最大的业务价值，核心是一种文化实践，实现各团队之间的自动化交互，提高工作效率，同时获得更多的财务控制和可预测性。
预测分析：在Gartner新兴技术成熟度曲线中，FinOps位于技术萌芽期并距离产品成熟期还有5-10年的发展。根据Gartner公司的调查，到2022年底，全国各地的企业在云计算基础设施方面的支出约为3330亿美元。麦肯锡公司在调查中指出，每家企业的云计算预算平均超过了23 %，并且浪费了30 %的支出。这些数字令人震惊，同时也引发企业更关注大量云成本支出的回报。通过采用正确的FinOps云成本优化策略，企业不仅可以提高云投资回报率和总体拥有成本，还可以使业务处于最佳状态，同时良好的云成本优化和财务运营可以帮助企业获得云计算的真正商业价值。但许多企业在优化云成本中面临的关键挑战和障碍至关重要，随着新云技术的采用和成本的增加，实现自动化、数据摄取和标记仍然是挑战。
此外，除了控制云成本，传统的云安全以及未来不可预测的安全问题将会给企业带来很多风险。对于国内企业来说，由于国内目前大部分都在使用私有云，公有云的发展和普及还需几年的时间，同时在保障安全的情况下将钱花在真正需要的地方，就变得很重要了。
四. 总结
本文从Gartner发布的《2022新兴技术成熟度曲线》出发，简单的介绍了几个新兴技术的概念以及解决了什么问题，并结合Gartner的分析以及相关报告和数据综合来预测该技术未来的发展。在未来我们将继续分析预测新兴技术，关注最新的技术报告。
参考文献
[1] Hype Cycle for Emerging Technologies, 2022.
[2] Hype Cycle for Emerging Technologies, 2021.
[3] Xu F F, Vasilescu B, Neubig G. In-ide code generation from natural language: Promise and challenges[J]. ACM Transactions on Software Engineering and Methodology (TOSEM), 2022, 31(2): 1-47.
内容编辑：创新研究院 张 业
责任编辑：创新研究院 陈佛忠
本公众号原创文章仅代表作者观点，不代表绿盟科技立场。所有原创内容版权均属绿盟科技研究通讯。未经授权，严禁任何媒体以及微信公众号复制、转载、摘编或以其他方式使用，转载须注明来自绿盟科技研究通讯并附上本文链接。
