Gartner近日公布了将改变组织数字化未来的五项技术,其中包括数字人类、卫星通信、微型环境物联网、安全计算和自主机器人。
Gartner杰出副总裁分析师Nick Jones表示:“所有这五种技术都是可能具有转型作用的,并且由于其具有广泛的范围、有可能引发新的商业模式、实现新的商业模式或者重要的新功能,因此需要组织进行深入的调查研究。”
“但是,每个人对颠覆性的定义是不同的,因此,从您组织的独特角度及其潜在影响来评估这些技术,然后考虑通过单个技术以及技术组合实现的新商机。”(见图1)
图1:将改变您组织数字未来的五种技术
资料来源:Gartner(2023年9月)
1、卫星通信
人们对于近地轨道(LEO)卫星通信的兴趣越来越多的是由空间民主化和商业化驱动的,低潜伏期让LEO成为企业彻底改变与人和事物沟通的一项重要技术。
根据Gartner的说法,LEO将提供具有全球覆盖的范围以及足够延迟的宽带,以完成各种任务;直接用于小型物联网设备的卫星连接,提供负担得起的全球覆盖范围,而无需涉及SIM,电信提供商和漫游等;语音和数据服务从卫星到未修改的4G智能手机,把覆盖范围扩展到远程位置。
Jones表示:“这个行业仍然处于新生阶段,预计会有出现发展和进化,因此请尽早采用LEO,因为这是复杂市场中的一项新兴技术。”
2、微型环境物联网
微型环境物联网可以对任何东西进行标记、跟踪和感测,而没有电池供电设备带来的复杂性或者成本,其结果就是能够比以前感知更多的信息,了解更多的事物,且方法更多、成本更低。
这将实现新的生态系统;基于了解对象的位置或者行为的新业务模型;具有新行为的智能产品;以及跟踪和监视的成本要低得多。微型环境物联网将为广泛的业务扩展机会,但Gartner建议,在采用前应该评估潜在的社会和监管问题。
3、安全计算
随着事物的越来越多,生态系统访问越来越多的个人信息,安全计算也变得非常重要。安全计算可以利用数据而不会损害隐私。
尽管有很多现有的安全计算原则,但由于成本、技能、绩效和可用性的原因,实施安全计算是一件挑战性的事情。Gartner建议,新兴技术(例如光学加速器)应该作为部署中一个至关重要的组成部分,以解决上述挑战。
4、数字人类
数字人类是互动的,AI驱动的表示方式,模仿人类的某些特征如个性、知识和心态。数字人类的范围覆盖了从物理(例如人形机器人)到虚拟(例如虚拟流行歌星);从以人类为驱动(例如,模仿人类的某些方面)到AI为驱动,也就是各个方面不需要像人类一样(例如,数字孪生或者聊天机器人)。
尽管具有潜力,但数字人类带来了很多挑战,包括不道德的应用;不当行为;创造偏见和刻板印象;缺乏监管;社会反弹的风险;不同的文化态度,等等。Gartner建议,在采用之前要评估潜在的社会和监管问题。
5、自动无人机和机器人
自主系统是可自我管理的物理系统或者软件系统,执行那些展现出自主性、学习和代理的任务(具有个人目的感)。如果对机器人等技术进行扩展以发挥其全部潜力的话,学习和适应自主的系统将是必不可少的。
但是,这其中也存在着很多挑战,因为它可能并不明显是机器人或AI系统所学到的或它可以(或不可以)做的。Gartner建议,可以将这些技术用于复杂且快速变化的环境中,在这些环境中,早期采用将带来敏捷性和绩效等好处,同时注意通过分析业务、法律和道德后果来管理风险。
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。