前不久，Gartner 对外发布了企业机构在 2023 年需要探索的十大战略技术趋势。根据 Gartner 的调研，全球绝大部分的 CEO 都认为 2023 年全球经济可能会出现衰退。因此，整份报告以“如何应对未来的不确定性”为主题，从业务目标的角度试图理清楚“三大主题、十大方向”，进而帮助企业渡过难关。本文，InfoQ 试图通过 Gartner 分析师的分享为大家解读这十大技术趋势的具体含义。

“数字免疫系统”的概念最早于上世纪 90 年代被提出，当时指的是一套完全自动化的防病毒解决方案。但是今天的“数字免疫系统”指的是一套用来构建稳定系统的软件工程方法、技术和实践。

在传统的软件工程领域，我们主要依靠一套基于测试的软件质量体系来保证软件的健壮性。而今天光靠测试已经不够了，“数字免疫系统”意味着通过给向数字免疫系统“打疫苗”这种类似的手段，来提高系统的健壮性。当然，这确实并不是单个技术，而是包含六大核心模块的一套组合打法。这六大核心模块分别是可观测性、人工智能增强测试、混沌工程、自动修复、站点可靠性工程以及应用供应链安全。

以下为部分模块介绍：

可观测性的概念起源于几十年前的“控制论”，其含义是通过检验一个系统外部输出的数据或信息去推断或者衡量系统内部状态，这样的系统称之为“可观测的系统”，这种方法叫作“可观测性”。

“混沌工程”的理念最早是由互联网公司 Netflix（奈飞）创造的，其含义是在系统里面放进一只捣乱的猴子，这只捣乱的猴子在系统中上窜下跳直到搞挂系统。我们会用这种方法测试系统的不确定性，或者说通过传统方式无法检测出的隐患。“混沌工程”在实践过程中与传统的测试会共用很多测试工具，例如错误注入工具等。但是这两者之间的思想是有本质区别的，因为传统测试主要基于“预设条件输出”的方法来判断测试是否出错。也就是说，测试时需要对所有可能出现的情况进行预估、预评判，而混沌工程则是在没有预设条件的情况下逐步测试系统的稳定性以及系统未知的脆弱。

这是谷歌提出来的理念，其思想是用软件工程的方法解决复杂的运维问题。在传统的运维模式下，很多工作是通过人工操作来完成的，而“站点可靠性工程”强调通过开发一些自动化工具来替代人工操作。谷歌公司的运维团队（SRE）要求平时的运维工作要限制在 50% 的时间以内，另外 50% 的时间开发一些自动化的工具用来减少人工干预。这种模式不仅降低了人力成本，而且解决了运维与开发之间的一些矛盾。

“可观测性原理”是通过观察系统外部输出的信息来判断系统内部的状态，进而优化系统，当我们将这种理念从单纯的“IT 观察”或者“IT 监控”的角度推广到企业运营中去的时候，我们将其叫作“应用可观测性”。

企业中每一个决策的发生都会产生相应的数据结果。即使我们不知道决策是什么，或者即使决策的执行和计划有出入，但最终都会通过数据的形式反馈给我们真实的数据结果。当我们收集到这些输出的反馈数据结果以后，可以叠加“场景信息”，通过行业知识和对行业的理解，对数据进行解读，应用 AI 分析的方法给决策提供建议，实际上就是为了优化决策。优化完决策之后，这个决策会被再次执行，生成更多数据，我们就可以此创作出反馈循环进而做出更加精准的数据驱动决策。

如今，AI 的应用变得越来越广泛。对于 AI 应用、AI 模型背后的“可解释性”或者说“公平性”，实际上存在一些问题。比如，一些互联网电商巨头可以通过 AI 系统追踪每一名物流仓储部门员工的工作效率，统计每一名员工的“摸鱼时间”，然后自动生成解雇指令。用这种 AI 程序的方法去决定一个人的招聘或者解雇，不禁让人疑惑应用的算法是否公平。

事实上，许多企业机构未做好管理 AI 风险的充分准备。Gartner 在美国、英国和德国开展的一项调查显示，41% 的企业机构曾经历过 AI 隐私泄露或安全事件。但该调查也发现积极管理 AI 风险、隐私和安全的企业机构在 AI 项目中取得了更好的成果。与未积极管理这些功能的企业机构的 AI 项目相比，在这些企业机构中有更多的 AI 项目能够从概念验证阶段进入到生产阶段并实现更大的业务价值。

企业机构必须使用新的功能来保证模型的可靠性、可信度、安全性和数据保护。AI 信任、风险和安全管理（TRiSM）需要来自不同业务部门的参与者共同实施新的措施。

“行业云平台”本质上是一种新的“云服务”模式，这与传统模式的区别在于：我们一般会把“云服务”分成三层（IaaS 层、PaaS 层、SaaS 层）。常见的应用方法是在 IaaS 层和 PaaS 层之上构建自己的应用，这是一种路径。另外一种路径是直接采购一站式的 SaaS 解决方案，这样就不需要担心基础设施的事情、反正厂商已经做了定制化的方案。

“行业云平台”本质上是在这两者当中找到一个新的细分市场，结合了现在公有云的 IaaS+PaaS 层，然后以此作为技术底座，其上的 SaaS 部分并不是给企业提供一个一站式的方案，而更像是把 SaaS 里面具体化的定制化方案拆解开来变成可重复使用的业务功能模块，企业根据此做自定义的研发，这种模式比今天的“IaaS+PaaS 模式”多了更多业务功能，但是比今天的 SaaS 模式更加灵活，实际上是介于这两种模式之间的一种新的“云服务模式”。

“平台工程”实际上是 DevOps 的补充形式。DevOps 之所以形成是因为企业希望将“运维”和“开发”两件事情融合起来。在这个过程中，有些企业应用 DevOps 比较成功，另外一些企业在应用 DevOps 的时候走了弯路。有些组织会把 DevOps 理解成：让开发人员去负责运维的工作。这种模式最大的问题在于给开发人员的负担太重了，因为许多开发人员并不太想处理这些运维的问题，也不太想去碰复杂的基础设施。更何况有些时候对于企业来说，开发周期是比较稀缺的资源。

如果企业面临上述问题，可以尝试使用“平台工程”这样一种新的架构。“平台工程”本质上是通过工具和流程，为企业的软件开发团队提供自助开发门户或者叫“内部开发平台”，该平台实际上可以涵盖应用程序的整个生命周期，由专门的平台工程团队创建和维护，开发人员提交代码后，由平台上的自动化工具负责做自动化发布。对开发人员而言，这样可以避免在运维流程过多介入，同时不需要触碰底层的基础设施。

由于没有一项技术能够占据主导地位，企业将使用一系列无线解决方案来满足办公室 Wi-Fi、移动设备服务、低功耗服务以及无线电连接等所有场景的需求。Gartner 预测，到 2025 年，60% 的企业将同时使用五种以上的无线技术。

“无线价值实现”本质上指现在各种各样的无线协议变得越来越成熟，甚至已经可以给我们带来一些落地的商业价值。当然，这种商业价值很多时候还是以一种比较碎片化的形式出现，不是“一站式的解决方案”，更多的是一些垂直的碎片化方案。

“超级应用”实际上是从中国传出来的技术趋势，最大的案例是支付宝和微信。这些超级应用都有巨量的用户、流量以及很强的小程序生态。这种趋势也被众多西方国家仿效，很多企业在复制这种模式。

“自适应 AI”本意是传统的 AI 系统需要面对不断变化的环境，具体要求为：一是模型训练好以后，由于外部环境不断改变，模型是否可以继续应用到不断变化的环境中；二是模型训练好以后，需要添加更多的训练数据迭代模型，但是我们现在看到很多的训练数据都是一些小数据而非大数据；三是希望模型最后在推理的时候产生一些个性化的结果，而非一般化的结果。这三个新的要求实际上对 AI 模型来说是希望模型训练和推理逐渐走向在线训练、在线推理。

“在线推理”比较好理解，各大短视频或者电商 APP 会结合用户兴趣持续推荐可能感兴趣的内容；“在线训练”是指背后的 AI 模型需要实时更新，只有实时更新才能更好响应进一步输入的工作，进而让训练和推理形成正向循环，这个叫作“自适应 AI”。

Gartner 定义的“元宇宙”是一个“虚拟共享空间”，这个“虚拟共享空间”有五个不同的维度（五个属性）：Persistent（持久性）；Immersive（沉浸式）；Device-independent，实际上是和设备无关的，现在看到的 AR/VR 眼镜只是早期“元宇宙”进入的一个端口；Not beowned by a singlvendor，不会被某一家厂商所垄断；Virtual economy，一个虚拟经济体，不只单纯的是一个游戏，更多的是跟物理世界平行的一个商业的数字世界。

Meta 的实践不是“元宇宙”所有的内涵，因为 Meta 走的技术路线更像是一个 VR 路线，而 Gartner 定义的“元宇宙”是一个“虚实结合”的路线，Gartner 有三个“T”：Transform、Transport、Transact。Transport 的意思是将人传送到数字世界，VR 更像是 Transport；Transform 的意思是将数字世界拉到物理世界里面，类似于 AI 的路径；Transact 的意思是元宇宙不是另外一个更加高级的游戏，很大程度上是我们另外一种生活方式。

很多时候，我们会认为“元宇宙”这样的一个趋势离我们好像有点远，但是实际上也并不完全是这样，一些新的商业模式还是比较有希望的，比如“数字人”、“工业元宇宙平台”等。

以“工业元宇宙平台”为例，西门子和英伟达联手创作了“工业元宇宙平台”。西门子作为制造业的巨头有很多制造业的经验可以用来输出，通过这种类似于系统化的或者是 IT 化的方式赋能其它行业，而英伟达主要提供算力资源。“工业元宇宙”实际上面对的场景非常复杂，可能是工厂中的一条流水线需要改造，在改造的过程中传统做法是把现在的流水线停掉，然后再改造、试运行、投产，这个过程实际上浪费了大量的金钱和时间成本，如果可以做一个数字化的平台，高度模拟和仿真现有流水线的情况，并且在“数字世界”里将流水线先改造，做一些虚拟制造或者做模拟制造，模拟测试没问题之后再对物理空间中的真正流水线开始动手改造，效率会提高很多，时间也会省很多，成本也会降很多。

“工业元宇宙”的商业逻辑是合理的，但可能存在行业化的问题，这取决于厂商本身是做什么的，如果跨到不太熟悉的行业，难度会非常高。

“可持续性”这件事情实际上是全球很多企业都在谈的一个问题，这个问题对于中国的客户、企业或者场景来说，很多时候讲的是“双碳”。实际上我们做“双碳”也要看怎么做，做“双碳”不仅仅是为了保护环境，更多是为了保证能源安全。能源安全的自主可控实际上是一个很大的国家战略问题。很多企业其实在做“绿色数据中心”有关的事情，如果眼光放长远去看，利用一些可持续的技术主动把“碳”减下来，减下来的“碳”可能会变成企业另外一个收入来源。

在其他条件同等的情况下，注重“双碳”层面投入的企业也更有可能获得企业和投资者的青睐。

来源：AI前线

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。