作者:VMware首席技术官 Kit Colbert

在过去一年,人工智能、元宇宙、区块链等技术备受人们关注。在2023年,又会出现哪些新的技术发展趋势,同时将给企业和行业带来哪些机遇和挑战。让我们一起来看看以下五大IT技术趋势预测。
预测1:2023年IT支出将保持强劲势头
在数字化转型需求的推动下,IT支出将继续保持强劲势头。尽管经济发展预测并不乐观,但我仍然认为企业会继续将数字投资放在首位。企业明白,消费者和客户已经开始要求、并依赖高速网络来传输数据,提高员工生产力,以及越来越多地使用边缘计算。与我的观察一致,Gartner分析师也预测2023年的技术支出将增加5%以上。
预测2:行业将联合发展早期多云架构
行业将联合发展早期多云架构。多年来,VMware都在构建一个强大的多云架构,我认为这种架构最终将在整个行业中占据主导地位,并在2023年成为主流。这个变化将促使我们彻底改变设计平台和应用的方式。云平台团队的重要性越发凸显,其负责开发新技术,以支持跨云服务和多云应用。同时也强调了DevOps和DevSecOps等实践的重要性,其负责创建、管理和保护现代化应用,以及所有相关事务,比如服务网格、事件驱动型应用、API和软件供应链安全等。行业需要整体团结起来,携手改进集成、互操作性、安全、边缘服务等方面的标准。我们已经在行业白皮书和各种活动中看到了此类合作的风向。
预测3:数字化转型将开始重视能源效率
我们将看到企业数字化转型开始高度重视能源效率。正如我在前两个预测中所说,企业对高速多云服务的需求正在不断增长,但电力成本也会随之增长。事实上,全球信息通信技术(ICT)部门的用电量约占全球总用电量的7%。
数据中心人工智能运维(AIOps)最适合用来控制能源成本(以及应对气候变化挑战)。AIOps可以使用机器学习模型将工作负载整合到数量最少的服务器上、自动结束僵尸进程、在需求低迷的时间段关闭服务器等等,从而节约能源和控制成本。虽然AIOps本身并不是什么新技术,但我预测这个应用场景可能会引发新一轮热潮和相关研究。
预测4:今年将是AI发展里程碑式的一年
AI将在技术发展中发挥更重要的作用。ChatGPT成为了大家耳熟能详的网络热词,这是一个使用OpenAI GPT-3深度学习语言模型的机器人程序。任何人都可以在ChatGPT中使用自然语言提问,它可以为几乎任何领域的问题提供详细的答案,甚至能在几秒钟内写出一篇文章。ChatGPT3在发布后五天,用户就突破了一百万大关,这个数字一般需要初创企业花费几个月、甚至几年的时间才能达到。
除了帮学生写作文、生成工作描述和回答古怪问题以外,ChatAI的其他用途也将在未来一年得到更多关注。一些早期用户已经尝试将其作为调试工具,并对结果赞不绝口。ChatAI可能成为实用的低代码和无代码开发工具。这项技术还需要几年才能成熟,不过毫无疑问,我们将在2023年更加清楚地认识到成熟的AI将如何以及在哪些方面对行业造成影响。尽管能够稳定且大规模采用该项技术的系统要到几年后才会出现,但2023年依然是对AI具有里程碑式意义的一年。
预测5:安全将成为焦点
安全问题将成为焦点。随着数字化转型的持续升温,企业对数据固若金汤的安全要求不断提升。在过去一年,我写了很多关于软件供应链安全的文章,预计这将继续成为行业热点。在未来一年,人们也会越来越关注加密问题。从6月28日起,AWS将不再支持TLS 1.0和1. 1版本。即便它继续支持TLS 1.2,这个TLS版本只有在去除弱密码和算法后才能被认为是安全的。所有这些变化(再加上NIST敲定新的量子安全算法)正在使加密敏捷性成为一项至关重要的业务要求。同时,人们对VMware加密敏捷性研究以及诸如Zero Knowledge Proofs等其他新安全方法的关注越来越多。
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。