其他
麦肯锡发布《2023年度科技报告》！
光子盒研究院
在经历了 2022 年技术投资和人才的动荡之后，2023 年上半年，人们对技术促进商业和社会进步的潜力重新燃起了热情。生成式人工智能（Generative AI）在这一复兴过程中功不可没，但它只是众多进步中的一个，可以推动可持续、包容性增长，解决复杂的全球挑战。
为了帮助企业高管跟踪最新发展，麦肯锡技术委员会再次确定并解读了当今最重要的技术趋势；2023年7月20日，麦肯锡发布了最新报告——《麦肯锡 2023 年技术趋势展望》。
报告中，团队分析研究了兴趣、创新和投资的量化指标，以衡量每种趋势的发展势头。考虑到这些趋势的长期性和相互依存性，还深入研究了围绕每种趋势的潜在技术、不确定性和问题。
相较以往，有些趋势的发展势头和投资都在加快，而另一些趋势则出现了下滑。其中，生成式人工智能（Generative AI）是一种新趋势，它的出现声势浩大，并已显示出变革性商业影响的潜力。
这一新趋势代表了人工智能的下一个前沿领域。在应用人工智能和机器学习产业化等现有技术的基础上，生成式人工智能在大多数行业都具有巨大的潜力和适用性。从 2021 年到 2022 年，人们对这一话题的兴趣（从新闻和互联网搜索来看）增加了三倍。生成式人工智能和其他基础模型将辅助技术提升到一个新的水平，缩短应用开发时间，并为非技术用户带来强大的功能，从而改变人工智能游戏规则。生成式人工智能有望通过结合特定用例和更广泛的用途（如协助处理电子邮件草稿）来提高生产力，从而增加高达 4.4 万亿美元的经济价值。尽管生成式人工智能可以释放巨大的价值，但企业不应低估人工智能底层技术和机器学习产业化为各行各业带来的经济意义和增长潜力。
大多数科技趋势的投资同比都有所收紧，但未来的增长潜力仍然很大，最近科技估值的反弹也进一步表明了这一点。事实上，2022 年的绝对投资额依然强劲，合计超过 1 万亿美元，这表明人们对这些趋势的价值潜力充满信心。在去年的 14 个趋势中，信任架构和数字身份的增长幅度最大，增长了近 50%：因为安全、隐私和弹性在各行各业变得越来越重要。对其他趋势（如应用人工智能、高级连接、云计算和边缘计算）的投资有所下降，但这可能至少部分是由于它们的成熟度所致。与投资时间跨度较长的新兴技术（如气候和移动技术）相比，较为成熟的技术可能对短期预算动态更为敏感。此外，随着一些技术的利润越来越高，它们往往可以以较低的边际投资进一步扩大规模。鉴于这些技术在大多数行业都有应用，主流应用将继续增长。
企业不应过分关注最受关注的趋势。如果只关注最热门的趋势，可能会错过其他技术的巨大价值潜力，阻碍有目的的能力建设。相反，寻求长期发展的公司应将重点放在以组合为导向的投资上，投资于对其业务最重要的技术趋势。云计算、边缘计算和未来生物工程等技术的创新稳步增长，并继续扩大在各行业的应用案例。事实上，各行各业已经确定了 400 多个边缘使用案例，预计在未来五年内，边缘计算将在全球范围内赢得两位数的增长。
此外，量子等新兴技术也在不断发展，并显示出创造价值的巨大潜力。对 2023 年的最新分析显示，汽车、化工、金融服务和生命科学这四个行业可能最早受到量子计算的经济影响，到 2035 年，这四个行业可能获得高达 1.3 万亿美元的价值。
通过仔细评估不断变化的形势并考虑采取平衡的方法，企业可以利用成熟技术和新兴技术推动创新并实现可持续增长。
人才是发展竞争优势的关键源泉，其重要性怎么强调都不为过。人才匮乏是制约增长的首要问题。
通过对这些技术趋势中的 350 万条招聘信息进行调查，发现许多需求量最大的技术领域，每条招聘信息中合格从业人员的数量还不到全球平均水平的一半。公司应该站在人才市场的最前沿，随时准备应对显著的变化，并为他们希望聘用和留住的技术人员提供强有力的价值主张。
例如，近期科技行业的裁员可能会给其他行业带来一线生机，因为这些行业一直在努力赢得有吸引力的求职者的关注并留住高级技术人才。此外，其中一些技术将加快劳动力转型的步伐。未来十年，工人工作时间的 20% 到 30% 可能会被自动化技术改变，从而导致成功所需的技能发生重大转变。企业应继续研究如何调整角色或提高个人技能，以满足量身定制的工作要求。2021 年至 2022 年期间，尽管全球职位发布总体减少了 13%，但与技术趋势相关领域的职位发布却非常健康地增长了 15%。2018 年至 2022 年期间，应用人工智能和下一代软件开发共发布了近 100 万个职位。下一代软件开发的职位数量增长最为显著。
大多数领域从业人员的光明前景凸显了雇主面临的挑战，他们正在努力寻找足够的人才来满足需求。在许多高科技领域，包括人工智能、量子技术、空间技术、电气化和可再生能源，合格人才的短缺一直是制约其发展的因素。在云计算和机器学习产业化等大多数行业都需要的趋势下，人才紧缺问题尤为突出。在需要高度专业化人才的领域，如未来移动性和量子计算领域，人才紧缺也是一大挑战。
报告列出了所有 15 种技术趋势的考虑因素，他们可以分为五大类：人工智能革命、构建数字化未来、计算和连接前沿、尖端工程和可持续发展的世界。当然，在考虑趋势组合时，跨越这些类别也会产生巨大的力量和潜力。
1）量子科技
量子技术有望利用量子力学的独特特性，以比传统计算机高出数倍的效率执行特定类型的复杂计算，确保通信网络安全，并提供新一代传感器，其灵敏度可比传统传感器大幅提高。原则上，量子技术可以进行模拟并解决问题，从而推动航空航天与国防、汽车、化工、金融和制药等各行各业的重大进步。然而，量子技术的潜在用户应该为不确定的采用路线图做好准备，因为要实现完全纠错的量子计算机和可扩展的量子通信网络仍面临技术挑战。
尽管在过去几年中取得了研究进展，但量子技术仍处于萌芽阶段，与更成熟的技术相比，量子技术受到的关注较少。
以下是涉及量子技术的一些最新进展：
- 硬件不断进步。1 几个月前，谷歌宣布首次实验证明，通过增加物理量子比特的数量来形成逻辑量子比特，可以降低量子错误率。许多科学家认为，这进一步证明了误差可以减少到足以让量子计算机执行大规模计算的程度。
- 人才缺口依然巨大，但可能正在缩小。能够利用量子技术制造设备和解决方案的量子专家短缺，可能会阻碍量子技术的应用。不过，2022 年的情况略有改善：麦肯锡的研究表明，该行业近三分之二的空缺职位可以通过新的量子技术硕士研究生学位来填补，而在 2021 年，只有约三分之一的职位可以填补。展望未来，这一差距还将进一步缩小：2022 年，开设量子技术硕士课程的大学数量几乎翻了一番。
- 对信息安全的关注度增加。2022 年 7 月，在举办了为期六年的竞赛之后，美国国家标准与技术研究院（NIST）公布了第一套四种抗量子加密算法。同时，2022 年发表的论文表明，2048 位 RSA 加密的风险越来越大，自 2015 年以来，破解 RSA 加密所需的量子比特数量已经下降了几个数量级。随着量子硬件和算法的改进，参与者正在投资于量子密钥分发（QKD）和后量子安全，以确保数据安全。
- 量子科学家获得诺贝尔物理学奖。量子科学家阿兰·阿斯佩特（Alain Aspect）、约翰·克劳瑟（John Clauser）和安东·蔡林格（Anton Zeilinger）因其在 20 世纪 70 年代和 80 年代对纠缠光子的研究而荣获 2022 年诺贝尔物理学奖。他们的发现应用于量子通信，此后多家公司利用类似技术安全传输信息。
虽然量子技术的劳动力市场规模较小，但人才需求自 2018 年以来增长了四倍。由于该技术刚刚起步，量子专业的毕业生数量较少。因此，人才来源于物理学、数学、电子工程、化学、生物化学和化学工程等更广泛的领域。
量子技术领域的应用型职位招聘正在增加，如业务开发经理和数据工程师。如果这一趋势与人工智能等更成熟的技术一样，我们可能会看到量子软件工程师等专业职位的兴起。其中，技术人才的供应量更低，密码学和低温学等专业技能最为紧缺。
现实世界中使用量子技术的用例包括以下几种：
- 摩根大通（JPMorgan Chase）、东芝（Toshiba）和西纳（Ciena）展示了大都市地区 QKD 网络的可行性，该网络能够检测和防御窃听者。摩根大通利用网络上的 QKD 安全通道来部署和保护区块链应用。
- 亚马逊网络服务（AWS）的研究人员在新加坡实施了一个点对点量子安全网络。该团队使用生产级光纤网络连接了两个 QKD 设备。
- 2022 年初，主要传感器开发商罗伯特-博世公司宣布成立一个内部部门，专门负责量子传感技术的开发和商业化。这家内部初创公司将利用现有的量子研究成果创造新产品，并有可能应用于医疗领域。
- 量子计算以创纪录的速度（6 分钟）解决了德国一家汽车原始设备制造商的复杂设计难题。该难题是一个 3854 变量的优化问题，即为特定车辆配置传感器，使其能够以最小的成本提供最大的覆盖范围（即检测不同驾驶场景中的障碍物）。
影响量子技术的主要不确定因素也依然存在：技术挑战包括能否在足够长的时间内管理足够数量和质量的量子比特，以得出有意义的计算结果；成本效益可能需要时间。企业所需的大多数计算都可以由传统超级计算机以低得多的成本很好地完成；一旦实现量子优势，通用量子计算机占据中心位置，这种情况有望改变。
目前，量子技术的进步描绘了一个充满希望的未来，但在采用过程中可能会遇到一些尚未显现的潜在障碍（例如监管、技术和资金方面的障碍）。
生态系统也刚刚起步。只有少数经过验证的硬件平台可以小规模商用，而熟练掌握量子计算技术的人才极为稀少；随着技术的成熟和应用的增加，这种情况可能会发生变化。
企业和领导者在推进量子技术发展时，不妨考虑几个问题：
- 量子技术能否在未来十年内准备就绪？- 量子技术能否充分发挥其颠覆性潜力？- 企业应如何为量子技术做好准备？- 人才供应能否跟上需求？- 有哪些杠杆可用，企业如何帮助填补人才缺口？
2）应用人工智能
借助机器学习（ML）、计算机视觉和自然语言处理（NLP）等人工智能功能，各行各业的公司都可以利用数据和洞察力实现流程自动化、增加或增强能力，并做出更好的决策。
麦肯锡的研究估计，应用人工智能(applied AI)的潜在经济价值在 17 万亿美元到 26 万亿美元之间，而追求这一价值的公司所占的比例一直在增加。麦肯锡关于人工智能发展状况的年度全球调查显示，采用人工智能的受访企业比例从2017年的20%增至2022年的50%，增长了一倍多。2022 年的调查还表明，采用人工智能可以带来显著的经济效益：25%的受访者将其公司5%或更多的息税前利润归功于人工智能。然而，在企业充分发挥技术潜力之前，还需要解决组织、技术、道德和监管方面的问题。
应用人工智能对人才的需求快速增长，自 2018 年以来，招聘职位增加了两倍多。2021 年对数据科学家和软件工程师的需求大幅增长，2022 年则出现了适度增长。
与供应相比，对机器学习、数据科学、NLP 和一些相关工具从业人员的需求很高。
现实世界中应用人工智能的例子包括：
- 新西兰阿联酋航空队利用人工智能训练“数字孪生”在模拟环境中测试设计，从而大大加快了水翼设计和测试的速度。通过使用人工智能消除人类水手进行测试的瓶颈，该团队将成本降低了 95%，并能测试十倍数量的设计。
- Freeport-McMoRan 公司部署了一个定制的人工智能模型，该模型装载了三年的运营数据，用于优化铜厂的生产流程和总产量。这样一来，它的产量提高了 10%，同时减少了计划扩建的资本支出。
- Telkomsel 建立了一个新的数据分析平台，并辅以人工智能驱动的工具，以更好地了解数千个细分市场的客户。该公司使用 50 多个模型中每个客户的 9000 个数据点，通过确定与客户互动的正确方式以及提供最相关的产品和服务来推动个性化。
关于未来，公司和领导者在推进应用人工智能时可能需要考虑几个问题：
- 公司如何才能更好地确定哪些人工智能应用最有利于公司及其利益相关者？- 哪些功能使人工智能值得信赖和负责任？- 公司应制定哪些检查措施，以防范与数据隐私和安全、公平、公正和合规性相关的人工智能风险？- 企业如何将生成式人工智能与应用式人工智能结合使用，以最大限度地发挥潜在的协同效应，或者在使用一种方法比使用另一种方法更有意义时加以区分
3）机器学习产业化
机器学习（ML）产业化通常被称为 ML 运营或 MLOps，指的是在企业中扩展和维持 ML 应用所需的工程实践。这些实践得到了技术工具生态系统的支持和帮助，该生态系统在功能和互操作性方面都在迅速改进。MLOps 工具可以帮助企业从试点项目过渡到可行的业务产品，加快分析解决方案的扩展，发现并解决生产中的问题，提高团队的工作效率。经验表明，成功实现 ML 产业化的企业可将 ML 应用程序的生产时间（从概念验证到产品）缩短约 8 到 10 倍，并将开发资源最多减少 40%。
在这方面，新闻、搜索、出版物和专利方面的得分显著增加，而同期的人才需求几乎翻了两番。这些增长表明，在未来几年中，ML 产业化方法的使用范围可能会扩大。
大规模人才招聘是实现可扩展增长和实施 ML 和 AI 的关键因素。随着人工智能采用率的提高，相关职位的招聘信息也在增加，自 2018 年以来增长了近四倍，从 2021 年到 2022 年增长了 23.4%。
开发和实施产业化技术所需的关键岗位包括数据科学家、软件工程师、数据工程师和 ML 工程师。
正在扩展 ML 计划的公司需要具备许多技术技能的专业人员，而 Kafka 和 Hive 等技术技能往往供不应求。此外，这些专业人员现在需要比以往更多的软件工程（SWE）技能（例如，数据科学家必须具备比执行研究实验更强的 SWE 技能来执行 MLOps）。
企业和领导者在推进人工智能产业化时，不妨考虑几个问题：
- 在企业中建立产业化的 ML 需要前期投资和资源。- 流程和问责制对于维护工业规模的 ML 解决方案至关重要。- 快速发展的市场要求企业避免锁定供应商，以便从现有供应商生态系统之外的企业提供的更新产品中实现价值。- 要避免能力不对等的可能性，就必须确保企业针对其特定用例需求，在正确的级别和正确的解决方案上进行投资。
4）生成式人工智能
生成式人工智能是人工智能的一个转折点。与以往的人工智能不同，它可以根据从类似格式的非结构化数据中学习到的信息，创建新的、非结构化的内容，如文本、音频、视频、图像、代码、模拟，甚至蛋白质序列或消费者旅程。其核心技术——基础模型，可适用于各种任务；例如总结、分类和起草。相比之下，前几代人工智能模型通常只能执行一种任务。
在商业环境中，生成式人工智能不仅能解锁新的用例，还能加速、扩展或以其他方式改进现有用例。生成式人工智能有可能重新定义企业和价值链，促进新产品和收入流的开发，提升客户体验。不过，它的最大影响预计将体现在提高员工生产力和体验方面。
在这些早期阶段，我们看到许多行业的公司将生成式人工智能主要用作辅助技术，以创建初稿、生成假设或协助专家更快更好地完成任务。所有这些用途都有两个共同点：有专家在回路中检查输出，特别是检查幻觉（应用程序产生的不准确内容）和知识产权（IP）问题，而且它们是在现有工作流程中使用的，这就简化了采用和变更管理。企业可能还需要一段时间，才能将基于生成式人工智能的应用从辅助性推进到完全自动化，以满足高风险用例的需求。
自 2018 年以来，生成式人工智能的人才需求出现了强劲且加速的增长。由于兴趣和投资的增加，2023 年的招聘需求可能会显著增加。
全球对这一趋势的热情为企业试点铺平了道路。生成式人工智能见证了大量的投资活动。例如，风险投资比 2020 年增长了 425%，微软与 OpenAI 签订了一项为期多年的协议，投资额达 100 亿美元。目前近 80% 的人工智能研究都集中在生成式人工智能上，因此，从金融服务到生命科学等各行各业的公司都开始尝试企业用例也就不足为奇了。我们还看到，一系列初创公司已经成功开发了自己的模型--例如，Anthropic 和 AI21 等公司都建立并训练了自己的大型语言模型（LLM）。
此外，该领域的其他公司，如 Cohere，已经能够为 LLM 提供更高水平的知识产权保护、消费者隐私保护和更低的成本，大公司可能希望在其环境中拥有这些 LLM。其他许多公司正在他人提供的 LLM 平台基础上进行构建，或扩展开源模型。除了这些初创企业，谷歌等科技巨头也在取得长足进步。2023 年 5 月，谷歌宣布了几项由生成式人工智能驱动的新功能，包括搜索生成体验和名为 PaLM 2 的新 LLM，该 LLM 将为其 Bard 聊天机器人等谷歌产品提供支持。我们还看到 Salesforce 等软件提供商投入巨资，将生成式人工智能功能集成到其现有产品中。
与前代产品相比，GPT-4 取得了重大进步。GPT-4的发布广受期待，它预示着GPT-4的功能和性能将比以前的模型有所提高，例如在30多个学术和专业考试中的分数都有所提高。GPT-3 的成绩在律师资格考试考生中排在后 10%，而 GPT-4 的成绩则排在前 10%。此外，GPT-4 现在可以使用图像和文本作为输入，处理多达 25,000 个单词（GPT-3 为 4,000），生成准确答案的可能性提高了 40%。一些复杂的应用也已启用，如使用多模态输入（如文本和图像）和协调一系列动作以完成任务，如设计新食谱（如通过 AutoGPT 和 BabyAGI 等应用）。
大型云计算和技术公司开始活跃于硬件加速器设计领域。例如，谷歌开发了第四代张量处理单元（TPU v4），与之前的版本相比，系统性能提高了约十倍。
5）新一代软件开发
新一代软件开发技术正在改变工程师在软件开发生命周期（SDLC）各个阶段的能力：从规划、测试到部署和维护，并使更多非技术人员能够创建应用程序。它们可以帮助简化复杂的任务，并将其他任务简化为单一命令。
这些技术包括人工智能配对程序员；低代码和无代码平台；基础设施即代码；自动集成、部署和测试；以及新兴的生成式人工智能工具。由于技术挑战、需要对开发人员和测试工程师进行大规模再培训以及其他组织障碍，这些技术的采用可能会比较缓慢。
不过，在早期试验中看到的生产率大幅提高表明，广泛应用指日可待。
现实世界中使用新一代软件开发的例子如下：
- Netflix 建立了 Netflix Test Studio (NTS)，支持在多种类型的设备上实现无缝流媒体体验。NTS 是一个基于云的自动化框架，供内部和外部开发人员部署和执行测试。它抽象化了设备差异，并拥有一套用于评估性能的标准工具。NTS 每天运行 40,000 多项长期测试，并允许对 Netflix 就绪的设备进行远程测试。
- 花旗银行正在为下一代软件开发投资若干工具。例如，该公司是低代码软件开发公司 Genesis 的客户和投资者。Genesis 平台处理直接自动化用例，包括最终用户计算（EUC）和客户服务门户。花旗银行与核心银行系统供应商 Temenos 的合作也已超过十年。Temenos 的软件改进了耗时的重复性会计和报告任务。
- Ticketmaster 的移动开发团队开始使用 GitLab 的 CI 工具，因为小型软件变更的执行时间过长。借助 GitLab 的 CI 工具，该团队将构建时间从两小时缩短至八分钟。
6）信任架构和数字身份
数字信任技术使企业能够管理技术和数据风险、加速创新并保护资产。此外，在数据和技术管理中建立信任还能提高组织绩效，改善客户关系。基础技术包括零信任架构（ZTA）、数字身份系统和隐私工程。其他技术通过在人工智能设计中融入可解释性、透明度、安全性和偏差最小化原则来帮助建立信任。然而，数字信任技术的应用受到一系列因素的阻碍，包括集成挑战、组织孤岛、人才缺乏，以及将其作为价值主张关键组成部分的考虑有限。
要建立全面的“信任第一”风险思维和能力，需要自上而下的领导力，并对从战略、技术到用户采用等多个领域的活动进行深思熟虑的变革。
从 2018 年到 2022 年，对信任架构和数字身份企业的投资增长了约五倍，人才需求也大幅增长，但其他势头得分却参差不齐。
2021 年至 2022 年，招聘职位增加了 16%，2018 年至 2022 年平均增加了 39%。2021 年至 2022 年期间，安全分析师的需求量最大，而网络工程师和软件工程师的需求增长率最高。
计算机安全、风险和监管合规是需求量最大的技能。信任架构的特定分支，如可解释的人工智能，将需要人工智能专业分支的技能。
7）Web 3
Web3 包括各种平台和应用程序，其目的是在保护数字所有权的同时，通过开放的标准和协议，实现向未来去中心化互联网的转变。这不是简单的加密货币投资，而是一种为特定目的设计软件的变革方式。这种转变有可能为用户提供更大的数据所有权，并催生新的商业模式。
Web3 超越了对加密货币投资的典型理解：它更重要的是指一种未来的互联网模式，这种模式将权力下放并重新分配给用户，有可能让用户对其个人数据的货币化方式拥有更多控制权，并对数字资产拥有更强的所有权。此外，它还提供了一系列可能的商业机会：由去中心化自治组织（DAOs）管理并通过安全（智能合约）自动化消除中介的新商业模式，涉及数字可编程资产的新服务，以及使用区块链技术的新数据存储和管理。Web3 吸引了大量资金和工程人才，但新企业仍在测试和扩展可行的商业模式，现有企业也在继续探索 Web3 的最佳用例。
早期采用者面临着一些挑战，包括不明确和不断变化的法规以及不成熟的新兴技术平台，其用户体验往往不如现有的 Web2 实用程序。不过，企业已开始在 Web3 试点中取得成功，包括新的用户参与模式和金融产品。
8）先进连接技术（Advanced-connectivity）
先进连接技术的改进将提升全球消费者的用户体验，并提高移动、医疗保健和制造等行业的生产力。企业已经迅速采用了建立在现有部署和连接标准基础上的先进连接技术，但一些即将出现的较新技术，如低地轨道（LEO）连接和专用 5G 网络，还面临着一些障碍，需要加以解决，以提高采用率。
最新进展包括：
- 各种连接技术的整合不断加强。随着各种连接解决方案（如 Wi-Fi、蜂窝电话和卫星）可用于不同的使用情况，人们开始关注如何将它们整合到无缝的客户体验中。苹果和 T-Mobile 等大公司正在投资将卫星连接集成到现有产品中（例如，将紧急求救功能集成到 iPhone 14 中）。
- 电信公司正在努力为消费者实现 5G 货币化，而工业应用的增长速度也低于预期。虽然 5G 的应用程序接口（API）为电信公司带来了向消费者提供 5G 盈利的能力，但由于依赖先进连接的消费者用例尚未形成规模，因此采用 5G 的速度一直很慢。许多工业公司选择等待 5G 专用网络的采用，原因包括复杂性、缺乏对蜂窝技术优势和管理的了解、部署成本以及端到端用例的萌芽状态。5G 专用网络市场正在回暖，各行各业（如制造业、物流业、公用事业和其他一些行业）都在进行灯塔式部署。
- 光纤市场增长并开始整合。在 2010 年代光纤网络取得初步成功后，过去几年的交易活动和公司估值都有所上升。近年来，一些规模较小的光纤公司相继成立，但目前市场正朝着整合的方向发展，并购活动显著增加，尤其是在欧洲。
9）沉浸式虚拟技术
沉浸式虚拟技术利用空间计算来解释物理空间；模拟将数据、物体和人添加到现实世界的环境中；并通过增强现实（AR）、虚拟现实（VR）和混合现实（MR）提供的不同程度的沉浸感，实现虚拟世界中的互动。
2021 年，风险资本投资者为 AR 和 VR 初创公司提供了约 40 亿美元的资金，是仅次于 2018 年的第二大成功融资年。虽然 2022 年对 AR 和 VR 的投资总额有所下降，但投资者仍对这一趋势表现出浓厚的兴趣：去年至少完成了七轮 1 亿美元或以上的投资。
研究表明，到 2030 年，新兴的“元宇宙”可能会在消费者和企业用例中产生高达 4 万亿至 5 万亿美元的价值。在过去几年中，人们的兴趣和投资水平保持稳定，但创新和对人才的需求一直在上升。
自 2020 年以来，沉浸式虚拟的职位发布增加了一倍多，在 2021 年和 2022 年之间略有增长。该领域汇集了大量技术、创意和管理方面的专业人才，对软件、硬件、设计、程序和项目管理以及科学家的职位需求很高。
虽然平面设计、计算机视觉和三维建模等技能在市场上较多，但产品设计、产品工程和视频游戏开发专业人员的供应却较少。
10）云计算和边缘计算
未来，企业将利用涉及多个位置点的计算和存储的基础设施足迹，从内部到更接近内部（边缘），从小型区域数据中心到远程超大规模数据中心。与云计算相比，边缘计算为企业提供了更大的灵活性，可以更快（超低延迟）、更近地处理数据，并实现数据主权和增强数据隐私，从而释放出各种新的用例。缩短与终端用户的距离将减少数据传输延迟和成本，并能更快地访问更多相关数据集，这有助于企业遵守数据居住地法律。公共云将继续在未来的企业中发挥关键作用，以更好的规模经济执行非时间敏感型计算用例。云和边缘资源的不断整合将让用户把云的创新、速度和敏捷性扩展到边缘和实时系统，从而加速创新、提高生产力并创造商业价值。
云计算和边缘计算已成为许多数字解决方案的核心技术，从 2018 年到 2022 年，各方面的关注度都在不断提高。
下面是涉及云计算和边缘计算的一些最新进展：
- 尽管企业仍在继续向公共云迁移，但成本膨胀以及与数据隐私和延迟相关的问题已导致迁移速度放缓。然而，在某些情况下，企业正在从云中“回迁”。Uptime Institute 全球数据中心最近的一项研究发现，约有 33% 的受访者已经从云迁移到数据中心或共同定位设施。然而，在这些 “回迁”的受访者中，只有 6% 的人完全放弃了云。大多数受访者采用混合方式——使用内部部署和公共云选项。
- 边缘计算继续吸引投资。边缘计算不断吸引投资，已确定的各行业边缘用例超过 400 个，预计未来五年全球边缘计算将实现两位数增长。通过边缘计算，可以在数据产生的地方对其进行处理，从而以更高的速度和准确性进行高效的数据分析，做出业务决策。
- 云计算在高性能计算和人工智能/机器学习（ML）方面的应用不断增加。为了利用这些工作负载的增长并优化硬件，云提供商不仅依靠合作伙伴关系，还投资于内部硅设计（例如，谷歌的张量处理单元和亚马逊网络服务的 Nitro 系统）。
- 超大规模企业越来越重视可持续发展。谷歌宣布到 2030 年全面过渡到全天候无碳能源，微软承诺到 2025 年实现 100% 的可再生能源供应。
在2018年至2020年几乎持平之后，云计算职位在2021年出现大幅增长，但在2022年增速放缓。软件工程师和网络工程师的云计算和边缘职位发布量尤其高，而非技术性的项目和计划职位相对于2021年增长适度；云计算所需的大多数技术技能，如 DevOps、Kubernetes 和 Terraform 等，都相对短缺。
11）未来交通
在汽车开始大规模生产一个多世纪后，移动交通迎来了第二个大拐点：向自动驾驶、互联互通、汽车电气化和共享交通（ACES）技术转变。
这一转变有望颠覆市场，同时提高陆地和空中人员及货物运输的效率和可持续性。ACES 技术在过去十年中得到了越来越多的采用，而且随着可持续发展措施的收紧、消费者偏好的演变和创新的进步，这一步伐正在加快。例如，预计到 2035 年，自动驾驶技术将创造高达 4000 亿美元的收入。
然而，近期内挑战依然存在，因为创新者正在努力解决技术、监管和供应链问题，例如，某些车辆的推出已推迟长达 6 个月。
在过去四年中，对 ACES 技术的兴趣、投资和创新措施大约翻了一番，人才需求的增长甚至更高，这表明新解决方案的进步和现有解决方案的更广泛应用。
这些都是涉及未来交通的一些最新进展：
- 领先企业争先恐后。机器人出租车（Robotaxi）和机器人班车（Roboshuttle）公司宣布将在 2022 年扩大业务规模，并进行战略交易以“收购”人才。同时，到 2030 年，微型交通和小型交通4 行业的市场规模预计将分别达到 4,400 亿美元和 1,000 亿美元。
- 全球汽车软件市场预计也将在 2019 年至 2030 年期间以 5.5% 的年复合增长率快速增长。城市和先进的空中交通也同样在向前推进，领先的电动垂直起降（eVTOL）企业正在积极争取到 2020 年代中期获得重要认证。
- 汽车供应商面临持续的利润压力。2022 年，汽车供应商的利润压力加速增长。几乎所有供应商都受到公用事业、天然气和电力成本上涨和短缺的影响，其中 50% 的供应商受到严重影响。此外，半导体短缺、供应基地整合、原材料和运费成本上升，以及汽车产量时有时无的波动，也是令人担忧的问题。
我们相信，未来高效、可持续的交通方式将由 ACES 和邻近技术来定义，例如以下技术：
- 自主技术。带有传感器和人工智能的自动系统可以根据收集到的数据独立做出决策。
- 车联网技术。设备、应用和系统利用车对车通信技术提高安全性和效率。这些解决方案将使用传统能源的汽车部件替换为使用电力的部件。
- 共享交通解决方案。硬件和先进的数字解决方案，以及新的商业模式和社会采用，使人们能够在私人拥有的车辆之外，或取代私人拥有的车辆，使用替代性的共享交通方式。
- 材料创新。新材料（如碳纤维和其他轻质材料）和新工艺（如发动机小型化）的使用可提高效率和可持续性。价值链脱碳。除电气化外，技术杠杆（如绿色初级材料）可减少材料生产过程中的排放，并可增加可回收材料的使用。
12）未来的生物工程
生物技术的突破与数字技术的创新相结合，可以帮助企业通过创造新产品和服务来满足医疗保健、食品和农业、消费品、可持续发展以及能源和材料生产等不同领域的需求。
麦肯锡的研究表明，从 2030 年到 2040 年，生物工程的 400 个用例（几乎所有用例如今在科学上都是可行的）每年可产生 2 万亿到 4 万亿美元的经济影响。虽然某些基因疗法和生物产品已获得认可，但要充分发挥生物工程的经济潜力，还需要解决伦理、监管和公众认知等问题。
13）未来的空间技术
在过去五到十年中，航天工业最重要的发展是技术成本的下降，这使得新的能力和应用更容易获得。卫星和运载火箭的尺寸、重量、功率和成本的降低，有力地推动了组件成本的降低。这些降低导致了系统结构的变化，如从单个、大型地球同步-赤道轨道（GEO）卫星向小型、分布式低地轨道（LEO）卫星的转变，以及传统非航天公司对空间技术的兴趣与日俱增。
目前，空间技术和遥感分析技术的使用量很大，分析表明，到 2030 年，空间市场规模可能超过 1 万亿美元。1 未来的空间经济可能包括目前尚未大规模开展的活动，如在轨制造、发电和空间采矿，以及可扩展的载人航天飞行。
以下是一些涉及太空技术的最新进展：
- 私营部门引领月球活动的复苏。2023 年 4 月上市的日本公司 ispace 和美国 Astrobotic Technology 只是竞相发射月球着陆器的几家私营公司。虽然 ispace 在 2022 年 12 月的发射没有成功，但该公司已经计划在 2024 年再发射一次着陆器。Astrobotic 公司最近推迟了 2023 年 5 月的发射计划。最终成功发射着陆器的公司将成为第一个将私人航天器送上月球的公司。
- 运载火箭的分水岭之年即将到来。几款备受瞩目的新型运载火箭预计将于 2023 年和 2024 年首次亮相，其中包括 SpaceX 的超重型星际飞船（Starship），旨在运载更大的载荷；联合发射联盟（United Launch Alliance）的火神半人马座（Vulcan Centaur），旨在将卫星送入轨道；蓝色起源（Blue Origin）的新格伦（New Glenn），将运载亚马逊 "柯伊伯计划"（Project Kuiper）的部分卫星。这些运载火箭将有助于应对发射能力需求的预期增长。
- 其他部门对太空的兴趣也在增加。人们越来越多地考虑将太空应用于航天工业以外的领域。日立能源公司为公用事业公司开发了卫星植被管理，以更好地管理和应对风暴对周围植被的影响（例如，风暴期间电线引发的野火）。
- 直接到设备的卫星覆盖获得投资。2022 年，苹果公司通过与 Globalstar 合作，为其 iPhone 14 增加了紧急卫星覆盖。紧急求救功能的集成已经成为成功救援的新闻。包括亚马逊和 T-Mobile 在内的其他公司也已计划提供卫星覆盖，以便在紧急情况下使用，或到达世界上通常服务覆盖不到的地区。
14）电气化和可再生能源
电气化和可再生能源有助于推动实现净零承诺，包括太阳能、风能、水能和其他可再生能源、核能、氢能、可持续燃料，以及电动汽车充电。
未来能源投资的增长几乎完全由可再生能源和去碳化技术驱动。为加快能源转型，各部门都需要大量投资，而预期回报在很大程度上取决于具体情况，尤其是在传统能源领域。
15）超越电气化和可再生能源的气候技术
气候技术包括碳捕获、利用和储存（CCUS），碳清除、自然气候解决方案、循环技术、替代蛋白质和农业、水和生物多样性解决方案和适应，以及跟踪净零进展的技术。
为了实现净零排放，世界需要以前所未有的速度进行技术创新、部署和扩大规模。
为了大规模实施这些技术，决策者需要清楚它们的工作原理：科学、资本投资要求、规模经济、价格、法规、环境影响等等。他们需要了解这些因素目前的状况以及它们随着时间的推移可能会如何变化。对于这个不断发展的类别来说，这是一个挑战，因为该类别的部署规模相对较小，而技术进步的速度却惊人。
参考链接：https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-top-trends-in-tech#tech-trends-2023