减少幻觉-放大内容!到2024年，以快速发展的语言模型为动力，以知识图谱为基础的生成式人工智能将减少幻觉，并产生越来越具有上下文相关性和洞察力的内容。这将为自然语言理解、定制内容创建以及医疗保健、药物发现和工程等各个领域的复杂问题解决方面的突破性发展铺平道路。
–Jans Aasman博士，Franz Inc.首席执行官
知识图谱将帮助用户消除数据孤岛：随着企业继续将更多的数据迁移到数据云中，其在云中收集了数百、数千甚至数万个数据孤岛。通过利用各种数据源之间的关系，知识图谱可以很容易地驱动语言模型来导航所有存在的数据孤岛。在新的一年里，我们将看到各种支持智能应用发展的成熟和新颖的人工智能技术出现。
—Molham Aref，RelationalAI创始人兼首席执行官
图数据库将继续彻底改变数据科学和工程团队处理大规模实时数据集的方式，使其能够提取更深入的见解，并实现更快的价值实现。随着数据量和速度持续呈指数级增长，尤其是兴趣点和人流量等实时数据，团队将需要重新考虑其数据管理技术堆栈以跟上。希望越来越多的团队将转向图数据库来导航复杂的数据集、提高效率，并以保护消费者隐私的方式完成这一切。
–Emma Cramer，Foursquare工程高级经理
LLM和技术融合加速了知识图谱的采用：减缓知识图谱(KG)采用的一个关键因素是，开发必要的领域模型的广泛(且昂贵)的过程。LLM可以优化多项任务，包括分类法的演变、实体分类以及从非结构化数据中提取新属性和关系。如果做得正确，LLM可以降低信息提取成本，因为适当的工具和方法可以管理文本分析管道的质量，并以当前所需工作的一小部分来引导/发展知识图谱。LLM还可以通过应用自然语言查询和摘要来更轻松地使用知识图谱。标记属性图(LPG)和资源描述框架(RDF)也将有助于推动KG的采用，因为它们都是强大的数据模型，结合起来具有强大的协同作用。因此，虽然RDF和LPG针对不同的事物进行了优化，但数据管理者和技术供应商意识到，它们共同提供了一种全面且灵活的数据建模和集成方法。这些图形技术堆栈的结合，将使企业能够创建更好的数据管理实践，以高效且面向未来的方式处理数据分析、参考数据和元数据管理、数据共享和重用。一旦建立了有效的图基础，其就可以在组织之间重用和重新调整用途，以交付企业级结果，而不是仅限于断开连接的知识图谱实现。随着数字孪生、物联网、人工智能和机器学习等创新和新兴技术进一步获得人们的关注，数据管理将变得更加重要。结合使用LPG和RDF的功能，组织可以表示AI和ML模型之间的复杂数据关系，并跟踪IoT数据以支持这些新用例。此外，随着数据规模和多样性的增加，这种组合也将满足对更好性能的需求。因此，随着企业寻求连接、处理、分析和查询当前使用的大量数据集，预计知识图谱的采用将继续增长。
–Atanas Kiryakov，Ontotext创始人兼首席执行官
硬件
有限的芯片可用性推动了常识，并降低了人工智能的期望。人工智能的疯狂发展，使得GPU和相关芯片生产的需求达到了极限。由于制造更多此类芯片的能力有限，人工智能处理将在2024年遇到瓶颈。这种短缺将对云提供商、Meta、Tesla和OpenAI等大型买家产生最严重的影响。
–Forrester
GPU的使用变得越来越昂贵且竞争越来越激烈，这将开启云行业的新篇章。传统的提供商，如AWS、Microsoft Azure和Google Cloud，无法满足开发人员的需求，小企业发现很难负担和保留训练大型语言模型所需的计算能力。因此，越来越多的组织将转向分布式且无需许可的云网络来访问GPU，包括在许多情况下闲置的不太复杂的芯片。展望2024年，对“小型”GPU的新关注将有助于维持人工智能的繁荣，并减轻人们对Microsoft、Alphabet和Meta将主导技术转型的担忧。那些在GPU压力下寻求替代方案的企业，将通过使用不太密集的数据集要求、部署更高效的技术(例如低秩适应(LoRA))来训练语言模型，以及以并行方式分配工作负载来取得进展。这涉及部署较低级芯片集群，以完成相当于少量A100和H100的任务。一个云计算的新时代将会出现，在这个时代，权力是分散的，而不是掌握在少数人手中。
–Greg Osuri，Akash Network创始人兼首席执行官
当今的计算、内存、网络技术将严重限制大规模部署，从而限制人工智能的经济影响。在这三个方面都需要新技术，而不仅仅是过去几年我们所看到的由炒作推动的未经验证的技术投资。计算、内存和网络方面的基本技术障碍，将推动针对不同用例配置文件和模型的专门推理基础设施。我们将看到对推理基础设施(生成预测以做出决策)的大量专门投资，以解决规模部署的关键瓶颈。随着我们走向规模化部署，可持续性问题将成为限制人工智能大规模部署的关键因素之一。其中包括能源消耗和对地球的影响。生成式人工智能的早期价值应用，将侧重于内部效率提高以降低成本，而不是外部/面向客户的收入增长。开源模型将实现对生成人工智能的广泛早期探索，但终端用户将需要投资于专门的内部团队或聘请外部合作伙伴，以利用开源模型或自定义模型进行价值部署。
–Naveen Verma博士，EnCharge AI首席执行官
计算能力是新的石油：GPU需求的飙升已经超过了全行业的供应，使得具有正确配置的专业计算成为稀缺资源。计算能力现已成为新的石油，组织正在将其作为竞争优势。到2024年，随着人工智能工作负载的持续爆炸式增长，我们预计将出现更大的创新和技术采用，以提高计算效率和扩展容量。此外，TPU、ASIC、FPGA和神经形态芯片等专用人工智能硬件，将变得更容易使用。
–Haoyuan Li，Alluxio创始人兼首席执行官
物联网和边缘计算
边缘计算对2024年技术投资的影响：2024年，边缘计算的重要性将继续增长。组织将投资边缘基础设施，以支持需要低延迟的应用，如自动驾驶汽车、增强现实和工业自动化。
–Srinivasa Raghavan，ManageEngine产品管理总监
边缘人工智能的成功将取决于轻量级人工智能模型的进步：围绕人工智能的创新令人兴奋，而边缘计算是实现新人工智能应用的一种方式。然而，为了使边缘人工智能成为可行的选择，人工智能模型需要轻量级，并且能够在资源有限的嵌入式设备和边缘服务器中运行，同时继续以可接受的精度水平提供结果。模型需要取得适当的平衡，这意味着模型必须小且计算密集度要低，以便其可以在边缘高效运行，同时提供准确的结果。虽然模型压缩方面已经取得了很大进展，但预测这一领域将会持续创新，再加上边缘AI处理器的进步，将使边缘AI无处不在。–Priya Rajagopal，Couchbase产品管理总监
期待已久的边缘计算：随着人工智能应用的开发，企业将寻求更接近应用使用地点的处理能力。这意味着数据中心将专注于让繁重的计算更接近数据实际使用的地方。–Michael Crook，Corning Optical Communications数据中心市场开发经理
MLOps(机器学习操作)将显著发展，不仅提供部署、扩展、监控等操作功能，还将包括模型优化。这将涵盖从超参数调整到调整模型性能，再到特定芯片组和用例的模型大小/量化和性能优化的一切。
–Yeshwant Mummaneni，Altair云首席工程师
低代码/无代码
低代码抽象框架：像DBT Labs这样的抽象框架可以促进基于SQL的代码，这些代码可以在各种底层平台上无缝运行，如Snowflake和Databricks。这种抽象简化了技术转换，提供了增强的灵活性，并减少了与平台变更相关的工作量和成本。考虑到该领域人才稀缺，其目标是使公民数据分析师能够独立操作平台，减少对专家的依赖。
–Arnab Sen，Tredence Inc.数据工程副总裁
LLM不会取代低代码——人工智能将推动现有的低代码解决方案做得更多：展望明年，一些低代码供应商已提议将人工智能用于生成代码，作为修复其平台缺陷的一种手段。结果可能是应用程序不太稳健、技术债务更高以及客户的成本和风险更大。与其让人工智能生成大量有缺陷的自定义代码，并创造出随着时间的推移只会变得更糟的应用，倒不如在2024年将网站设置为具有人工智能的超级强大的低代码解决方案。我们将看到人工智能使低代码平台更加直观，降低企业用户创建自己的智能业务流程的门槛，并比以往任何时候都进一步推动公民发展。
–Anthony Abdulla，Pega产品营销高级总监
低代码/无代码工具将在2024年主导软件开发：2024年，低代码/无代码工具将主导软件开发，因为其为整个企业的用户带来应用开发的力量。“公民开发者”的兴起证明，随着我们走向无代码的未来，没有编码经验的人们正在改变工作世界。随着技术企业采用低代码/无代码工具，将节省时间和金钱，而不是落后于早期采用者。
–Jason Beres，Infragistics高级副总裁
自然语言将为无代码的下一次发展铺平道路：自动化只有在一线团队实施时才有效。五年前，将强大的自动化功能交给非技术团队的最佳方法是通过低代码或无代码界面。现在，有了让人们使用自然语言的人工智能聊天机器人，从销售到安全的每个团队成员都具备足够的技术能力，可以利用自动化来解决自己的独特问题。人工智能的突破在于用自然语言迭代的新能力，只需要求LLM做一些稍微不同的事情，然后再稍微不同。生成式人工智能和LLM正在消除进入壁垒，就像无代码工具曾经为需要知道如何编码而做的那样，而无代码将是下一个被打破的障碍。我们已经从Python等编程语言转向Microsoft Excel或拖放界面。明年，我们将看到越来越多的人工智能聊天功能取代无代码界面。我们可以期待整个组织中的非技术团队，以其从未想过的方式拥抱自动化。自然语言是前沿的未来。
–Eoin Hinchy，Tines联合创始人兼首席执行官
机器学习
机器学习是检测物联网设备安全异常的关键：随着连接的设备越来越多，网络攻击的风险及其后果不断升级。在威胁成为严重安全风险之前，机器学习将日益成为帮助识别威胁的关键。到2024年，可以期待大量新的机器学习驱动的解决方案进入市场，以帮助解决物联网设备这一日益严重的问题。
–Mike Wilson，Enzoic创始人兼首席技术官
对可重用数据的需求，将推动与AI/ML功能集成的数据管理和统一工具的采用：我们正处于数据复兴的风口浪尖，与AI和ML功能无缝集成的复杂数据管理和统一工具，将增强和彻底改变我们自动化和交付数据产品的方式。这是关于针对许多业务用例量身定制经过认证、轻松使用且高度可重用的数据资产。我们讨论的不仅仅是让数据更智能;我们正在构建一个未来，让数据成为决策和运营的命脉，推动各行业前所未有的效率和创新。
–Manish Sood，Reltio创始人、首席执行官兼董事长
量子计算
量子神经网络将使机器更像人类一样交流：量子神经网络的发展有望重塑人工智能领域，特别是在自然语言处理和图像识别领域。量子增强能力将带来更准确、更高效、更通用的人工智能模型，推动各行业创新，为人工智能应用带来新的可能性。QNN还将解决语言中的远程依赖性和模糊性的挑战，从而在对话式人工智能中产生更加上下文准确和类似人类的响应。
–Jans Aasman博士，Franz Inc.首席执行官
量子计算将成为现实：虽然量子技术的全面商业利用可能还需要数年的时间，但市场上有越来越多的解决方案正在解决现实世界的问题。到2024年，更多基于量子的用例将成为现实，因为这项技术从实验室环境转移到数据中心，其会变得更容易被企业使用。除了更多的商业投资，我们还将继续看到来自美国、英国和其他国家政府的更多资金，以解决安全障碍和其他不断发展的技术挑战。
–Holland Barry，Cyxtera高级副总裁兼首席技术官
到2024年，如果忽视“早期量子采用”，该行业将面临落后的风险：就像人工智能的兴起一样，量子计算等强大的新技术给安全行业带来了巨大的未知数。不知道量子是否会被证明是比资产更大的威胁，这种模糊性暴露了一个令人深省的现实，即即使是最具技术含量的受众也难以理其是如何工作的。为了为量子进化做好充分准备，安全行业必须避免坐等其他人如何准备的错误立场。相反，其必须是针对量子的防御协议的早期采用者。
–Jaya Baloo，Rapid7首席战略官
未来的量子计算：量子计算将实现规模飞跃，并将我们对技术的期望变为现实。首席信息官应该依靠过去的模式为未来做好准备，而量子计算的处理规模将把20天缩短到20毫秒。检查用于组织数据收集和安全性的基础系统，并开始准备基础设施，以便能够处理由此带来的负载增加。我们在远程工作中看到了同样的过程——大多数应用和基础设施最初并不是为远程工作而构建的，必须进行重构以适应互联网速度、移动设备和新应用。关于远程工作导致IT人员倦怠的讨论很多，但真正的根本原因是应用并不是为支持远程工作而构建的。如果我们的环境还没有为下一次技术发展做好准备，那么当量子计算起飞时，也会看到同样的倦怠。
–Robert Grazioli，Ivanti首席信息官
到2024年，随着量子计算从理论承诺稳步走向实际实施，计算领域将继续经历变革。虽然它们拥有解决世界上一些最严重问题的惊人能力，但也给当今广泛使用的公钥基础设施(PKI)加密技术带来了巨大风险。几乎所有加密保护的基础都是PKI，随着量子计算机在2030年左右越来越多地上线，这些算法将很容易受到攻击。随着进步的加速，量子计算预计将变得更加容易实现，预示着计算能力的新时代。转向后量子密码学(PQC)将是防御量子计算攻击的关键。由于量子计算机威胁到当前的加密标准，迫切需要加强数字安全以防范潜在的漏洞。《商业国家安全算法套件(CSNA)2.0》和《量子计算网络安全准备法案》等美国政府法规已生效，并强制要求某些关键基础设施组件最早从2025年开始转向量子弹性安全算法。美国国家标准与技术研究院(NIST)预计将在2024年发布PQC算法的最终版本。同时，随着威胁形势的不断发展，量子计算的激增要求同时关注网络弹性。加强基础设施，以抵御日益复杂的网络攻击并从中恢复将变得至关重要，因此需要采取积极主动的方法来保护量子驱动的未来中的数字资产。FPGA等灵活的解决方案对于引领行业新一轮创新浪潮至关重要，以确保面对不断变化的威胁时的数据保护和系统完整性。
–Mamta Gupta，Lattice Semiconductor运营总监
RPA、自动化、机器人
到2024年，对企业产生更大影响的是自动化，而不是人工智能：虽然明年人工智能可能会继续成为头条新闻，但从实施角度来看，自动化将成为对企业更具影响力的技术。事实是，当今世界大部分地区的自动化程度还不是很高。如果现在查看任何技术堆栈，可能会发现一些实施不佳的自动化和大量手动流程。然而，随着企业寻找2024年提高效率的方法，大多数企业将转向自动化，特别是其工程和基础设施功能。这是因为自动化效率很高，并且只需要很少的人来管理。对于许多用例，企业可以建立完全自动化的系统，其运行效果与人类甚至人工智能增强人类一样好，甚至更好。
–David Hunt，Prelude Security联合创始人兼首席技术官
自动化工具将对开发人员的速度，以及开发人员的工作衡量方式产生更明显的影响。今年人工智能和机器学习的爆炸式增长，正在推动企业生产力预期发生前所未有的转变。到2024年，人工智能和机器学习驱动的自动化工具的扩展可访问性，将继续提高代码质量、可靠性和安全性的基准，以满足对快速软件交付不断增长的需求。
–Sairaj Uddin，The Trade Desk技术高级副总裁
自动化和人工智能工具将结合在一起，形成一个中央“企业自动驾驶仪”。将流程挖掘和任务挖掘与人工智能和自动化相结合，最终将在2024年实现数字化转型。这些技术将不再单独运行，而是将结合起来，充分发挥自动化的潜力。将人工智能和自动化整合到一个统一系统中的企业，将连接分散的流程和系统的工作，从而实现企业迫切需要的智能和敏捷性，以跟上数字化转型的步伐。
–Anthony Abdulla，Pega产品营销高级总监
