Gartner解读2021年悄然临近的新技术
技术创新的步伐加快了设备的多样性，但同时也缩短了设备寿命。为了在市场上站稳脚跟，各大厂商必须利用新兴技术来保持竞争力，创造差异化的产品。面对层出不穷的新技术，又有哪些值得我们期待？
近日，市场调研机构Gartner的高级研究总监吕俊宽详细讲解了这些新型技术趋势将对设备产生何种影响。
Gartner高级研究总监吕俊宽
面对当今形势，吕俊宽给出了新技术的三大走向：
1.疫情之后的设备市场，随着安全距离、远程协作、跟踪/位置跟踪和零接触/无接触接口的设备能力需求上升，新兴技术的商机比以往任何时候都更大。
2.支持AI技术在设备之间必不可少，它支持新的用户体验并创建新用例。例如，AI拍摄就是一种更高级的自动场景识别功能，现在很多手机可以通过强大的AI算法，在拍摄过程中迅速进行多帧堆栈合成，从而实现多秒手持拍摄夜景。这些都将加速设备的多样性，从而获得更多商业机会，同时也将打破现有设备只能提供有限的用户利益。
3.设备市场正在达到技术差异化的天花板，一个设备供应商单独使用一种技术将不再具有竞争力，与生态系统战略合作的伙伴关系是新时代成功的关键。
哪些技术离我们更近？
上图可以看出，5G、定位追踪、边缘智能、计算机视觉将是近年日益成熟的技术。在应用程度上，智能材料、AR将会得到大面积应用。以AR为例，这几年全球AR行业已经有了一定程度的发展,但是当前,全球AR行业主要还处于市场启动期，以探索落地应用领域、挖掘盈利模式为主要特征。
5G智能手机将在2024年达到10亿部
吕俊宽表示，到2021年国内5G网络渗透率会达到30%。在频段方面，目前全球采用两种不同频段部署5G网络，分别是30-300GHz之间的频段——被称为毫米波；另一种集中在3GHz-4GHz频段的被称为Sub-6。而由于毫米波依旧处于试运行阶段，加上高成本因素，Sub-6GHz依然是智能手机的主流，到2024年，25%的智能手机都会搭载毫米波功能。
其实，毫米波技术和Sub-6都是3GPP规定的5G标准，都是真5G。只是因为两者的波长不同，所以无线电波的频率不同；也因为频率不同，所以特性不同。各有其适用性，均是5G重要技术。
Sub-6频率低，传播得更远，这样5G基站的建设成本就会降低，站与站的距离可以隔得远一些。而毫米波频率高，传播得近，站与站距离就近了。但毫米波有Sub-6比不了的优势，那就是速率更快、带宽更宽、能够承载的连接更多、方向性好。
据了解，中国和美国在部署策略方面截然不同。中国率先部署Sub-6，其原因在于：毫米波基站抗干扰能力差；建毫米波基站，覆盖范围短，要建比Sub-6多几倍的基站；中欧一样，Sub-6是民用，毫米波军用。而美国正相反。从目前状态来看，美国在5G毫米波的推进上速度是最快的，欧洲、日本、韩国以及中国预计在未来几年将普及毫米波。
AI在手机上的影响力将越来越大
目前，AI在手机上的应用仅仅表现在拍照层面，并未达到多点开花的效果。吕俊宽解释道：“手机可视为我们人的延伸，它可以作为我们的身份证，为此有些国家已经推出电子ID。所以说，手机可以呈现多个场景，每一个场景都蕴含着巨大的商机。”此外，他还强调，效能是AI发展的一大瓶颈，AI的效能和手机的功耗成正比，这也是消费者所关注的问题。
计算机视觉赋能个人终端
在机器学习大热的前景之下，计算机视觉与自然语言处理（NLP）及语音识别并列为机器学习方向的三大热点，许多设备都会将机器视觉进行融合。与此同时，疫情促使远端需求继续渗透机器视觉。
自然语言处理是计算机科学领域与人工智能领域的一个重要研究方向，自然语言处理技术早已深入了我们的日常生活。很多人都没有意识到，我们每天都在享受自然语言处理技术提供的便利。比如拼音输入法、智能音箱。
生物传感器
大健康产业推动了生物传感器的发展。它可以快速检测病原体、蛋白质、重金属和其他类分析物，在医疗保健、遗传分析、环境检测及食品检测等方面应用广泛。至今为止，生物传感器已经更新到第三代，应用领域也越来越广泛，例如某些智能手表加入了血氧监测功能，通过实时监测个人生物体征，提供更多运动方案。可见，随着生物学、微电子学等学科的飞速发展，生物传感器也必然会得到极大发展。未来生物传感器将具有以下特点：功能多样化、体积小型化、智能化与集成化、低成本、高灵敏度、高稳定性和高寿命。
增强现实：打造梦境式体验
如今，AR技术已取得了长足发展。微软、亚马逊、苹果、脸书和谷歌等大型科技公司正在积极推动AR商业化。其中，远端需求是一大推动力。吕俊宽表示，当每部手机都能变成内容产生器时，AR的技术需求将会得到进一步提升。
情绪感知AI
我们印象里的AI总是与冰冷的机器人联系起来，当情绪感知AI发展起来的时候，人们将对它有新的认识。AI真的能识别出人的感情吗？
Gartner列出了基于情绪感知的潜在应用：
1.基于计算机视觉的面部表情分析
基于人脸识别的组合情绪状态检测通常要使用卷积神经网络模型。这种分析可以通过身体姿势和运动分析来增强。
2.语音分析
通常使用循环神经网络，特别是具有长短期记忆架构的模型，它的训练基于人类声音标记（如音高范围和速度）的情绪状态组合。
3.生物和其他传感器
通过检测皮肤电反应的传感器、心率监测器或跟踪眼球运动的摄像头来确定压力、兴奋和睡意等情绪状态。
4.基于自然语言处理的语音和文本分析
语音分析和文本分析是两个独立的技术，但两者都可以是基于音频分析的附加方法。这两个过程都可以利用深度学习和更简单的统计方法来从书面和口头词汇中提取意义或发现模式和趋势。
情绪识别可以用来干嘛呢？其实它应用场景还是很多的：
1.教育。情绪会影响人们的学习效率，所以如果能够识别学习者的情感并且对其向积极方向进行干预，那么情绪识别技术将可以用于提升学习者的学习效率。比如，当识别出学生困惑的情绪时，系统可以自动生成指令，指导教师之后的教学内容和方式，从而进行更有效的教学。
2.医疗。在人口老龄化比较严重的国家，老人缺乏年轻人的照顾和呵护。如果能有可以和老人进行情感互动并且又能照料老人的机器人，那将会大大改善这一问题。
3.游戏。在玩家玩游戏的时候系统实时探测情感变化，并且根据变化对游戏场景进行相应调整，从而让玩家玩得更爽。
4.其他。如驾车过程中，通过检测和干预驾驶员的情绪，确保安全驾驶。
