在过去的十年中，我们与云之间的日常交互见证了机器学习（ML）的爆炸式增长。大量众包标签数据的可用性，以较低成本获得的计算机计算效率的提高以及机器学习算法的进步奠定了这一突破的基础。随着技术的改进，自动执行许多活动变得足够稳健，以比原始云用例更普遍的新方式使用机器学习的需求将不断增加。

结合5G等无处不在的连接和诸如物联网（IoT）之类的智能传感器，机器学习应用将迅速向“边缘”，也就是靠近我们所有人的物理世界推进。在未来几年中，我们希望在辅助驾驶，工业自动化，监控和自然语言处理等对我们的日常生活产生更大影响的领域中看到机器学习的广泛部署。

NVM Express（NVMe）SSD将在未来几年内取代SATA和SAS SSD，而NVMe-oF将在五年内成为主要的网络存储协议。NVMe支持NAND分层技术和编程功能，可提高耐用性，使能可计算存储（computational storage）并允许更多类似内存方式的数据访问。诸如MRAM，ReRAM和PCM之类的新兴内存技术则将在未来提供更高性能的NVMe设备。

数字孪生（Digital Twins）在制造业中已成为现实，而主要的物联网平台（例如Siemens MindSphere）正在为它们提供支持。它们也已成为复杂系统操作中广泛使用的工具。自2019年1月1日起，它们已在城市的铁路和发电厂中使用。新加坡政府使用数字孪生在新加坡进行城市管理的规划，模拟和运营。认知数字孪生（Cognitive digital twins）尚处于试验和实验的早期阶段。

人工智能将越来越多地部署在影响公共健康，安全和福利的更多系统中。这些系统将更好地利用稀缺资源，预防灾难并提高安全性，可靠性，舒适性和便利性。尽管存在技术挑战和公众担忧，这些系统将改善全球数百万人的生活质量。

在五年内，人工智能在直接影响公众的关键基础架构系统或“关键系统”中的应用将大大增加。在这些系统中，故障很可能会导致人员死亡或严重伤害，或者资产或隐私的重大损失。关键系统包括发电和配电，电信，公路和铁路运输，医疗保健，银行等。

包裹递送是一个对经济产生巨大影响的行业，但在过去的几十年中，其发展相对缓慢。它仍然可能令人沮丧地缓慢，浪费资源，劳动密集型并且昂贵。这些效率低下的问题，再加上无人机技术的最新发展，使该领域变得容易被颠覆。几家公司最近一直致力于开发实用的快递无人机，现在可能已经准备好彻底改变这个行业，进而改变整个社会。

3D打印至少从1980年代初期就已经存在，但是它主要局限于零件原型设计和特殊用途或特殊零件的小规模生产。当前，新的流程，材料，硬件，软件和工作流将3D打印带入了制造领域，特别是大规模定制。

与传统制造不同，增材制造（Additive Manufacturing）使得生产大批量各不相同的零件在经济上变得可行。例如，像SmileDirect这样的公司现在使用3D打印机每天生成成千上万的模具，每个模具都为每个独立个体进行了校准定制。

更强大，更坚固的材料，更高的分辨率，新的修整技术，工厂级管理软件以及许多其他进步，正在推动3D打印在医疗保健，鞋类和汽车等行业中的采用。到2020年，随着其他行业发现大规模定制的好处以及使用传统方法难以生产或负担得起的零件打印机会，我们预计这一趋势将继续下去。

机器人正越来越多地从生产车间传播到人类占据的空间。在这样的环境中，机器人需要能够通过诸如增强对机器人所处环境的理解等功能来适应新任务。我们预计，大规模仿真、深度强化学习和计算机视觉方面的最新突破将共同为机器人带来基本的认知能力，这将在未来几年中显著改善机器人应用。

网络安全是当今任何企业的主要风险之一。不断增长的攻击面包括业余威胁，复杂的分布式拒绝服务攻击以及熟练的民族国家行为者。国防取决于安全分析人员，但许多这样的稀有品种缺乏足够的培训，而且这些职位的离职率很高。

AI / ML可以帮助检测威胁并向安全分析人员提供建议，将响应时间从数百小时缩短到几秒钟，并将分析人员的有效性从一两次事件扩展到每天数千次。它可以保留企业知识，并将其用于自动化任务和培训新分析师。我们预计，全球范围内的行业、学术界和政府成员之间的合作伙伴关系将推动AI / ML在网络安全领域的应用。

数据收集和利用能力变得越来越复杂和敏感，通常会结合来自传感器和其他各种技术的实时信息馈送。这些增强的功能产生了新的数据流和新类型的内容，引发了有关可能因为滥用而引起的政策和法律问题：恶意行为者和政府可以出于社会控制的原因而重新利用这些功能。

同样，新技术的能力也使普通人难以分辨合法和欺诈性技术内容之间的区别，例如接受真实视频而非“深度造假”视频。因此，明年对于保持一种脆弱的平衡至关重要：一方面要保持技术的社会效益，另一方面要防止不受待见的恶意利用这些新技术能力来实现社会控制和自由剥夺。需要更积极的法律和政策工具来检测欺诈并防止滥用这些增强的技术能力。

机器学习（ML）通常假定在训练和评估模型期间环境没有被恶意操纵。换句话说，大多数机器学习模型都没有充分考虑敌方攻击和操纵模型功能的方式。但是，安全研究人员已经证明，即使没有关于目标模型参数的完整信息，对抗性恶意输入也可以欺骗机器学习模型生成不期望的输出。

随着ML集成到其他系统中，对ML进行恶意攻击的频率将会上升。因此，针对对抗性机器学习的安全性研究以及旨在检测ML系统操纵的对策将变得至关重要。同样，对ML系统的出错性和可操纵性的认识将开始为政策制定和法律范例提供信息。

如今，能够做出自主决策的智能系统正在吸引全球范围内日益增长的经济投资。我们希望它们将在智能城市，自动驾驶汽车和自动驾驶机器人等多个领域中得到越来越多的采用。针对不同的应用领域，智能系统自主性已通过定义的水平级别进行了形式化。

当然，智能水平和随之而来的自主能力越高，对智能系统在现场运行的可靠性和安全性的要求就越高，其中可靠性被定义为在给定的时间内正确运行的可能性，而安全是指避免对环境和用户造成灾难性后果的能力。在2020年，保证高度自治的智能系统所要求的高水平的可靠性和安全性，是实现更智能的世界将面临的主要技术挑战之一。

对实用量子计算的追求将在2020年向前推进，但仍未完成。在2020年初，实验性量子计算机演示只需消耗世界上最大的超级计算机大约万分之一的能量，性能却超过了它们的1,000倍甚至更多，但是演示的应用看起来更像量子计算机自测。

如果量子计算机注定要成功，那么它们将通过提高相关性和通用性来实现，因为计算优势已经显现。我们预计明年的演示活动将变得更加引人注目。例如，量子计算机可能会执行任何标准超级计算机都无法实现的化学模拟，甚至因此引发关于可能发现的化学物质是否对社会有用的争论。