每年Gartner的十大趋势报告是最重量级的报告，国内外厂商和媒体都会转发和解读。但是大部分解读内容都是提纲性内容，很多人看完还是无法理解科技十大趋势究竟是什么。其实每年的十大趋势报告也就是以一年为周期的科技预判。下面，笔者就今年的十大科技趋势做一次通俗易懂的解读方便大家理解。每个部分都包含具体的落地案例，会让你觉得这些科技就在身边。
Gartner十大趋势分为三大部分，分别是Intelligent（智能化）、Digital（数字化）和Mesh（网格化），对应着当下最热三个词“人工智能、物联网和区块链”。这三个领域有时不是独立存在的，例如：通过人工智能加持的自动化和增强智能的物体同时用在物联网、边缘计算和数字孪生中，从而提供了智慧城市支持，如下图所示横跨三大领域的两个技术趋势分别是，数字化伦理和隐私以及量子计算。
2019年十大技术趋势理念
趋势一: Autonomous Things（自动化物体）
这里提到的自动化物体，是使用AI加成的可以产生高级的行为的情况。自动化的物体类型上有机器人、汽车、无人机、智能家电和人工代理，工作的范围包括海陆空以及数字化场景，自动化级别可以参照目前自动驾驶级别的理解：人工辅助、部分自动化、场景自动化、高度自动化和全部自动化，从协同性角度来讲也分为孤立、独立、连接和合作协同四个方面。
评估自动化物体框架
举几个现实的例子：
1.自动巡逻机器人：Knightscope K5这款机器人有点像R2-D2的样子，已经在微软、Uber和Juniper服役，一小时租金7美金。它不会打架，装备了激光和红外摄像机可以检测一系列声音包括汽车鸣笛声、玻璃破碎和人为尖叫，还能一分钟扫描300个车牌照，如果遇到异常情况会报警给客户或者Knightscope公司，可以增强安保的效果。下图是K5机器人在微软办公室外面巡逻的图片，确保微软停车场的安全。
机器人巡逻停车场
2.高级农业：美国国家级的机器人组织NRI将农业自动化提高到更高级的水平，包括利用高级算法让机器人自动运营农场，用无人机来进行特种作物的监控。
3.自动驾驶：高科技公司以及传统的整车厂都在致力于自动驾驶。一个预测是，到2021年10%的新车将具备自动驾驶能力。
单体的智能可以解决小问题，群体的智能可以解决大问题。无人机的集群已经用于很多地方的表演，这是常见的一种集群智慧的表现。美军已经制定了一个20年计划来发展小型的无人机战斗集群UAS，核心能力都是围绕无人机集群大小展开的，雷神和波音都是无人机的供货商，目前已经有相关的机型和平台可以交付实验。本田公司Safe Swarm通过车联网群体智能判断可以有效地优化交通流量，可以更好解决并线拥堵的问题。
趋势二: Augmented Analytics（增强分析）
增强分析的重点在自动化，自动化数据收集、自动化机器学习、自动化调整等，代表着三个阶段数据和分析平台的能力，具体的三个阶段示意图如下。
增强分析演变
增强分析另一个优势是排除了个人原因导致的假想数据或者是片面数据，会加入很多其它合理情况的数据和隐藏的情况，这样会让结果更加合理和可靠。
这里提到一个重要概念是公民数据科学家，这是一个使用者的角色，而不是真正研究者的角色。假设以后的大数据工具和大数据收集系统足够傻瓜化，公民数据科学家便可以做到利用大数据相关技术的基础上，很好地保证自身的隐私。
趋势三: AI-Driven Development（AI驱动开发）
这个从直观上来看就是程序员的福音。如下图所示，有三个维度上的发展。从工具角度看，针对数据科学家的工具会作为基础工具，并在其上面封装出适合开发者的的工具，比如AWS lamda和TensorFlow是针对数据科学家的，但是Amazon Machine Learning 或者更上层的特定服务类型就是开发人员可以直接工程化使用的工具。在开发过程中，AI可以帮助程序员做辅助开发和测试，甚至可以自动产生代码和测试。业务开发角度，AI可以帮助确立商业模式的确立和方案的开发。
作为AI增强的开发者平台，对于开发者来说就是API调用或者事件触发机制。但是AI的平台和服务目前是通过云计算的方式提供的，在这种形式上可以理解为高级的PaaS服务。在选择上有可能是基于IaaS和PaaS的提供方进行AI服务的选择，也有可能是利用混合的架构进行组合。AI服务的目前处于双头垄断即微软和亚马逊，因为他们本身具备IaaS和PaaS平台，有天然的优势。其他仅提供AI服务的要考虑跟主流的IaaS或者PaaS平台进行结合。
作为自动化开发者，是下一个阶段的AI增强开发的状态。这个阶段是AI利用工程知识、领域知识协助数据科学家、应用开发人员和测试人员自动生成代码和测试用例。目前有的例子就是Google的AutoML，它可以利用增强的分析技术帮助开发人员自动化生成模型并且不需要数据科学家。有个大胆的预测是，到2022年，40%的新的应用开发项目中会有基于AI的“联合开发者”。
不仅仅是开发代码还有可能是开发业务，这是AI下一个高级阶段。虚拟架构师或解决方案的开发人员会根据业务的情况进行创新的发展。如果到了这样的阶段，工具的完善度越来越高，对开发者能力要求越来越低，能够产生的效果会越来越好。到那时，开发者才可以说是真正的码农。
说这么多理论的情况，其实现实的情况已经有所进展。OutSystems这家公司将20%的研发费用在投资图灵项目中，在葡萄牙里斯本设立了研发中心，主要就是探索AI和ML可以辅助或者自动化生成代码的开发模式，目的就是为了减少开发的复杂度。重点在三个方向，AI辅助开发提高开发效率，AI应用分析减少应用的维护成本，AI系统自动生成功能建议和应用需求。
微软的sketch2code项目，可以实现白板或者纸面上的设计直接转换为html页面。虽说只是前端展示语言的自动化，但也是一个很好的尝试。可能有一天画一个服务架构图就可以把后端所有的代码实现。如下图的效果图，底层视图就是纸面上的随笔画，上层就是实际产生的效果，右边就是自动产生的前端html代码。
埃森哲今年收购了一家叫Real Time Analytics Platform的公司，这家公司主要就是利用机器学习算法进行软件开发流程上的分析，并集成到埃森哲自身的整个的测试系统中。相当于是AI辅助测试。
凯捷管理顾问公司有一个eAPM（economic Application Portfolio Management）的产品，是为了应用管理的产品。他们使用AI进行应用构成的分析和优化，给出相关合理化的建议。目前已经有25家客户部署了此类产品来解决应用过多及分析和优化的相关问题。
NTT Data通过AI强化测试引擎，它可以分析测试用例和缺陷，从而更好地提高用例的覆盖度和测试的数量。在15个客户那里，缺陷预测的准确率达到95%，优化了30%-40%的测试用例。
趋势四: Digital Twins（数字孪生）
数字孪生的概念来自于虚拟物体模型和真实世界物体的共存情况，它们两者是双胞胎。数字孪生是指真实世界物体和系统的数字化表现，数字孪生的要素包含四部分：模型、数据、唯一性和监控能力。模型是指对现实物体进行数据结构、元数据以及一些核心变量进行数字化模型重建，复杂的情况下是对“原子”级别重建。数据是来源于真实的物理，包括认证数据、时间序列数据、当前业务数据以及上下文数据。唯一性是指数字孪生和真实物体的一一对应关系。监控能力必须要可以进行监控和状态查询。与之前的计算机辅助设计有一些类似，但是又有其特殊的特点：
·数字孪生的模型主要关注特定的商业效果
·数字孪生连接真实世界，可以实时的监控和控制
·利用大数据和AI的技术可以创造新的商业机会
·可以跟现实交互并且可以探索一些未知的情景
数字孪生模型
根据数字孪生的上述特点，其实可以分析出一些很明显的商业机会：
①可以增强维护的可靠性。如果有了这个技术，可以将维护从之前的预防能力到达预测能力，可以明显的降低因维护而产生的停工时间，并且可以减少运营和维护成本。
②业务流程和资产优化。商业组织可以根据数字化的表现并结合市场需求可以清楚地了解流程上的问题并优化，同时对于资产的管理能够达到更精细的水平。
③数据和模型变现。如果有了更进一步的数据和模型的分析，可以开发出更多新产品和新技术来服务机器与客户。
④增强研发。通过真实对照过来的数据，可以明确得到用户使用的情况，跟我们IT世界中使用google analytics这种产品一样，可以根据用户和场景的需求开发出体验更好的产品，同时保证了研发成本的有效控制。
现实的例子有三个：新加坡的城市级别的数字孪生，博世的工厂级别的数字孪生，以及鹿特丹港口级别的数字孪生。法国达索系统公司利用其3DEXPERIENCE平台帮助新加坡形成了虚拟新加坡的一个平台。通过下图可以看到一些具体的效果。
选择相关建筑可以看到住宅价格和趋势。
选择屋顶的太阳能，可以看到太阳能转化率。
可以看到相关车位数量和汽车占用情况。
测量温度、压力、湿度、光源、噪音级、红外温度。
可以通过其它的传感器收集到温度、压力、湿度、光照、噪音以及红外温度。新加坡通过这个技术创造的智能城市算是一种比较前沿的尝试，可以用更全面的视角了解城市，对城市的运营和管理有很大的帮助作用。既可以用于优化相关的城市规划，同时也可以很好的做城市应急处理。
在汉诺威的博世力士乐、达索系统公司和博世公司合作构建了数字孪生生产线。生产线的数字孪生成功的关键在于：基于模型的系统工程，基于开放接口的智能控制，使用IoT设备的持续改进。首先进行的是CAD数据的同步，然后在虚拟的流程中，对生产线的所有机器设备进行传感器监控以及基于RFID的控制生产流程，再次将这个虚拟的生产线模型以及生产能力做相应的模拟，这样就可以提前测试新的产品对空间、稳定性、几何变化，存储和运输的影响。在关键领域这个级别的模拟就可以暴露产品质量的问题以及降低产品的召回率。在未来的规划中，机器不再决定生产流程，而是决定产品本身。未来革命性的一步是有类似marketplaces的地方，这个东西类似于一个产品生命管理的平台，可以迅速的自动化测试并将模型放在虚拟的运营环境中。同时在未来这个软件会安装在口袋大小的PC中，利用IoT网关软件和开放标准，根据工业4.0的标准协议OPC UA进行收集数据，同时利用5G技术进行传输给IT系统进行可视化和分析。
下面几张图是鹿特丹港口的数字孪生的做法。
自动化的终端运输车，都是联网并且可以自动化运行的。
自动化的船舶有可能会停泊在鹿特丹港口。
数字孪生的供应商：网络以及网络安全是cisco，3D建模是esri，物联网平台是IBM。
数字孪生的使命是不浪费时间，不浪费货物，不排放二氧化碳，没有安全事件。
鹿特丹港口的数字孪生的渲染图。
数字孪生可以看到的一些具体数字，比如船的位置，海潮的高度，船的状态，集装箱位置，码头可用性等。
趋势五: Empowered Edge（边缘赋能）
边缘计算和云计算被提及的时候总是竞争的关系。云计算是有弹性扩展属性能力的计算形式，只是通过因特网技术进行交付，并没有强调中心化。边缘计算将分布式计算引入了云的方式，所以说边缘计算是云计算的一种补充。边缘计算是考虑到连接和延迟的问题、带宽的限制、广域网的成本、复杂的功能性要求，一个比较正确的选择。
云计算和边缘计算是互补概念
一些云计算厂商已经将云的能力推向了边缘计算，比如微软的Office 365的服务可以将客户的服务放在边缘云上，同时也有Azure Stack 在本地部署云计算产品来支持边缘计算。Google 在今年也发布了本地的Kubernetes服务。AWS的re:Invent大会上发布了其与VMware合作的私有云产品Outposts，也是为了应对边缘计算的一种对策。
边缘计算的能力不仅仅指云端，还有考虑终端设备的能力。从简单的传感器和嵌入式设备到熟悉的边缘计算设备比如手机，还有更复杂的边缘设备比如自动驾驶的汽车。通过边缘的服务器和网关，这些设备也具有一定的计算能力并可以连接到后端的服务。
5G技术作为边缘计算一个很重要的通信技术的支持，主要在三个方面体现：
增强移动带宽（eMBB），这是所有运营商实现的第一步；超可靠、低时延通信（URLLC），在目前工业、医疗、无人机、交通的高可靠低延迟的要求下使用；海量机器类通信（mMTC），可以应用在大量的IoT边缘计算场景下。
高频以及大容量的情况下要求5G部署是高密度的，所以这种部署更多的是区域级的而不是国家级的覆盖。确定相应的场景确定需要5G的技术特性（高端性能、低延迟、高密部署），才有必要采用这种技术。其实可以考虑其它性价比更高的技术，比如低功耗广域网（LPWA）技术，NB-IoT、LoRa、Sigfox以及Wi-SUN。
趋势六: Immersive Experience（沉浸体验）
沉浸式体验主要讲的三个技术：VR（虚拟现实）、AR（增强现实）和MR（混合现实）。这三种交互方式会改变我们对数字世界的认知方式。这三者的区别估计在苹果发布会演示的游戏以及去过苹果总部Infinite Loop都可以有所认知，目前这些体验重点还是在视频和游戏中应用较多，在商业领域还没有很好的案例。AR简单的体验就是在手机上使用Google ARCore和AppleARKit进行开发，使用Google的Cardboard就能看到AR的影像。MR头盔主要是微软的HoloLens以及那个裸眼大鲸鱼的Magic Leap One。
人机相互的平台以前都是文本输入类的，现在这些对话式的平台也是一种进步：
VPA（虚拟私人助理），包括亚马逊的Alexa，苹果的Siri，Google的Assistant，以及微软的Cortana。
VCA（虚拟客户助理），有IPsoft的Amelia，IBM的Watson Virtual Agent等。
聊天机器人框架，有亚马逊的Lex，Google的Dialogflow，IBM的Watson Assistant以及微软的Bot Framework。
目前对话式的平台都是简单的结构式的问答，如果技术成熟，复杂的请求也可以得到应答，比如通过收集证人的口供可以得出罪犯的画像。还有需要集成一些第三方的服务来丰富语音交互的场景。目前的服务仅限于一些很简单的信息，以后的语音交互系统肯定是生态系统之间的竞争。
未来将是整个环境氛围的交互。使用AR和VR技术，以及相关的手机、可穿戴设备、IoT设备以及环境的各种传感器的支撑，这种交互场景能够充分的再现物理环境。
环绕在你周围都是计算机
趋势七: Blockchain（区块链）
区块链是一种分布式账本，这种账本是去中心化，并且可追溯和可信。目前在区块链的应用主要聚焦在金融领域，但是实际上有很多潜在的场景，比如行政、医疗、工业生产、供应链、内容分发、身份认证以及名称注册等。区块链的技术可以增强可信，提供透明度以及减少商业上的摩擦，从而降低成本、减少交易结算时间最终改进现金流。
区块链的关键要素
区块链资产追踪也可以应用于很多场景，不仅仅是商品防伪的场景，同时比如食品的供应链以及原产地追溯。智能合约也可以集成在区块链里，比如说货物收到了支付就会被触发。有些使用也并不是全部的区块链技术，使用的是区块链概念的三种核心思想：中心认证的分布式数据存储、加密和消息传递层，其实并没有用代币化和去中心化。其实区块链的一些解决方案是通过自动化商业过程和数字化记录，为了提高运营效率。虽说如此，企业也需要认识到现有的非区块链技术在解决问题上可能会有同样的效果甚至可能更高效。区块链技术和概念并不成熟，同时理解不够充分，在关键的批量化的商业运营中并没有实质的证明。预计2025年有1760亿美金市场，到2030年有3.1万亿美金。要想很好地将区块链技术应用于实际场景需要以下几个能力：
·对商业机会以及潜在行业影响有清晰的理解
·对区块链技术有很透彻的理解，包括它的能力和局限性
·一个可信的架构
·有必备的能力能够实施这种技术
根本上是要对商业场景的理解和区块链技术的理解，在两者之间得到很好的结合。重点可以关注分布式账本的开发生态，比如共识机制、侧链和区块链。如果资源允许可以做一些开发类型的POC测试。如果要启动一个分布式合约的项目，团队成员要具备商业场景知识和加密技术相关的场景，并能够理解区块链技术哪些可以做到哪些不能做到。
趋势八: Smart Spaces（智慧空间）
智慧空间这个概念更像一个混合的概念，包括人、流程、服务和物体在一个智慧空间里，并可以创造一个更沉浸，交互性更强、自动化水平更高的场景。比如说智慧城市、数字化办公环境、智慧家庭和互联工厂。
智慧空间在五个维度进行发展：
①开放性。开放性指能够互相访问和数据共享的程度。孤立的系统跟其他的系统是隔离的，并且无法共享数据；而开放的系统之间是可以互相访问，并且数据是可以共享的，有标准的接口以及数据格式。
②连接性。连接性跟开放性有些接近，但是更侧重于连接的深度、广度和健壮性。IoT、IoT平台、数字孪生、边缘计算、API和API网关以及网格应用和服务架构都是为连接提供的具体技术。
③协调性。这个特征主要针对是在智能空间相互之间的协调。连接只是在传输层面，协调性更侧重于不用物体或者系统实际交互以及配合的场景，如果是仅仅是账号打通是一种比较低的协调水平，如果能够互相共享数据并能有集成的联动执行就是一种比较高的联动情况。
④智能化。主要指使用机器学期以及AI的技术应用于智慧空间。给每个智慧空间更高的自动化以及增强分析的能力。
⑤覆盖范围。能够覆盖的范围越广，证明成熟度和复杂度更高。
智慧空间阶段
高水平的智慧空间实现大概在2028年。
智慧城市作为主要智慧空间的代表引领。智慧城市是一种框架，并不是一种技术或者商业策略，是为了相关服务以及人员的联合以及生态。规划合理的智慧城市的目标是为了达到整体的目标以及关注与智能的城市生态。第一波智慧城市建设浪潮，主要集中在单独的IoT设备以及资产管理上，为了节省成本。现在是第二波浪潮，是要避免复杂的单独的每个POC验证，要整合新的系统到已有的系统中，重点是在连接和协调上来增强开放和扩展的能力。
沙特阿拉伯三国交界的地方启动了一个巨型的智慧城市项目叫做Neom，在阿拉伯语中是全新的未来的意思。需要投入5000亿美金进行投资来对这个地区进行智慧化建造，主要使用物联网以及人工智能等新兴技术打造。但是华盛顿邮报的沙特裔记者被谋杀，导致目前投资人和一些科技企业有一些担心，沙特王储也声明没有任何人投资这个项目，可能这个项目会搁浅。
趋势九: Digital Ethics and Privacy（数字化伦理和隐私）
在个人、组织和政府层面数字化的伦理和隐私考虑越来越多，消费者意识到自己的个人信息很有价值，要求必须在控制范围内。组织也意识到保护和管理个人的数据的面临越来越多的风险，政府则需要实行相应的法律法规来保证这一点。
私人机构受到越来越多隐私法律法规的约束，但是安全的服务却很少能够满足这些要求。同时美国警察可以利用Fitbit的数据查获你的健身数据同时可以判定你的犯罪时间，还可以在审讯中利用Face ID可以解锁犯罪嫌疑人的手机。人们越来越关心个人的数据如何被组织使用的，无论这个组织是公共的还是私人的，如果不主动的面对这些问题，后果可能会更严重，比如最近发生的万豪个人信息泄露事件。在从隐私到伦理的过程转换中，我们不应该仅仅关注合规，而是要关注是否在做正确的事情。这样就从合规驱动型组织转向伦理驱动型组织。
1、考虑合规：在整个层次中处于最低的位置，合规是外部驱动的，为了避免出现事故。如果没有规定反对，那就是允许的。欧盟的GDPR法案对于隐私的规范有全球性的影响，同时其他国家也在研究类似的法案，包括中国、俄罗斯、德国和韩国。数据的归属要求是重点的评估对象，本地的数据中心是一个选择。无论是从法律监管的角度还是客户选择的角度，云服务提供商一般会把数据中心放在相应的国家。
2、降低风险：需要对风险进行评估承担相应的风险并将风险评估，到自己可以承受的地步。目前IoT和AI以及第三方数据指数型爆炸，会增多了数据的攻击面。比如剑桥分析这家公司利用Facebook的数据在竞选中投放精准广告来影响投票人的行为。
人们意识到个人数据的问题并进行反击，可以采取消失的一些策略，比如伪造、隐藏、伪装等手段，比如支付使用现金和比特币，使用VPN隐藏地理位置，同时提供错误的信息以及隐藏一些关系。被遗忘的权利（RTBF）法案存在于许多国家包括欧洲、南非、韩国和中国，要求公司在客户要求下必须删除个人数据。公司如果错误使用数据可能会丧失消费者的信任。有时候信任是营收和利润的来源，让消费者对一个公司建立信任很难，但是丧失很容易。因此公司必须保持和获得客户对其的信任度。预测2020年，公司如果在数据上得到信任比那些得不到信任的，多产生20%以上的在线利润。
3、做出差异：伦理的考虑是对客户的一种差异的表现。比如公司可以实行一个为隐私而设计的产品或者服务，可以比竞争对手更加关注隐私。这样就可以产生一种基于信任的价值体现。2017年的一个调查发现87%的客户声明，如果没有很好的使用他们的数据，他们会不再信任这个公司并会选择其它的公司。
4、遵循价值观：这个在道德层面或者伦理层面的灵魂拷问，必须要确认你做的事情是对的，无论是对于客户、雇员还是公民。对科技的最成功的使用不是牺牲消费者最大化组织利益，而是考虑个人和组织的利益综合最大化。
趋势十: Quantum Computing（量子计算）
一个商业上可行，成本可以承受的可靠的量子计算产品和服务可以改变一个行业。在医药学上，新的药品的配方可以很快的研制出来，客户群体的分类能够很快的实现。量子计算技术目前最关注的三个因素：
·量子计算对密码学的威胁
·量子计算的能力是时间框架对于具体应用的影响
·量子计算的潜在应用
量子计算是一种非经典的计算，以亚原子上量子态计算，并以量子位（qubits）进行表示。一个量子可以同时存储所有的情况直到被读取的时候，同时可以连接其它的量子，也就是量子的叠加特性和纠缠特性。量子计算可以处理大量的指数型增长的并行计算。
想象一个图书馆存了大量的图书，传统的计算机只能按照顺序一本一本进行读取，而量子计算机可以同时读取所有的图书，这种并行计算的能力和指数扩展的能力意味着超越了传统的方法需要很长时间来发现解决方案。特定的应用包括机器学习、路径优化、图片分析、生物化学、药品研制、物质科学以及软件破解（素数分解）。
量子计算主要的潜在应用包括：
1、优化问题。优化问题可以是量子计算排名第一的用例场景。量子计算优化可以帮助机器学习、AI和神经网络更快的得出结果。
2、物质科学。量子计算可以分析复杂的原子交互，可以更快的发现新的物质。
3、化学。在原子层面利用量子模拟可以设计出新的化学过程。
4、个性化医药。量子计算可以加速蛋白质、分子乃至原子的交互，可以加速生产出新的癌症治疗药物。
5生物学。可以加速模拟各种情况来优化光合作用的效率，从而可以改进粮食产量。
在未来，量子计算将会破解今天的密码学的秘钥交换协议，量子的安全加密可能会出现。美国标准化组织（NIST）决定开发后量子加密学标准，并将在2021年推出建议的后量子学加密标准化算法。美国国家安全局（NSA）也签署命令要求国家安全局雇员以及供应商开始检查可能被量子计算机破解的加密算法。NIST也在寻求对RSA和椭圆曲线加密算法的替代，量子计算将会改变安全产品的加解密算法以及哈希长度。量子计算不仅仅是现有安全机制的挑战，同时也可以改进现有的安全情况。在医疗行业，同态加密作为一个理想的方案可以支持隐私以及个人数据的处理。同态是一种可以抵抗量子计算加密的特性，使得对密文的操作跟对明文的操作一样，不需要对密文进行解密后进行操作，这样会使得数据在处理过程中就算截获了也无法读取。
量子计算机不是为了通用目的设计的计算机，只能处理一些特定的算法可以加速处理速度。由于量子硬件的复杂性和实验特性，建议是用成熟量子计算服务而不是购买量子计算机，比如IBM和D-Wave的服务。量子计算的供应商已经有多家提供了：1QBit, Alibaba Cloud, D-Wave Systems, Google, IBM, Microsoft, QC Ware, QinetiQ and Rigetti Computing。量子计算技术可能在5年左右能够成熟。但是核心的挑战也还存在：
1、量子误差。最小化量子误差是最重要的。能够做出有效的工作要求量子计算机有100到300个逻辑上的量子位和一些复杂的问题。
2、量子退相干性。量子系统没办法跟环境完全隔离，但是随着跟环境的接触下来，相关性会减弱，这个过程我们叫做量子退相干性。但是量子计算的算法基本只能在相关性存在的前提下执行，所以目前只存在一些很短时间的相关性可以用来计算。
3、缺乏标准化编程语言。量子计算的开发语言估计会跟现存的开发语言完全不一样。估计会设计新的一门语言同时需要培训开发者来进行产品的开发。
目前的一些量子计算的进展还是很显著的。2018年9月，Rigetti宣布它的量子计算云服务（QCS）和128-qubit的处理器，谷歌设计出了72-qubit的芯片，IBM提供量子计算即服务（QCaaS）和50-qubit的处理器。D-Wave不仅提供QCaaS同时可以有Ocean开发平台提供SDK环境以及示范代码。微软也在研究拓扑量子位以便以后在Azure上提供量子计算服务。
量子计算还是非常早期的技术，如果有超级计算机需求的组织可以进行一些简单的尝试。2023年可能会有20%组织进行量子计算项目的尝试，并且估计量子计算在2028年会有巨大的变化，无论在技术上还是在架构上以及在算法上。
声明：本文来自安全喷子，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
