“再差的东西，用着用着或许就顺手了；再好的东西，用着用着总会有不称心如意的地方。技术总是将就着前行，生活也一样。”
这里列举了最近比较热门的二十项IT技术，有些可能并不是技术，仅仅是技术概念或者理念，有些其实是应用场景。但每一项拿出来都可以是一门独立的学科或课程，或者包含很多门学科，所以只能概要介绍一下其基础内容。
从“端-管-边-云-网-智”顺序依次简单介绍一下，以及个人对这些技术发展趋势的一些理解。
1 物联网
简介
物联网概念最早出现于比尔盖茨1995年《未来之路》一书。
物联网（Internet of Things，简称IoT）的功能主要是物-物、物-人之间的信息交互，核心是通过各种传感器等设备，采集、连接、甚至控制对象物体的各种状态信息。
物联网是新的基础设施，是工业互联网的底座，是数据来源。
当然，作为数据来源，物联网本身是不够的，还包括产能、产线、工艺、专家知识经验等等，所有的这些构成了工业互联网的数据边缘层。
不联网的硬件会越来越少，原来的哑终端，要么淘汰，要么都逐渐物联成为智能终端，物联能力会成为终端的标配。
电视、门锁、汽车、音箱、插座、开关都在逐渐发展成智能硬件，未来趋势是所有硬件都是智能硬件，物联网成为互联网的延伸，人联网进入物联网时代。
个人理解
物联网面临的挑战和困难比较多，特别是在工业物联网领域。
工业设备多样化，接口、协议都不同，工业数据多源异构问题比较突出；
物联设备投入成本也比较大，很多老旧设备的物联数据采集改造必须增加传感器、数据通讯模块等，在企业看来，性价比不高；
还有安全性问题，受限于工业环境限制，物联设备自身的防控等级能不能合格、物联网络有没有漏洞、如何防止被恶意攻击、物联信息数据的保密性等等，都存在不少问题。
2 5G
简介
海量数据采集之后，需要进行传输和存储。
我们可以很简单的理解：数据量实在是过于庞大了，而5G技术增加了数据传输的能力，能够满足海量数据的传输和交互。
在当前的生活里，5G是被专家妖魔化的技术之一。
它并不能直接产生某些能力，只是在传输能力和速度上有所增加，仅此而已。
但是为此所付出的代价是很巨大的，因为我们不能违反物理定律，所以我们需要更高的无线频率，基站密度也随之增加。
5G对于目前民用的意义不大，因为一个已经很流畅还原度很高的画面，其实是无法做到更流畅。
比如一首歌3分钟听完，流畅不卡顿，还怎么更快呢。
对基础应用的一切幻想4G几乎都已经能够满足。
5G民用是伪刚需，但是工业互联网对于带宽和速度的追求是没有止境的，这才是5G技术的用武之地。
个人理解
5G标准在制定之初就是瞄准垂直行业的需求，所以5G的三大特性：多连接、低延时、大带宽都是为了toB场景设计的。
比如工业数字孪生，需要大量的传感器、摄像头和操控设备，对上下行流量带宽和延时有很高的要求，这个时候4G、WiFi是不能满足的，只能使用5G了。
5G也有其使用限制，私有化部署成本很高，而且没有独立的频段可以使用。
目前看国内是批准了第一张行业5G专网频谱牌照给了中国商飞，但不出意外专网的建设及运营还是托管给运营商来做。
5G如果失去移动蜂窝的特性，只做成一个内网、一个大WiFi，那就是是大材小用了，性价比非常低，所以5G专网有可能会面临下一代WiFi的挑战。
3 Wifi7
简介
最大带宽30Gbps、支持16条空间流、时延低于5ms的性能指标是WiFi7技术工作组定义的工作目标。相比WiFi6的最大9.6Gbps带宽、8条空间流、时延20ms的技术指标来说是个巨大的飞跃。
WiFi7通过引入了新的6GHz频段(5.925GHz~7.125GHz)，将最大带宽提高到320MHz。把调制阶数升级到了4096-QAM，让一个符号承载的信息量从10bits提升到了12bits，理论上有20%的吞吐提升。把空间流的数从Wi-Fi6的8个增加到16个等。通过上述这些物理层技术的改进提升，使得无线传输最高的理论链接速率超过了46.117Gbps。
在WiFi7的新技术特性中加入了允许将多个RU(Resource Unit)分配给单用户的机制，进一步提升频谱效率,而WiFi6的RU只能分配给固定的RU。
在Wi-Fi7版本中，工作组新定义了多链路设备(MultilinkDevice，MLD)，即能够同时和AP建立多个Radio数据链路。Wi-Fi7的STA和AP同时在2.4GHz、5GHz和6GHz上建立链路，并且三条链路能够“同时”工作，提升Sta的整体吞吐能力。
个人理解
WiFi最大的优势也是缺点，就是使用的频段是民用频段，所以大家都可以用，导致安全问题突出。
而且因为是公有频段，大家都可以架设WiFi节点，很容易彼此干扰。
受限于使用场景，普通的WiFi接入点也不会设置用户接入管理限制，所以在服务质量、无线切换上面跟4G、5G还有一定差距。
有一定实力的WiFi厂商可以在接入鉴权、用户管理、mesh组网等技术特性上深耕挖掘，毕竟WiFi的建设成本低，说不定可以在企业专网的应用部署上大放异彩。
4 边缘计算
简介
即便有5G的存在，数据量仍然是太大了。
而且日常生活中我们都知道，很多数据都是没有意义的数据，比如视频监控的视频数据，在没有人经过的时候，永远都是不变的马路照片，这些数据传回到云服务器存储其实是很浪费带宽、存储资源的。
为了减少带宽的需求，我们采用了一个取巧的办法，就是边缘计算。
边缘计算指的是在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。
简单来说，边缘计算消除了将数据传输到云端进行处理和分析的需要，减少了网络和服务器的压力。
所以说，边缘计算不是什么高大上的技术，是因为传输能力不足，或者后面服务器计算能力受限的一个变通的方法，这才导致了边缘计算技术的诞生。
个人理解
有线网络通信里面做边缘计算相对来讲比较容易，配置一个路由就能搞定。
4G、5G等无线通信里面做边缘计算就比较复杂，因为涉及到运营商流量收费，所以会采用数据面下沉等本地流量卸载技术方案配合边缘计算一起实施。
边缘计算技术可以满足物联网等领域日益增长的数据量的需要，一度被认为是云计算的未来。
边缘计算的优势是在于有云边协同使用需求的场景，如车联网等。
对于纯私有化部署场景，直接将云计算服务本地化部署就可以解决，所以边缘计算在私有化部署的场景里面是比较鸡肋的。
5 行业云平台
简介
行业云平台（Industry Cloud Platforms）通过组合SaaS（软件服务）、PaaS（平台服务）和IaaS（基础设施服务）提供支持行业应用场景的行业模块化能力。
企业可以将行业云平台的打包功能作为基础模块，组合成独特、差异化的数字业务项目，有助于提高敏捷性、推动创新和缩短产品上市时间。
行业云平台和云平台是两回事，有本质的差别。
日常我们接触到的云平台以提供基础设施和数据存储为核心，而行业云平台主要指的是针对某一行业的应用。
比如压缩机云，它集成的就是目前运行的压缩机运行状态以及相关参数分析等等。
目前钢铁云、石油石化云、烟草云等等，各种云满天飞，但真正有用的应用其实还是比较少的。行业处在起步期，发展前景很大。
到2025年所有的应用都将长在云上。这几年国家在云计算的发展上分别做了政务上云规划，企业上云规划，政务上云基本完成，企业上云还有3年，也就是在2025年都完成了。
个人理解
行业应用上云有一定的优势，不管是私有云还是公有云。
服务器资源可以统一管理，提供资源分配、弹性缩扩容、负载均衡、多活备份等功能，成本更低，使用便捷。
当然，在一定规模程度下，比如中小企业自建私有云平台，成本是不划算的。
这就带来矛盾的地方，中小企业如果使用其他企业的公有云平台，怎么来保障自己数据的安全？
目前不管是亚马逊云、阿里云、华为云的推广都遇到这个问题。
6 云原生
简介
云原生（CloudNative）是一个组合词，Cloud+Native。
Native表示应用程序从设计之初即考虑到云的环境，原生为云而设计，在云上以最佳姿势运行，充分利用和发挥云平台的弹性+分布式优势。
云原生是一种“建立在云上的多种效率提升技术的复合体”，而不是单一的技术创新。
主要就是在云技术摆脱物理存储限制的基础上，进一步实现应用的专业优化（比如按功能切分）和生产效率的提升（比如弹性扩容），从而解放人力。
类似于制造业的自动化生产，只不过现在轮到IT技术，由机器算法代替部分人力。
个人理解
云原生应用开发成为新的趋势，就是用用云服务作为新业务的架构基础，选择微服务、容器、k8s等基础分布式架构来构建应用系统。
系统天生就是分布式的，就是并发，高可用的。
但是有利就有弊，云原生的灵活带来的缺点就是部署复杂，工具繁多，开发和运维成本比较高，应用版本管理、数据备份难度也增加了。
7 开发运营(DevOps)
简介
DevOps(开发运营)不是一种技术，而是一种文化、方法论或者软件管理模式。
DevOps是开发（development）和运营（operations）的结合，将开发、运维与测试结合一起，通过采用“敏捷”方法，透过自动化“软件交付”和“架构变更”的流程，来使得构建、测试、发布软件能够更加地快捷、频繁和可靠。
DevOps利用自动化工具，致力于利用越来越多的可编程的动态基础设施。它基本上是一个持续改进的过程，用于缩短软件开发的生命周期。
很多组织将开发和运营划分成不同的部门。开发部门的驱动力通常是“频繁交付新特性”，而运营部门则更关注IT服务的可靠性和IT成本投入的效率。两者目标的不匹配，就在开发与运营部门之间造成了鸿沟，从而减慢了IT交付业务价值的速度。
个人理解
DevOps强调的是对应用进行快速、小规模、可迭代的开发和部署，以更好地应对和满足客户的需求。
听起来似乎不错，但是在真正实践中，还是会有很多限制和缺陷：
对研发工具投资比较大，需要配置大量的基础设施、自动化工具，而且深度依赖于这些工具；
对开发人员要求更高，开发人员被迫去做环境部署、应用发布等工作，很多是原本职责之外的事情，研发人员不能专注于代码质量，这是很让人沮丧的事情；
不是所有行业都需要一个快速交付、经常更新的产品。很多ERP产品在公司使用超过10年，靠的不是新功能频繁上线，而是稳定可靠。
8 机器人流程自动化(RPA)
简介
RPA的全称为机器人流程自动化(Robotic Process Automation)，主要的功能就是将工作信息与业务交互通过机器人来按照自先设计的流程去执行。
它通过模仿最终用户在电脑的手动操作方式，提供了另一种方式来使最终用户手动操作流程自动化。
只要是电脑上的重复性、标准化操作，RPA几乎都能将其自动化。
这种软件机器人很类似现在车间里面的机械臂，倒不是什么新技术，在很久前打电脑游戏里面就有类似的外挂机器人。
现在将AI技术引入RPA后，可以增加OCR图像识别、文本识别、语义理解、人机对话等功能，所以现在很多热线服务电话都是机器人电话了。
企业可以将RPA软件机器人当成一个数字化员工，帮助企业或者员工完成重复单调的流程性工作，减少人工错误，提高运营效率，降低运营成本。
RPA可以操作Excel、ERP、数据库等等，自动完成一个跨系统流程，或者在企业微信、钉钉等办公软件开启一个业务流。
个人理解
RPA在客户服务、数据录入、报表汇总、催发邮件等场景下已经大量使用。
但是RPA不会节省人力，因为总是需要有员工来编写、维护、修改这些RPA的运行规则。
随着RPA应用的增加，管理、监督这些RPA的人也会增加，可能成本会更高。
RPA作为一个软件技术，总是会有这样那样的bug，一旦出现故障，就很难排查消除，因为所有的业务流程都自动化执行下去了，发现故障的时候可能为时已晚了。
所以现阶段很多企业在RPA免费试用后不继续用，或者用了一段时间后就放弃了。
9 低代码平台
简介
低代码平台，或者很多地方又叫零代码或者无代码平台，是一个让用户用可视化界面，自己构建数据模型、业务流程，可以快速生成应用程序的平台。
企业的很多应用都是基础OA应用，比如数据应用，审批流程类应用占了开发的很大一部分，很多都是重复性建设，这部分功能如果使用低代码平台开发，将会提升开发效率，降低开发成本。
但是低代码平台需要注意区分面向的用户，这样会导致产品界面、功能的差异。
常见的几类低代码平台用户是技术开发人员、IT运维人员、业务人员等等。
开发人员更关心组件、数据、接口等内容；IT运维人员更关心应用、事件、处理流程等；业务人员则关心业务流程、处理节点、操作规范等。
好的低代码平台不是一朝一夕可以完成的，比如Salesforce的平台在上世纪90年代就开始开发了。
个人理解
目前看国内的一些低代码平台在实现考勤打卡、流程审批等固定业务流程上有一定的应用，但是说低代码平台实现一套企业ERP、MES目前看还是不太可能。
原因在于低代码平台为了适应场景的多样化，就需要实现组件的灵活通用。而灵活通用的组件只能是功能单一简单的细小粒度，其实在实现层面已经被定义了，也就是我们常说的UI控件，面向对象的对象等等。
如果这样说的话，很早前微软的MFC其实就已经是低代码平台开发了。
低代码平台各个组件的逻辑也是靠“代码”实现的，可靠性不强，出现故障反而难以定位。
在数据的使用上，数据从哪里来、哪些数据要存储、哪些数据要引用其他组件的数据、哪些数据可能会扩展使用，都要自己指定，对操作人员的技能要求比较高。
10 网络安全
简介
互联网用的越广，网络安全问题越突出。前几年的“永恒之蓝”勒索病毒就让很多企业中招，而且每年还有新的勒索病毒出现。
网络安全技术主要是指保护计算机软件、数据、服务等安全的技术。主要包括防火墙、入侵检测、安全扫描、认证签名、数据加密等技术。
老的基础设施、操作系统依然有已知或未知的漏洞，新的网络如5G等，又带来了新的网络安全问题。
复杂性和多样性是计算机网络技术最突出的特点，这一特点迫使网络安全技术持续更新和不断提高。
个人理解
在技术快速发展的时代，各个领域的物联网、互联网设备呈现爆炸式增长趋势，个人网络应用也在急速增长，网络安全正面临严峻挑战。
一个发展趋势是需要从“被动防护”转变为“主动防护”，另一个是建立“零信任”网络安全防护体系。
网络安全必然是个长久持续性话题。
11 隐私计算
简介
隐私计算是多种技术的统称，目的是为了让多个数据拥有者，在不暴露数据本身的前提下，实现数据的共享、互通、计算、建模，最终产生超出自身数据的价值，同时保证数据不泄露给其他参与方。
隐私计算产品由于涉及到众多技术栈，使得整个产品形态非常复杂。考虑到隐私计算的实际应用场景，可能需要部署在防火墙内、私有云、DMZ区，存在跨网络交互，涉及防火墙策略等复杂的部署方案，使得整个产品的实施交付更为复杂，还没有形成相对标准的产品套件。
个人理解
隐私计算概念很美妙，但在应用落地上尚存在一些难点。
比如客户的信任问题，客户不大可能听的懂如此复杂的一套技术方案，那么，怎么证明没有拿到客户的明文数据？
或许怎么来证明比数据加密更有用、更可靠、更经济实惠，会更困难些。
还有比如几个系统之间协作的问题，多个系统之间的互联互通可能还需要行业标准的建立。
12 人工智能（AI）和深度学习
简介
人工智能是给当今社会带来革命的一项重要技术。
这并不是一项新技术，它从很久之前就已经开始了，比如我们代码里面写的“if else”，就属于最早的广义上的人工智能算法。
现在，从智能手机到汽车和其他各种电子装置，人工智能已经在被广泛使用。
AI从麦卡锡和明斯基提出至今发展已经有60多年历史，几起几落，最新一次也是对国内影响最深刻的是2016年AlphaGo赢了围棋世界冠军，DeepMind算法程序一举闻名，里面就使用到了深度学习。
再有就是现在最热门的ChatGPT了。
深度学习是基于机器学习、基于人工神经网络的结构化学习，是借鉴了人脑由很多神经元组成的特性而形成的一个框架。
个人理解
目前AI的一些主要应用是个人助手（如Siri、小度等），人脸识别打卡，车牌识别，图像搜索，无人驾驶等等，大部分都是些基于摄像头的应用。还有用在学术研究上的如AlphaFold预测蛋白质结构等等。
人工智能的优点是效率高不需要休息，可以节省人力，比如人脸识别、车牌识别场景；
缺点是目前人工智能还处于“弱人工智能”的阶段，对场景、数据要求较高，很多时候还需要人工参与，实施起来既费时又费钱，无法由企业或个人独立建设。
所以自适应的AI系统是后面的发展方向，可以不断根据新的数据来学习进化，实时动态调整学习和目标，可以让企业或者个人自己开发、训练、发布应用。
13 区块链
简介
区块链，英文叫BlockChain，顾名思义，就是由一个一个的区块（block）组成的链条（chain）。
区块链期望解决的是交易数据的不信任问题，通过两大特性来解决，一个是去中心化，另外一个是数据无法篡改。
区块链的起源是比特币，这是一种虚拟货币，一个比特币的价格现在已经达到一两万美元，也就是十万人民币。
区块链可以通俗地被理解为一个分布式的公共账本，这个账本由各个区块连成一个链条。在传统记账系统中，记账权掌握在中心服务器手中。而在区块链这个“账本”上，链条上的每一个点都能在上面记录信息，构成点对点的记账系统。因此，区块链技术被认为是一种去中心化的技术。
一个数据过来了，它是一个看起来合理的数据，但是是不是真实的无法得到保证。区块链技术可以跟踪数据上下游的情况，确保数据的真实性，而不是被人或机器偶然编造出来的。
区块链技术对某一个数据标的来源以及分发的各个方向进行识别，以这个数据为中心建立区块，同时对其上下游所有数据同步建立区块，这样就形成了多个数据中心的区块链条，当某一个数据发生波动，整个链条都会产生反应，形成互相监督的作用。
区块链技术就是通过类似于这样的方式形成了一个全民记账系统，每个人都是参与者，每个人都是监督者。在区块链里，每个数据也都是参与者和监督者。
工业互联网定义的国家顶级节点、行业一级、企业二级、终端返回节点标识，本质上也是区块链技术的简化应用的一部分，统一制定各行业标识的标准应用规范。
个人理解
区块链除了虚拟数字货币的应用，也开始其他业务应用的推广，如供应链金融，数据保证，数据取证，数据开放，电子合同，电子凭证，电子发票等等，在金融、物联网、物流、司法、数字版权等行业都开始广泛应用。
区块链技术虽然有一定优势，但是在实际应用上还是有一些问题：
第一个就是监管问题，还缺乏法律和制度来保障；
第二个是技术问题，记录每笔交易变动，对所有区块的性能、存储、通信能力要求都很高；数据不能篡改，意味着没有隐私，而且一旦是失误造成的损失，就无法追回。
14 大数据
简介
大数据最直观的应用是“大数据杀熟”。
很多APP对用户的消费记录、浏览历史等信息进行搜集分析，根据这些用户“喜好”来进行分类推荐、甚至恶意捆绑销售。
例如我们多次浏览同一个商品但没有购买时，价格可能会越来越高，显示的库存会越来越少；使用一个新账户查看的时候反而价格就变低了。
大数据技术分为两类，一类是数据技术，包括数据本身的采集、存储、管理；另一类是数据应用技术，包括数据检索、清洗、抽取、分析、挖掘等。
比如物联网数据通过5G上传之后，要对数据进行清洗、抽取，毕竟大数据中心的存储容量也是有限的，不是什么数据都需要存储，这样太浪费空间了。
大数据可以将数据打上相应的属性标签，例如技术属性、业务属性、管理属性，这样在数据的订阅和分发过程中就可以很方便的支撑各种数据应用了。
后面就是对历史数据和实时数据一起进行分析计算，起到预测的效果。
个人理解
目前大数据的应用主要集中于广告推送、精准营销、信用评估、交通路线规划等。
大数据应用的难点其实是取决于对行业内相关业务、相关技术的理解深度。
特别是工业大数据的应用，工业大数据业务模型的建立依赖于构建一个完善的“工业知识库”，而不是现在因为我浏览了多次“羽毛球”商品就知道我要买羽毛球，真实的业务模型不会都是这么简单粗暴的。
15 增强现实AR和虚拟现实VR
简介
增强现实和虚拟现实技术都是快速兴起的技术，让每个人都能体验到非常接近真实的虚拟场景。
VR显示的画面全是假的，而AR显示的画面有一半是真的，一半是假的。
VR在娱乐、游戏领域已经大量应用。AR其实我们早就接触了，不一定是通过VR眼镜，手机也可以，电视节目上的画面叠加就是AR技术最早的应用，我们在旅游、展览时，也可以通过手机拍摄相关场景或物品来接收展示相关的资料信息。
VR/AR技术综合了计算机仿真技术、计算机图形学和多媒体技术、人工智能技术、计算机网络技术、并行处理技术和多传感器等电子技术，模拟人的视觉、听觉和触觉等感官功能，使得用户从感官效果上沉浸在由计算机创造的虚拟环境中。
AR更是要借助显示技术、交互技术、传感技术和计算机图形与多媒体技术将计算机生成的虚拟环境与用户周围的现实环境融为一体，使用户从感官效果上确信虚拟环境是其周围真实环境的组成部分。
AR可以利用已有的真实环境，为用户提供一种复合的视觉效果：用户观察到的真实世界同计算机产生的虚拟场景相融合。当真实场景移动时，虚拟物体也随之发生相同变化，就好像这些虚拟物体是真的存在于真实场景中一样。 理想的情况下，虚拟物体还可以向用户和真实物体以一种自然的方式进行交互。
个人理解
VR/AR经过十多年的发展积累了大量的应用，比如培训、实验、远程协作、VR游戏、虚拟人物、虚拟宠物、虚拟主播等等。
但是目前还是停留在消费、娱乐体验上面。
而且目前对硬件要求比较高，比如VR眼镜还是比较笨重，使用不方便，而且戴久了容易头晕；
AR技术的难点还在于如何实时、准确的确定摄像机相对真实世界的位置，使得虚拟场景能够与真实世界无缝融合。
16 数字孪生（Digital Twin）
简介
要理解数字孪生，先要理解赛博空间。
赛博空间（Cyberspace）是一个抽象概念，指在计算机以及计算机网络里的虚拟现实，赛博空间一词是控制论（cybernetics）和空间（space）两个词的组合。
维纳在《控制论》里面首先建立了这样的概念，可以构造一个计算机控制系统，将物理世界的信息存储、反馈、传递以控制物理世界的实体。
数字孪生技术就是采用信息技术对物理实体的组成、特征、功能和性能进行数字化定义和建模，从而在赛博空间内对物理实体进行仿真分析和优化，实现物理空间和赛博空间的交互映射。
数字孪生也是构建元宇宙的基本核心技术。
个人理解
数字孪生最早的应用是美国国家航空航天局使用空间飞行器的数字孪生对飞行中的空间飞行器进行仿真分析，监测和预测空间飞行器的飞行状态；目前在军事训练领域、设计仿真领域有所应用。
在数字孪生城市、数字孪生工厂、数字文旅等多数还是仅仅停留在数字建模、展示阶段。
数字孪生还有建模难、数据量大、通信实时性等技术难点需要克服，哪些物理场景在虚拟空间重现的应用价值也要多方面考虑。
17 Web3.0
简介
有Web3.0，那就有1.0，2.0。
Web1.0是说门户网站那个时代，互联网只能提供“可读”功能，用户上网的主要模式看是新闻；
到了Web2.0，就是互联网社交时代，可以使用论坛、微博、推特、抖音等进行互动，用户可以自己制作、分享内容到平台上，但是提交上去的内容是属于平台的；
Web3.0是指用户自己掌握自己的数据，建设去中心化的互联网，自己制作发布的内容的数字资产和版权归个人所有。
个人理解
看到去中心化就知道Web3.0的技术是以区块链作为核心，目前Web3.0的应用还是围绕在虚拟货币、NFT交易等方面；
Web3.0的原本期望是用户们不再被大平台所支配，用户可以决定自己产生的数据提供给谁，并且从提供数据或作品的过程中获取收益，更好的鼓励用户们进行创作，用户自己创造、自己运营。
这样类似保护知识产权的初心反而难以达成，Web3.0的发展注定充满了挑战。
Web3.0与个人网络存储设备（NAS）的结合应用可能是个方向，目前有一些公司已经在做探索。
18 元宇宙
简介
元宇宙不是一个技术，是人类对未来虚拟世界的一个理念设想。通过互联网建立一个虚拟现实世界，与现实世界映射交互，类似一个“平行世界”。
从技术上看，元宇宙可以高度独立，也可以与现实世界紧密联系。
元宇宙需要用到5G、6G、数字孪生、ARVR、人工智能、区块链、脑机等等各种技术。
对未来的应用场景在电影《阿凡达》、《头号玩家》、《失控玩家》都已经向我们展示了。
沉浸式的游戏、社交肯定是元宇宙的第一个应用，还有娱乐类的电影、直播等应用，之前NFT数字藏品也炒的火热了一阵。
个人理解
元宇宙属于比较超前的科幻概念，还有不少技术难点需要突破。比如人机交互、网络实时通信、AI算法等等。
现在的VR眼镜和耳机只能提供眼睛、声音的传递，对人类的嗅觉、味觉、触觉等感官方面的支撑技术还不成熟。
同样的，工业元宇宙作为智能制造的最终形态，也是任重道远，在这个目标的指引下，可以看到现有技术差距是比较大的，目前还是需要着力于数字基础设施的建设。
19 量子通信/量子计算
简介
量子通信是利用量子叠加态和纠缠效应进行信息传递的新型通信方式，基于量子力学中的不确定性、测量坍缩和不可复制三大原理提供了无法被窃听和计算破解的绝对安全性保证。
原理简单讲来是构造一对纠缠态的粒子，两个粒子放到通信的两端，根据纠缠的特性一端变化另一端也会跟着变化，如果一旦被监听，马上会破坏粒子的量子态造成坍塌。
目前还是在研究阶段，主要的应用是用量子态生成量子密钥分发给两端进行通信，直接的量子通信还在研究中，因为量子的传输、存储、转发等技术还没有研究成功。
量子计算机很早前就已经被提出，基本架构还是图灵架构，只是存储不一样，从原来的二进制变为量子态，一个量子位除了表示0和1外，还可以表示叠加态，所以理论上量子计算机的性能要远超现在的计算机。
现在的密码安全在于破解时间长，在以后的量子计算机面前可能就是一瞬间的事。
个人理解
量子通信和计算可能会先应用在军事、金融领域，而且受基础科学进度影响比较明显，短期内投入实用的可能性并不大。
20 无人驾驶
简介
中国《汽车驾驶自动化分级》跟美国定义的标准一样，将无人驾驶分为6类，从L0到L5，L0是无自动驾驶，L1部分驾驶辅助，L2组合驾驶辅助，L3有条件限制的自动驾驶，L4高度自动驾驶，L5完全自动驾驶。按照定义L3以上的汽车可以独立完成一段连续性驾驶而无需人工介入。
特斯拉及大部分汽车目前可以提供L2级别的驾驶辅助功能，在一定情况下解放一下双手。
无人驾驶主要依靠传感器、雷达、摄像头、AI人工智能、定位系统、车联网等技术，目前离L5级别完全无人驾驶还远。
按照国家的规划到2030年实现完全无人驾驶，但这不影响做某些封闭半封闭场景的应用尝试。
无人码头，无人港口，无人矿山的运输，长途高速，物流园区，仓库无人驾驶运输，最后一公里的快递，无人泊车都可以做落地尝试，新的一年这些应用的落地会越来越多。
个人理解
单车的无人驾驶难度并不高，难点在于汽车上路之后的车路协同、车车协同、车人协同等场景。
将所有参与交通的因素考虑进去，这就需要依靠整体道路交通的车联网的建设。
另外因为都是由软件实现，软件的可靠稳定性、安全性也是无人驾驶期待解决的一个痛点问题。
软件犯错的容忍程度跟交通犯错的容忍程度是不一样的，尤其在社会影响层面。无人车、无人机的实际使用都必须受这个因素制约。
还有比如GPS信号、无线信号在一些区域被遮挡，摄像头传感器在雨雾天气下的使用限制，高速情况下的计算到车辆反应的延时等等情况，都是无人驾驶面临的问题。