麦肯锡技术趋势展望 2025（中文版）

2025年7月 第五版

哪些前沿技术对2025年的企业最重要？我们的年度技术趋势报告重点介绍了最新的技术突破、人才趋势、应用案例及其对跨行业公司的潜在影响。

作者：Lareina Yee、Michael Chui、Roger Roberts 和 Sven Smit

PDF原文下载：https://www.mckinsey.com/~/media/mckinsey/business%20functions/mckinsey%20digital/our%20insights/the%20top%20trends%20in%20tech%202025/mckinsey-technology-trends-outlook-2025.pdf?shouldIndex=false

目录

引言 2

AI革命 10

01 自主AI 11

02 人工智能 18

计算与连接前沿 26

03 专用半导体 27

04 先进连接技术 34

05 云计算与边缘计算 41

06 沉浸式现实技术 48

07 数字信任与网络安全 55

08 量子技术 63

尖端工程 69

09 机器人未来 70

10 移动未来 76

11 生物工程未来 83

12 太空技术未来 90

13 能源与可持续技术未来 97

引言

全球技术格局正在发生重大转变，由技术领域的快速创新推动。这些创新正呈指数级增长计算需求，吸引了管理团队和公众的注意，并加速了实验。这些发展发生在全球竞争加剧的背景下，各国和企业竞相确保在生产和应用这些战略技术方面的领导地位。

今年的麦肯锡技术趋势展望深入探讨了13个——一个“ baker’s dozen”——具有改变全球业务潜力的前沿技术趋势。如今， executives 面临着应对日益复杂的局面、扩展新兴解决方案并在数字与物理、中心化与去中心化之间界限不断模糊的世界中建立信任的使命。本报告中的见解可以帮助企业领导者通过展示其他人今天如何开始应用这些趋势，来决定哪些前沿技术与其公司最相关。这些发现来自我们对13个趋势中每个趋势的定量衡量指标的分析，包括兴趣、创新、股权投资和人才，并探讨了潜在技术、不确定性和相关问题。（有关我们研究的更多信息，请参阅侧栏“研究方法”。）

本展望突出了推动创新并解决跨行业关键挑战的变革性趋势。人工智能不仅作为一股强大的技术浪潮脱颖而出，而且作为其他趋势的基础放大器，其影响越来越多地通过与其他趋势的结合而发生，因为人工智能既加速了各个领域内的进步，又在交叉点上释放了新的可能性——加速机器人训练、推进生物工程的科学发现、优化能源系统等等。市场上人工智能解决方案的发展越来越多地结合了我们之前分别分析的趋势的各个方面，即应用人工智能和生成式人工智能，所以今年它们被一起研究。

尽管人们对人工智能应用及其用例的热情不断增长，但要在各行业实现人工智能的全部潜力，需要持续的创新来管理计算强度、降低部署成本并推动基础设施投资。这还将要求对安全、治理和劳动力适应采取深思熟虑的方法，为行业领导者、政策制定者和企业家 alike 创造广泛的机会。

新亮点

除了人工智能的影响范围不断扩大之外，我们今年报告中选择强调的另一个新趋势是自主AI，它已迅速成为企业和消费技术领域关注和实验的主要焦点。自主AI结合了人工智能基础模型的灵活性和通用性，通过创建可以自主规划和执行多步骤工作流的“虚拟同事”来在世界中行动。尽管与更成熟趋势相比，兴趣和股权投资水平的定量指标相对较低，但自主AI是今年增长最快的趋势之一，表明其具有潜在的革命性可能性。

2024年自主AI股权融资11亿美元，2023-24年职位发布差异+985%

人工智能也是我们今年强调的另一趋势的主要催化剂：专用半导体。虽然摩尔定律和半导体技术堆栈层长期以来一直是其他技术趋势的关键推动因素，但随着专利数量等定量指标的反映，半导体领域的创新激增。这些创新是为了应对人工智能训练和推理对计算能力、内存和网络日益增长的需求，以及管理成本、热量和电力消耗的需求。这导致了一系列新产品、新竞争对手和新生态系统的出现。

技术和专业化的规模同时增长

这些向量的增长是由云服务和先进连接技术的创新推动的。一方面，我们看到通用模型训练基础设施在庞大、耗电的数据中心中快速增长，另一方面，我们观察到在手机、汽车、家庭控制和工业设备中嵌入的低功耗技术“边缘”处的创新加速。这正在创造生态系统，可以提供具有惊人参数数量的大型语言模型，以及可以在几乎任何地方运行的一系列特定领域的人工智能工具。领导者将在集中式规模与本地化控制之间取得平衡：例如用于清洁能源的模块化微电网或用于利基制造的定制机器人。

负责任的创新必要性

随着技术变得更加强大、更加个性化，信任越来越成为采用的关键。公司面临着越来越大的压力，需要展示透明度性、公平性和问责制，无论是在人工智能模型、基因编辑流程还是在沉浸式平台中。伦理不再是正确的事情，而是部署中的战略杠杆，可以加速或阻碍规模扩张、投资和长期影响。

以下插图展示了不同的前沿技术如何协同工作以提供未来的创新解决方案：

三个例子说明了技术趋势的组合力量。

工厂机器维修

个性化药物递送

风电场维护 crew

在经历了一年宏观经济环境和更广泛的市场疲软导致我们多项趋势的技术股权融资显著下降之后，2024年前沿技术的投资环境稳定下来，并且在许多情况下反弹。与2023年相比，2024年云计算和边缘计算、生物工程和太空技术等趋势的股权投资有所增加，而人工智能和机器人技术等其他趋势的投资下降后，在2024年恢复到比两年前更高的水平。股权投资水平最高的两大趋势——未来能源和可持续技术以及未来移动性——在2023年整体下降，但前者于2024年反弹（图表1）。

我们为2025年塑造的13个技术趋势凸显了新兴技术的巨大潜力，以及在人工智能驱动的未来中进行战略对齐的必要性。

图表1

2024年，13项技术趋势中有10项的股权投资增加。

趋势投资，2022–24年，10亿美元

注：数据包括风险投资和公司及战略并购（包括合资企业）的私募市场和公开市场资本筹集，私募股权（包括收购和私募投资公开股权）和公开投资（包括首次公开募股）。不包括公司资本和运营支出。来源：PitchBook；麦肯锡分析

麦肯锡公司

对于高管来说，成功将取决于确定可以应用这些趋势的高影响力领域，投资必要的人才和基础设施，并解决外部因素，如监管变化和生态系统准备。通过促进合作、弥合生态系统差距并保持长期愿景，领导者可以加速采用并使他们的组织处于推动下一波技术变革浪潮的位置。那些以专注和敏捷行动的人不仅将释放新的价值，还将塑造他们所在行业以及当今新兴前沿技术的未来。

13项技术趋势

本报告对所有13项技术趋势进行了考虑。为了更容易考虑相关趋势，我们将它们分为三个更广泛的类别：AI革命、计算和连接前沿以及尖端工程。当然，在考虑趋势组合时，跨这些分组观察具有很大的力量和潜力。

为了描述每个趋势的状态，我们为创新（基于专利和研究出版物）和兴趣（基于新闻和网络搜索）制定了分数。我们还估计了相关技术的股权投资水平，并对组织的采用水平进行了评分（图表2）。

图表2

每个趋势根据其创新、兴趣、股权投资和采用水平进行评分。

2024年各技术趋势的创新、兴趣、投资和采用情况

注：13个趋势的创新和兴趣得分是相互关联的。与我们研究的其他主题相比，所有13个趋势都表现出高水平的创新和兴趣，并且也吸引了大量投资。1创新得分结合了0-1的专利和研究得分，它们是相对于所研究趋势的。专利得分基于专利申请量的衡量，研究得分基于研究出版物量的衡量。2兴趣得分结合了0-1的新闻和搜索得分，它们是相对于所研究趋势的。新闻得分基于新闻出版物量的衡量，搜索得分基于搜索引擎查询量的衡量。

研究方法

为了评估本报告中强调的13个技术趋势的发展，我们收集了六项具体活动指标的量化数据：搜索引擎查询、新闻文章、专利、研究出版物、股权投资和人才需求。对于每个指标或向量，我们使用一组定义的数据源来查找与每个趋势相关的关键词的出现，过滤掉有效的活动提及，并将结果出现的次数索引到0-1的评分范围内，该范围是相对于所研究趋势的。创新得分结合了专利和研究得分；兴趣得分结合了新闻和搜索得分。（虽然我们认识到兴趣得分可能会因故意刺激新闻和搜索活动的努力而膨胀，但我们相信每个得分都公平地反映了关于给定趋势的讨论和辩论的程度。）投资衡量了从资本市场流向与趋势相关的公司的资金流。
用于得分的数据源包括以下内容：

专利。专利申请数据来自Google Patents，它突出了授予专利数量的数据。

研究。研究出版物数据来自The Lens。

新闻。新闻文章数据来自Factiva。

搜索。搜索引擎查询数据来自Google Trends。

股权投资。风险投资和公司及战略并购（包括合资企业）的私募市场和公开市场资本筹集数据，包括私募股权（包括收购和私募投资公开股权）和公开投资（包括首次公开募股），均来自PitchBook。投资数据不包括公司资本和运营支出。

人才需求。职位发布数量来自麦肯锡专有的组织数据平台，该平台存储了许可的、去标识化的公开可用专业资料和职位发布数据。数据主要来自英语国家。

此外，我们更新了去年报告中趋势的选择和定义，以反映技术趋势的发展：

一个涵盖性的人工智能类别取代了以下四个趋势：应用AI、生成式AI、工业化机器学习和下一代软件开发。

自去年出版物以来，新增了自主AI和专用半导体趋势。

去年的两个独立趋势——电气化和可再生能源以及电气化之外的气候技术——合并为一个趋势：未来能源和可持续技术。

数据源和关键词已更新。对于未来太空技术和量子技术的股权投资见解，我们基于麦肯锡航空航天与国防实践和量子技术监测器的研究。

从麦肯锡专家访谈中收集的见解被用来为每个趋势分配企业范围内的采用得分（1-5分制），定义如下：

1—前沿创新。该技术仍处于初期阶段，很少有组织投资或应用它。它在商业环境中基本上未经证实。

2—实验。组织正在测试技术的功能性和可行性，通常是小规模的原型，通常不关注近期投资回报。很少有公司正在扩展或已经全面扩展该技术。

3—试点。组织正在通过试点项目或有限实施在最初几个商业用例中部署技术，以测试其可行性和有效性。

4—正在扩展。组织正在整个企业中扩展技术的部署和采用。

5—完全扩展。组织已经在整个企业中全面部署和集成了该技术。它已成为标准，并且由于公司认识到技术的价值和好处而被大规模使用。

关于作者

Lareina Yee

麦肯锡全球研究所主任，旧金山湾区高级合伙人

Michael Chui

量子黑人工智能高级研究员，旧金山湾区

Roger Roberts

量子黑合伙人，旧金山湾区

Sven Smit

麦肯锡全球研究所主席，阿姆斯特丹高级合伙人

作者感谢以下麦肯锡同事和校友对这项研究的贡献：

Aamer Baig
Ahsan Saeed
Alex Singla
Alex Zhang
Alexander Sukharevsky
Alizee Acket-Goemaere
Amishi Bharti
Amy Silverstein
Andrea Del Miglio
Andreas Breiter
Andreas Schlosser
Ani Kelkar
Anna Heid
Anu Madgavkar
Arjita Bhan
Bernd Heid
Bharath Aiyer
Bill Gregg
Bill Wiseman
Brooke Stokes
Bryan Richardson
Charlie Lewis
Christian Staudt
Clint Wood
Daniel Herde
Daniel Wallance
David Naney
Delphine Nain Zurkiya
Diana Tang
Egor Kiselev
Eliza Spinna
Emily Shao
Erika Stanzl
Fabian Queder
Gabriel Morgan Asaftei
Giacomo Gatto
Godart van Gendt
Hamza Khan
Henning Soller
Ichiro Otobe
Jacob Achenbach
Jakob Fleischmann
Jawad Mourabet
Jeffrey Caso
Jenny Tran
Jesse Noffsinger
Jim Adams
Jim Boehm
Jonathan Tilley
Joshua Katz
Justin Greis
Karl Grosselin
Kersten Heineke
Kevin F. Lu
Kitti Lakner
Klaus Pototzky
Klemens Hjartar
Luca Bennici
Marc Sorel
Mark Patel
Markus Wilthaner
Martin Harrysson
Martin Kellner
Martin Wrulich
Matt Higginson
Medha Bankhwal
Mekala Krishnan
Michael Bogobowicz
Nandika Komirisetti
Naveen Sastry
Olivia White
Paolo Spranzi
Prasad Ganorkar
Ryan Brukardt
Sebastian Mayer
Sian Griffiths
Sonja Lindberg
Soumya Banerjee
Stefan Burghardt
Stephen Xu
Tapio Melgin
Tarik Alatovic
Thomas Hundertmark
Tom Brennan
Wendy Zhu
Yaman Tandon
Yvonne Ferrier
Zina Cole

特别感谢麦肯锡全球出版部门的Daniel Eisenberg、Diane Rice、Janet Michaud、Juan M. Velasco、Kanika Punwani、LaShon Malone、Mary Gayen、Michael Goesele、Nayomi Chibana、Rachel Robinson、Regina Small、Stephanie Strom、Stephen Landau和Victor L. Cuevas让这份报告栩栩如生。

AI革命

01 自主AI

自主AI是一种能够独立规划和执行复杂多步骤任务的人工智能系统。这些代理建立在基础模型之上，可以自主执行操作，彼此通信并适应新信息。已出现重大进展，从通用代理平台到专为深度研究设计的专业代理。

趋势及其重要性

自主AI已从边缘概念迅速成为企业技术中最受讨论的转变之一。随着组织探索自动化工作流和将任务委托给“虚拟同事”的新方法，它正在获得关注，而不仅仅是与聊天机器人对话。自主AI的独特之处在于它能够通过数字工具在世界中行动，而不是简单地提供输出。这些系统建立在AI基础模型之上，可以自主规划和执行多步骤任务。

想象一个可以回答有关产品的信息、处理订单和管理退货的客户服务AI代理，通过连接到公司的物流系统。多家公司已经发布了可以设计自己的工作流程来在网络上研究主题并生成报告的深度研究代理。越来越多的公司正在使用软件编程代理，应用其多步骤推理来根据英语或其他自然语言编写的描述编写、部署和测试代码。

AI代理相对于其他先前系统的优势包括以下功能：

• 服务于不可预测的长尾任务。为了创建能够自主行动的 软件， 开发人员以前必须 painstakingly 编程 step-by-step, 基于规则的 系统。许多此类应用程序都有许多规则的例外情况，需要人工处理。相比之下，大型语言模型 (LLM) 擅长正确响应它们以前从未遇到过的输入，从而使基于 LLM 的代理能够处理不容易编纂成预设规则的 长尾任务。

使用为人员设计数字工具。以前，发送或接收数据需要自定义代码来连接每个新数字系统。然而，AI 代理可以使用人员会使用的相同工具，例如网络浏览器，来“读取”网站使用其 LLM 并填写表格。

接收自然语言指令。因为 LLM 可以处理自然语言，所以 AI 代理可以像虚拟同事一样进行管理，包括使用与人类同事互动时使用的相同语言来给他们指令并指导他们如何做得更好。

生成可以理解和修改的工作计划。基于 LLM 的 AI 代理会生成工作 计划，并且根据其设计，它们可以相互通信。因为这些代理使用人类可以阅读的语言，所以它们可以描述它们正在做什么，并且可以通过对其工作计划的反馈来指导。

AI 代理的潜力已经说服了许多行业探索为各种职能和角色招募 代理虚拟同事。

最新发展

能够自主决策和代理间通信的 AI 代理的开发带来了令人兴奋的可能性。然而，自主 AI 的快速发展凸显了对强大的治理框架的需求，以解决信任、责任和伦理问题。自主 AI 的最新发展包括以下内容：

开发人员正在构建 AI 驱动的通用代理平台。一些公司正在将代理功能添加到其现有的 AI 产品中，而其他公司则正在构建这些功能以创建针对特定任务的应用程序。1 这些附加功能使能够开发可以通过自然语言与用户交互并执行许多不同任务的代理。在训练和评估数据更强大的领域，例如软件编码和数学，进展最快。

• 有效多步骤推理的链条越来越长反映了自主 AI 的重大进步。在过去的一年中，新技术改进了 AI 通过将复杂、新颖的任务分解成更小的步骤来解决这些任务的能力。开发人员现在不再仅仅依靠扩展基础模型，而是部署多代理工作流程，其中“管理器”代理制定工作计划并将任务委托给专门的子代理。虽然还有更多工作要做以确保信任和安全，但这种转变允许更准确、上下文感知的输出，这是 AI 系统推理和操作方式的一大进步。2

人们越来越关注针对特定业务解决方案的自主 AI。AI 代理越来越多地针对特定、高价值业务问题进行开发。这些代理更加专业化并且针对其特定任务进行了调整，减少了用户需要设计复杂提示的需求。早期关注点集中在用于软件开发的自主 AI 的使用上，其能力一直在迅速发展。此外，人们对可以为核心业务指标带来可衡量改进的 AI 应用非常感兴趣，特别是在销售优化和客户支持自动化方面。随着这一趋势的发展，企业将需要在工作流程中使用专业代理与更通用的代理执行各种任务之间的平衡。

对深度研究知识代理的推动力正在增长。多家提供商正在推进可以自主进行多步骤探索以获取相关内容、执行搜索、评估数百个来源并将信息综合成综合报告的工具。这些代理反映了一个更广泛的转变，即使用 AI 不仅仅用于检索，还用于推理，通过可以扩展的更快知识生成来实现。3

• AI 代理可以“对话”。AI 的最新进展包括可以相互通信并创建自己语言的模型。4 神经网络现在可以学习任务并将其描述给其他 AI 系统。处理这种 AI 到 AI 的通信成本低于处理 AI 到人类的交互。这些 AI 到 AI 通信的发展对机器人技术、复杂问题解决和其他领域有影响，尽管它们也引发了关于透明度和控制的担忧。5

对信任、治理和责任的日益关注正在影响自主 AI 的开发和部署。随着 AI 代理承担更多包括执行金融交易和跨数字平台交互的自主角色，企业越来越多地应对问责制和法律框架问题。最近备受瞩目的试点部署使这些风险更加突出，特别是当 AI 系统独立跨司法管辖区行动时。设计强大的护栏并为代理提供正确的运营环境对于确保可靠性和问责制至关重要。

‘AI 代理不仅会自动化任务，还会重塑工作完成的方式。那些学会建立将人和代理同事聚集在一起的团队的組織將解锁新的速度、规模和创新能力。’

— Lareina Yee，高级合伙人兼麦肯锡全球研究所所长，旧金山湾区

人才与劳动力市场

自主AI

需求

与自主AI相关的职位发布数量仍然很小，但自2021年以来显著增长，特别是对于软件工程师、数据科学家和数据工程师等职位。这种增长表明对开发能够自主决策和行动的人工智能系统的兴趣和投资不断增加。

职位发布，按职位名称，2021–24年，千

技能可用性

自主AI开发依赖于技术技能的结合，例如Python编程、机器学习和软件工程，以及新兴领域如提示工程和自然语言处理。虽然对人才的需求很高，但情况喜忧参半。相对于需求，某些技能，如使用TensorFlow，更容易获得，而其他技能，如Python专业知识，相对于需求则供应不足。

除了可用性之外，自主AI还在改变工作本身的性质，将责任从确定性编码任务转向更高层次的活动，如任务规划、工具编排和上下文决策。这种演变正在改变角色的定义、重视的技能以及组织如何构建技术团队。

所需人才，职位发布要求技能的百分比

全球各地的采用发展

采用分数：2—实验。

组织正在测试技术的功能性和可行性，通常是小规模原型，通常不关注近期投资回报。很少有公司正在扩展或已经全面扩展该技术。

尽管对自主AI的兴趣和投资显著，但该技术在实际业务环境中仍未得到充分测试。许多公司正在积极测试AI代理的小规模原型功能，但全面采用仍然有限。鉴于技术的快速发展，自主AI值得关注，因为部署和影响可能会迅速加速。

现实生活中的例子

领先的AI公司正在开发先进技术，以促进在现实场景中实施自主AI。

涉及AI驱动的通用代理平台的现实例子包括以下内容：

OpenAI Operator，于2025年1月推出，是一种AI代理，可以自主执行各种基于网络的任務，例如预订航班、进行预订和订购杂货。Operator可以导航网站、填写表格并处理复杂的交互。6

Manus AI，于2025年3月推出，是一个通用代理平台。它可以自主处理研究、写作和任务管理任务，充当灵活的数字化团队成员。7

2025年6月17日，谷歌在Google AI Studio和Vertex AI中发布了Gemini 2.5 Flash for the Gemini API。Gemini 2.5 Flash使开发者能够使用浏览器自动化功能（例如，根据自然语言提示处理访问网站、点击按钮、输入查询和提取数据）构建生产应用程序，支持代理工作流程中的新兴用例。8

以下是一个涉及多步骤推理的现实例子：

麦肯锡的量子黑实验室实施了代理工作流程，为一家银行自动起草信用备忘录。初步结果表明，信贷分析师的生产力提高了多达60%。一个作为多代理系统经理的LLM创建了工作计划，并将任务分配给专门的数据分析、验证和输出创建子代理。9

为特定业务解决方案构建的自主AI的现实例子包括以下内容：

Darktrace使用自主AI代理实时检测和应对复杂的网络威胁。Darktrace的AI代理持续监控企业网络流量，识别异常情况，并决定最佳行动方案以减轻潜在损害。10 这种方法模仿了人类免疫系统，使AI系统能够在没有人工干预的情况下立即应对以前未见过的网络攻击。通过自动化常规监控和威胁检测任务，这些自主AI系统允许人类安全团队专注于战略挑战和关键干预。

Salesforce的Agentforce平台使组织能够在各个业务功能中部署自主AI代理，从而提高效率和可扩展性。这些代理可以自主处理任务，例如解决支持票证、安排会议、发送后续电子邮件和确定潜在客户。11

Cursor，由Anysphere开发，是正在通过自然语言处理自动化编码任务来彻底改变软件开发行业的工具之一。该平台允许开发者通过简单地在普通语言中描述所需功能来生成代码，从而显著加速软件开发过程。12

‘自主AI将AI从被动工具转变为与企业工作流程的主动协作者。随着这些系统获得自主性和决策能力，同样重要的是投资更多以弄清楚如何与被视为同事而非工具的AI合作。同时，我们需要强大的治理、透明的度和道德保障措施，以确保这些代理以负责任的方式运作并建立持久的信任。’

— Delphine Nain Zurkiya，高级合伙人，波士顿

涉及代理间通信的现实例子包括以下内容：

Anthropic引入了模型上下文协议（MCP）作为开源框架，以标准化LLM等AI模型与外部工具、系统和数据源集成和共享数据的方式。谷歌、微软、Open AI等许多公司已宣布将采用MCP。

谷歌引入了Agent2Agent（A2A）协议，这是一个开放标准，旨在促进跨供应商AI代理之间的安全协作。由50多个合作伙伴支持，A2A支持诸如候选人来源和供应链协调等用例，补充了像MCP这样的努力，以解锁可扩展的多代理生态系统。13

潜在技术

驱动AI的技术包括以下内容：

机器学习（ML）。这些模型在用数据训练后做出预测，而不是遵循编程规则。

— 自然语言处理。这种类型的ML分析和生成基于语言的数据，例如文本和语音。

应用层。通常，这是最终用户与之交互的界面——例如聊天。

集成/工具层。位于应用层和基础模型之间，该层与其他系统集成以检索信息、过滤响应、保存输入和输出、分配工作并启用新功能。例子包括大型语言编程框架LangChain和向量数据库，如Pinecone和Weaviate。

— 基础模型。这些是在大量非结构化、未标记数据上训练过的深度学习模型，可以开箱即用执行广泛的任务，或者可以通过微调适应特定任务。

推理模型。这些是专门训练来执行多步骤推理任务的基础模型，例如解决涉及逻辑的问题和做出超出模式识别的推理。

可观察性工具。这些是使能可观察性（深入了解行为、表现和决策过程）的工具（例如LangSmith）。它们在AI模型的生命周期中对其进行监控和分析，以确保可靠性、透明度和问责制。

编程框架。这样的框架是全面的软件工具包，旨在促进AI应用程序的开发与实施，例如Autogen和CrewAI。

主要不确定性

影响自主AI的主要不确定性包括以下内容：

— 自主AI的故障模式，例如做出错误决策或采取意外行动，可能会带来运营风险。与用于训练这些代理的数据质量、决策模型的偏差、对抗性攻击以及持续需要人类监督来管理日益自主的系统相关的其他风险。 — 代理能够达到的自主程度仍然不确定，并且是AI领域持续研究和辩论的主题。

未来的大问题

公司和领导者可能希望在推进自主AI时考虑一些问题：

— 自主AI的大规模劳动力影响将包括人类和数字劳动力的结合？随着公司采用自主AI，需要哪些信任和安全工具和技术来减轻风险？
自主AI更有可能通过自动化常规任务来提升专家人才，还是将取代大量建立在结构和重复性基础上的劳动力？
应该在多大程度上允许自主AI独立运作？我们如何在与AI自主性和人类监督之间取得良好平衡？
公司如何领先于竞争对手，并大规模捕捉与自主AI相关的价值，无论是收入还是成本效益？

02 人工智能

人工智能指的是设计用来执行通常需要人类智能的任务的计算机系统。这些系统利用算法、数据和计算能力来识别模式、做出决策并从经验中学习。

趋势及其重要性

人工智能不再只是一个技术好奇。今天，它在各个行业和日常生活中推动着切实的变化。从支持自然对话和自动化复杂分析，到控制机器人、无人机等物理系统，AI的影响广泛而深远。最有效的解决方案通常融合了多种形式的AI：用于语言的生成模型、用于数据驱动洞察的分析引擎，以及越来越能够自主决策和行动的agentic AI（在本报告的前一部分中介绍）。这种融合正在悄然改变企业的运营方式和个人与技术互动的方式。

在麦肯锡的《AI状态报告》中接受调查的组织中有78%至少在一个业务功能中使用AI，92%的执行官计划在未来三年内投资更多，正如我们在《工作中的超级代理》中强调的那样。1 尽管如此，它仍处于早期趋势，只有1%的领导者表示他们的公司在AI部署方面完全成熟。2 过去一年AI基础能力的快速发展使得AI对企业的长期潜力更加充满希望。部署强大模型的成本正在急剧下降，新一代更小、更专业的模型使更多的组织和更广泛的设备能够访问AI。

能够处理和生成文本、图像、视频和音频的多模态AI已经开辟了新的创意和科学前沿，提高了AI驱动输出的质量和多功能性。因此，企业和消费者现在更容易将AI集成到工作流程和日常工作中。对工作流程的影响在软件开发中尤为明显。基于自然语言工具的兴起使编程民主化，以至于专业人员和业余爱好者都可以比以往更快地构建和原型软件。然而，这种加速也带来了新的挑战，例如在开发速度加快时管理技术债务和确保代码质量。

生成式AI的使用，在不到三年前才商业化可用，发展非常迅速：大多数报告使用AI的公司也表示他们定期使用生成式AI。然而，如上所述，组织还有很长的路要走才能实现生成式AI的全部潜力。潜力与进展之间存在巨大差距的原因可以解释为组织适应、开发互补创新以及重新培训员工所需的时间。因此，生成式AI的真正经济效益可能只有在发生实质性的组织变革和结构调整之后才能显现。

展望未来一年，几个关键问题浮现：更低的模型推理成本和小规模专用模型的爆炸式增长是否会继续重塑对AI的访问和益处？随着组织竞相从实验转向全面采用，哪些企业战略将释放最大价值？随着创新加速，领导者如何确保负责任的做法——围绕伦理、透明度和治理——与AI快速融入商业和社会的步伐保持同步？

AI革命

人工智能

评分趋势

从2023年到2024年，人工智能的创新和兴趣激增，因为生成式AI的推出点燃了所有AI的兴趣。人工智能在专利活动、谷歌搜索和研究出版物方面引领技术趋势，反映了它在各行业和各学科的快速采用。在2025年第一季度，AI公司筹集了520亿美元，包括软银牵头的对OpenAI的400亿美元投资，这标志着有史以来最大的风险投资（VC）融资交易。

注：对于每个向量，我们使用一组定义的数据源来查找与每个13个趋势相关的关键词的出现，过滤掉有效的活动提及，并将结果出现的次数索引到0-1的评分范围内，该范围是相对于所研究趋势的。1Swagath Bandhakavi，“AI公司在2025年第一季度全球融资至少520亿美元”，Tech Monitor，2025年4月17日；“新资金用于构建AGI”，OpenAI，2025年3月31日；Hayden Field和Kate Rooney，“OpenAI完成400亿美元融资轮，是有记录以来最大的私人科技交易”，CNBC，2025年4月1日。

最新发展

2025年人工智能的创新正在加速发展，围绕增强模型能力、效率和现实应用展开，由科技巨头和初创公司之间的竞争推动，而该领域越来越多地面临着负责任的部署、监管和扩大商业化方面的挑战。

涉及人工智能的最新发展包括竞争加剧和推理成本下降、小型模型爆炸式增长、多模态人工智能和多步骤推理能力方面的进步、软件开发的加速、围绕负责任人工智能的担忧以及全球投资增长：

基础模型的激增增加了竞争并降低了成本。许多竞争对手提供了免费访问和高质量文本输出的降价，以及初创公司的出现进一步推动了创新。高质量开源模型的数量也增加了。

人工智能领域见证了“小型模型爆炸”，因为蒸馏和量化技术使得能够创建从更大的“父”模型派生出的高度能力、特定领域的人工智能模型。这些较小的模型在需要更少的计算能力的同时提供高质量输出，从而大幅降低了成本和能源消耗。以前，企业通常使用更大的模型，其中许多可以处理超过一万亿个参数，但现在许多认识到，处理一百亿个参数或更少的较小模型同样有效。因此，人工智能现在正被集成到从智能手机、家用电器到卡车和工业设备的各种设备中。

公司正在加倍努力开发多模态生成式AI模型，以集成和处理多种类型的数据输入并生成输出，例如文本、图像、视频和音频。这些多模态模型通过更有效的提示和更好的输出来增强自然语言交互。多模态输出也在改进，包括视频和更复杂科学输出，例如识别蛋白质折叠和药物效力之间的微妙相关性。Gartner预测，到2027年，40%的生成式AI解决方案将是多模态的，而2023年仅为1%。3

人工智能在复杂的多步骤推理方面变得越来越好，这是其能力的一个重大转变。近期进展使得基础模型能够战略性地规划、适应可变性并在任务之间推广知识，增加了其效率和可靠性。优化的训练算法、深度研究工具和其他技术展示了人工智能如何更快速地推理并将见解应用于新的挑战，4 包括软件工程。

行业正在从原则转向行动，关于负责任的人工智能。随着生成式AI的采用加速，人们对剽窃、问责、数据污染、偏见和公平性的担忧依然存在。使用受版权保护的材料来训练生成式AI模型引发了关于知识产权和合理使用的辩论。对输出（尤其是非数学输出）是如何确定的缺乏透明度性增加了对“可解释AI”的兴趣，它能够阐明其推理。为了应对这些挑战，组织正在实施AI治理平台并寻求第三方信任和风险评估。

全球投资正在扩大，但其分布因地区而异。主权AI，它有可能促进本地创新、经济增长和国家利益，在全球范围内获得了显著关注。法国、意大利、西班牙和英国等国家正在通过培育技术公司以及云计算和电信提供商的生态系统来发展国内AI基础设施。5 在越南，英伟达正与政府合作建立一个新的AI研究中心，而日本、新加坡和泰国正在鼓励开发符合国家优先事项的本地化AI模型，例如医疗保健和自然灾害管理。6 在中东，包括阿拉伯联合酋长国在内的国家正在通过大型基础设施项目和跨境合作迅速定位自己，例如Emirates NBD银行最近与BlackRock的合作。7 相比之下，非洲等地区由于缺乏数字化、高成本和其他挑战而在采用方面落后。8

AI的VC投资大幅增长，主要由生成式AI初创公司推动。这种资本的涌入正在推动整个AI堆栈的创新，从开发先进芯片的硬件先驱如SambaNova Systems到为各行业创建定制解决方案的应用公司如Writer。企业AI投资已达到前所未有的规模，科技巨头和领先的AI公司每年共同投资数百亿美元用于基础设施、模型和部署。谷歌母公司Alphabet、亚马逊、Meta和微软预计在2025年将在AI相关的资本支出上花费700亿到超过1000亿美元，这由数据中心扩张和定制硅开发驱动。9 这种巨额支出，远远超过了早期的云计算投资，突显了AI的战略重要性，并推动了快速创新。

‘AI创新的步伐正在加速，生成式和自主系统的突破迅速扩展了各行业的可能性。如今，真正的差异化因素不仅仅是技术能力；它是通过重塑运营模式、人才和治理，将AI深度嵌入工作流程以提供可衡量的业务影响的能力。从实验转向大规模采用，同时为信任和问责建立强大的保障措施的组织将最有可能捕捉到AI的变革潜力。’

— Alex Singla，芝加哥高级合伙人兼量子黑联合负责人

人工智能

需求

随着组织从早期实验过渡到更广泛的部署，AI人才需求继续发展。尽管2023年出现了相当大的回撤，但2024年带来了新的招聘热潮——特别是对数据科学家和工程师的需求——因为公司希望将AI更深入地嵌入到核心工作流程中。对软件角色的需求已经稳定下来，而产品和解决方案导向职位的增长表明越来越重视推动业务整合和用户影响。

虽然46%的领导者将劳动力中的技能缺口作为AI采用的主要障碍，并且超过20%的员工表示几乎没有接受过培训，但解决今天的技能提升需求只是问题的一部分。随着AI代理越来越多地融入企业工作流程，人才格局将继续演变，转向支持人机协作的能力。随着时间的推移，工人和AI之间的这种共生关系将变得不再那么特别，而更加基础，逐渐重塑团队如何运作、决策如何做出以及组织内部如何创造价值。1

职位发布，按职位名称，2021–24年，千

技能可用性

AI人才管道面临压力。机器学习、Python和数据科学等核心技能需求量大，但供应仍然滞后于后两者。云计算基础设施专业知识尤其稀缺，特别是对于亚马逊网络服务（AWS）这样的平台。即使一些编程和数学相关能力更容易获得，但基础AI技能的缺口可能会减缓发展势头，除非通过有针对性的技能提升和发展来解决。

所需人才，职位发布要求技能的百分比
人才可用性，人才与需求的比率

<0.1x AmazonWeb Services

0.5x Python

0.3x DevOps

0.3x Kubernetes

1.3x Linux

0.7x Databases

0.1x Scripting

全球采用发展

采用分数：4—正在扩展。

组织正在跨企业扩展技术的部署和采用。

许多全球组织已经采用了云技术，美国和西欧在采用方面处于领先地位。然而，随着计算需求的持续增长，完全扩展技术将是一个挑战。同时，电力、硬件供应链和网络方面的瓶颈依然存在。非洲等全球某些地区的边缘计算尚未获得太多关注，因此落后于其他国家。

现实生活中的例子

云和边缘计算的演变正在使AI能够在云堆栈中运行，解决计算和电力约束，并催生专业云提供商和主权云扩展。

涉及AI颠覆云堆栈的现实例子包括以下内容：

Meta已经开发了专门的数据中心网络，使用GPU集群来支持大规模分布式AI训练。Meta的AI容量使用融合以太网版本2（RoCEv2）作为节点间通信传输。公司的网络支持广泛的可靠、真实的AI训练任务——例如排名、内容推荐和自然语言处理——在其GPU集群中运行。6

Stargate项目于2025年1月宣布，未来四年投资500亿美元为OpenAI建设新的AI基础设施。资助者包括MGX、OpenAI、Oracle和SoftBank。7

涉及公司克服计算约束的现实例子包括以下内容：

随着计算需求的增长，混合冷却策略变得越来越重要。数据中心现在结合了用于低强度应用的空气冷却和用于高密度机架的液体冷却。微软推出了一种节水、闭环的芯片级冷却系统，该系统消除了水的蒸发并提供了精确的温度控制。8 诸如HyperCool这样的技术使用无水、两相、直接到芯片的冷却来处理高达2,800瓦的AI GPU，与传统方法相比，能耗减少了10到20%。9

— 随着更多数据中心的建设，运营它们所需增加的电力在美国传统上拥有数据中心集群的市场（如弗吉尼亚州北部和加利福尼亚州圣克拉拉）成为一个问题。许多公用事业公司无法足够快地建设输电基础设施，最终可能无法产生足够的电力。10 专用于AI模型的数据中心正在美国更偏远的地方建设，那里的电力仍然丰富，电网压力较小，例如在印第安纳州和爱荷华州。11 类似地，东南亚国家如泰国和印度尼西亚，以及北欧国家如芬兰，它们拥有丰富的可再生能源，正成为AI基础设施的关键枢纽。12

随着AI模型越来越多地嵌入到日常应用中，行业正从纯粹规模转向效率。在这样的背景下，DeepSeek的R1模型脱颖而出成为领先示例。R1模型使用多头潜在注意力（MLA）和FP8精度量化等技术，显著减少了内存和计算需求，即使在消费级硬件上也能够实现高性能推理。这种方法反映了云和边缘计算中的一个更广泛趋势：优化AI工作负载以提高响应性和资源效率，将智能带到数据生成和决策的地方更近的地方。13

公司正在将工作负载分布在越来越多的机器上。例如，AWS Trainium通过在128台服务器上分割模型，在芯片之间分配任务，并在工作人员之间分解长序列，来训练Llama 2-7B模型。这与单台机器相比，显著减少了训练时间和成本。同样，公司正在转向电力供应更好的地区或使用边缘计算来更接近数据源处理数据。14

以下是一个关于专业玩家兴起的现实例子：

CoreWeave，由Nvidia支持，通过提供专为AI和机器学习工作负载定制的专业化GPU加速云服务，已成为云计算领域的关键玩家。它服务于AI模型训练和推理等利基市场，为初创企业和研究机构提供高性能GPU，如Nvidia H100。该公司发展迅速，2024年收入激增至19亿美元，同比增长737%，并在2025年3月进行了首次公开募股（IPO）。15

涉及对主权云需求增长现实例子包括以下内容：

2024年，Oracle将其主权云扩展到覆盖欧盟。这允许欧洲公司使用Oracle的云基础设施在本地处理数据。16

由SAP创立的Delos Cloud正与Arvato Systems和Microsoft合作，提供针对德国公共部门量身定制的主权云解决方案。该平台旨在使政府机构能够在德国境内的多个数据中心安全地分配敏感工作负载。17

潜在技术

推动云和边缘计算的技术包括以下内容：

— 虚拟化。虚拟化能够创建服务器、存储和网络资源的虚拟实例，允许资源共享和隔离。

— 计算和无服务器计算。这种技术提供按需计算资源，包括由云提供商管理的无服务器模型，这使开发者能够专注于代码。

容器和Kubernetes。容器封装应用程序及其依赖项，以便在环境中一致部署，而Kubernetes则大规模管理容器编排。

API和微服务。API促进云应用程序和服务之间的通信，而微服务将应用程序分解为更小、更独立的组件，以提高可扩展性和灵活性。

云存储。这种技术包括可扩展且易于访问的存储解决方案，例如对象存储和块存储，它们有助于在云中管理数据。

物联网（IoT）或设备边缘。IoT设备如传感器和视频摄像头收集和处理数据。这些设备通常具有基本的计算和存储能力。

本地或“靠近行动”的边缘。这些是在生成数据的场所或远程或移动位置内部署的计算和存储资源。

运营商、网络和移动边缘计算（MEC）。这些是在移动或融合服务提供商的网络边缘内部署的私有或公共计算和存储资源，通常距离企业场所只有一个网络跳。

都市边缘。使用这种技术，数据中心 footprint 较小（通常约三兆瓦）位于大城市，补充公共云，提供接近本地的计算能力和存储，以提供更低的延迟和更高的可用性。

光纤。物理玻璃纤维提供了最可靠的高吞吐量、低延迟连接。

关键不确定性

影响云和边缘计算的主要不确定性包括以下内容：

随着芯片技术的进步，在硬件和软件中平衡更快的性能与更低的能耗仍然是一个关键挑战。监管审查和数据隐私问题正促使人们更加重视云治理和数据主权。加速数据中心扩张、电力采购、水使用和电子废物对环境的影响和可持续性可能会导致额外的监管。

— 2025年，云和边缘计算的安全仍然是关键问题。由于对多云环境的可见性有限和保护投资不足，组织面临日益增长的安全风险。

未来的大问题

公司和领导者可以考虑以下问题，当继续使用云和边缘计算时：

— 云提供商如何有效降低其能源消耗和碳足迹？公司如何确保在多云环境中数据主权和遵守不断发展的法规？

— 将会出现区域主导的云提供商吗？未来五年什么将定义云中的竞争优势——规模、架构还是生态系统控制？

— 随着成本曲线、关税和监管压力的演变，组织应如何动态优化其工作负载，跨云、边缘和本地平台？

06 沉浸式现实技术

沉浸式现实技术包括增强现实（AR）和虚拟现实（VR），包括AR智能眼镜、高级触觉反馈和AI驱动的增强功能，以提高渲染、跟踪和处理能力。

趋势及其重要性

沉浸式现实技术——包括将图像投射到现实环境中的增强现实（AR）和通过空间计算实现完全虚拟环境中交互的虚拟现实（VR）——有可能改变许多行业的体验。这些技术持续发展，进步如更轻、更经济实惠的可穿戴设备、改进的触觉技术和AI集成。尽管游戏和娱乐仍然是采用最广泛且创新最明显的领域，但这些技术也正在其他领域用于营销、原型设计以及模拟高风险场景以提高培训和安全。通过提供安全、控制的环境，AR和VR允许用户练习技能和实验，而没有现实世界的风险。在医疗保健领域，沉浸式技术支持医学培训和患者治疗。2024年，AR/VR市场增长平稳，头显出货量增长了10%，尽管预测显示2025年增长可能会放缓。1

‘沉浸式现实正迅速超越其游戏和娱乐根源，成为跨行业的变革力量。随着技术成熟，有意识地将其集成到运营中的组织将释放生产力、创造力和人际连接的新维度。下一波创新不仅将由技术进步定义，还将由沉浸式体验如何无缝地融入日常业务和生活的结构中定义。’

— David Naney，南加州高级专家

最新发展

涉及沉浸式现实技术的最新发展包括以下内容：

历史上，AR和VR头显的表现一直低于预期。这是由于成本高、消费采用有限和技术限制——尽管有证据表明重新投资，例如Meta的AI眼镜和谷歌的Android XR眼镜。2

触觉技术的进步正在模糊现实和模拟之间的界限。触觉技术和高级感官反馈的整合正在创造更沉浸式和逼真的虚拟环境。超低功耗触觉执行器和可穿戴手套及套装提供精确的触觉反馈，模拟雨水或纹理等感觉。化学传感器和无线分配器可以复制味道。这种多感官方法可以提高用户在各种应用中的参与度。

— AI集成正在彻底改变AR和VR技术，提高渲染、跟踪和处理能力，特别是在游戏和培训模拟方面。AI算法在游戏中生成超逼真的环境和角色，这些角色可以动态响应用户交互，创造更沉浸式的体验。包括深度学习模型在内的AI技术通过在大量现实世界纹理和光照条件的数据集上训练，提高了3D可视化的逼真度。3

人才与劳动力市场

沉浸式现实技术

需求

与软件岗位相比，机械工程岗位的需求相对稳定，这反映了在AR和VR设备的制造和原型设计中对硬件专业知识的需求持续存在。2024年大多数职位名称的人才需求总体下降表明，随着该领域的用例和支持结构的发展，就业市场正在重新调整。

职位发布，按职位名称，2021–24年，千

技能可用性

沉浸式现实领域面临VR、AR和AI技能短缺的问题，这是由对自适应模拟和AI驱动内容创作的不断增长的需求驱动的。编程技能，如C++，更容易获得，而3D建模专业知识仍然丰富。

所需人才，职位发布要求技能的百分比
人才可用性，人才与需求的比率

全球采用发展

采用分数：2—实验。

组织正在测试技术的功能性和可行性，通常是小规模原型，通常不关注近期投资回报。很少有公司正在扩展或已经全面扩展该技术。

沉浸式现实技术的采用在地域和用例上差异很大。虽然智能眼镜已经获得了有意义的吸引力，但头显的采用速度比预期的要慢。在医疗保健和消费品等部门，动量正在建立，然而由于可用性问题、成本高以及地区基础设施和创新的差异，广泛采用仍然受到限制。

现实生活中的例子

涉及使用可穿戴设备的现实例子包括以下内容：

帮助弥合物理存在和数字互动之间的差距。尽管公司随后决定停止生产最初型号，但苹果的Vision Pro头显，于2024年初首次发货，标志着沉浸式现实技术市场的一个里程碑。其功能之一是“Persona”，它使用AI和AR扫描用户的面部并在FaceTime通话中创建逼真的数字化身，允许用户在虚拟环境中更自然地沟通。4

拓宽智能眼镜的视野。扩大视野被认为是AR增长的重要因素，2024年9月发布的第五代Snap的Spectacles在这方面取得了进展。该产品主要面向AR开发者，具有更沉浸式的显示，更强烈的色彩和更宽的46°对角线视野，以及更长的电池寿命和增强的处理能力。5 尽管有这些改进，该类别仍面临挑战，如相对有限的视野和设备重量较重。

使VR对休闲用户和企业应用更加沉浸和可访问。VR头显的宏伟愿景一直受到技术挑战的限制。像Meta Quest 3这样的产品，2023年推出的独立头显，标志着沉浸式硬件发展的又一步。除了不需要持续连接到外部PC或游戏机外，它还具有改进的图形、处理能力和渲染功能。6

Joaquin Sanchez-Sotelo博士于2024年在梅奥诊所进行了首次混合现实导航肩部置换手术。这种创新的手术方法使用专门设计的工具和护目镜创建了关节的高度准确全息图，允许在放置植入物时提高精确度。7

减少构建原型所需的时间。物理原型通常需要45天，但New Balance使用VR将这一过程缩短到仅7天或更短。这种基于VR的方法使决策者能够在虚拟环境中从各个角度查看鞋款设计，类似于处理物理样品。在这方面使用VR使得更容易传达设计意图，并使得决策更加明智。8

涉及触觉和其他感官技术如何增强虚拟体验的现实例子包括以下内容：

更逼真和引人入胜的游戏体验。Virtuix推出了Omni One，这是其面向消费者的多方向VR跑步机，允许用户在虚拟空间内任意方向移动。这种360°能力增加了在VR环境中的存在感。9

将触觉带入VR。触觉手套旨在帮助佩戴者自然直观地与虚拟对象互动。Contact CI的Maestro EP是该公司在AWE 2024上展示的轻量级无线模型，代表了该领域的一个进步。自2020年以来，美国空军就使用Contact CI的触觉技术进行VR培训项目，这是这些手套在专业环境中的一个实际应用。10

虚拟味觉模拟中更强烈的味道。解决和满足消费者对多感官数字生态系统的需求是沉浸式现实技术领域的一个主要关注点。最近的一项创新模拟了味蕾的工作。由俄亥俄州立大学的研究人员开发的e-Taste技术使用化学传感器和无线微流体致动器来复制甜、酸、咸、苦和鲜味，通过控制释放离子和风味化合物来实现。人体试验在区分味道强度方面达到了70%的准确率。11

涉及AI如何改变沉浸式现实应用的现实例子包括以下内容：

Blockade Labs开发的Skybox AI是一种用于创建沉浸式360°全景环境的高级AI驱动工具。用户可以通过简单的文本提示生成详细的8K分辨率天空盒，并可以重新混合现有环境、编辑元素，甚至可以将2D天空盒转换为3D模型，用于各种应用。这项技术可以应用于游戏、VR、模拟、教育等。12

使用AI创建游戏NPC达到了一个新的水平。2023年，Epic Games为其多功能3D计算机图形游戏引擎Unreal Engine (UE)推出了一项新的AI驱动功能。被称为程序内容生成框架，13 它使用AI算法自动生成游戏资产，如景观、3D对象、建筑物，甚至整个世界。作为AI增强的后续之一，该公司为Fortnite的Unreal Editor引入了MetaHumans，允许创作者为其Fortnite岛屿设计和动画化高保真、数字化“人类”非玩家角色（NPC）。UE的行为树资产可以单独使用，为NPC实现智能AI行为。14

潜在技术

驱动沉浸式现实的技术包括以下内容：

— 增强现实。AR通过向现实世界环境添加信息来实现部分沉浸。
虚拟现实。VR通过空间计算将用户沉浸在完全虚拟的环境中，允许在完全虚拟的环境中交互。
混合现实。混合现实实现了AR和VR之间的沉浸水平，将虚拟元素添加到现实世界中，使用户可以与两者互动。
空间计算。这种计算类型使用用户周围感知的3D物理空间作为用户界面的画布。
可穿戴和外部传感器。这些嵌入在手持设备或可穿戴设备中或围绕用户安装的传感器，检测对象和身体，以便在虚拟环境中表示。
触觉。这些反馈设备通常以振动的方式向用户传达感觉。
基于位置的增强现实。该软件将用户的实时物理位置和周围环境集成到AR中，以在虚拟环境中覆盖周围的物理环境。

机器学习。这个术语指的是模型在用数据训练后做出预测，而不是遵循编程规则。

人工智能。AI指的是机器执行通常与人类思维相关的认知功能的能力，例如感知、推理、学习、与环境互动和解决问题。

关键不确定性

影响沉浸式现实技术的主要不确定性包括以下内容：

数据可用性和数据隐私。像虚拟和增强现实这样的沉浸式技术收集大量个人数据，例如身体动作、眼球追踪以及用户如何与周围环境互动。这引发了严重的隐私问题。一些先进的人工智能系统甚至可以解读无意识行为，包括眼球运动，来猜测用户在想什么或感受什么——通常是在用户没有意识到的情况下。确实存在这些信息可能被滥用或在数据泄露中暴露的风险，因此保护用户隐私至关重要。

— 放大偏见。如果实施不当，沉浸式技术可以强化现有的社会偏见。例如，在虚拟招聘流程、教育计划或获取公共服务方面，拥有可靠互联网和访问更新的设备或专用的VR工作空间的候选人可能会受益更多。

物理安全。增强和虚拟现实系统通常限制了用户对现实世界的视野。这在使用不是在严格控制的环境中时，会产生安全隐患。

多种设备类型。沉浸式技术设备种类繁多，从独立的AR和VR平台到用于手机的周边AR配件。这种多样性使得不清楚哪些设备最适合特定任务。随着新产品不断涌现，用户在选择适合其需求的工具时面临不确定性。

硬件开发。在重量、热管理、电池寿命、视野和减少晕动病等领域，硬件的进步速度不一。由于技术挑战或市场需求，有些领域比其他领域发展得更快。虽然可以预期稳步前进，但同时在所有领域取得实质性进展的时间表仍然不确定。

未来的大问题

公司和领导者可能希望在推进沉浸式现实技术时考虑几个问题：

— 硬件突破的速度——跨越成本、舒适度和性能——将如何塑造沉浸式现实从小众新奇事物发展为通用平台？

— 沉浸式现实从试点项目过渡到在能源基础设施、先进制造或高端媒体等专业、高价值领域进行规模化部署的转折点是什么？

— 随着更多组织接受重返办公室和减少远程工作，沉浸式现实将如何转变和适应？

— 需要什么样的监管框架来确保虚拟现实技术的安全、安全和道德使用，包括内容审核、数据隐私和网络安全？

— 虚拟现实技术的广泛采用将对社会和人类行为产生什么影响？

07 数字信任与网络安全

数字信任与网络安全涵盖了旨在确保安全、透明和值得信赖的数字交互的技术和实践。这包括身份验证、数据保护、加密、威胁检测和基于区块链的信任系统。

趋势及其重要性

数字信任和网络安全趋势包括网络安全、人工智能信任和区块链技术。这些技术建立、扩展和维护利益相关者的信任。它们帮助组织减轻技术和数据风险、创新和保护资产，这些有助于增强组织绩效和更牢固的客户关系。

网络安全和人工智能提供了先进的防御机制，可以抵御日益复杂的网络威胁。它们可以增强任何组织的威胁检测、事件响应和整体数字弹性。

人工智能信任系统提供可解释性、公平性、鲁棒性和安全性，这些可以建立用户和利益相关者的信心。随着人工智能越来越多地融入日常生活和关键决策过程，信任的重要性怎么强调都不为过。

基于区块链的代币化系统，本质上是为了透明、安全和可访问性而构建的，可能会为金融和医疗保健等领域带来创新解决方案。

这些技术共同致力于建立数字信任和保护数据完整性。要充分获得数字信任和网络安全的益处，需要自上而下的领导力和在多个活动领域的有意变革，从战略和技术到企业能力。

‘网络安全的核心基础——资产管理、漏洞管理和身份管理——在生成式人工智能不断解锁越来越多价值的世界中仍然至关重要。在生成式人工智能时代创建系统和流程，以提供安全的客户和用户体验，需要既保持基础安全能力，又投资于领先技术以跟上变化的步伐。’

— Charlie Lewis，康涅狄格州合伙人

最新发展

涉及数字信任和网络安全领域的最新发展包括以下内容：

人工智能技术的快速进步以及各行业和日常生活的颠覆性发展，突显了在整个价值链中建立人工智能信任的迫切需求。对人工智能公司的信任度下降，从2019年的61%降至今天的53%。1 未能积极实施负责任和安全的AI实践可能会对公司和社会产生重大后果。从2017年到2023年，可信品牌的累积股票市场回报率比不可信品牌高出245个百分点，2 说明了数字和运营弹性以及信任如何带来回报。

攻击者越来越多地利用生成式AI和机器学习来针对组织，而且这样做更有效。与此同时，组织本身也在采用这些技术来加强威胁检测和响应能力。这些工具使系统能够快速分析大量数据集，识别模式并检测异常，从而改善威胁检测和预防。

利用第三方软件和功能中的漏洞突显了系统风险的更广泛影响。随着行业越来越依赖第三方软件和功能，风险集中在各种业务流程中，增加了设计和实施软件物料清单以提高透明度和管理漏洞的必要性。

对数字领域监管监督、透明度度和安全的关注增加了。全球各国政府已经采取重大措施来制定更全面和严格的法规，因为对数字信任的担忧突显了对明确治理框架的需求。

地缘政治风险加剧，对数字信任和网络安全构成重大威胁。在这一不确定的环境中，各国越来越多地利用技术作为战略目标，对关键基础设施和数据安全的担忧日益增加。卫星和海底电缆等关键基础设施已成为目标，这可能会扰乱全球通信、商业和安全。组织可以通过将地缘政治因素纳入风险评估和缓解策略，采取积极和适应性的网络安全方法。

代币化在金融等行业不断增加，因为机构寻求扩大产品范围。区块链技术提供可互操作、不可篡改账本的能力，正在实现代币化资产等应用。

‘信任不再是软性问题；它是业务关键资产。在一个AI生成内容、跨境数据流和网络风险上升的世界里，数字信任是运营许可。那些通过设计建立信任的公司将是客户选择的公司——也是获得社会利益相关者支持的公司。’

— Roger Roberts，旧金山湾区合伙人

人才与劳动力市场

数字信任与网络安全

需求

与数字信任和网络安全相关的软件职位仍然很关键，软件工程和软件开发的需求相对稳定，尽管与2023年相比略有下降。安全分析师职位虽然从2022年的峰值大幅下降——与这一趋势中的大多数职位名称一样——但仍然领先于整体职位发布，反映了对威胁监控和合规专业知识的持续需求。

职位发布，按职位名称，2021–24年，千

技能可用性

事件响应、威胁情报和DevOps（软件开发和IT运营）等热门技能面临严重短缺，反映了行业对威胁缓解和自动化专业知识的迫切需求。人工智能越来越关键，因为公司集成了AI驱动的安全工具用于威胁检测和响应，但人才仍然稀缺。相反，风险管理显示人才略有盈余，表明与当前培训渠道保持一致。监管不确定性和市场波动导致区块链和分布式账本技能的人才市场波动。

所需人才，职位发布要求技能的百分比

人才可用性，人才与需求的比率

1.2x 0.3x		0.2x	0.3x	0.7x	0.1x	2.6x
Risk management	Incident response	Artificial intelligence	DevOps	Databases	Threat intelligence	Blockchain

全球采用发展

采用分数：4—正在扩展。

组织正在跨企业扩展这些技术的部署和采用。

即使在整个组织中全面扩展了网络安全，技术进步意味着它必须继续发展。例如，AI信任技术仍处于早期试点阶段，尽管生成式AI的快速推出。少数组织正在开发定制的网络安全解决方案，但大多数依赖于提供商来扩展。欧盟已经抢先一步加强数据安全和主权，通过AI法案对高风险AI系统实施严格规定，要求透明度性，并保护消费者权利。3

现实生活中的例子

涉及支持安全负责的AI使用的倡议和发展的现实例子包括以下内容：

MLCommons去年12月推出的AILuminate v1.0基准测试工具，用于评估大型语言模型（LLM）对提示的危险性反应倾向。它有助于识别风险，如儿童剥削、仇恨言论和滥用的武器，如化学、生物、放射、核和爆炸物违规行为，提供对LLM风险的独立分析，以告知决策。MLCommons目前正在扩展AILuminate以解决代理AI在正确性、安全和控制以及安全方面的风险。4

整合使科技公司能够响应消费者对更全面解决方案的需求。例如，思科在2024年3月进行了有史以来最大的收购，以280亿美元收购了Splunk，通过将Splunk的机器数据分析平台集成到其现有的网络安全产品组合中，提高了威胁检测和响应的能力。5 五个月后，思科收购了AI应用安全领域的先驱Robust Intelligence。6

以下是一个涉及AI驱动攻击针对组织的现实例子：

语音钓鱼——或“vishing”——是钓鱼攻击的另一个变种，它使用语音。vishing电话或语音消息诱骗人们放弃敏感的个人或财务信息。根据CrowdStrike 2025年全球威胁报告，vishing攻击在短短六个月内增加了442%，从2024年上半年到下半年。7 组织可以部署多层防御策略，结合员工教育、技术保障和主动监控来对抗vishing。

涉及日益增长的监管关注的现实例子包括以下内容：

美国国防部（DOD）在2024年建立了CMMC（网络安全成熟度模型认证）2.0框架，以提高其国防承包商和分包商的网络安全。DOD承包商和分包商将需要获得CMMC证书才能赢得新的国防合同。

监管机构越来越多地关注金融科技和区块链部门，以解决消费者保护和金融稳定问题。欧盟的加密资产市场（MiCA）法规于2024年底生效，旨在为数字资产（包括稳定币）提供全面的法律框架。预计这项法规将标准化代币化资产的发行和交易，促进创新，同时减轻与数字金融相关的风险。8

涉及地缘政治风险影响数字信任的现实例子包括以下内容：

Salt Typhoon，一个外国国家支持的网络攻击组织，负责一系列针对电信公司和其他关键基础设施的高调网络攻击。2024年，几家北美电信运营商遭到入侵，突显了全球电信基础设施的脆弱性。9

— 近年来，几起似乎旨在破坏互联网和外部通信的海底电缆中断事件，在地缘政治紧张局势中引发了关于破坏行为的担忧。在过去15个月里，波罗的海有11条电缆遭到破坏，造成了重大中断，促使北约启动了一个名为“波罗的海哨兵”的项目，以保护关键海底基础设施。10 海底电缆建设成本高，承载着大约99%的跨洲际互联网流量。11

涉及公司部署代币化的现实例子包括以下内容：

— 摩根大通集成了Kinexys数字支付。该数字优先的区块链解决方案与摩根大通外汇服务集成，以处理外汇结算。12

— 黑石推出了BUIDL。这个代币化基金现在代表超过40%的代币化美国国债市场。13

潜在技术

数字信任和网络安全技术包括以下内容：

数字身份。身份由所有描述和区分个人或实体的数字信息组成。自主权身份使用户能够控制他们分享的识别信息以及与谁分享。密码身份的用户可以使用替代于字母数字密码的方式，例如生物识别、设备和应用程序以及文档，来验证和认证自己。企业正在开发“融合身份”解决方案，这些解决方案将身份的不同方面整合到一个平台上，例如，当一个人从员工转变为业务合作伙伴再到客户时实现连续性。

隐私工程。这种实践管理隐私的实施、运营和维护，以降低隐私风险，并使有关资源分配和有效实施信息系统中隐私控制的决策更有目的性。

— 技术弹性。这是必要的一系列实践和技术基础，以在整个企业环境中安全地构建、部署和运营技术，包括不可变备份和自愈网络等组件。

区块链。这些数字分布的、分散的账本存在于计算机网络中，并促进交易的 secure、 transparent 和 immutable 记录。

智能合约。在区块链上以不可变代码建立的软件程序，当满足指定条件（例如买方和卖方同意的条款）时自动执行。

代币和数字资产。这些无形资产包括原生加密货币、治理代币、稳定币、非同质化代币以及代币化的现实世界和金融资产，包括现金。

去中心化应用。这些应用在点对点网络上运行，消除了对中心化服务器的依赖。它们使用区块链技术进行数据存储和安全，以及加密货币进行交易和用户参与。

人工智能。人工智能指的是利用高级算法和数据分析执行通常需要人类智能的任务的计算机系统，例如学习、解决问题和决策。

可解释性人工智能。这部署了方法和途径，以增加机器学习算法输入、加权和推理的透明度和可解释性，以建立对它们的信任和信心。

自动化治理、风险和合规（GRC）。GRC工具是旨在帮助组织管理和简化治理、风险管理和合规流程的软件应用和平台。

关键不确定性

影响数字信任和网络安全的主要不确定性包括以下内容：

安全性和可用性之间的权衡是一个持续的挑战。更强的安全措施可以减少受到攻击的脆弱性，但通常以速度较慢、用户友好性较低的系统为代价。消费者偏好和实际采用模式增加了另一层复杂性。

目前，没有一种适用于所有情况的可解释性方法可以打开大型AI模型的“黑箱”，以提供其输出的有意义的解释。可解释性工具需要针对特定上下文和数据量身定制，但兼容性问题可能会干扰更新或迁移技术的努力，特别是当与遗留系统集成时，例如仍在使用的许多分散的点解决方案。

即使计算能力的需求持续上升，对数据日益增长的使用推动增长的企业疑虑依然存在。许多公司担心他们的机密数据被用来训练LLM，导致数据和知识产权泄露的风险，这可能导致他们采用更昂贵的内部培训解决方案。为了减轻这些风险，供应商正在做出更强大的数据保护承诺，包括提供各种形式的知识产权索赔赔偿。

量子技术的最新进展增加了对支撑区块链网络安全的加密系统的担忧。随着量子计算在不确定的时间线上取得进展，它将对当前加密算法保护的数据的完整性和保密性构成重大威胁。

区块链技术和代币化的监管在司法管辖区之间是分散的，这带来了合规挑战。欧盟已经建立了如加密资产市场法规这样的框架，但包括美国在内的其他地区仍在发展监管方法。14 缺乏全球标准化延伸到了信任架构技术和网络安全法规，需要持续监控和调整公司政策以确保合规。15 这些法规在不同司法管辖区的不断演变性质要求区块链和代币化公司保持持续警惕。

未来的大问题

公司和领导者可能希望在推进数字信任和网络安全时考虑几个问题：

— 需要什么来保护不断增长的连接设备，例如物联网和运营技术，在消费者家中？

— 什么框架将确保在超连接世界中的用户隐私？

— 政府应该在维护数字信任和网络安全方面扮演什么角色？

— 保险激励措施在企业决定投资网络弹性和数字信任方面将有多大作用？

— 如何利用人工智能来帮助开发先进的安全机制，以领先于新兴威胁（地缘政治、人工智能相关、量子）？

— 不断演变的法规和企业态度的变化将如何影响基于区块链的代币化的步伐和规模？

08 量子技术

基于量子技术的应用利用量子力学的独特性质来执行某些复杂计算，比经典计算机快得多，建立安全的通信网络，并生产比其经典对应物具有更高灵敏度的传感器。

趋势及其重要性

量子技术代表了对传统计算的根本性飞跃，通过利用量子力学的独特原理来解决一些困难问题。一个支柱，量子计算，有可能实现使用经典计算机不可行的特定类别问题的解决方案，例如模拟化学中的量子现象或破解一些常用的加密技术。第二个支柱，量子通信，可以在确保安全通信方面发挥关键作用。量子传感，第三个支柱，增强了灵敏度，为特定用例提供了比传统传感器更广泛的能力。

到目前为止，2025年对于量子计算来说是一个多事之秋，主要参与者如亚马逊网络服务（AWS）、谷歌、IBM和微软宣布了量子芯片和能力的突破性进展。发展如谷歌的Willow芯片、微软的Majorana 1处理器、IBM的Quantum Heron和AWS的Ocelot已经解决了错误纠正和可扩展性等关键挑战，标志着向更实用的量子系统迈出了重要一步。尽管量子计算的实际应用尚未实现，但正在取得重大进展。这些发展反映了该领域的持续进步，因为公司继续探索从实验研究到潜在实际应用的道路。量子技术可能对化学品、生命科学、金融和移动行业产生经济影响。

然而，要真正释放量子技术的变革性好处，必须克服一系列技术挑战，可能通过公私部门的合作。公司可以通过关注量子技术的发展并根据其与行业挑战的相关性进行深思熟虑的投资，来定位自己以利用未来的突破。

最新发展

量子技术的最新进展集中在克服关键技术障碍上，如错误纠正和可扩展性。同时，主要科技公司和初创公司之间的竞争加剧，全球量子项目的扩展以及商业化的早期迹象都表明整个领域正在积聚动力。

量子技术的最新发展包括以下内容：

— 创新改进了错误纠正并实现了扩展。量子比特的可靠性提高了，实时错误缓解也得到了改善，这有助于构建更强大的容错系统。

量子计算正迅速成为一个高度竞争的领域。提供云计算服务的超大规模企业正在技术发布方面取得显著进展，标志着一个新的时代，传统计算巨头不仅参与而且还积极追求量子计算创新的领导地位。较小的参与者，包括初创公司，正在努力通过专注于风险较高的创新来区分自己。

2025年，量子技术创新中心显著增长，反映了人们对量子技术及相关监管框架的兴趣日益增长。现在有34个国家拥有国家量子计划，联合国已将2025年定为国际量子科学和技术年，将全球关注点聚焦于量子创新。随着量子领域的不断发展，监管机构认识到国际标准将在补充监管框架和推动量子技术创新方面发挥重要作用。

‘量子优势需要双重关注：硬件方面的突破性创新和错误纠正方面的进一步创新。这些成就共同将比预期更早实现容错量子计算机。’

— Henning Soller，法兰克福合伙人

‘近年来，已经投入了大量资金来解决量子技术挑战，但现在势头正在转向企业领域。前瞻性组织正在探索如何利用量子潜力来推动具有影响力的商业应用的实际价值。’

— Anna Heid，苏黎世副合伙人

量子技术

需求

量子技术职位发布在2022年达到顶峰，涵盖软件开发者、软件工程师、高级软件工程师和技术架构师等关键职位，之后在2023年和2024年稳步下降。安全分析师和系统分析师的职位发布波动较小，到2024年稳定在较低水平。总体而言，人才数据显示，招聘活动激增后趋于稳定，软件开发和工程在整个时期内需求领先。

职位发布，按职位名称，2021–24年，千

技能可用性

量子技术领域面临量子计算和人工智能技能的严重短缺，这些技能在大多数职位发布中都有要求。相比之下，云计算技能人才充足，而云计算技能仅占职位发布需求的10%。

所需人才，职位发布要求技能的百分比

全球采用发展

采用分数：1—前沿创新。该技术仍处于初期阶段，很少有组织投资或应用它。它在商业环境中基本上是未经测试和未经验证的。

量子技术领域正在迅速发展，既有创新型初创公司，也有老牌科技巨头宣布更多投资和进步。尽管如此，用户仍处于探索阶段，运行概念验证和小规模原型，以评估潜在应用和局限性。特别是，量子计算仍主要集中在研发阶段，早期系统主要用于测试和算法开发。不同地区的投资和战略重点各不相同，由欧洲10亿欧元的量子技术旗舰计划等举措支持，并在阿拉伯联合酋长国等地投资不断增长。1

现实生活中的例子

涉及错误纠正和扩展的现实例子包括以下内容：

Atom Computing最近实现了99.6%的双量子比特门保真度，这是商业系统中中性原子量子比特的最高保真度，也是错误纠正能力的重要进步。2 该公司的技术可以与微软的量子比特虚拟化系统结合使用，实时检测和纠正错误，而不仅仅是在后处理期间。然而，当前双量子比特门保真度和纠正设施的限制限制了演示中的计算强度。因此，扩展以运行更大更复杂的算法将需要额外的改进。3

Rigetti Computing和Riverlane在与Rigetti的84量子比特Ankaa-2系统上展示实时、低延迟错误纠正方面取得了重要里程碑。他们的实验标志着首次成功展示低延迟量子错误纠正，实现了快速反馈，这对容错量子计算至关重要。

涉及竞争和扩展进步的现实例子包括以下内容：

谷歌宣布了Willow，这是其最新的量子芯片，当增加更多量子比特时可以指数级减少错误。减少错误是量子计算的一个关键挑战。Willow还执行了一个基准计算，这将需要当今最快的超级计算机10 septillion年——比宇宙存在的时间长得多的时间——仅用五分钟完成。然而，基准计算没有已知的实际应用。4

AWS的Ocelot使用了“猫量子比特”技术，这加速了量子错误纠正并显著减少了所需的硬件。成本是扩展量子计算的主要障碍，Ocelot可以节省高达90%的成本。AWS预测Ocelot可以将实用量子计算的到来提前五年。5

微软推出了Majorana 1，这是世界上第一个由拓扑量子比特驱动的量子处理器，至少在理论上，拓扑量子比特比其他量子比特更稳定。微软表示，Majorana 1将使量子计算机能够在几年内而不是几十年内解决有意义、工业规模的问题。6

涉及量子中心的现实例子包括以下内容：

IBM在德国Ehningen开设了其在欧洲的第一个量子数据中心。在那里，Eagle和Heron等先进处理器提供量子计算能力。该中心旨在促进欧洲的研究和创新，通过云提供量子计算资源，同时遵守地区数据保护法规。7

Nvidia宣布，它正在波士顿建立一个量子计算研究中心，即NVIDIA加速量子研究中心（NVAQC）。该计划旨在通过将领先的量子硬件与AI超级计算机集成来推进量子计算，这一概念被称为加速量子超级计算。NVAQC希望克服量子计算中最紧迫的挑战，包括量子比特噪声和将实验性量子处理器转变为实用设备，以及开发如量子错误纠正和混合量子算法等技术。

潜在技术

量子技术包括以下内容：

量子计算。量子计算是一种利用量子力学定律来显著提高某些应用性能并进入新的计算领域的计算范式。

量子通信。量子通信是安全地跨距离传输量子信息。

量子密钥分发（QKD）。QKD是使用量子技术安全地共享一个密钥，该密钥可以与经典加密算法一起使用。

量子传感。量子传感使用基于量子系统的新一代传感器，提供各种量的测量——例如，电磁场、重力和时间。量子传感器可能比传统传感器灵敏度高几个数量级。

关键不确定性

影响量子技术的主要不确定性包括以下内容：

技术挑战包括实现足够数量和质量的量子比特的能力，以在足够长的时间内得出有意义的计算结果，同时需要克服可能尚未显现的监管、技术和财务障碍。

成本效益可能需要时间才能实现。大多数企业所需的计算都可以由传统超级计算机相当好地完成，成本比量子计算机低得多。一旦实现量子优势，成本可能会下降，但目前尚不清楚哪些量子计算组件将变得更加经济高效。

— 量子计算生态系统尚处于起步阶段。量子中心以外的创新受到有限的量子技术意识和采用的阻碍，不同行业的技术成熟度和适用性水平不同，需要增加跨学科协调（例如，在学术界和工业界之间）以将技术推向市场，以及量子公司继续寻找和培养在量子理论、硬件和软件开发方面的人才。

— 在量子技术领域处于领先地位的国家可能会彻底改变制药、物流和网络安全等行业，可能会扩大国家之间的经济差距。

未来大问题

公司和领导者可能希望在推进量子技术时考虑以下几个问题：

量子技术可能在未来十年内达到哪些重要里程碑，包括完全错误纠正、量子优势以及使击败当前RSA加密成为可能？
公司现在如何为量子技术做准备，特别是量子计算带来的安全威胁？
量子计算将对去中心化金融产生什么影响？
量子人才供应能否满足需求？私人和公共部门如何帮助填补人才缺口？
地缘政治动态和新兴监管框架将如何塑造全球开发、商业化和控制量子技术的竞赛？

尖端工程

09 机器人的未来

机器人的未来涵盖了能够自主或半自主执行任务的机器人的进步，适应新的现实输入，具有日益增长的自主性和灵活性，包括自主移动机器人和类人机器人。

趋势及其重要性

在过去的六十年里，机器人在先进制造业中已成为熟悉的景象。今天，超过四百万台工业机器人在汽车工厂等环境中工作。2024年，人工智能的进步推动了物理机器人的兴趣激增，超越了工业环境。越来越多的公司正在开发具有不同形态的机器人，从机械臂和四足动物到在人类设计的环境中导航和操作的类人机器。同样的AI基础模型，使聊天机器人的创建成为可能，正被训练来控制机器人在新颖情况下灵活响应。新的形态和更灵活的控制系统的结合可能使更多的多用途甚至通用机器人投入使用。

机器人越来越多地设计和部署在制造以外的 environments，包括 airports、大型商店和 restaurants。尽管每年工业机器人安装量预计在未来几年将以中低个位数百分比增长，其中一半的新安装量在中国，但物流、酒店和农业等领域的服务机器人市场增长速度快很多——每年20到35%。尽管对“类人”机器人的兴趣在增长，但许多机器人根本不像人类。例如，在仓库内运输材料的自主移动机器人（AMR）看起来更像一个机器人吸尘器，而不是一个人。越来越多的机器人被设计为与人类工人安全地并肩工作。这些被称为协作机器人的机器人，扩展了机器人可以部署的任务和情况，超越了工业环境，在那里安全墙通常将它们与人类工人隔开。

尽管取得了重大进展，但挑战仍然存在。无束缚的类人机器人受到电力的限制：最先进的类人机器人可以运行大约四个小时，然后需要充电，这大约需要两个小时。类人机器人也会摔倒——保持两脚平衡比人们想象的要难。抓取物体的手状设备通常比人手慢得多，而其他设备，如吸盘，对于某些任务可能更有效。其他需要解决的关键优先事项包括劳动力再培训、人类同事的物理安全以及强大的网络安全框架。1

尖端工程

机器人未来

需求

尽管机器人的就业岗位数量与其他行业相比仍然很小，但2021年至2024年间，几乎所有职位的需求都有所增加。维护技术员、数据科学家和自动化工程师等职位的增长特别强劲，这反映了制造业、物流和医疗保健领域对自动化需求的扩大，这些领域需要熟练的技术人员；集成AI系统需要更多的数据科学家来开发用于机器人决策的机器学习（ML）模型；以及采用技术需要自动化工程师来实施协作机器人和物联网连接系统。

职位发布，按职位名称，2021–24年，千

技能可用性

随着机器人越来越多地整合AI驱动系统，对机器学习、AI、自动化和计算机视觉专业知识的需求正在增长，但人才库仍然受到限制。公司将需要弥合这些技能差距，以充分释放机器人技术的变革潜力。

所需人才，职位发布要求技能的百分比
人才可用性，人才与需求的比率

全球采用发展

采用分数：2—实验。组织正在使用小规模原型测试技术的功能性和可行性，通常不关注近期投资回报。很少有公司（制造业和电子商务除外）正在扩展或已经全面扩展该技术。

尽管采用情况因机器人技术而异，但仓库、制造业和通用用例中正在进行多项试点计划。

现实生活中的例子

涉及在机器人中使用基础模型的现实例子包括以下内容：

Covariant推出了RFM-1，一个机器人基础模型，它赋予机器人类似人类的推理能力。这个模型帮助机器人理解物体在现实世界中的运动和互动，遵循基于语言的指令，并反思自己的行动。2

Figure AI推出了Helix，一个视觉语言动作（VLA）模型，它使类人机器人能够执行复杂任务，例如整理杂货。根据Figure AI的说法，Helix是迈向适应性强、真实的机器人应用的一步，实现了动态对象识别和无需预先训练的协作。3

涉及类人机器人发展的现实例子包括以下内容：

波士顿动力公司推出了Electric Atlas，一款全电动类人机器人，具有增强的力量和活动范围，可以在工业环境中处理重物。现代汽车计划在汽车制造中部署Electric Atlas作为协作机器人。4

特斯拉的Optimus是一款设计用于工业和家庭环境通用任务的类人机器人。它高五英尺八英寸，重125磅，配备有先进的AI和手部22度的自由度。该公司计划在包括制造、医疗保健和家庭服务在内的各个领域部署Optimus。5

GXO Logistics与Agility Robotics达成了多年协议，在其设施中部署Digit类人机器人，这是同类行业协议中的第一个。Digit将自动化任务，如移动托盘和管理托盘化，这可以提高运营效率和安全性。Digit在GXO的试点项目中表现成功，在制造业、第三方物流、零售和电子商务等领域最大限度地提高了产能并满足了需求。6

涉及机器人行业应用扩展的现实例子包括以下内容：

— 亚马逊已在其实仓库中部署了AI驱动的协作机器人，以自动化取放和托盘化任务，显著提高了吞吐量和准确性。这些机器人可以处理广泛的物品，结合了力传感器和AI视觉系统。这种结合使它们能够以灵活性和触觉灵敏度抓取和放置物体。7

KFoodtech于2023年10月推出的BotBob是一种先进的机器人厨房解决方案，旨在解决餐厅劳动力短缺和运营成本问题。BotBob可以在3.5分钟内烹饪多达六份传统的韩国炖菜，提高了效率并减少了等待时间。8

Tortuga AgTech的机器人可以识别并采摘成熟的水果，准确率达到98%，只需要一个人类监督员。这些机器人解决了劳动力短缺问题，并在收获过程中减少了作物损伤。9

— Sanctuary AI的高级触觉传感器10 和Meta AI的11 Digit 360 提高了机器人的灵活性，以实现盲选和滑动检测等任务。Digit 360 可以检测到七微米的空间细节和最小为一毫牛顿的力，这为更通用和敏感的机器人应用奠定了基础。

潜在技术

驱动机器人的技术包括以下内容：

— 高级AI和ML。这些复杂的算法和模型使机器人能够基于数据和经验学习、适应和做出复杂决策。

— 传感器和视觉系统。机器人感知和视觉技术是硬件和软件的结合，使机器人能够感知和解释其环境，从而实现物体识别和导航等任务。

— 高级执行器和运动控制。这些是精确控制机器人运动的组件和系统，使复杂的物理交互成为可能。

— 人机协作。协作技术允许机器人在安全有效的情况下与人类一起工作，提高各行业的生产力。

— 机器人即服务（RaaS）。RaaS是一种商业模式，以订阅或按使用付费的方式提供机器人解决方案，增加了更多企业获得先进机器人的机会。

— 自主导航和决策。这些功能允许机器人在各种环境中独立移动和操作，并根据周围环境做出实时决策。

— 触觉感知。传感技术使机器人能够检测和响应物理接触，提高其处理物体和与环境互动的能力。

— 专用电池。这些电池是专门为满足机器人系统的特定能源需求和运营需求而设计的高效能源。

关键不确定性

影响机器人未来的主要不确定性包括以下内容：

随着机器人融入我们的劳动力队伍，超越了传统的制造业用例，关于机器人的风险和信任框架出现了不确定性。例如，自主机器人的责任和安全协议可能需要重新定义，因为现有框架难以解决AI驱动的决策问题。建立国际标准对于人机协作安全仍然是一个重要挑战。

围绕类人机器人的迷恋、恐惧和不确定性，引发了它们可能会发展以满足并超过某些员工能力的担忧。随着机器人承担更高级的任务，人类工作的性质正在演变。例如，自主机器人越来越多地用于处理酒店业中的客房服务和清洁任务。虽然这些系统提高了效率，但也引发了公众对就业岗位流失的担忧。

未来大问题

企业领导者可以考虑几个问题，当推进机器人技术时：

— 何时在现有棕地环境中改造机器人比从头开始更有战略和财务意义？

— 哪些未开发的行业或服务领域即将在机器人实施方面取得突破？

— 协作机器人在哪里创造真正的价值，又在哪里会碍事？

— 随着人工智能在机器人领域的快速发展，将出现哪些新的伦理和监管挑战？

— 建立员工和客户对机器人的信任需要什么？

10 移动的未来

移动技术包括自动驾驶汽车、电动汽车、无人机、城市空中移动解决方案，如电动垂直起降飞机，以及微型移动设备，如电动滑板车和电动自行车，其目标是提高运输系统的效率、安全性和可持续性。

趋势及其重要性

2025年的移动未来正在迅速发展，由技术进步和对可持续性的新兴需求驱动，涵盖自动驾驶汽车（AVs）、电动汽车（EVs）、无人机、空中旅行和微型移动设备。人工智能、高级传感器和连接性的整合正在提高车辆的安全性和效率，而共享移动模式正在重塑城市交通。这些发展可能会彻底改变交通、城市规划、能源系统和全球整体生活质量，通过创造新的市场和就业机会带来潜在的经济影响。

然而，在监管框架、基础设施发展和公众接受度方面仍存在挑战。随着这些技术成熟，它们承诺带来变革性的变化，但创新者仍需应对技术、监管和消费者情绪问题。例如，欧盟电池法规为电池设计、生产和生命周期管理设定了更严格的标准，反映了移动行业对可持续性的日益重视。1

‘我们现在正处于几个突破性新技术接近规模化的时刻，例如自动驾驶汽车应用和下一代电池化学。接下来的关键步骤将是超越技术开发，建立新的生态系统。’

— Andreas Breiter，旧金山湾区合伙人

最新发展

涉及移动未来的最新发展包括以下内容：

全球电动汽车销售增长不均。2024年，美国电动汽车销售增长放缓至略高于7%，与2022年至2023年近33%的增长相比明显下降。高生产成本以及2025年税收抵免的即将取消促成了需求的下降。2 相反，中国电动汽车销售激增近36%，由强劲的消费者需求、充电基础设施的扩展和政府激励措施驱动。3 在欧洲，电池电动汽车（BEV）的平均成本已降至约44,000美元，低于同类汽油动力车辆的平均45,000美元。4 汽车制造商计划在全球发布更多经济实惠的电动汽车模型，尽管在美国，负担能力的改善仍然较慢，阻碍了广泛采用。

自动驾驶汽车正在取得进展，但仍面临障碍。共享自动驾驶汽车已经在洛杉矶、凤凰城和旧金山等多个城市运营。与过去预测相比，所有自动化级别的采用时间表平均推迟了2到3年，受持续的技术障碍、高运营成本和公众怀疑的阻碍。预计到2035年，单位成本将显著降低，因为公司实现了更高的车辆利用率，进行了运营改进，并减少了研发需求。然而，约50%的受访者认为安全仍然是广泛采用自动驾驶汽车的关键瓶颈。5 尽管如此，行业领导者应继续与监管机构合作，并建立标准框架以持续改进自动驾驶系统的安全性、可访问性和负担能力。

无人机继续扩大其在商业运营中的作用。预计到2034年，无人机交付服务将达到290亿美元，年复合增长率（CAGR）为40%。6 消费者对无人机交付提供的便利性仍然保持高度兴趣，尽管安全和隐私仍然是担忧。公司正在定制无人机以满足特定的交付需求，并将其与自动驾驶汽车集成，以实现无缝的最后一英里交付解决方案。此外，水下无人机因其在海上环境中的情报、监视和侦察任务而获得关注，显示出延长续航能力以进行实时情报收集。

电动垂直起降（eVTOL）飞机行业正在朝着为载客进行监管认证的方向发展，这标志着朝着商业城市空中交通迈出的关键一步。多家制造商正在全球航空当局的认证阶段取得进展，同时监管机构正在努力协调安全标准和运营指南。尽管仍存在基础设施和空中交通整合方面的挑战，但该行业有望在明年开始有限的商业乘客运营，标志着短途城市交通的变革性转变。

在之前的供应过剩问题后，微型移动显示出韧性。新型产品如微型电动汽车和电动自行车成本的下降刺激了新的需求。主要参与者，如电动滑板车公司Bird和Lime，通过收购和合作伙伴关系巩固了他们的地位，因为城市越来越多地将微型移动选择整合到公共交通系统中。个人电动移动设备，如电动滑板车和电动自行车，在全球范围内获得主流认可，许多城市的基础设施调整支持其增长。在亚洲和欧洲，两轮车越来越多地电气化，以应对环境问题和支持性政策。

创新技术正在推进水上移动和电气化。配备先进起重技术的自主驳船系统正在开发中，以简化港口的装载和卸载过程，目标是减少处理时间并提高效率。7 此外，计算机控制的船体技术已经开始将船只提升到水面上方，显著减少了阻力和能源消耗。

未来移动

需求

软件职位在2022年达到顶峰，之后最近有所下降，部分原因可能是人工智能简化了自动驾驶系统的编码过程。数据科学家的职位发布稳步增长，反映了对电池分析和AI驱动物流的需求增加。该行业转向以数据为中心的移动解决方案和AI增强的工作流程，凸显了从传统软件职位的更广泛转变，因为该行业优先考虑可持续性和自主性。

职位发布，按职位名称，2021–24年，千

技能可用性

即使软件工程中的可用职位数量下降，移动行业在软件工程和Python技能方面仍面临短缺，用户体验人才仍然严重短缺。车队管理和C++技能显示出过剩，数据分析人才供过于求。

所需人才，职位发布要求技能的百分比
人才可用性，人才与需求的比率

‘高管和投资者非常有信心，2025年对移动公司的投资量将高于近年。尽管估值不一定同时增加，但越来越多的投资者对存在的机遇感到兴奋。这种新发现的乐观情绪部分可以解释为移动领域传来的更积极的消息。’

— Kersten Heineke，法兰克福合伙人

全球采用发展

采用分数：3—试点。组织正在通过试点项目或有限实施在最初的几个业务用例中部署技术，以测试其可行性和有效性。

尽管全球市场需求存在一些地区性波动，但受可持续性努力和技术进步的推动，市场依然强劲。然而，全球某些地区的移动创新和采用仍然落后。例如，非洲是电动汽车的缓慢采用者，因为其国家面临着可靠和持续电力接入的挑战。由于中东地区燃料成本低，中东也是一个采用速度较慢的地区。

现实生活中的例子

涉及自动驾驶汽车进展的现实例子包括以下内容：

Waymo在2024年将其完全自动驾驶的乘车服务扩展到洛杉矶和德克萨斯州奥斯汀，从2023年8月的12,000次乘车增加到一年后的312,000次。8 该公司正在探索全球扩张，并计划于2025年进入日本市场，在东京复杂的城市环境中提供乘车服务。9

2024年12月，Kodiak Robotics在德克萨斯州西部与Atlas Energy Solutions合作推出了其首个商业无人驾驶业务。在二叠纪盆地，配备Kodiak专有自动驾驶系统Kodiak Driver的机器人卡车在私人道路上使用。这些卡车自主为Atlas运输压裂砂，到2025年初交付了100批货物。这次运营展示了自动驾驶汽车在极端高温和沙尘暴等恶劣条件下保持安全性和效率的能力。10

以下是一个涉及无人机在商业运营中角色扩大的现实例子：

— 2025年，几家公司正在积极推进商业无人机交付的试点项目。亚马逊Prime Air已在一些美国市场恢复了无人机交付，沃尔玛正在通过与Wing和Zipline等提供商合作来扩大其无人机交付服务。其他公司也在扩大自主交付运营，这得到了美国联邦航空管理局（FAA）批准的不断增加和对更快、无接触物流的需求的支持。

以下是一个涉及eVTOL行业的现实例子：

城市空中交通参与者正在朝着商业化稳步前进。Archer Aviation的Midnight空中出租车，设计用于短途城市交通，正准备在其第一个市场商业化推出。11 Joby Aviation在获得FAA认证方面取得了进展，并计划很快开始运营。12

以下是一个涉及微型移动的现实例子：

2024年，Lime在全球扩展到20多个新城市，包括东京和希腊雅典。该公司还超过了7.5亿次终身乘车，这是向更可持续的城市交通选择转变的一个显著迹象。Lime的扩张反映了随着城市探索减少拥堵和排放的方法，对微型移动解决方案日益增长的兴趣。13

以下是一个涉及创新水上移动技术的现实例子：

2024年推出的Candela P-12 Nova是世界上第一艘电动水翼渡轮。Candela表示，Nova通过减少水的摩擦力，比传统船只减少了80%的能源消耗。由可再生电力驱动，Nova噪音极小，没有尾迹，允许在城市范围内高速运营。14

潜在技术

驱动未来移动的技术包括以下内容：

自动驾驶技术。先进的传感器融合系统、边缘AI处理器和故障安全架构使车辆能够感知其环境，做出决策，并在没有人类干预的情况下安全运行。

联网车辆技术。5G车辆到万物（V2X）通信、强大的网络安全协议和无线更新功能使车辆能够与基础设施、其他车辆和网络互动，以提高安全性、效率和用户体验。

电气化技术。固态电池、双向充电系统和氢燃料电池可以改进车辆动力系统，通过延长续航里程、减少充电时间和实现与智能电网的集成。

— 共享移动解决方案。移动即服务平台和动态车队重新平衡算法优化了共享车辆的使用，减少了拥堵和排放，并改善了城市流动性。

材料创新。生物基复合材料、阻燃电池材料和可回收气凝胶正在通过轻量级、耐久和环保的组件来增强车辆性能、安全性和可持续性。

价值链脱碳。绿色甲醇航运、循环供应链和制造过程中的碳捕获正在减少车辆生产和物流对环境的影响。

软件定义车辆架构。集中式计算平台能够进行模块化硬件升级和持续软件改进，提高车辆功能和使用寿命。

数字孪生技术。AI驱动的模拟来预测维护需求并优化车队运营，提高了移动生态系统的效率并减少了停机时间。

— 先进的电池管理系统。AI算法优化充电周期并延长电池寿命，提高了电动汽车的长期可行性和性能。

关键不确定性

影响未来移动性的主要不确定性包括以下内容：

全球能源供应扩张。2025年，全球锂需求预计将超过供应，反映了电动汽车生产的激增。如果电动汽车市场继续增长，将需要大量投资于电池制造能力。

安全与问责问题。随着自动驾驶技术的进步，安全仍然是行业领导者和创新者的首要任务。例如，自动驾驶卡车的规模和公众可见度依赖于严格的保障措施。自动驾驶货运公司Aurora计划于2025年在德克萨斯州部署无人驾驶卡车，这突显了对强大的安全法规和建立公众信任措施的需求。

设备和基础设施成本。电动汽车充电基础设施成本差异很大，从基本的一级充电器2,000美元到直流快速充电站超过100,000美元不等。安装费用通常超过设备成本，需要场地准备、电气升级和许可证，这些都增加了总投资。16

公众接受度和信任。通过提高透明度和公众教育建立对自动驾驶汽车的信任对于广泛采用至关重要。J.D. Power 2024年美国移动信心指数显示，消费者对自动驾驶汽车的信心略有增加，尽管仍然较低，为100分中的39分。17

网络安全和隐私。随着车辆变得更加互联和软件定义，解决网络安全威胁和保护用户数据变得越来越重要。这包括保护V2X通信和保障智能车辆收集的个人信息。

未来大问题

公司和领导者可以考虑以下几个问题，当推进移动技术时：

— 地缘政治变化将如何影响移动供应链？

— 中心移动枢纽的扩展，例如火车站和公共汽车站以及共享微型移动仓库，以及连接交通网络将如何重塑城市景观和通勤模式？

— 公共基础设施与私人投资在塑造移动未来方面有什么含义？

— 公众对自动驾驶汽车的信任和接受度将如何演变？

— 监管的变化将如何决定自动驾驶汽车、无人机和下一代运输系统的采用速度和规模？

11 生物工程的未来

生物工程是应用工程原理于生物学，利用技术进步（例如基因编辑、合成生物学）来改善健康和人类表现，转变食品价值链，并创造创新产品。

趋势及其重要性

生物科学和先进计算技术的融合正在为生物工程的下一波创新浪潮铺平道路。这一交叉点在2024年推动了多个行业的创新，生物工程的进步影响了医疗保健、农业、制药和环境管理等行业。基因编辑、个性化医疗和合成生物学的突破有望改善人类健康和寿命，同时为食品生产和安全提供更环保的解决方案。人工智能在生物工程中的应用正在加速研发并降低成本，使研究人员能够识别新材料，创造更优化的生物生产路线，并原型化更多产品。作为AI在生物工程中的特别显著的赋能作用的例子，2024年诺贝尔化学奖由三位使用AI预测现有蛋白质结构并设计新蛋白质的科学家共享。1

然而，这些技术的快速发展带来了新的伦理、监管和社会挑战。成功采用生物工程创新取决于确保公众接受并创建负责任开发和应用的坚实框架。虽然许多这些进步背后的科学已经得到证实，但实现商业可行性和解决社会问题对于实现生物工程技术的全部潜力至关重要。

‘生物工程终于到了我们开始看到一些成熟度的阶段——例如在化学和生物设计中更广泛地使用AI、在市场上销售的生物工程精准药物以及3D生物打印。没有人再怀疑这个领域在科学和经济上的影响了。’

— Erika Stanzl，苏黎世合伙人

最新发展

涉及生物工程未来的最新发展包括以下内容：

生物材料和生物工程继续快速发展。3D生物打印和再生疗法的重大进展正在增加实验室培养器官和复杂疾病先进治疗的可能性。2

制造能力开始扩展以匹配科学进步。生物工程行业正在通过安装大规模基础设施（例如2,000升生物反应器）来扩大生产能力，以支持不断增长的需求并实现更广泛的临床转化。3

— AI正在加速药物和生物材料的研发。在药物开发中，AI正在简化数据处理和候选筛选等任务，帮助减少试验准备时间并提高效率。在生物材料中，AI通过模拟独特的分子结构来支持新化合物的快速设计和测试。这些进步正在缩短生命科学领域的创新周期并降低开发成本。4

基于CRISPR的疗法正在从临床试验进入批准治疗。这一精准医学的里程碑为从根源治疗遗传疾病开启了一个新时代，并且已经在催化基因编辑递送系统的进一步创新，并扩展了可治疗疾病的范围。5

生物工程的突破——包括用于增强组织架构建模的3D细胞培养系统的进步和用于改善再生微环境的可注射生物仿生水凝胶——在2024年推动了干细胞研究的进步。6 这些创新解决了可重复性、免疫排斥和临床可扩展性方面的关键挑战，加速了干细胞疗法向先进治疗性药物产品的转化，例如组织工程移植物和基因编辑细胞配方。7

‘实验室取得了重大进展，更有效地制造新分子和材料，并且继续加速。但是要实现商业可行性，需要高效的生产；要真正规模化，我们还需要在如何设计、建造和运营商业规模生产资产方面取得进步。对于能够解决这个问题的工程师、制造商和建筑公司来说，这是一个巨大的机会。’

— Tom Brennan，费城合伙人

生物工程的未来

需求

自2022年以来，生物工程职位的就业市场显示出一些收缩迹象。科学家、化学家和研究人员等关键职位在2023年至2024年间都出现了职位发布的下降，与生物工程相关的几乎所有顶级职位类别都出现了下降。这一趋势表明，生物工程领域的招聘需求正在降温，可能是由生物技术资金放缓、制药和研究领域整合以及新兴生物技术商业化延迟等因素共同推动的。

职位发布，按职位名称，2021–24年，千

技能可用性

在生物工程的一些领域，有足够的人才来满足需求。例如，人才库中拥有广泛适用的技能，如生物学和数据分析的人比需要这些技能的职位空缺多。相反，更专业的技能如机器学习、统计和生物统计学在人才市场中比例更为合理，人才可用性与市场需求更为接近。这些技能，以及软件工程，随着生物工程越来越多地整合计算和数据驱动方法而变得越来越重要，需要能够将生物学与高级分析和AI技术相结合的 professionals。

所需人才，职位发布要求技能的百分比
人才可用性，人才与需求的比率

全球采用发展

采用分数：4—正在扩展。

组织正在跨企业扩展技术的部署和采用。

生物技术正在迅速跨多个行业扩展，超越了有限的部署。突破性进展如美国食品和药物管理局（FDA）批准Casgevy以及在精准发酵和生物材料方面的进步，证明了该技术的变革潜力。在AI驱动解决方案的推动下，AI加速了药物发现和材料设计，商业影响正在增长。技术成熟度、商业可行性和AI驱动的加速的结合为生物技术在企业中扩展奠定了基础。

现实生活中的例子

涉及生物材料和生物工程进展的现实例子包括以下内容：

京都大学和Shinobi Therapeutics正在再生医学应用中生物来源的支架，包括胶原蛋白。这项创新优化了支架稳定性并减少了软组织修复的免疫原性。Shinobi与松下在封闭系统制造设备上的合作可能包括AI驱动系统来优化自动化系统。8

— 2024年生物工程的一个里程碑集中在mRNA-脂质纳米颗粒技术上，将成年细胞重新编程为诱导多能干细胞。研究人员使用工程化的脂质纳米颗粒——微小、脂肪样的载体——将合成mRNA指令传递到皮肤细胞中，暂时激活“重置”它们成为多功能干细胞的基因，而不会改变它们的DNA。这种方法，由哈佛大学和uBriGene生物科学团队完善，可以实现可扩展的患者特异性干细胞生产，用于修复受损组织、疾病建模和测试疗法。9

现实中的公司正在扩大生产以匹配科学进步的例子包括：

21st.BIO，一家丹麦生物技术公司，专注于精准发酵，以实现可持续蛋白质和生物材料的大规模生产。2024年，21st.BIO启动了一个试点设施来扩大发酵规模，并进入了美国市场。10

LYCRA公司与大連化学工业股份有限公司（DCC）合作，致力于大规模生产可再生氨纶。DCC开发了一种碳足迹明显降低的工艺，使用玉米来制造用于制造氨纶的材料。11

以下是一个现实例子，说明AI如何加速药物和生物材料的研发：

Adaptyv Biosystems推出了一个蛋白质工程Foundry。该设施利用生成式AI、开源软件和合成生物学来开发新药、酶和可持续材料。该公司的平台结合了机器人和微流控技术来验证基于AI的蛋白质设计，加速了药物发现过程。

生物工程突破的其他现实例子包括：

GOOD Meat获得了在美国销售培养鸡肉的监管批准，而获得FDA和USDA批准的UPSIDE Foods12 在旧金山的一家米其林星级餐厅提供了有限的培养鸡肉。这两家公司都在追求规模化生产，但面临扩大运营的技术和监管挑战。13

EVERY公司使用精准发酵生产无动物蛋蛋白。它的标志性产品是EVERY Egg，并为食品和饮料产品制作原料，如咖啡、果汁、糖浆和烘焙食品。2024年，该公司获得了重组卵清蛋白生产的基础专利，并扩大了与Unilever、Grupo Nutresa和Grupo Palacios的合作伙伴关系。14

潜在技术

以下技术的进步将定义2025年生物工程的未来：

组学。单细胞测序正在成为整合DNA、RNA转录本和甲基化数据的变革性方法，提供了细胞功能和调控的全面视角。在这个基础上，单细胞蛋白质组学正在发展为在单个细胞水平上表征蛋白质表达的工具。当结合时，这些技术提供了对细胞异质性和复杂生物过程的洞察。此外，将多组学整合到多模态AI模型中正在解决在组合不同多组学数据集时遇到的格式和结构差异方面的长期挑战。深度学习技术，作为AI的一个子集，已经实现了比传统统计方法更复杂的分析。

基因编辑。FDA首次批准了基于CRISPR的疗法。体内基因编辑项目正在进入临床试验阶段，增加治疗更大患者群体的潜力。

3D生物打印和组织工程。使用球体的新型高通量生物打印技术已经加速了具有高细胞活力的复杂组织的创建。该技术生产组织比现有方法快十倍，正在推进用于移植和药物测试的功能性组织和器官的开发。

生物材料。正在开发源自植物油的环保原材料，用于各种应用，包括化妆品、高吸水性聚合物和粘合剂。正在针对再生医学应用优化生物来源的支架，例如胶原蛋白。

合成生物学和代谢工程。精准发酵正在取得进展，公司通过发酵生产与自然相当的蛋白质，这是传统乳制品和其他来源的蛋白质更环保的替代品。

精准医疗技术。AI驱动的解决方案正在加速药物发现中的靶点识别，减少临床试验成本和研发时间。正在开发基于特定蛋白质特征的个人化治疗策略来治疗癌症和其他疾病。

关键不确定性

影响生物工程未来的主要不确定性包括以下内容：

生物工程的监管。监管框架正在不断发展以应对生物工程的快速发展。例如，2025财年国防授权法案要求美国国防部创建年度生物技术路线图，并评估采用障碍、劳动力需求和国际合作。同样，FDA的2025年指导议程包括评估生物制品和治疗产品的新建议，反映了该领域日益增长的监督需求。然而，欧洲和中国将如何监管生物工程食品和作物仍存在不确定性。虽然欧洲正在讨论放宽某些基因组技术的限制，但中国正在扩大对转基因作物的批准，但面临公众对其安全性的怀疑，这创造了一个复杂的全球监管格局。15

公众看法和伦理问题。公众对生物工程的态度仍然喜忧参半，担心安全性、公平获取和伦理影响。问题如自然和人工系统之间的“界限模糊”持续存在，特别是在涉及合成生物学应用时。在COVID-19大流行期间，对这些技术的怀疑增加，包括对生物工程生物体自我复制或在生态系统中持续存在的担忧。

意外后果。生物工程系统本质上是相互关联的，意味着小的变化可能会产生级联效应。这一点在工程生物体自我复制的性质以及这些生物体与自然生态系统相互作用时可能产生的意外后果，包括水平基因转移、生物多样性丧失或生态破坏时尤为重要。例如，改良的农业生物体可能面临在环境中生存和传播方面的挑战，有些失败而有些意外地持续存在。

生物安全和双重用途风险。生物技术的双重用途性质是另一个日益增长的担忧，因为为有益目的设计的工具也可能被误用于有害应用，如生物恐怖主义。人工智能和生物工程的交叉放大了这些风险，通过降低高级生物工程的门槛。生物武器公约和人工智能安全峰会等倡议旨在通过国际合作减轻这些威胁。

技术与传统方法的有效性。尽管生物工程技术具有变革潜力，但与传统方法相比的有效性仍在评估中。例如，合成生物学疗法必须证明其成本效益和可扩展性，以与已建立的疗法竞争——并满足严格的安全标准。

未来大问题

公司和领导者可能希望在推进生物工程时考虑以下几个问题：

— 社会将如何平衡基因编辑技术的潜在益处与医疗伦理问题？

— 哪些因素将影响公众对基因工程作物和其他生物工程产品的接受和采用？

— 监管框架将如何发展以解决围绕新兴生物工程技术的安全性和信任问题？

— 地缘政治的分化在临床研究和监管中将如何决定生物工程全球力量的平衡？

12 太空技术的未来

太空技术涵盖卫星系统、运载火箭、居住舱和探索任务，包括低地球轨道卫星星座、低地球轨道与地面网络集成的直接设备连接以及地球观测。

趋势及其重要性

太空技术正在迅速重塑我们的世界，释放出新的连接水平和数据驱动的见解，这些正在吸引传统航空航天领域之外的广泛兴趣。公司已加入国家行列，参与全球发射活动和对太空探索的投资。日本成功登陆月球，NASA已聘请私营公司为Artemis计划开发月球着陆器。企业也在开发端到端解决方案，将太空技术与地面基础设施集成，以在各个领域提供无缝服务。

自2024年以来，遥感、地球观测等应用领域的扩展吸引了一些知名科技公司的关注和投资。这项技术的最新趋势包括低地球轨道（LEO）卫星通信星座，最引人注目的是SpaceX的Starlink，它已经在轨道上有超过7,000颗LEO卫星。1 潜在的竞争对手如亚马逊的Project Kuiper，它于2025年4月发射了27颗LEO卫星，也已进入市场。2 在手机领域，直接到设备（D2D）的卫星连接正在推出，正如苹果iPhone的紧急连接功能所说明的那样。

展望未来，该行业可能面临有关太空所有权和使用权的问题，建立安全运营的治理结构，并协调努力有效管理太空碎片和交通。此外，该行业可能需要应对日益增长的网络风险，并定义不同轨道上卫星分布的未来格局。

太空正迅速成为创新、安全和经济增长的关键平台。发射成本的显著降低、商业卫星星座的兴起以及轨道内新能力的出现，正在改变各行业可能实现的目标。未来引领这一新时代的组织将是那些将基于太空的数据和连接嵌入其核心战略的，组织伙伴关系并建立所需的人才以在快速发展的生态系统中导航的组织。’

— Ryan Brukardt，迈阿密高级合伙人

最新发展

可重复使用火箭、卫星技术和AI驱动数据分析的进步正在迅速改变太空接入和地球观测。这些技术使得更快速、更低成本的发射和实时洞察成为可能，这些洞察影响到从环境监测到全球通信的领域。

涉及太空技术的最新发展包括以下内容：

将有效载荷发射到LEO的成本已经下降，这由可重复使用的火箭和卫星小型化创新驱动。例如，SpaceX的猎鹰重型火箭发射成本约为每公斤1,400美元，而SpaceX的星舰（Starship）旨在通过完全可重复使用和高发射频率将其降低到每公斤10到30美元。3

太空通信的进步正在扩大全球连接和数据传输的选择。超低地球轨道（VLEO）卫星、激光通信和5G网络也在改变太空通信。将5G与卫星系统集成已经将高速、低延迟的互联网覆盖扩展到偏远地区，并改善了全球电信。推进、材料科学和太阳能技术的进步提高了效率和成本效益，吸引了越来越多的对VLEO卫星的投资。4 这些卫星为物联网（IoT）、航空和远程宽带接入等行业带来了新的可能性，为更加连接的未来铺平了道路。

公司继续将太空数据与地面数据集整合，以增强环境监测和灾害响应。这种融合在应对野火时尤为重要，因为卫星图像结合红外传感器可以实时检测热信号并跟踪火灾行为，尽管有烟雾或恶劣天气条件。这些进步确保了基于多种数据源和可操作见解的无缝流动，更快、更准确的决策，以减轻野火影响。

— 先进的地球观测系统正在彻底改变数据收集和分析。使用高光谱成像和数百个光谱带的卫星现在提供了超过一半的气候数据。结合机器学习算法，这些系统能够进行实时分析，应用范围从检测管道泄漏到识别作物疾病。在国防领域，这些技术正在通过大幅减少处理、利用和传播图像的时间来彻底改变地理空间情报。过去可能需要长达57分钟分析的卫星照片，现在由于AI的进步，可以在几秒钟内解析，从而实现关键国防行动的更快决策。未来五年内多达70,000颗LEO卫星的快速部署应该进一步改善这些能力。AI在支持太空运营方面的作用日益增长，提高了任务规划、异常检测和资源优化的效率。虽然不是完全自主，但AI现在可以帮助提高态势感知并协助完成如碰撞避免和轨道后勤等任务，从而实现更智能、更可靠的航天器运营。

‘经过多年的持续技术改进和成本降低，太空正成为头条新闻，从太空旅游到防御系统。我们必须共同利用这项技术，特别是与AI结合，使人类繁荣。’

— Giacomo Gatto，伦敦合伙人

人才与劳动力市场

未来太空技术

需求

工程职位继续主导太空技术就业市场，但自2022年至2024年，所有主要职位的需求都有所下降。质量工程师、项目经理和高级技术职位仍然很重要，但整体职位发布反映了整个行业向效率和自动化的更广泛转变。

职位发布，按职位名称，2021–24年，千

技能可用性

太空技术领域面临软件工程和Python专业知识的短缺，这可能是由对AI驱动任务自动化的需求增长和对卫星数据处理的增长需求所驱动的。相比之下，数据分析、编程平台MATLAB和制造技能更为充足，这反映了既定的人才培养渠道和相对较低的需求。

所需人才，职位发布要求技能的百分比
人才可用性，人才与需求的比率

全球采用发展

采用分数：2—实验。

组织正在测试技术的功能性和可行性，通常是小规模原型，通常不关注近期投资回报。很少有公司正在扩展或已经全面扩展该技术。

虽然太空技术具有巨大的潜力，但其在不同行业的采用情况差异很大。许多私营部门组织仍处于实验和试点阶段，测试小规模原型并探索功能。鉴于它们对连接和遥感的依赖，能源、材料和电信等行业在采用曲线上走得更远。

太空现在被广泛认为是国防的关键领域，并且随着卫星星座、地理空间情报和实时数据处理技术的进步，国防部门正在扩展太空技术。6 世界各地的技术采用和创新情况各不相同，太空经济集中在 中国、欧洲和美国。7 中东对太空技术的兴趣正在增加，特别是房地产和建筑行业的公司正寻求通过卫星图像监测建筑进度来从地球观测和地理空间数据中创造价值。8

现实生活中的例子

涉及降低火箭发射成本的现实例子包括以下内容：

SpaceX在2024年的星舰飞行测试，包括助推器捕获，已经显示出朝着使太空旅行变得更加经济实惠的重要步骤。通过掌握完全可重复使用的火箭，SpaceX旨在降低进入轨道的成本，这可能会为月球任务、卫星互联网星座甚至未来的太空旅游开辟新的可能性。虽然公司对商业飞行的费用未公开，但这些测试展示了公司让太空对更广泛行业和政府变得可访问的雄心。

涉及公司整合太空和地面数据进行环境监测和灾害响应的现实例子包括以下内容：

Thales Alenia Space为意大利太空局承担了GREAT和GROOVE项目。这些项目旨在证明卫星导航对环境监测的好处，包括自然灾害预测和气候变化影响评估。9

如Pole Star Global和Spire Maritime这样的公司提供先进的卫星系统，用于跟踪船舶位置和监控发动机性能。这些技术提高了海上安全，优化了燃料效率，并支持预测性维护。

涉及地球观测系统的现实例子包括以下内容：

自2013年首次亮相以来，Planet现在拥有超过150颗卫星，每天以三米分辨率捕捉地球表面，每天覆盖3.5亿平方公里的地球表面。10 最初是实验性的，现在它提供多光谱数据（RGB加近红外）用于精准农业、森林砍伐跟踪和灾害响应，并进行了升级以提高重访率和光谱能力。11

美国国防部正在改变其跟踪地面移动目标的方式，减少对飞机的依赖，使用基于太空的系统。这被称为地面移动目标指示器（GMTI），这一能力可以像视频一样持续监控地面活动，这些活动以前由飞机提供。太空卫星提供实时跟踪，并将处理数据所需的时间从近一个小时减少到仅仅几秒钟，使用人工智能和轨道处理。

涉及太空运营最新技术进步的其他现实例子如下：

LeoLabs使用AI驱动的雷达网络跟踪和预测太空碎片运动。其目标是在日益拥挤的低地球轨道中提高卫星和宇宙飞船避免碰撞的能力。12

美国太空部队计划在2026年展示尚未验证的先进太空加油技术。这项由Astroscale和Northrop Grumman等公司支持的计划，旨在通过使卫星能够适应动态和竞争环境来延长卫星的寿命和机动性。13 — Northwood Space展示了相控阵天线技术。它使用改进的连接性来优化卫星通信的地面基础设施。

潜在技术

推动太空相关进步的技术包括以下内容：

— 小型卫星。可定制的、成本效益高的模块化卫星，通常使用CubeSat架构构建，能够支持广泛的任务。

遥感。全谱成像和监测技术观察地球的特征和现象，包括海洋学、天气模式和地质构造。

SWaP-C进步。卫星和运载火箭的尺寸、重量、功率和成本（SWaP-C）的减少提高了太空技术的可行性。

— 发射技术进步。创新如可重复使用的助推器、先进材料和低成本重型运载火箭降低了发射成本并提高了发射率，使太空更加可及。

— 先进连接技术。技术如激光通信、电子扫描天线和自动卫星操作提高了数据传输速率，增强了连接性，并实现了更高效的卫星操作。

LEO星座。大量在低地球轨道（LEO）的卫星增强了通信、互联网接入和地球观测，推动了各行业的进步。

来自太空的5G。将5G技术与卫星通信集成，实现了无处不在的连接，特别是在偏远和服务不足地区。

超重型运载火箭。能够显著增加有效载荷能力的火箭，如SpaceX的Starship，可以进入太空以部署更大的卫星和基础设施，并支持深空任务。

载人航天系统。设计用于运载人类乘员的航天器，包括NASA Artemis计划中的Orion航天器，对于太空探索和科学研究以及在地球之外建立人类存在至关重要。

关键不确定性

太空技术的不确定性包括以下内容：

太空技术的成本效益。对于太空技术来说，经济可行性仍然是一个挑战，特别是随着Starlink等 mega-constellations 的规模扩大。可重复使用火箭和卫星制造方面的创新将降低成本，因为Starship已经证明了显著节省的潜力。

频谱和轨道使用权的治理机制。卫星（特别是LEO卫星）的激增增加了轨道槽拥挤或干扰的风险，并突显了需要国际监管框架来解决频谱和轨道使用权的问题。涉及国际电信联盟和私人运营商的频谱分配争议，突显了建立公平规则可能带来的潜在好处。

网络风险。太空资产面临着日益增长的来自网络攻击的威胁，如干扰和卫星欺骗，包括最近针对商业和防御系统的攻击。开发量子抗性加密和强大的网络安全协议对于保护关键基础设施至关重要。

地缘政治紧张局势。各国日益增长的太空抱负和安全问题导致了反卫星武器测试的进行，这可能会破坏多年的国际太空合作。像Artemis Accords这样的合作治理倡议缺乏普遍支持，使得在太空中维持治理稳定变得更加困难。

未来大问题

公司和国家在探索与太空技术相关的机会时可能需要考虑以下问题：

— 太空技术行业将如何应对日益增长的太空碎片和交通管理的挑战？重型运载能力的突破和进入轨道的成本降低是否会从根本上改变卫星经济，迫使现有者重塑其商业模式？
— 商业太空站和轨道内制造的兴起将如何改变太空探索的经济格局？未来的太空将由国际合作还是地缘政治分歧定义？组织应如何在这个地缘政治不确定的时期中定位自己？

13 未来能源与可持续技术

能源与可持续技术涵盖了一系列旨在将全球能源格局转变为更可持续和弹性未来的广泛创新。这包括改变全球能源价值链的技术光谱，特别关注清洁电子、电气化和清洁分子。

趋势及其重要性

能源是现代社会的支柱，为从工业和运输到数字基础设施和日常生活的所有事物提供动力，因此其生产、存储和分配系统的转型是我们这个时代最具影响力和机遇的挑战之一。我们对这一趋势的分析考察了正在改变全球能源价值链的技术光谱，特别是清洁电子、电气化和清洁分子。虽然更广泛趋势包括从电网基础设施到碳管理的所有内容，但我们的研究主要关注能够产生和使用低碳电力和燃料的创新。此外，能源与可持续技术远非统一，它们在成本概况、成熟度、采用率和未来成本降低潜力方面存在巨大差异。

能源转型正发生在地缘政治紧张局势加剧、政策转变和宏观经济不确定性的背景下，所有这些因素都在影响投资决策和技术部署。对清洁能源技术（如太阳能电池板和电动汽车）的关税可能会增加成本并使全球供应链复杂化，而主要经济体之间对关键矿产和组件的竞争正在加剧。各国对能源系统转型的政策支持正在变化，基础设施缺口也很显著。同时，数据中心的爆炸性增长正在推动电力需求上升，给电网带来额外压力。因此，能源转型不仅是一个脱碳问题，还是确保新系统负担得起、可靠且具有全球竞争力的问题——这些目标现在是政策和行业战略的前沿。

关键不确定性也在塑造能源转型的轨迹。除了“采用问题”（定义为扩大和商业化新型气候技术的复杂障碍）之外，基础创新挑战也阻碍了开发具有成本效益、可靠和可扩展性的突破性技术。在供应链瓶颈、劳动力短缺和监管延迟的情况下，快速建设关键基础设施的需求加剧了这些挑战。关键材料（如锂、稀土元素和其他关键矿产）的可用性和可持续采购也构成了实现全球净零承诺的潜在障碍。最后，能源转型因地区而异，“全球北方”正努力管理不断增长的能源需求并扩大低排放技术的规模，而“全球南方”面临着扩大能源获取和在不同国家特定背景下脱碳的双重挑战。

未来能源与可持续技术仍然是新闻媒体报道最多的趋势，由持续的环境挑战、担忧和解决方案需求推动。然而，从2023年到2024年，新闻报道的增长落后于对人工智能的关注，人工智能领域正在经历指数级进步。自2020年以来，能源与可持续技术的股权投资波动不定，2020年至2021年增长了79%，达到3150亿美元的高点，然后在2022年和2023年下降，之后从2023年到2024年再次增加。

最新发展

涉及能源与可持续技术的最新发展包括以下内容：

电力需求激增。仅数据中心就已成为全球电力消费增长的最大驱动力之一，这突显了部署能够满足这一不断增长需求的低碳电力系统的迫切需要。然而，实现脱碳目标需要解决几个关键挑战，包括确保生产和需求的灵活性以平衡基本负荷要求，管理风能和太阳能等可再生能源的间歇性，并解决经济障碍，例如可再生能源的捕获价格下降。在德克萨斯州，例如，燃气调峰电厂和发动机与电池储能系统一起涌现，以确保在高峰期的能源可用性。此外，对可再生能源的投资越来越多地依赖于由强大的资产负债表支持电力购买协议，以在市场波动中保持活力。如果不进行系统性修复——例如新的市场机制、简化的许可和建设时间表、更好的峰值电力解决方案、通过智能电网和时间合同优化现有基础设施，以及提高运营灵活性——电力系统可能会成为更广泛脱碳努力的瓶颈。

— 测量技术的进步，如卫星图像和激光雷达（LiDAR），提高了以更低成本监测和模拟环境影响的能力。这些工具能够更准确地跟踪排放、土地使用变化和生态系统健康状况，这支持了气候倡议和监管合规的更好决策。对于开发气候技术的初创公司来说，这些创新提供了关键的验证点，证明了环境效益，帮助确保长期合同并改善对技术性能和影响的预测。

氢气越来越多地被视为脱碳难以减排部门的重要选择，持续的技术进步和政策支持为未来的增长奠定了基础。尽管高生产成本和项目进展缓慢仍然存在挑战，但电解槽技术的进步和与低成本可再生能源的整合正在逐步改善前景。欧洲在开发氢气市场方面仍处于领先地位，中国正在迅速扩大其电解槽制造能力，即使该领域仍在努力克服大规模采用的关键障碍，也表明了增长势头的增强。

— 先进的生物燃料和电子燃料正在获得关注，尽管挑战仍然存在。

生物燃料生产的创新，例如从农业废弃物中提取燃料，正在提高效率并降低成本。在扩大生产和缩小生物燃料与传统化石燃料之间的成本差距方面仍存在不确定性，这突显了持续投资和支持性政策以加速采用的需求。

核能因其提供稳定基本负荷电力的能力而受到关注。几个国家已经启动或扩大了其核裂变计划，31个国家承诺到2050年将全球核能容量增加两倍。然而，该行业面临着持续的挑战，包括高资本支出、漫长的建设时间表，以及持续的公众对安全和核废料的关注。小型模块化反应堆（SMR）的进步和规模经济的改善可以帮助降低成本并加速部署，但核能的未来角色仍然非常不确定。根据脱碳路径、政策支持和技术进步的速度，到2040年核能可能占全球电力的8%到43%，市场收入可能大幅波动，可能达到4000亿美元，但只有在最乐观的情况下才有可能。除了已证实的裂变技术外，核聚变作为清洁能源的承诺也吸引了投资，但需要克服重大技术挑战才能使这项技术成为现实。

未来能源与可持续技术

需求

自2021年以来，能源与可持续技术就业市场显著扩大，直接支持该行业转型的职位增长强劲。专门从事可再生能源系统的维护技术员、从事电网现代化的电气工程师以及监督脱碳项目的项目经理需求量很大。虽然这些职位名称在许多行业中都很常见，但职位发布的激增反映了能源与可持续背景下日益增长的专业化。尽管2024年所有类别的职位需求与2023年相比都有所下降，但下降可能反映了更广泛的经济因素，而不是对电气化和清洁能源部署至关重要的技能需求减少。

职位发布，按职位名称，2021–24年，千

技能可用性

能源与可持续领域面临清洁能源和可持续专业知识的短缺，候选人供应不足，难以满足需求。随着AI技术被整合到能源系统中，自动化和其他技术技能，包括Python，变得越来越重要。通过有针对性的培训来解决这些差距对于支持持续的能源转型和脱碳工作至关重要。

所需人才，职位发布要求技能的百分比

全球采用发展

采用分数：3—试点。组织正在通过试点项目或有限实施在最初的几个业务用例中部署技术，以测试其可行性和有效性。

但是，能源与可持续技术的采用率差异很大，这反映了技术成熟度、经济可行性和支持性基础设施的差异。一些技术，如太阳能光伏（PV）和风能，在某些地区正在迅速扩展。目前，中国在全球太阳能光伏制造能力方面处于领先地位，而印度正在扩大其生产能力，预计到2026年将成为第二大太阳能光伏制造商。其他技术，包括绿色氢能和合成燃料，正处于发展的早期阶段。对于某些用例，采用变得复杂，因为已建立的低排放技术无法提供与高排放替代品相同的性能。此外，缺乏已建立的跟踪记录和其他限制因素阻碍了部署。除了技术挑战之外，还包括供应链准备、劳动力可用性和建设复杂性等挑战。如果不全面解决这些相互关联的挑战，实现广泛采用并最大限度地发挥各种能源技术的潜力将仍然困难。

现实生活中的例子

涉及电力需求增长和绿色电力创新的现实例子包括以下内容：

英国太阳能技术公司Oxford PV在2024年实现了一个里程碑，通过商业化其钙钛矿串联太阳能技术，向美国客户发货了首批面板。这些面板比标准硅面板多提供20.0%的能源产量，模块效率为24.5%，标志着太阳能技术的重要进步。

Enpal，一家领先的德国太阳能公司，正在投资劳动力发展以扩大太阳能的采用。2024年6月，它在Blankenfelde-Mahlow启动了欧洲最大的热泵学院，投资数百万欧元培训安装人员和热泵技术专家。这一举措旨在在德国热泵领域创造超过1,000个额外的工作岗位，以支持Enpal成为热泵安装市场领导者的雄心。

总部位于马萨诸塞州的初创公司Boston Metal正在使用熔融氧化物电解技术彻底改变钢铁生产和贵金属提取。其工艺使用电力代替化石燃料，有潜力减少高达10%的与钢铁生产相关的全球碳排放。2025年，该公司成功运营了其最大的反应堆，单次生产超过一吨钢材。

KoBold Metals使用AI和数据分析来勘探关键的电池金属，如钴、镍、铜和锂。通过整合来自地质、地球物理和地球化学来源的大量数据集，公司旨在提高识别潜在矿床的效率和准确性。KoBold与全球各地的采矿合作伙伴合作，支持电动汽车和可再生能源技术所需材料的采购。其方法可以解决矿物勘探中的一些挑战，尽管对供应链和可持续性的长期影响仍在演变。

电气化供热解决方案，如Coolbrook的RotoDynamic Heater，正在获得关注。这些系统使用电力产生非常高的热量，以使工业流程脱碳。该技术证明了其在高温工艺加热方面的能力，完成了其大规模试点测试的第一阶段。Coolbrook表示，其RotoDynamic Technology可以通过替代能源密集型行业中的化石燃料，如钢铁、水泥和石油化工，减少全球CO2排放高达30%。

推动氢气发展的现实例子包括以下内容：

— 中国电解槽制造能力的迅速扩张，现在占全球产量的约60%，已经降低了设备成本，并使该国成为新兴氢能经济的关键供应商，预计到2024年底，项目将超过国家目标。这一激增正在使全球绿色氢气生产更加经济实惠，并吸引国际项目开发商，尽管该行业仍在努力克服项目融资、基础设施建设和可再生能源供应与氢气需求协调方面的挑战。

以下是一个关于生物燃料和电子燃料进展的现实例子：

电子燃料——由可再生电力制成的合成燃料——正在成为航空、航运和重型道路运输脱碳的有前途的技术。瑞士公司Synhelion和其他公司正在开发跳过传统步骤的电子燃料生产流程，可能降低成本。2024年，Synhelion在德国Jülich启动了DAWN，这是世界上第一个使用太阳能热量的工业规模合成燃料生产厂。Synhelion的工艺使用集中的太阳能能量在热化学反应器中达到高达1,200°C的温度，该反应器直接从CO2和水产生合成气体。这可以降低生产成本并提高整体效率。

以下是一个关于测量技术进展的现实例子：

Carbon Mapper，一个利用先进卫星技术的非营利联盟，于2024年发射了Tanager-1卫星，以前所未有的精度检测、定位和跟踪全球“超级排放者”的甲烷和CO2。该联盟公开提供设施级排放数据，以推动快速缓解并支持全球气候目标。通过将NASA JPL的尖端成像光谱仪与Planet Labs的敏捷卫星平台相结合，Carbon Mapper的开放数据帮助政府、行业和公众识别泄漏并验证减排。

以下是一个关于氢气进展的现实例子：

— 中国电解槽制造能力的迅速扩张，现在占全球产量的约60%，已经降低了设备成本，并使该国成为新兴氢能经济的关键供应商，预计到2024年底，项目将超过国家目标。这一激增正在使全球绿色氢气生产更加经济实惠，并吸引国际项目开发商，尽管该行业仍在努力克服项目融资、基础设施建设和可再生能源供应与氢气需求协调方面的挑战。

涉及核能进展的现实例子包括以下内容：

小型模块化反应堆（SMR）有望降低核裂变工厂的成本并加速部署，美国和欧洲都在进行努力。在美国，像Oklo、X-energy、TerraPower和Kairos Power这样的公司正在竞相开发商业上可行的SMR，并确保国内燃料供应链。微软、谷歌和亚马逊已经宣布与核电站运营商和开发商达成协议，以帮助满足数据中心不断增长的电力需求。

— 一波新的公司和公共倡议正在竞相使核聚变成为实用的清洁能源来源。Commonwealth Fusion Systems和英国Tokamak Energy正在建设不同设计的基于托卡马克的反应堆，使用强大的超导磁体，而Helion正在开发线性、脉冲系统。政府支持的项目如法国的ITER、韩国的KSTAR和中国的EAST正在推动等离子体科学的边界。然而，所有这些努力仍然是实验性的，直到克服技术挑战，核聚变的丰富、无碳电力的承诺才变得不确定。

潜在技术

推动能源与可持续技术的技术包括以下内容：

— 核裂变。这种低碳能源源提供基本负荷电力，有助于电网稳定和减排。

— 可再生能源。清洁能源源如太阳能、风能和水电对于电力部门的脱碳至关重要。

— 先进的太阳能光伏系统。这些是下一代太阳能技术，提高了效率并降低了成本。

氢能。作为一种从可再生能源中生产的通用能源载体，氢能可以脱碳难以减排的部门。

可持续燃料。这些是传统化石燃料的低碳替代品，包括生物燃料和合成燃料，用于减少交通和工业的排放。

电池。储能设备可以整合间歇性可再生能源，并支持交通电气化。

— 储能。这些技术将能量存储起来供以后使用，从而在可再生能源系统中平衡供需。

热泵。这些高效供暖和制冷系统将热量从一个位置转移到另一个位置，减少了建筑物中的能源消耗。

智能电网技术。先进的电力系统优化了能源分配，实现了分布式能源资源的整合，并结合了需求侧灵活性解决方案，以平衡供应和消费模式。

— 测量、报告和验证（MRV）系统。这些工具和流程准确量化并跟踪排放和清除，确保气候缓解措施的有效性。

节能技术。这套技术包括减少能源消耗同时维持或提高所提供的服务水平的技术和实践。例子包括高效电器、改进的隔热、建筑管理智能系统以及优化的工业流程。

碳捕获或直接空气捕获（DAC）。这些技术旨在从点源（例如，发电厂或工业设施）或直接从环境空气中捕获CO2排放。捕获的CO2可以永久储存在地下或用于各种工业过程。

— 长期储能。这些储能技术可以存储能量数小时甚至数天或数周，解决了可再生能源的变异性并确保电网可靠性。例子包括先进的电池、抽水蓄能、压缩空气储能和氢储能。

热能存储。这些技术以热能或冷能的形式存储能量供以后使用。这可能包括存储来自太阳能热收集器的热量、工业废热或用于供暖或制冷应用的过剩电力。

适应解决方案。这些是为了适应气候变化实际或预期影响而采取的措施。适应包括从建设更具弹性的基础设施到开发抗旱作物，再到实施极端天气事件的早期预警系统和海岸撤退管理等一系列行动。

关键不确定性

影响能源与可持续技术的主要不确定性包括以下内容：

电网弹性和灵活性。电网在维持稳定性和可靠性的同时处理越来越多的可变可再生能源的能力是能源转型中的一个主要不确定性。

— 基础设施发展。能源转型所需的基础设施升级规模是巨大的，面临着潜在的延迟和资金挑战。

供应链和资源限制。清洁能源技术关键材料的可用性和可持续采购可能会限制部署速度。

市场动态。传统和新兴能源市场之间的相互作用，包括化石燃料的未来作用和可再生能源的竞争力，仍然是一个关键的不确定性领域。

创新速度和成本降低。绿色氢气电解槽、先进电池和合成燃料等技术改进成本和性能（例如，实现与化石燃料替代品的成本平价）的速度仍然不确定，这影响了它们在难以减排行业的可扩展性和采用。

系统性市场和监管演变。电力市场设计和监管框架快速适应并激励灵活性、弹性和低碳投资的能力是不确定的，这给电网稳定性和负担能力带来了风险。

劳动力和人才可用性。扩大劳动力发展和培训计划以填补清洁能源、可持续性和对能源转型技术至关重要的数字技能方面的急性人才短缺的能力是不确定的，这可能使项目延迟和创新瓶颈。

宏观经济对投资的影响。通货膨胀、利率上升和全球贸易中断对大型清洁能源项目的融资成本和投资流动造成了不确定性。

未来大问题

公司和领导者可能希望在追求能源与可持续技术时考虑以下几个问题：

— 需要什么才能将前景看好的气候技术从实验室加速过渡到市场，特别是在钢铁和水泥等难以减排的行业？

— 数字创新——如人工智能、传感器和高级分析——如何加速可再生能源和气候技术在分散能源系统中的部署和整合？

— 随着全球电气化激增，能源系统将如何适应不断增长的需求、更加分散的所有权和存储需求以及下一代电网治理？

— 在地缘政治紧张局势加剧的情况下，各国和公司如何确保关键清洁能源材料的弹性、多样化供应链？

— 哪些监管框架和市场机制可能释放出规模化下一代能源技术所需的协调和投资，同时保持负担能力和可靠性？