如何选择关注哪些技术
作为美国麻省理工学院的创新媒体人，笔者会见了来自世界各地的首席执行官、战略家、创新经理人、研发总监和业务部门领导人。他们中的大多数人对那些影响他们业务的特定技术更感兴趣。但这些人通常都带着一些已经确认过的概念而来，这无可厚非，笔者相信他们中的大多数人都会同意：他们确认过的这些概念总是可以改进的。本书的内容是笔者自己的观点。在这一章中，笔者最重要的任务是想说明，如果没有选择特定的技术来深入讨论，就相当于没有讨论技术。而且如果不这么做，就会因为本书讨论的概念太宽泛，以致别人很难知道本书在说什么。
不知出于什么原因，本人遇到的高管通常只列出他们正在研究的3～5种技术，也许是因为很难再专注更多的技术了。降低复杂性是一种必要且通常有效的策略，但这也是有风险的。公司（和个人）的优先事项往往是奇数，例如3、5，最多到7。一旦到了10，虽然是一个短列表，但对大多数组织来说，已经难以对这些事项进行深度跟踪了，除非他们有一个研发实验室，能够专门进行外部调研工作。一旦将重点归结为3种技术，就会很轻松，但有一个问题是，这通常是以丢失一些信息为代价的，这些信息已经或将变得对你的业务非常重要。另一个问题是，起作用的并不是技术，而是你能够认识到，你要解决的具体的商业挑战是什么？通常有很多方法来应对一个特定的挑战，技术固然重要，但也只是其中一个因素。
技术每年都在“变化”，这意味着重点、研发进度，甚至潜在的用例都可能会扩大甚至收缩。尽管如此，在过去的每一年里，各行业的技术调研员提到的关键技术看起来都非常相似。而业界的讨论倾向于紧随高德纳公司（Gartner）、弗雷斯特公司（Forrester）、麦肯锡公司（McKinsey）或德勤公司（Deloitte）的技术报告，偶尔也会关注世界经济论坛（World Economy Forum）、麻省理工学院或其他人的年度“新技术趋势”报告。
每个行业往往也有一些自己喜欢的分析公司，这些公司仅仅是对特定行业有较大的影响力，但也不是特别大。例如，制造业中的沃勒斯报告（Wohlers Report）；在互联网风投行业，有玛丽·米克的报告（Mary Meeker’s Report）；区块链中有瑞安·塞尔基斯的加密论文（Ryan Selkis’Crypto Theses）。这些报告非常有用，因为它们把过去一年发生的事情归纳为明显的趋势和感兴趣的话题。
然而，这些公司在撰写和宣传这些报告时，会根据特定年份的一套（或更多）重要技术，来制造一个传奇故事。但技术（或商业）的发展并非如此。而是研究公司为了让自己所做的工作更具吸引力，需要并且愿意把这些投入市场，这是商业逻辑。这些并不是没有用，但只有这些是不够的。
尽管笔者一直信奉简单化和去除噪声，但这仍然让人担忧。在这么复杂的情况下，怎样才能将镜头焦距缩小，以使人们只专注3个来源的5～7件事情？而且，他们必须使用的镜头还包括所效力的公司以及所处的行业和具体部门。面对巨大的复杂性，仅仅用“人工智能”这个词就能概括吗？显然不能。
当然，怎样提问也是问题本身的一部分。当改变问题的时候，企业高管和创新技术调研人员面临的真正挑战就会浮出水面，这让问题变得更容易。笔者的方法总是触及他们问题背后的核心挑战，为了做到这一点，笔者倾向于让他们将讨论范围缩小到一至两个问题。这对他们来说通常是很容易做到的，而一旦揭示了公司的商业挑战（他们并不总是打算揭示），他们会非常迅速地聚焦真正关注的技术，或者是对真实商业挑战的具体化，而这正是他们的首席执行官或领导团队所关注的。这个问题通常与效率有关，或是与开发新的突破性产品有关。
2016年，一切都是关于物联网的（IoT）。2017年的主题是人工智能。2018年是关于量子计算的。2019年，人们似乎迷恋于沉浸式体验、自动驾驶的愿景，以及对网络安全不足的担忧。到2020年，基于物联网的突破和5G移动网络的广泛可用性，沉浸式体验以增强现实（Augmented Reality, AR）的形式出现。对于那些不太了解这些流行语的人来说，他们可能仍然在谈论大数据。2021年，[3]笔者预测供应链问题（安全性、自动化、机器人、3D定位等方面）、在线学习和医疗保健领域的人工智能等主题将被广泛讨论，它们甚至在新冠肺炎疫情暴发之前就已成为候选话题。待疫情过后，供应链、增强现实、在线学习、医疗人工智能将走向最前沿。
麻省理工学院员工和企业高管之间的技术探索会议阐明了一个需要注意的陷阱：咨询团队通过几个月的忙碌工作，查看了大量的开放资源，并创建了一份趋势报告，可以恰当地总结出当前的趋势。
与此形成鲜明对比的是，学术界花了数年甚至几十年的时间，才达到将人工智能或量子计算机从单纯的科学兴趣发展到实际应用的地步。尽管顶尖工程学院的学者在学术和行业问题之间的转换方面已经越来越有经验了，但他们对自己领域知识的工业背景并没有那么清楚，仍然需要与行业技术调研员或部门技术主管沟通。
有时，两者之间也缺乏尊重。学术界会认为工业界不懂科研，而通过过度补充来声称他们理解工业界的担忧。工业界可能会认为学术界不太关心他们的商业利益，也会通过过度补充来声称他们的研发实验室在技术方面与高校的实验室一样先进（在极少数情况下，他们是对的）。
当一项技术变得有用时，这个判断是以何种简单的方式进行决策的？此外，工业界的问题有时会直接影响学术界工作，因此，这些咨询报告有时在两者之间是不必要的。不管怎样，人们至少有3种不同的方式来谈论技术——工业方式、咨询方式和学术方式。再加上新闻视角（虽然是科学报道，若做得好的话，也会非常成功地跨越这些领域），那么人们就有4种方法来描述同一件事了。
历史表明，有很多趋势报告预测了错误的趋势。例如，预计人工智能将在20世纪70年代发挥重要作用。当前由于神经网络技术的突破，虽然已经经历了10年的高速发展期，但由于人工智能总体进展陷入停滞，它可能会迎来另外一个冬天（主要是因为工业领域对数据计算和图像分析需求高但一直以来又被忽视，需要等待更好的方法来解决）。与此同时，工业界将继续受益于机器学习的进步，从而提高分析能力，简化业务操作。机器人技术至少有30年的持续炒作，然后是10年的沉寂，直到5年前突然爆发。这场新冠肺炎疫情使制造业中的机器人技术从探索转向实现。
历史告诉人们，未来无法预测。这样说是因为，有的人在过去几十年里花了大量时间研究、实践新兴技术和趋势，并为公司提供建议。然而，严肃的未来学家很久以前就不再预测未来了。相反，人们会围绕各种情景提出建议，描绘图景，让高管想象他们可能要应对的事情，以及如果目前的预测是正确的，他们将如何处理。此外，真正的挑战是预测“什么时候”，而不是预测“是什么”，因为一般能够预测的“是什么”通常是已知的。
影响社会的力量有很多，技术只是其中之一，这说起来简单，但是要证明哪一种力量最重要，则是一件非常困难的事情。更困难的是选择一种技术，并解释它是如何出现的，以及它将如何变化。
出于目的性，笔者将重点介绍四种主要的颠覆性力量：技术、政策、商业、社会力量，以及另外一种“超级力量”—它们周围的环境。这种方法的另外一个名称是PEST框架（Hague，2019）或PESTLE框架（CIPD，2020），偶尔也包括诸如法律效力、人口统计，甚至伦理的因素。于笔者而言，政策和法规是高度相关的，因为没有法律的审查、执行和裁决，就没有有效的政策，所以它们是在同一把伞下。人口统计学是社会力量的一个子力量，这样人们才能充分地理解它。伦理应该是整个框架的首要关注点，因为它只从它的发言人那里，获取合法性和强制性，而不仅仅是它本身。
另外，PESTLE通常用于理解外部挑战，但内部组织的挑战可能更有害，或者更好的是，可能有助于深入理解和进一步推进。因此，在本书中，也会用这些力量来解释组织内部的动态变化，没有这些，就没办法进行深入的分析。
其关键点在于，尽管选取技术、政治、经济、社会阶层和环境演变作为相关因素的基本原理是无可争论的，但部署一个经验衍生的战略框架不仅仅是选择哪种力量。需要指出的是，无论是在时间上还是在功能上，技术之间并不是互相独立的，也不是一些技术先于其他技术。
相反，真正的魔力在于支撑它们的概念框架。在这种框架中，它们相互关联，互相作用，相互提供经验证据。很多时候，人们认为自己观察到的东西在分析中很重要，但仍然需要通过做研究来验证。实地经验也可能演变得相当快，因此必须实时更新观察结果。
一位网名为“法纳姆街的沙恩·帕里什”（Farnam Street’s Shane Parrish）的博主发布的“知识项目”博客广为流传，并深受欢迎，笔者也十分喜欢。它痴迷于心智模型，将其定义为“某事物运作的表征”，是捕捉当今现实的基础。帕里什创建了一个由随机收集的109个心智模型组成的格子，试图证明人们需要一个关于现实如何运转的假设（这是一个很好的假设）。然而，用足够的证据来证明每一个选项都有贡献，却是一件非常困难的事情。这种方法是归纳和迭代的，具有初步吸引力，但仍然没有内部结构和系统的变革理论作为支撑。
一部分问题在于，“心智”（mental）这个词在构成一个模型方面并不一定有用。人们应该瞄准的是现实的模型。当然，这些模型只不过是你信任的任何一个社区所共享的心智模型，你可以验证它们。简单罗列这些缺乏统一概念框架的心智模型的危险在于，它有可能声称任何观察到的现象都是一般的、普遍有效的。它有可能使我们陷入逻辑谬误。无论何时应用何种模型，包括策略框架（如颠覆性力量），都必须认识到这是一种极度地简化，并不是在所有情况下都有效。甚至笔者在介绍颠覆性力量的每个章节中将讨论的次级力量的运作方式，也可能因环境而改变。
需要明确的是，无论是有系统的理论（可能是错误的理论）或是没有（你没有了图谱）都可能存在问题。人们需要的是一种经验主义的心态，这种心态会不断地将直觉和理论与事实和观察进行对照，并允许人们在不感到沮丧的情况下调整路线。
如果没有一套严格的、由经验推导出的、关于每种颠覆性力量是如何真正发挥作用的观察，人们所做的一切就像是一篇关于“各个方面”的高中作业。顺便说一句，这就是许多人完全否定社会科学的原因之一。他们认为，人们生活的这个社会，任何事情“似乎”都很容易解释，那么事情的运作方式必然也就很容易掌握。然而来自其他领域的大量证据证明，这根本不是真的。在这本书中，笔者证明了人们必须要有非常具体和精确的分析，才能理解技术是如何发展、改变和影响世界的。
在咨询中，心智模型通常呈现出一种简单的形式，比如以“观点”（point of view, POV）的形式呈现。顾问们的想法是，在帮助特定领域的客户时，需要让他们知道自己在说什么，而不是走“新手”路线。同样的挑战是，每一个“观点”只能看到眼前的事物，而这可能会影响客户。这就是为什么笔者本人通常在集体意识上或是商业活动中，不建议使用“观点”。“观点”是极度私密的，当它被分享时（如在一组知情的参与者之间达成的协议），一定是经过深思熟虑后才公开的，会给人留下深刻的印象，并可能导致联合行动。然而，在这些模型被真正共享（并被彻底讨论）之前，它们不应该只是以共享的形式呈现。大多数咨询“观点”都属于这一类，而这没有任何价值。
跟踪新兴技术、政策、业务和社会动态的变化，可以帮助人们确定需要关注哪些优先事项、需要注意哪些相互关系以及需要填补哪些空白。关注变化有助于解锁模式，以便更好地了解未来的发展，但变化本身并不能得到保证。变化的速度、方向和性质可能会在一瞬间发生变化。变化取决于科学的进步、产品的形成、资金和其他无数的事情，本书将详细介绍这些。
虽然过于简单，但与追逐“所有”最热门的技术和追踪在互联网上能找到的任何信息相比，提取颠覆性力量是一个好得多的方法。它也被称为上层建筑，人们可以在里面放上自己的思维模式、概念框架或经验，不管用什么语言，都可以对它们进行理想化地测试。
通过与世界上最先进组织的合作，笔者将许多著名战略框架的经验综合到了一起，这就是：行业颠覆性环境框架（FIDEF），或者简单地说，“颠覆性力量”。人们可以用它来了解未来的技术发展（也是本书所要做的），或者理解影响组织的外部力量（可以使用PESTLE框架），同样可以使用它来理解自己的组织或比较两个组织（可能会用到基准测试框架）。然而，下面的章节中描述的次级力量是专门为理解技术而设计的。