深度强化学习是深层神经网络在强化学习中的应用。强化学习是一种机器学习技术，理解和表达获取情况和动作之间的映射关系。强化学习进入曲线已经有三多年的历史了。它可以被认为是一种启发式的动态规划，由李察贝尔曼在60年前引入。2017年，深度强化学习表现抢眼，是因为计算机游戏类领域深度强化学习的巨大成功，例如alphago（谷歌DeepMind开发）正激发人们对该领域的兴趣，成为深度强化学习系统化、广泛应用的重要驱动力。有几个开源框架，支持强化学习的应用（例如，谷歌tensorflow和那些OpenAI），但几乎所有的商业数字化平台目前都缺乏此功能。建议不要对深度强化学习期望太高，不要把深度强化学习放进你的规划或路线图，除非你实在没有别的解决途径可寻。深层强化学习必须有深入的专业知识，最好是一个模拟或受控的环境，在这个环境中，系统可以拿出搜索一系列最终产生最佳评价的策略。当前，除了前面提到的游戏类的深度强化学习，其他类别成功的深度强化学习还比较少见。

>>>> 神经形态硬件

神经形态计算可以被理解为受到神经生物学结构概念影响的基于半导体处理器的计算。神经形态芯片与传统的处理器完全不同，往往需要执行模块，是非冯-诺伊曼结构。2017年，神经系统仍然处于非常早期的原型阶段。休利特帕卡德实验室正在开发的点阵，是一种加快神经信息处理形态的引擎设计。美光的自动化处理器旨在为图形分析、模式匹配和数据分析提供极高的并行性和性能。神经形态硬件的发展存在三大障碍：一是加速计算技术（例如GPU)需要比硅基神经更方便、更容易编程的结构；二是知识短板，编程的神经形态硬件要求新的执行模型和编程方法；三是可扩展性，大量的神经元和深互连将挑战半导体厂商创造可行的神经形态设备的能力。

>>>> 人体机能增进

人体机能增强主要是用外在手段提高自身技能，提供超过正常人类极限的性能。增强的例子包括增加体力（例如，通过外骨骼），提高感知（例如，助听器与手机应用程序优化，或植入磁体检测电流），提高注意力，（例如，通过药物或脑刺激）提高精神集中度。

日益专业化和能力水平等竞争需求下，未来更多的人将尝试通过人体机能增强来提高自己，未来20年将触发一个价值数十亿美元的市场。投资者可以关注选择性增强的趋势和机会，定位合适人群，挖掘市场潜力。关于人体机能增强的伦理争议正在出现，美国几个州已经通过了法案，禁止雇主将芯片植入作为就业条件。

>>>> 5G

5G是4G下一代蜂窝标准。这是目前被国际电信联盟（ITU），第三代合作伙伴计划（3GPP）和欧洲电信标准协会（ETSI）认可的官方标准。Gartner预计，到2020年，3%的基于网络的移动通信服务提供商（CSP）将推出5G商业化网络。从2018到2022年，国际上将主要利用5G来支持物联网通信、高清视频和固定无线接入。

>>>> 无服务器PaaS

没有服务业务的PaaS被称为无服务器PaaS。所有的PaaS应该从一开始就反映了双方的IaaS和SaaS的设计原理是服务器。无服务器PaaS代表真正的云式操作的云平台服务。一个服务器PaaS交付模式将提高生产力和效率，并帮助简化开发、规模经营、降低基础设施成本。这将创建一个更一致的和可管理的云应用环境，但需要规划的实践和策略的调整，产生经营为基础的解决方案，PaaS的设计、绘制以及现有的一些应用程序，需要一些新的改变。

>>>> 数字孪生

数字孪生是一个虚拟物对应一个实物。其一重要功能是数字孪生使其他软件/系统与其虚拟物直接交互，而不是实际对象，以改善实际对象的维护、升级、修复和操作。数字孪生的基本要素包括被控对象的模型、对象的数据，一个唯一的一对一对应对象和监控对象的能力。