Garnter不久前发布了2021年顶级战略技术趋势，今年由于疫情原因有些报告被推迟了，目前为止十大安全项目报告依旧没有发布出来。看了一下今年的战略技术，不再是10个了，变成了9个，所以标题也没有了Top 10，而且由于本次疫情影响，远程办公和线上体验需求增加，推动了相关技术发展。可以从下图看出，本次报告分为三个类别，分别是：一人为本、位置独立性、弹性交付。关于这三个分类的定义和背景，这里不做解释，因为涉及的比较广，而且Gartner的解释也比较简单，大家各自去体会吧。接下来，会对每个技术趋势做一些介绍，说说这个技术讲的是什么，对我们有没有什么影响。本篇是行为互联网（IoB）的介绍。

以人为本 行为互联网（IoB）

Gartner预测到2025年底，超过一半的世界人口将接受至少一项IoB计划(私人、商业或政府)。

IoB由多种方法组成，用于捕获、分析、理解和响应各种行为的数字化表现。大量的公共和私营部门组织将寻求利用IoB的数字化捕捉能力来影响、感染个人或群体的行为。这超越了侧重于奖惩的操作性条件作用。例如，在IoB中，影响也可以采取调整信息反馈的形式。

1937年，心理学家B.F.Skinner创造了操作性条件反射（operant conditioning）这个术语，从而正式确立了奖励和惩罚这一古老的学习方法。通过操作性条件作用，个体将特定行为和影响人类行为的结果联系起来。

IoB结合了多种来源的情报信息，如商业客户数据、公共部门和政府机构处理的公民数据、社交媒体、公共领域人脸识别和位置跟踪。其他的信息来源包括私人和公共领域的温度及其他物理测量。从对这些海量数据资源的分析中，可以将越来越多人的行为标记为“事件”。

新兴技术创新和算法的发展使行为的监测和解释更加精确。IoB结合了直接关注个人的现有技术(如面部识别、位置跟踪和大数据)，并将产生的数据与其他间接识别信息(如现金购买、汽车遥测、扫地机器人布局数据和设备使用数据)连接起来。因此，IoB一部分基于物联网(IoT)。在、IoT中，物质被“指示”在特定条件下执行特定的行为。在IoB中，人们的行为被监控，并使用激励或抑制来影响他们按照期望的操作参数集执行。程序可以根据部署人员希望的结果对行为事件应用值做判断。

上边都是官方的说法，那么用一些我们日常经历的事情来解释一下这个IoB是什么。先说智能冰箱（IoT家电），不只是帮你保鲜食物，而且会通过长期观察冰箱内的食物种类和存量进行学习，在库存不足的时候会提示要补充什么，或是直接自动帮你下单。比如，平常家里冰箱经常会放2-3瓶鲜奶，4-5瓶矿泉水，这种习惯保持了一段时间，某天冰箱里只有1瓶鲜奶和2瓶矿泉水，那么智能系统会帮你下单2瓶鲜奶和2瓶矿泉水。这就是一个简单的IoB示例。

再比如我们平常逛拼多多或刷抖音，有时候智能推荐的商品或视频可能会打断我们原本的行为路径，比如我想买咖啡，并想买雀巢的，但是系统根据我的浏览喜好推荐了三顿半，那么我很可能会选择尝试一下新品，最终没有购买雀巢咖啡。再如我正在看撸猫的视频，然后打算看看最近有什么新闻，这时候系统推荐了一个卖萌小猫的视频，那么我很可能会点击播放，影响了我原本的计划路径。这即是通过IoB来影响用户行为。

以上只是2个简单的示例，其实在很多领域可以由更广泛的应用，比如后边提到的剑桥分析和疫情期间管控。

为何是趋势

技术水平不断提高

协同整合不同来源的数据能力显著提高

各组织已经尝试各种方法来证明其可能性，并对各种部署进行分析

Facebook与剑桥分析公司(Cambridge Analytica)的丑闻是这种IoB的早期展示。剑桥分析公司将数字资产、数据挖掘、数据经纪和行为分析与选举过程前和选举期间的战略性信息反馈结合起来。美国国会听证会及调查表示，剑桥分析公司使用行为分析来调整信息反馈，以影响人们投票的方式。另一个例子是我国的社会征信体系(SCS，social credit system)。一个全国性的IoB实例。体系涵盖约14亿人口，约占世界人口的18%。

为了应对本次疫情，各组织正在快速部署额外的行为情报资源。例如体温测量、人脸识别、接触跟踪和位置跟踪系统。重点是结合物理和数字行为数据，以此来影响行为，将减少感染的扩散。

能联想到的

IoB最为一致和普遍的含义将是广泛的伦理和社会舆论在全球的（影响）范围。存在各种IoB程序，每个程序都有不同的目标和结果。每个程序，对IoB的解释和认识有很大的不同。例如，司机长期以来都认为，如果他们发生了严重的交通事故或违章驾驶，他们的汽车保险费就会更高。但是，他们可能不太可能接受使用车载遥测技术来动态跟踪车辆是否超速。因为这样，保险公司甚至可以加入自动触发器，在客户超速时通知执法部门。同样，如果健康保险客户烟隐严重，他们需要支付更高的保费。但是，他们可能不太可能同意更高的保费，因为可穿戴设备检测到的锻炼水平低于保险公司设定的最低要求，或者每周去杂货店购物时发现购买的是垃圾食品。

不同的地区有不同的隐私法案。这些法律将影响IoB部署的范围、规模和扩展以及使用它们的方法。部署的成功将与所有有关各方的共同利益以及对信任和可接受的数据使用的共同看法高度相关。所以，不会存在标准的IoB。

保险行业使用影响行为的商业模式。美国的例子包括好事达(Drivewise)、State Farm (HiRoad)和Root Insurance，它们通过使用和行为数据来动态调整汽车保险保费的定价。Root Insurance应用包括驾驶远程信息处理功能，可以跟踪速度、刹车和转弯等情况。欧洲的汽车租赁机构也尝试使用黑盒方式来观察驾驶风格，以降低油耗和事故风险。

类似的模式可能会扩展到医疗保险和金融服务领域，在评分算法方面的声誉受到了Airbnb和Uber的启发。组织通常将这些模型设定为一种利益——例如，客户将因良好的行为而减少保险费支付。我们预计，在商业和政府的推动下，其他领域很快也会出现试点和实验性尝试。

其实大家知道，这种行为对于企业和政府来说，出于某种目的来控制舆论和用户群体，那简直是效果拔萃，但是我们的社会并不是这样运行的，还有基本的道德和伦理约束，不允许这种操纵行为的泛滥。因此，肯定会有法律来进行约束，同样的问题之前在AI和脑机接口等领域也有涉及。

还是以前面的2个例子来看，这种行为影响是双刃剑，可能是好事，可能不是。比如我本来习惯了雀巢的口味，但是尝试了三顿半之后觉得可能更喜欢，而且冲泡方式也很简单，有很多花样，那么这种影响提升了用户的体验。

刷抖音，本来我想停下来，去看看新闻了解下时讯，但是因为系统的推荐很有吸引力，结果完全停不下来，最后地铁过站，新闻也没有看，上班也迟到了，这种结果肯定不是我希望的，那么，这个责任是抖音的还是我自己的？可能双方都有过错，但是我们没法去界定。

所以所有新技术都有好的一面和坏的一面，主要看我们如何去利用。

Gartner建议的行动

通过跟踪IoB部署并研究“它们的影响”来检查IoB部署如何影响组织——组织很可能处于至少一个IoB程序的影响范围内

在设计IoB部署时，通过评估组织和个人的利益和风险来最大化成功和公众的信任

通过建立一个隐私、安全、道德和互联互通的框架，来确保稳定性和一致性，要求所有连接的实体订阅和遵守框架，进一步减少意外的后果