13 principais avanços em computação:o que esperar até 2026

As inovações em computação referem-se a desenvolvimentos e avanços tecnológicos no campo da computação, incluindo dispositivos de hardware e aplicativos de software. 

A taxa de inovação em computação está acelerando, com novas tecnologias surgindo o tempo todo. O principal fator por trás dessa rápida expansão inclui: 

• A crescente disponibilidade de energia computacional 
• O crescimento dos dispositivos IoT
• A ascensão da inteligência artificial 
• Investimento pesado em pesquisa e desenvolvimento 

Os esforços coletivos de engenheiros, cientistas e investigadores da indústria, do meio académico e da comunidade de código aberto impulsionaram a expansão de tais inovações.

Nos próximos anos, podemos esperar avanços ainda mais transformadores, abrindo novos caminhos e impactando vários aspectos das nossas vidas, desde comunicação e entretenimento até cuidados de saúde e transporte. 

Abaixo, destacamos as inovações da computação moderna que visam aprimorar as capacidades computacionais, resolver problemas complexos, melhorar a eficiência e permitir novas possibilidades em múltiplos domínios. 

Nota :Para lhe ensinar algo novo, não incluímos termos mais amplos como Circuitos Integrados, Internet, Computação em Nuvem, Big Data, Inteligência Artificial, Blockchain, Realidade Virtual e Computação Quântica. 

9. Criptografia Quântica

Crédito da imagem:Amazon

Aproveita o princípio Quantum para proteger a transmissão de dados

A criptografia quântica, também chamada de distribuição quântica de chaves (QKD), concentra-se na comunicação segura baseada nos princípios da mecânica quântica. Ele fornece um canal de comunicação seguro usando as propriedades fundamentais da mecânica quântica, como o teorema da não clonagem e o princípio da incerteza. 

Enquanto as técnicas criptográficas tradicionais dependem de equações matemáticas e complexidade computacional para proteger os dados, a criptografia quântica depende das leis da física. É mais seguro e não pode ser quebrado de forma alguma (mesmo por computadores quânticos). 

A criptografia quântica ainda é um campo em desenvolvimento – ainda não foi amplamente implantada em sistemas práticos. No entanto, vários experimentos e implementações em pequena escala ocorreram. Por exemplo, 

Em 2017, pesquisadores do Instituto Nacional de Tecnologia da Informação e Comunicação e da Universidade de Tóquio demonstraram com sucesso o QKD numa distância de 404 quilômetros. 

Em 2022, uma equipe de pesquisadores da Universidade de Genebra e da Universidade de Oxford demonstrou um protocolo QKD que é imune aos defeitos e vulnerabilidades dos dispositivos físicos que afetam os protocolos quânticos atuais. É uma forma de segurança muito mais forte em comparação com qualquer técnica criptográfica tradicional. 

Vantagens da criptografia quântica 

• Impossível interceptação por um bisbilhoteiro 
• Pode fornecer comunicação segura em velocidades muito altas

Desvantagens 

• Uma tecnologia complexa; ainda não está amplamente disponível
• Muito caro, o que limita seu uso a aplicativos de alta segurança

A China, em particular, tem estado na vanguarda da investigação em criptografia quântica. A Academia Chinesa de Ciências fez avanços substanciais neste campo, enquanto pesquisadores do Instituto de Microssistemas e Tecnologia da Informação de Xangai e da Universidade de Ciência e Tecnologia da China estiveram envolvidos em inúmeras implantações bem-sucedidas de redes de comunicação quântica. 

8. IA de borda

Implemente IA diretamente em dispositivos periféricos 

Edge AI envolve a implantação e execução de modelos e algoritmos de IA diretamente em dispositivos de ponta, como smartphones e dispositivos IoT, em vez de depender de infraestrutura baseada em nuvem. 

Ele aproxima os recursos de IA da fonte de dados, facilitando o processamento, a análise e a tomada de decisões em tempo real nos dispositivos de borda. Pode ser crucial em aplicações que exigem resposta rápida e baixa latência, como monitoramento de saúde, veículos autônomos e automação industrial. 

Edge AI também melhora a privacidade e a segurança, mantendo informações confidenciais locais em dispositivos de borda e processando dados sem transmiti-los para a nuvem. Ele mitiga os riscos de violações de dados e garante que os dados permaneçam privados e protegidos.  

Exemplos populares de Edge AI 

• Veículos autônomos usam dados processados localmente por câmeras e sistemas de radar
• A videovigilância usa IA de ponta para identificar objetos e pessoas e responder rapidamente a ameaças à segurança 
• A automação industrial é obtida monitorando e analisando dados de sensores e máquinas em tempo real
• A indústria agrícola utiliza dados coletados de dispositivos de ponta para otimizar a alocação de recursos, prever o rendimento das colheitas e garantir práticas agrícolas eficientes. 

O futuro da Edge AI parece promissor e espera-se que testemunhe um crescimento notável nos próximos anos. O desenvolvimento de hardware de computação mais eficiente e com maior eficiência energética facilitará a implantação de modelos complexos de IA diretamente em dispositivos de ponta. 

7. Processamento de Linguagem Natural (PNL)

Permite que os computadores entendam a linguagem humana com eficiência 

A PNL se concentra na interação entre máquinas e a linguagem humana. Seu principal objetivo é permitir que os computadores entendam, interpretem e gerem linguagem humana significativa. 

Ele utiliza múltiplas técnicas para lidar com diferentes aspectos do processamento da linguagem. Por exemplo, ele implementa 

• Tokenização para dividir textos em unidades menores para processamento e análise adicionais  
• Análise morfológica para compreender a estrutura e formação das palavras
• Análise semântica para entender o significado das frases 
• Análise de sentimento para determinar o tom emocional expresso no texto 
• Geração de linguagem natural para produzir respostas baseadas em regras predefinidas ou padrões aprendidos

A maioria das técnicas de PNL depende de modelos de aprendizado de máquina, como redes neurais convolucionais, redes neurais recorrentes, modelos ocultos de Markov e campos aleatórios condicionais. Esses modelos são treinados em grandes volumes de dados anotados para aprender padrões e relacionamentos na linguagem. 

Quanto mais esses modelos são treinados (em diferentes conjuntos de dados), melhor eles podem fazer previsões e executar tarefas relacionadas à linguagem. 

O Processamento de Linguagem Natural já é usado em vários domínios; sendo as aplicações mais comuns

• Os mecanismos de pesquisa usam PNL para entender as consultas dos usuários, analisar o conteúdo da página da web e fornecer resultados de pesquisa mais relevantes. 
• Os sistemas de monitoramento de texto on-line analisam avaliações de clientes e postagens em mídias sociais para obter insights sobre opiniões, atitudes e tendências.  
• Chatbots e assistentes virtuais facilitam o suporte ao cliente e interações automatizadas. 
• As ferramentas de resumo de texto geram resumos concisos de documentos longos e complexos. 
• As ferramentas de análise financeira analisam relatórios financeiros e notícias de negócios para extrair insights, sentimentos e tendências de mercado. 
• As plataformas de análise de textos clínicos podem examinar registros médicos e literatura biomédica para auxiliar em tarefas como recuperação de informações médicas e diagnóstico de doenças. 
• Os sistemas de análise de documentos jurídicos facilitam a pesquisa jurídica, a análise de contratos e a devida diligência.

À medida que o campo continua a avançar, surgem novas aplicações e casos de uso, demonstrando a capacidade e versatilidade das técnicas de PNL. 

De acordo com o relatório da Grand View Research, espera-se que o tamanho do mercado global de processamento de linguagem natural exceda US$ 439 bilhões até 2030, crescendo a um impressionante CAGR de 40,4%. 

6. IA explicável (XAI)

Torna os modelos de IA mais explicáveis para os humanos

XAI refere-se ao desenvolvimento de sistemas de IA que podem fornecer explicações transparentes e compreensíveis para as suas ações e decisões. O seu principal objetivo é ajudar os humanos a compreender e confiar no raciocínio por trás dos modelos de IA e nos seus processos de tomada de decisão. 

Os sistemas convencionais de IA, especialmente aqueles baseados em métodos de aprendizagem profunda, funcionam normalmente como «caixas negras» onde os mecanismos internos e os processos de decisão não são facilmente interpretáveis. Esta falta de transparência por vezes leva a grandes preocupações nos setores da saúde, das finanças e dos veículos autónomos. 

É por isso que a XAI é necessária – pode proporcionar transparência, confiança e responsabilização. Também pode fazer com que os sistemas de IA cumpram os requisitos legais e regulamentares, garantindo o comportamento ético e a proteção dos direitos individuais.

Mais especificamente, o XAI pretende responder a questões como 

• Por que o modelo de IA fez uma previsão ou decisão específica?
• Como funciona o modelo de IA?:
• Quais são os fatores considerados pelo modelo de IA?
• Quais são as limitações e preconceitos do modelo de IA?
• Qual é o grau de confiança do modelo de IA em sua previsão ou decisão?
• Quais dados influenciaram a decisão do modelo de IA?

XAI envolve várias técnicas, sendo as mais comuns explicações baseadas em regras, explicações locais, explicações globais e explicações contrafactuais. 

A investigação e desenvolvimento em curso neste domínio conduzirá a uma melhor compreensão e à utilização responsável da tecnologia de IA, permitindo a sua adoção generalizada em vários setores. 

5. Interoperabilidade Blockchain

A capacidade das redes blockchain de se comunicarem perfeitamente entre si 

A tecnologia Blockchain geralmente funciona em protocolos ou redes separadas, cada uma com seu próprio conjunto de regras, estruturas de dados e mecanismos de consenso. Estas redes distintas enfrentam frequentemente desafios ao trocar dados. 

A interoperabilidade Blockchain visa superar esses desafios e estabelecer conexões confiáveis entre diferentes redes blockchain. Ele permite a transferência contínua de dados entre múltiplas plataformas blockchain, permitindo interoperabilidade e colaboração entre múltiplos sistemas descentralizados. 

Isto é conseguido através da implementação de uma série de técnicas, como tokenização, swaps atômicos, pontes entre cadeias e protocolos de interoperabilidade. 

Benefícios  

• Transferência perfeita de ativos digitais, como criptomoedas ou tokens, entre diferentes blockchains 
• Fornece acesso fácil a aplicativos e serviços descentralizados em vários blockchains
• Melhora a liquidez geral e reduz a fragmentação do mercado
• Facilita o aproveitamento dos mecanismos de consenso e recursos de segurança de múltiplas cadeias
• Aumenta a responsabilidade e reduz o potencial de fraude
• Permite que as redes blockchain evoluam e se adaptem às mudanças nos requisitos

Ele permite que os desenvolvedores combinem os pontos fortes de diferentes redes para criar aplicativos descentralizados poderosos que abrangem vários ecossistemas. 

As aplicações potenciais da interoperabilidade da blockchain estendem-se a numerosos domínios, desde finanças descentralizadas e pagamentos transfronteiriços até seguros e serviços de saúde. 

4. Aprendizado de máquina quântico (QML) 

Integra princípios de computação quântica e aprendizado de máquina 

QML é um campo emergente que combina princípios de computação quântica e aprendizado de máquina para desenvolver novas técnicas para resolver problemas computacionais complexos. Ele explora como algoritmos e técnicas quânticas podem ser aplicados a tarefas clássicas de aprendizado de máquina. 

QML aproveita as propriedades exclusivas dos sistemas quânticos para aprimorar diferentes aspectos do aprendizado de máquina, como otimização de dados, visualização, seleção de recursos e reconhecimento de padrões.  

Mais especificamente, envolve a exploração de técnicas para codificar dados clássicos em estados quânticos, aproveitando operações quânticas para realizar computação em representações de dados quânticos e desenvolvendo algoritmos que podem utilizar propriedades quânticas de superposição e emaranhamento para encontrar soluções ótimas de forma mais eficiente do que as técnicas clássicas de otimização. 

Vantagens 

• Pode fornecer aceleração exponencial em relação à computação clássica para tarefas específicas 
• Pode resolver problemas de otimização de forma mais eficaz
• Pode representar estruturas de dados e relacionamentos complexos usando estados quânticos 
• Pode explorar fenômenos quânticos, modelar sistemas quânticos e otimizar processos quânticos 

Desvantagens 

• Disponibilidade limitada de hardware quântico
• Propenso a erros causados por decoerência e ruído
• É difícil adquirir dados quânticos e desenvolver algoritmos quânticos 
• Os resultados são difíceis de interpretar e explicar usando métodos clássicos

Apesar de todas essas limitações, o QML tem o potencial de revolucionar a tecnologia existente de aprendizado de máquina. Por exemplo, pode 

• Acelere o processo de descoberta de medicamentos analisando grandes conjuntos de dados moleculares e prevendo suas propriedades 
• Melhore a modelagem financeira e a análise de risco otimizando a alocação de portfólio e prevendo tendências de mercado
• Otimize a logística da cadeia de suprimentos, levando a maior eficiência e economia de custos
• otimizar a distribuição e gestão de energia em sistemas de redes inteligentes
• Aprimorar tarefas de reconhecimento de padrões, incluindo processamento de vídeo

À medida que o hardware quântico se torna mais poderoso, podemos esperar que o QML abra novas possibilidades em vários setores e domínios. 

3. Autenticação biométrica

Usar características únicas de indivíduos para verificar sua identidade

Como o nome sugere, esta tecnologia utiliza dados biométricos (que são características biológicas ou comportamentais distintivas e mensuráveis) para fins de autenticação. Baseia-se nas características fisiológicas ou comportamentais inerentes de um indivíduo. 

Vários tipos de dados biométricos são usados para autenticação, sendo os mais comuns impressão digital, características faciais, reconhecimento de voz, reconhecimento de íris, reconhecimento de retina, reconhecimento de assinatura e geometria da mão. 

Alguns sistemas avançados utilizam biometria comportamental – envolve a captura e análise de padrões comportamentais únicos, como movimento do mouse, ritmo de digitação e análise de marcha, para autenticar indivíduos com base em suas características comportamentais. 

Vantagens 

• Oferece um nível de segurança mais alto do que os métodos de autenticação tradicionais, como PINs ou senhas. 
• Mais confiável e conveniente 
• Reduz significativamente o risco de roubo de identidade e atividades fraudulentas

Desvantagens 

• Muitas vezes levanta questões sobre privacidade
• Caro para implementar
• Pode encontrar erros, resultando em falsa aceitação ou falsa rejeição

A autenticação biométrica, especialmente impressão digital e reconhecimento facial, é amplamente utilizada para controle de acesso a locais físicos seguros, como escritórios e áreas restritas. Também é comumente usado em smartphones e laptops para desbloquear dispositivos, autorizar transações e proteger informações confidenciais. 

A tecnologia pode ser integrada aos sistemas de segurança do veículo para autenticar o motorista ou proprietário do veículo. Também está a ser implementado nos sectores da saúde para garantir o acesso seguro aos registos médicos e controlar o acesso a áreas restritas, como dispensários de medicamentos e laboratórios. 

Os sistemas futuros poderão usar múltiplas características biométricas em combinação, como voz, retina e características faciais, para fornecer autenticação mais forte com maior precisão.  

2. Redes Adversariais Gerativas (GANs)

Gera conteúdo realista e criativo

GANs são feitos de duas redes neurais:um gerador e um discriminador. O gerador é responsável por criar novos dados, enquanto o discriminador é responsável por distinguir entre dados reais e gerados (falsos). 

O gerador visa criar amostras realistas (a partir de conjuntos de dados de treinamento) que possam enganar o discriminador. O discriminador, por outro lado, atua como classificador e tenta distinguir entre amostras reais e amostras sintéticas. 

Ambos os modelos são treinados iterativamente e atualizam seus parâmetros dependendo de seu desempenho. O objetivo final é criar amostras indistinguíveis dos dados reais. 

Vantagens 

• Pode criar novo conteúdo visual, transformar estilos e gerar designs exclusivos
• Aprende com dados não rotulados
• Melhora com o tempo 

Desvantagens 

• Computação intensiva para treinar 
• Pode ser usado para gerar conteúdo prejudicial, como deepfakes

A tecnologia se mostrou eficaz na geração de conteúdo criativo. Ele tem sido usado para criar texto indistinguível de texto escrito por humanos, criar imagens realistas de objetos e pessoas que não existem e criar música indistinguível de música composta por humanos. 

Os GANs também podem melhorar a qualidade de fotos de baixa resolução e detectar anomalias em amostras grandes e complexas (aprendendo os padrões normais em conjuntos de dados e identificando desvios). 

À medida que a investigação avança, as Redes Adversariais Generativas encontrarão aplicações numa ampla gama de campos, desde a descoberta de medicamentos e publicidade até aos jogos e à realidade virtual. 

1. Computação Neuromórfica

Chip de pesquisa neuromórfica de autoaprendizagem da Intel chamado Loihi 

Computação inspirada no cérebro humano 

A computação neuromórfica refere-se a um design e arquitetura de computador inspirado na estrutura e função do cérebro humano. O objetivo é desenvolver sistemas de hardware e software que imitem o comportamento de redes neurais biológicas. 

Envolve hardware especializado (como chips neuromórficos) e algoritmos desenvolvidos para replicar o comportamento da rede neural. Isto poderia desbloquear capacidades de computação mais eficientes e poderosas. 

O hardware geralmente emprega circuitos analógicos que podem realizar cálculos neurais de forma eficiente. Como os modelos de redes neurais são implementados no nível do hardware, os sistemas de computação neuromórfica podem oferecer alto desempenho com baixo consumo de energia. 

Esses sistemas podem melhorar substancialmente as tarefas de visão computacional, como análise de vídeo, reconhecimento facial, detecção de objetos e compreensão de cena. Seu reconhecimento de padrões e recursos de processamento paralelo os tornam adequados para tais tarefas. 

A computação neuromórfica também pode desempenhar um papel vital em veículos autônomos – ela pode processar dados de radar, câmeras, LiDAR e outros sensores de forma rápida e eficiente.

Na robótica, os sistemas de computação neuromórfica podem processar dados de sensores em tempo real e tomar decisões inteligentes com base no ambiente. Pode melhorar a percepção do robô, o planejamento de movimento e o controle, permitindo sistemas robóticos mais capazes e adaptáveis. 

Vantagens 

• Recursos de processamento paralelo e em tempo real 
• Capacidades de aprendizagem e adaptação
• Eficiência energética 
• Tolerante a falhas

Desvantagens

• Não é adequado para todos os tipos de problemas de computação
• Altamente complexo

Embora a computação neuromórfica ainda seja um campo em evolução, vários projetos e plataformas surgiram nos últimos anos. Loihi da Intel e TrueNorth da IBM são os dois exemplos mais notáveis. 

O chip Loihi possui 130 mil neurônios, cada um capaz de se comunicar com milhares de outros, e o chip TrueNorth contém 1 milhão de neurônios digitais e 256 milhões de sinapses estreitamente interconectadas por meio de uma infraestrutura de roteamento orientada a eventos. 

De acordo com a pesquisa de mercado da Polaris, o mercado global de computação neuromórfica atingirá uma receita de US$ 29,54 bilhões até 2032, crescendo a um CAGR de 21,1% de 2023 a 2032. 

Outras inovações computacionais significativas 

11. Enxame de Robótica

A robótica Swarm concentra-se na coordenação de vários robôs para realizar tarefas coletivamente. É inspirado no comportamento de insetos sociais, como abelhas e formigas, que exibem comportamentos coletivos complexos sem exigir qualquer controle centralizado. 

Robôs de enxame individuais podem se comunicar entre si, compartilhar dados e coordenar suas ações usando detecção local, comunicação sem fio ou interações de alcance limitado. Eles podem trocar dados sobre seu próprio estado, o ambiente ou as tarefas que estão executando. 

Eles são adequados para tarefas cooperativas que exigem vários robôs trabalhando juntos. Os exemplos incluem detecção distribuída, transporte cooperativo e manipulação de objetos. Eles podem ser empregados para tarefas como explorar regiões desconhecidas, mapear uma área ou procurar alvos. 

Os displays de drones, em particular, tornaram-se mais populares atualmente. Eles usam vários drones iluminados à noite para uma exibição artística ou publicitária. 

10. Privacidade diferencial

A privacidade diferencial é uma estrutura para proteção da privacidade na análise de dados e cálculos estatísticos. Ele oferece um modelo matemático para proteger a privacidade dos indivíduos, ao mesmo tempo que permite a extração de informações importantes de um conjunto de dados. 

Embora não garanta privacidade perfeita, visa encontrar um equilíbrio entre a utilidade dos dados e a preservação da privacidade. 

Funciona adicionando ruído aos dados. O ruído é adicionado de tal forma que não afeta a análise de dados, mas dificulta que um invasor extraia as informações de um indivíduo. 

A quantidade de ruído adicionada aos dados é determinada por um fator chamado épsilon. O épsilon controla a compensação entre utilidade e privacidade. Um valor épsilon mais baixo significa que menos ruído é adicionado, o que fornece mais utilidade aos dados, mas menos privacidade. 

Esta técnica ganhou atenção significativa nos últimos anos, particularmente em áreas como aprendizagem automática, ciências sociais e saúde, onde aqui estão frequentemente envolvidas informações sensíveis à privacidade. 

12. Sistemas Ciber-Físicos

Os Sistemas Ciber-Físicos combinam componentes físicos com elementos de computação, comunicação e controle, permitindo uma interação perfeita entre os mundos físico e virtual. 

Mais especificamente, integra componentes físicos, como máquinas ou sistemas biológicos, com elementos cibernéticos, como software ou redes de comunicação. Emprega modelos computacionais sofisticados e técnicas de IA para processar e analisar os dados coletados. 

Esses modelos otimizam as operações, identificam anomalias, tomam decisões e respondem às mudanças em tempo real. 

Os Sistemas Ciber-Físicos encontram aplicação em vários domínios, desde a fabricação e transporte até edifícios inteligentes e redes de energia. Por exemplo, na fabricação, esses sistemas permitem monitoramento em tempo real de equipamentos, processos de produção adaptativos e manutenção preditiva. Nas cidades inteligentes, pode ser utilizado para gerir o consumo de energia, otimizar o fluxo de tráfego ou melhorar a segurança pública.  

13. Criptografia Homomórfica

A criptografia homomórfica envolve a realização de cálculos em dados criptografados (sem descriptografá-los). Ou seja, é uma técnica criptográfica que permite o tratamento dos dados na sua forma encriptada, preservando a confidencialidade e a privacidade. 

Embora esta técnica garanta uma forte privacidade, ela tem certas limitações. As operações executadas em dados criptografados são geralmente mais lentas e requerem mais recursos de CPU em comparação com a execução das mesmas operações em dados de texto simples. 

No entanto, estudos e desenvolvimentos em curso na encriptação homomórfica estão a abordar tais limitações. É uma área promissora de pesquisa criptográfica para proteger a privacidade das pessoas e, ao mesmo tempo, permitir cálculos seguros. 

Mais para saber 

Quais são algumas das inovações computacionais que deverão ter um grande impacto no futuro?

Espera-se que o aprendizado de máquina, a computação de ponta, o 5G, a tecnologia blockchain, a realidade aumentada e as tecnologias de edição genética moldem significativamente o nosso futuro.

Como as inovações em computação podem beneficiar diferentes setores?

As inovações em computação podem beneficiar as indústrias de muitas maneiras diferentes: 

Fabricação:Robôs industriais e sistemas de automação podem aprimorar os processos de fabricação, reduzir erros humanos, melhorar a eficiência e permitir que tarefas sofisticadas sejam executadas com velocidade e precisão. 

Saúde:o aprendizado de máquina pode analisar informações de pacientes, imagens médicas e dados genéticos para auxiliar na detecção precisa e precoce de doenças, levando a melhores diagnósticos e planejamento de tratamento. 

Finanças:Embora a análise de big data possa permitir que as instituições financeiras analisem grandes volumes de dados e detectem fraudes, a tecnologia blockchain pode garantir sistemas de transacções seguros e transparentes, melhorando as transacções transfronteiriças e os contratos inteligentes. 

Transporte:As tecnologias de IA e sensores permitem o desenvolvimento de veículos autônomos, melhorando a segurança e a eficiência do transporte. Os modelos preditivos podem otimizar o tráfego através da análise de dados em tempo real e podem ajudar a planear a infraestrutura de transporte. 

Gestão Energética e Ambiental:As inovações informáticas podem permitir a monitorização em tempo real dos parâmetros ambientais para identificar fontes de poluição e prever riscos ambientais. Eles também podem analisar padrões de consumo de energia e otimizar o uso de energia em edifícios, processos industriais e sistemas de transporte. 

Educação:Plataformas de aprendizagem adaptativas e software educacional podem personalizar as experiências de aprendizagem, adaptando o conteúdo às necessidades individuais dos alunos. Ferramentas avançadas de análise de dados podem monitorar o desempenho e os padrões de aprendizagem dos alunos, permitindo que os professores identifiquem áreas de melhoria e intervenções personalizadas.  

Tamanho do mercado da computação de última geração 

Espera-se que o tamanho do mercado global de computação de próxima geração exceda US$ 451 bilhões até 2030, crescendo a uma CAGR de 19,1% de 2023 a 2030. 

Os principais factores por detrás deste crescimento impressionante incluem o aumento das actividades de I&D entre as empresas tecnológicas, o aumento da procura de processamento e gestão de grandes volumes de dados e a crescente adopção de novas tecnologias como 5G, aprendizagem automática e blockchain. 

Leia mais 

• 17 melhores laboratórios de pesquisa científica e tecnológica do mundo
• 8 técnicas de criptografia mais comuns para salvar dados privados