预测未来是一门艺术。《连线》杂志采访了8位IT界著名善于预测技术趋势的投资专家，邀请他们谈谈自己的经验。让我们来看看他们是怎么说的吧。
　　
　　保罗·萨夫(Paul Saffo)
　　
　　保罗·萨夫：资深科技领域预测专家；投资研究机构Discern总经理；独立研究机构IFTF（Institute forthe Future）前任主管；斯坦福大学工程系顾问教授。
　　
　　我在研究未来趋势时关注四个指标，矛盾（contradictions），颠倒（inversions），怪异（oddities），巧合（coincidences）。
　　
　　矛盾：比如在2007年，股票和金价都在上涨。但从经验的角度来看，股价和金价同时高企的情况实属异常。这种矛盾的出现预兆着根本性改革即将发生。
　　
　　颠倒：颠倒就是事情发展出现了不合时宜的场景。比如当墨西哥警方逮捕贩毒头目时，头目们对着摄像机露出骄傲的表情，而警方却戴着滑雪面具以遮掩容貌，这就是颠倒。它预示着墨西哥警方和毒贩的斗争还有很长的路要走。
　　
　　怪异：在2002年，一款机器人吸尘器发售了。我认识的工程师们都十分兴奋，但是呢，他们并没有买吸尘器。这就太奇怪了。这当然不是说他们不打扫卫生，而是他们看到了一些我们没有看到的东西。
　　
　　巧合：在2007年的第四届DARPA无人驾驶机器大赛（DARPAGrandChallenge）中，自动驾驶汽车成功地在模拟郊区环境中完成驾驶任务。而就在同一天，在加州的一条高速公路上发生了118辆车的连环相撞事故。这种巧合预示着，机器人比人类更适合驾车。
　　
　　埃丝特·戴森（Esther Dyson）
　　
　　埃丝特·戴森：商务通讯《Release1.0》创建者；每年3月在亚利桑那州Scottsdale高科技PC论坛主办人；高新科技、卫生保健、太空旅行领域公司天使投资人；23andMe、theLongNowFoundation、th eSantaFe Institute、Evernote等组织机构董事会成员。
　　
　　我在预测未来趋势时做的第一件事就是到很远的地方去。比如我离开了硅谷，到俄国这样很远的国家去。我认为只有作为局外人，才能避免熟视无睹，才能发现自己想要发现的东西。我喜欢到处去旅行，旅行的见闻让我得以了解每件事情存在不止一种的解决办法。
　　
　　还有一个很关键的点，就是保持好奇心。我的父母都是科学家，我自小问得最多的问题就是“为什么”。基本上我只研究自己感兴趣的东西，当然这些东西并不是大家都感兴趣。
　　
　　璜·安利奎斯（Juan Enriquez）
　　
　　璜·安利奎斯：投资机构ExcelMedical Ventures总经理；风险投资Biotechonomy主席兼CEO；著有《The UntiedStates of America》及《As the Future Catches You》。
　　
　　对未来的准确判断常常被“理所当然”的想法所羁绊，比如说“我们是人类”，这又是理所当然的吗？你的祖先可能是克鲁马努人（Cro-Magnon），或者南方古猿（Australopithecus），古人类经过了很多年的进化过程才成为了现在的你我。难道进化的结果就是让你我都成为鲁什·林堡（RushLimbaugh）和霍华德·斯特恩（HowardStern）（两者皆为美国著名主持人）吗？你必须要去思考，我们的进化是否存在其他的可能性。
　　
　　或比如说，“美国的国旗在接下来的五十年内仍然有五十颗星”，你能够预测未来五十年将发生什么吗？所以我们只有拿自己最习以为常的观点开刀，才能发现最绮丽的宝藏。
　　
　　提姆·奥莱理（TimO’Reilly）
　　
　　提姆·奥莱理：奥莱理媒体创建者，该公司既是出版开源代码书籍的先驱之一，也常承办许多开源社区的研讨会议，知名的研讨会议有Web2.0，FooCamp，MakerFaire等。
　　
　　我不认为我预见了未来，我只是看到了现在，而这些东西和未来有那么点关系。我喜欢有意思的人们，喜欢创意十足的孩子们。我看到他们然后开始思考——他们在干什么呢？
　　
　　有关创新，普遍认为它们似乎来自于企业家，但创新真正的源泉是好玩。当莱特兄弟（The Wright brothers）发明飞机时，他们说：“喵了个咪，你说我们能飞起来吗？”发明滑雪板的人是群小孩,他们把雪橇黏起来说：“喵了个咪，试试这货吧！”而在互联网领域，当时没人认为这能赚钱。他们说：“这些文件不懂从世界哪个地方跑出来的，喵了个咪！”
　　
　　温特·瑟夫（Vint Cerf）
　　
　　温特·瑟夫：二十世纪七十年代斯坦福大学教授；TCP/IP协议和互联网架构的联合设计者之一；邮件服务和媒体控制接口（MCI）数据基础架构的领导者；Google公司副总裁兼首席互联网专家；总统自由勋章获得者。
　　
　　我喜欢一句话“预测未来最好的办法就是创造未来”。在很多时候，预测未来就是发掘现行世界还未实现的可能性，然后再把它变为现实。拿我自己做个例子，我当时和鲍勃·卡恩（BobKahn）一起研究开发出了TCP协议，但如今的互联网并不完全是我们的功劳，它还得益于其他条件的成熟——大家要能买得起电脑设备，相关技术得要完全成熟。所以发明只是你看着此刻的状况，然后突然觉得你能做出来什么。然后，世界就发生改变了。
　　
　　克里斯·萨加（Chris Sacca）
　　
　　克里斯·萨加：Google前任高管，风险投资代理人，其公司投资Lowercase Capital投资了包括Facebook,Instagram,Posterous,Twitter和Uber在内的互联网项目。
　　
　　你问我是如何预测未来的？好吧，我告诉你，我靠的是时光机器。不开玩笑了，我认为我们这些风投们被太多地冠以准确预测未来的荣誉。虽然我们在进行一项新的投资是目光长远的，瞻前顾后的，但事实上，我们通常是错的。我们只是错了很多，然后就对了。
　　
　　之前的惯例是，当准备投资一家公司时，就看它的项目计划书。不过我现在不这么做了，我上网，我从网络可触碰的世界里获取投资信息。我相信广大网络用户们已经帮我把核心的工作完成了。我只要上twitter搜索，看看我想投资的东西在用户们眼中是个如何模样。比如对Heroku的收购，当我在twitter在看到了对它的大量好评后，我就做出了自己的决定。我也会隔三岔五地去一次百思买，看看普通人是如何做选择商品，看看他们的心里价位是多少。对于抓着大把大把股票期权的富豪们来说，110美金和80美金没有任何区别，但对于普通的工薪族来说，这里面的差别可大了。
　　
　　伊藤穰一（JoiIto）
　　
　　伊藤穰一：麻省理工学院媒体实验室主管；CreativeCommons前任CEO；Flickr,Twitter,和Kickstarter早期投资人。
　　
　　我相信意外发现珍宝的本领，相信不同事物间微弱联系蕴含的力量。我和来自不同地区不同领域的人保持联系，然后用模式识别的方法和直觉，来对不同领域的东西进行预测。
　　
　　敏锐是至关重要的。对于局势突发的转变，是否能够以最快的速度做出应对，决定了是否能够成功。在金融海啸中，屹而不倒的公司往往在事前就做好了应对各种突发情况的准备。而多数人都没有找到这个关键点，往往为不必要的东西做准备，而忽略了核心。人只有足够敏锐，把自己的触角伸到外面的世界去去，才能抓住当前的信息，才能找到未来的趋势，而不是依赖对市场一两年的观察分析。
　　
　　彼得·舒瓦茨（Peter Schwartz）
　　
　　彼得·舒瓦茨：国际知名的战略家和未来学家；摩立特集团合伙人；全球商务网络(GlobalBusinessNetwork)创始人；著有《The Art of the Long View》和《The Art of theLong View》。
　　
　　你要去找寻有可能创造新世界的科学技术，它能够让世界走进转折点，加速人类发展的进程。它们是强有力的，尤其是那些科学领域最新的技术和工具。比如说基因工程领域，DNA测试耗资和耗时和最初比可以说是一落千丈，我们正在见证这一切。当今只要1000美金就可以做DNA测试了。很明显，我们的医疗领域正在进入伟大的转折。
　　
　　当然，你也可以直接关注聪明人和大量的钱正在流向哪里。如果哪个领域吸引了大量的人才和资金入驻，你就可以闭上眼睛说这个领域是前途无量的了。
　　
　　这就是信息量的数学定义，在使用中我们常取c=-log2e，则f(p)=-log2p，这就是著名的“比特”。当然在某一次试验之前我们并不能确知试验的结果，那么这一试验可能获得的信息量的期望是：
　　
　　由于这一公式的形式非常类似物理中“熵”的定义，香农把这一平均信息量称为“信息熵”。由函数的性质可知，当各种结果出现的概率均等时，此次试验能获得的信息量的期望最大。
　　
　　信息熵的应用
　　
　　信息熵的应用很广，即便是在智力题里也有体现：有100个外表相同的球，已知其中有一个与其他球的质量不同。现要求用没有砝码的天平在最少次数中找出这个球，问怎样的称法才是最佳的？
　　
　　我们把每次称量都视为一次试验，试验结果有三种：天平偏向左边、天平偏向右边重或者相等，那么为获得最大的信息量，我们应该使三种情况出现的概率相等，即把小球平均分成3份进行称量，也就是一般答案中给出的最佳称量方法。使用信息论还可以计算出最少所需要的称量次数，因为100个小球中知道某球是假球且偏重或者偏轻这一信息所包含的信息量是log2200，每次测量所能获得的信息是log23，那么需要测量的最小次数就是5次。然而具体到每次测量，由于不能保证将球平均分为3份，并不一定能有log23的信息熵，所以这个5次只是测量的下界，具体能否达到还要看实际的步骤。
　　
　　也有学者把信息熵的理论应用在语言学上，他们统计了不同语言中各字母的频率，英语的平均信息熵是4.03比特，法语的平均信息熵是3.98，西班牙语是4.01比特，德语的是4.10比特，俄文的是4.8比特，都略低于相应字符集的最大信息熵。这也是很容易理解的，自然语言中存在许多词首词尾与固定搭配，不同字母的出现频率是不同的。但是信息学家们并不满意这个结果，因为在传输中更大的平均信息熵就意味着更高的效率，所以他们一直在试图追寻能使信息熵更高的压缩编码方式，像我们常用的WinRAR等软件就是他们工作的结果。当然，这样的“理想语言“在人类眼中看来是毫无文采、索然无趣的。我们使用的自然语言中正是由于那么一点多余的低效率，才造出了丰富多彩的效果。另外值得一提的是，中文的信息熵高达9.65比特，也许这也是汉语中各种文字游戏比较多的根源吧。有的家长会给孩子起个带生僻字的名字，其实也在无形中稍微提高了汉语的效率呢。