想象一下夜里独自走在一天安静的街上，身后有脚步声朝着你靠近。你的大脑旋即调动各种可用的感知来做出下一步行动的判定。你可能会用耳朵去听或者扭头撇上一眼，然后结合过往的经验去做出改变行走路线、正面迎接这个人或者就干脆当做没事发生的决定。无论结果如何，你的大脑都已经将记忆里类似场景都瞬时扫了一遍并做出了评估。
这就是态势感知。我们对周遭世界做出反应的方式是如此自然以至于常常在无意识间完成了一系列分析。各种知觉在眨眼间捕捉各维度上的信息，从音、形到气味，将这些信息与存储在记忆中的经验和个人特质结合分析得出一份“可行性报告”，然后从这份报告中筛选并执行最合理的行动。这是一种与环境沟通的原始语言，自打从我们灵长类祖先那儿继承来之后就没怎么进化过。
问题是，这种沟通方式和现代化的生活融合的并不好。
很大程度上由乔治亚理工大学学者Anind Dey和Gregory Abowd在十年前定义的语境运算（contextual computing）接下来将会面临转变。无所不在计算机能对各种情形的主客观形式做出分析，使得我们的对环境的判断和反应能力大大提升。它们也成为人类意识的延伸，成了我们的第六、第七甚至是第八感。
这种趋势早已进入我们的日常生活。移动设备上的 GPS 功能可以通过提供适地性的服务为你的手机提供更好的信息获取方式；Amazon 和 Netflix 的推荐引擎可以你的口味和记录推荐书籍和影片；Facebook 和 Twitter 则希望对你的交际圈和兴趣爱好进行分析从而把更准确的内容和广告送到你眼前。
这些只是冰山一角而已。语境运算的正随着新平台的出现而广泛传播，硬件、软件、网络和服务的结合可为用户提供个性化和更先进的解决方案。坦白来讲，我们得靠智能手机来普及这种服务。移动科技还不是焦点所在，因为这是个正在崛起的平台，但是由于其贴身以及配备了各种感应器等特性，这将成为一个有趣的话题。为语境运算量身打造的未来移动平台会让移动设备看起来更像个玩具而不是一部拥有众多功能的手机。
但首先，科学家、科技企业和用户必须理解并且相信这种技术的潜力和价值。这就如当年图像技术和联网技术从概念和实验室里的作品变为一种商业产品一样。
进行语境运算所需的四种关键数据为：社交、兴趣、行为和个人。这四方面中有些已经相当成熟，而有些才在这几年开始流行。能自如地掌握并运用这四项数据的玩家将在互联网行业的竞争中占据极大的优势。
以上四个方面或多或少都有一些道德方面的担忧。它们属于一个更大的论题 – 隐私问题：过多地透露社交方面的信息会让你的朋友觉得被出卖给了那些公司；兴趣方面数据的公布则让你的个人爱好展览看上去像一场商业秀；行为类的数据可能会危及人身安全；最后，大量地展示个人信息会让外界对你的想法一览无余。因此，从个体和法律立场来理解这个现象是个亟待解决的问题。
与语境运算道德方便考量的含糊不清不同的是，那些企业们已经积极地从各方面建立业务了。目前出现在市场的产品和服务中，很大一部分只以这四方面的其一或其二作为目标。也有志在全面覆盖的，但饱受技术不成熟和目标不足之苦。这样一来，由于语境运算的优点得不到有效展示，无形中它的劣势就遭到了放大。上述四方面的数据必须结合起来使用以开发出语境运算的潜力。
社会信息 – 链接，链接，还是链接
社会类的信息的功能一句话来概括就是用来说明你和你的交际圈是怎样互相连接的，并解释此类链接的本质和其所以来的情感因素。很多人以为 Facebook 这类网站就包括了一个人的社会信息，其实这是个远大于社交的概念。在一个理想的语境运算情景下，社会信息可以解释和演示个体之间有意识和无意识的互动。比如一定的服务和软件可以将两个陌生人带到一起；也可以是两个共有一个朋友的个体之间的互动。
利用平台和服务全面调动和充分利用是发挥出这类信息最大潜力的必须条件。另一方面来说，对个体的信仰、行为和兴趣的理解也是发掘社会信息有效价值的前提之一。
个体信息 – 你的信仰，性格和价值观
个体类信息包括你的信仰，你看待世界的角度和你的性格。这类属性使得每个人都是独一无二的存在，这与社会类信息解释个体之间共性的特点正好相反。由于这类信息的高度概念化和抽象化，对个体类信息的收集和利用之法尚在开发之中。
考虑到心理学尚且在解释个体特性方面进展缓慢，以计算机数据形式记录和分析此类信息的技术停滞不前也就不难理解了。但是改变的迹象也不是没有。以Proust.com为例， 一个社交行业里较新的玩家，他们以普鲁斯特问卷的方式从用户处收集极其私人的生活细节和个人信仰等信息。大多数情况下人们是不情愿在如此公开的社交网络上透露此类信息的。
一个更成功的例子就是 Evernote，以易用和安全做卖点的 Evernote 已经有相当大的用户群， 这些用户正用这款软件记录着包括消费记录和心理活动等隐秘信息。但是从这里信息中提取数据言在 NSA 的眼中还是个灰色区域，我们需要一个全新的解决方案来发掘出其中的价值。
兴趣信息 – 你的品味和偏好
兴趣类信息围绕在一系列互相关联的事物存在，不同个体间重叠的兴趣爱好也在此列。不少公司已经在此领域进行投资；Twiiter 就正自信地走在这条路上，他们坚信能将各种话题之间的联系绘制出来。
但是这种应用的范围还是非常的有限。例如像Goodreads.com这样的在线书店虽然可以根据公开的口味偏好向你推荐你可可能感兴趣的书籍，但这还比较勉强，因为对那些未公开的、更贴近你真实兴趣的信息进行解读非常重要，但对他们来说还是大难题。他们还无法搞清楚好奇心会对你的选择做出怎样的影响，更别提从你的阅读中分析出其它方面的兴趣了，比如餐厅和度假地点等。
行为信息 – 最容易分析的部分
行为部分的信息是最易于记录的。如上文所述，无所不在的感应器和计算机担当了这项任务，当然这也包括了自我报告机制。机械的计算机难以对你的兴趣做出准确预测，与此不同，行为类信息的记录和分析对计算机来说轻而易举。试想你对朋友说想要去中国度假，但是事实上欧洲从来都是你的唯一选择。一个聪明的旅行类应用会十分明智地为你推荐巴黎或柏林的旅行折扣，而不是傻傻地告诉中国的商家正在做怎样的活动。行为类的数据在某种程度上为 Google 搜索、Netflix、Amazon、iTunes Genius、Nike+、FourSquare 和 FitBit 等“数字量化自我”服务提供了基础。在和其它三方面的数据充分混合后，这类数据能为行为解密做出有效注解。
这四类信息间的链接将是发挥它们最大潜力的关键，正是相互间的关联使它们产生共鸣。最新的产品如 Google 的 Now 和 Glass， Highlig.ht 以及 Siri 都在试图开拓这条途径。Xerox PARC 的梦想家们早在 1973 年便开发鼠标和图形计算技术，但却无法将这些领先之处作为长期的竞争优势保持下去，同样地，现在去说哪种平台或应用将会成功还为时过早。成功将建立在很多有趣的失败经验上。
语境运算到来的可能会比那些行业大佬们声称的日期再晚一点儿，但别误会，它迟早会来的。比尔盖茨的妙语是，“我们总是把高估了两年内的可能性而低估了十年內将会发生什么改变。”（值得一提的是，他在 2001 年便已做出的平板电脑概念直到 2010 年 iPad 的上市才取得商业上的成功。）
十年内，语境运算将会发展成科技界里的主导概念。拿办公效率来说，通过将具体任务和从所在环境中汲取的数据结合分析，计算机可以为我们提供一系列可行的选项，就如开头例子中我们的大脑同时给出数种选择一样。到了那时候，现在所谓的可穿戴设备将会变成“可穿戴的人工智能”。
VIA: fastcodesign.com
