基于多模態的預訓練大模型將實現圖文音統一知識表示，成為人工智能基礎設施。
人工智能正在從文本、語音、視覺 等單模態智能，向著多種模態融合的通 用人工智能方向發展。多模態統一建模，目的是增強模型的跨模態語義對齊能力， 打通各個模態之間的關系，使得模型逐步標準化。目前，技術上的突出進展來自于 CLIP（匹配圖像和文本）和 BEiT-3 （通用多模態基礎模型）。基于多領域知識，構建統一的、跨場景、多任務的多模態基礎模型已成為人工智能的重點發展方向。未來大模型作為基礎設施，將實現圖像、文本、音頻統一知識表示，并朝著能推理、能回答問題、能總結、做創作的認知智能方向演進。
Chiplet 的互聯標準將逐漸統一，重構芯片研發流程。
Chiplet 是硅片級別的“解構 - 重構 - 復用”，它把傳統的 SoC 分解為多個芯 粒模塊，將這些芯粒分開制備后再通過 互聯封裝形成一個完整芯片。芯粒可以 采用不同工藝進行分離制造，可以顯著降低成本，并實現一種新形式的 IP 復用。隨著摩爾定律的放緩，Chiplet 成為持續提高 SoC 集成度和算力的重要途徑，特別是隨著 2022年3月份 UCle 聯盟的成立，Chiplet互聯標準將逐漸統一，產業化進程將進一步加速。基于*封裝技術的 Chiplet 可能將重構芯片研發流程， 從制造到封測，從 EDA 到設計，* 影響芯片的區域與產業格局。
資本和產業雙輪驅動，存算一體芯片將在垂直細分領域迎來規模化商用。
存算一體旨在計算單元與存儲元融合，在實現數據存儲的同時直接進行計算，以消除數據搬移帶來的開銷， 極大提升運算效率，以實現計算存儲的高效節能。存算一體非常符合高訪存、 高并行的人工智能場景計 算 需 求。
在產業和投資的驅動下， 基于SRAM， DRAM，Flash 存儲介質的產品進入驗證期，將優先在低功耗、小算力的端側如智能家居、可穿戴設備、泛機器人、 智能安防等計算場景落地。未來，隨著 存算一體芯片在云端推理大算力場景落 地，或將帶來計算架構的變革。它推動 傳統的以計算為中心的架構向以數據為中心的架構演進，并對云計算、人工智能、物聯網等產業發展帶來積極影響。
安全技術與云緊密結合，打造平臺化、智能化的新型安全體系。
云原生安全是安全理念從邊界防御 向縱深防御、從外掛模式向內生安全的轉變，實現云基礎設施的原生安全，并基于云原生技術提升安全的服務能力。
安全技術與云計算由相對松散走向緊密 結合，經過“容器化部署”、“微服務 化轉型”走向“無服務器化”的技術路線， 實現安全服務的原生化、精細化、平臺化和智能化：
● 以安全左移為原則，構建產品研發、 安全、運維一體化的產品安全體系， 增進研發，安全和運維融合協同；
● 以統一的身份驗證和配置管理為基 礎，實現*授權和動態策略配置；
● 以縱深防御體系為架構，平臺級的安 全產品為依托，實現*主動防御， 化解傳統安全產品碎片化的問題；
● 以安全運營為牽引，實現涵蓋應用、 云產品、網絡等全鏈路的實時檢測、 *響應、快速溯源和威脅狩獵。
云計算向以CIPU 為中心的全新云計算體系架構深度演進，通過軟件定義，硬件加速， 在保持云上應用開發的高彈性和敏捷性 同時，帶來云上應用的*加速。
云計算從以 CPU 為中心的計算體系 架構向以云基礎設施處理器（CIPU）為 中心的全新體系架構深度演進。通過軟件定義，硬件加速，在保持云上應用開發的高彈性和敏捷性同時，帶來云上應 用的*加速。新的體系架構下，軟硬一體化帶來硬件結構的融合，接入物理的計算、存儲、網絡資源，通過硬件資 源的快速云化實現硬件加速。此外，新 架構也帶來軟件系統的融合。
這意味著 以 CIPU 云化加速后的算力資源，可通 過 CIPU 上的控制器接入分布式平臺， 實現云資源的靈活管理、調度和編排。在此基礎上，CIPU 將定義下一代云計 算的服務標準，給核心軟件研發和專用 芯片行業帶來新的發展機遇。
基于云定義的可預期網絡技術，即將從數據中心的局域應用走 向全網推廣。
可預期網絡（Predictable Fabric）是由云計算定義，服務器端側和網絡協同 的高性能網絡互聯系統。計算體系和網絡體系正在相互融合，高性能網絡互聯 使能算力集群的規模擴展，從而形成了大算力資源池，加速了算力普惠化，讓算力走向大規模產業應用。
可預期網絡不僅支持新興的大算力和高性能計算場景，也適用于通用計算場景，是融合了傳統網絡和未來網絡的產業趨勢。通過云定義的協議、軟件、芯片、硬件、架構、平臺的全棧創新，可預期高算力網絡有 望顛覆目前基于傳統互聯網 TCP 協議的 技術體系，成為下一代數據中心網絡的 基本特征，并從數據中心的局域應用走 向全網推廣。
融合運籌優化和機器學習的雙引擎智能決策，將推進全局動態 資源配置優化。
企業需在紛繁復雜、動態變化的環 境中快速*地做出經營決策。經典決 策優化基于運籌學，通過對現實問題進 行準確描述來構建數學模型，同時結合 運籌優化算法，在多重約束條件下求目 標函數*優解。
隨著外部環境復雜程度 和變化速度不斷加劇，經典決策優化對不確定性問題處理不夠好、大規模求解 響應速度不夠快的局限性日益突顯。學 術界和產業界開始探索引入機器學習，構建數學模型與數據模型雙引擎新型智 能決策體系，彌補彼此局限性、提升決 策速度和質量。未來，雙引擎智能決策 將進一步拓展應用場景，在大規模實時電力調度、港口吞吐量優化、機場停機 安排、制造工藝優化等特定領域推進全 局實時動態資源配置優化。
計算光學成像突破傳統光學成像極限，將帶來更具創造力和想象力的應用。
計算光學成像是一個新興多學科交 叉領域。它以具體應用任務為準則，通 過多維度獲取或編碼光場信息（如角度、偏振、相位等），為傳感器設計遠超人眼的感知新范式；同時，結合數學和信號處理知識，深度挖掘光場信息，突破傳統光學成像極限。
目前，計算光學成 像處于高速發展階段，已取得許多令人 振奮的研究成果，并在手機攝像、醫療、無人駕駛等領域開始規模化應用。未來，計算光學成像有望進一步顛覆傳統成像 體系，帶來更具創造力和想象力的應用， 如無透鏡成像、非視域成像等。
城市數字孿生在大規模趨勢基礎上，繼續向立體化、無人化、全局化方向演進。
城市數字孿生自 2017 年首度被提出以來，受到廣泛推廣和認可，成為城市 精細化治理的新方法。近年來，城市數字孿生關鍵技術實現了從量到質的突破， 具體體現在大規模方面，實現了大規模 動態感知映射（更低建模成本）、大規模 在線實時渲染（更短響應時間），以及大規模聯合仿真推演（更高精確性）。
目前，大規模城市數字孿生已在交通治理、 災害防控、雙碳管理等應用場景取得較 大進展。未來城市數字孿生將在大規模 趨勢的基礎上，繼續向立體化、無人化、 全局化方向演進。
生成式AI進入應用爆發期，將極大地推動數字化內容生產與創造。
生成式 AI（Generative AI 或 AIGC）是利用現有文本、音頻文件或圖像創建 新內容的技術。過去一年，其技術上的 進展主要來自于三大領域：圖像生成領 域， 以 DALL·E-2、Stable Diffusion 為 代表的擴散模型（Diffusion Model）；自然語言處理（NLP）領域基于 GPT-3.5 的 ChatGPT；代碼生成領域基于 Codex 的 Copilot。
現階段的生成式 AI 通常被用來生成產品原型或初稿，應用場景涵 蓋圖文創作、代碼生成、游戲、廣告、藝術平面設計等。未來，生成式 AI 將成為一項大眾化的基礎技術，極大的提高數字化內容的豐富度、創造性與生產效 率，其應用邊界也將隨著技術的進步與成本的降低擴展到更多領域。
