2020 年 1 月 2 日，達摩院重磅宣布十大技術趨勢，AI 前線第一時間獲悉報告列表，並對其中與人工智能相關的兩大趨勢邀請了專家進行詳細解讀，希望對廣大 AI 領域開發者有所幫助。

2020 年伊始，站在下一個十年的開端，科技發展依舊是我們專注的重點。

剛剛，阿裏達摩院發布了《2020 十大科技趨勢》，該報告包含了人工智能、區塊鏈、芯片、量子計算等諸多領域。報告指出，人工智能將實現兩大突破：認知智能與機器間大規模協作。這兩大關鍵技術一方面可以將人工智能的能力從基礎的“聽說看”拓展到邏輯推理、思考決策，進而使人工智能深度介入社會生産生活；另一方面可以將智能體大規模自主組織起來，不再需要大量的人工操作，進而使人工智能真正成爲協調整個人類工作生活網絡的核心系統。

下載完整版白皮書，請訪問： https://damo.alibaba.com/events/57

以下爲達摩院十大技術趨勢預測以及專家詳細解讀：

達摩院 2020 十大科技趨勢

趨勢一：人工智能從感知智能向認知智能演進

人工智能已經在“聽、說、看”等感知智能領域達到或超越了人類水准，但在需要外部知識、邏輯推理或者領域遷移的認知智能領域還處于初級階段。認知智能將從認知心理學、腦科學及人類社會曆史中汲取靈感，並結合擴領域知識圖譜、因果推理、持續學習等技術，建立穩定獲取和表達知識的有效機制，讓知識能夠被機器理解和運用，實現從感知智能到認知智能的關鍵突破。

趨勢解讀

近些年來，人工智能已經在感知智能上取得了長足的進步，甚至在許多領域已經達到或超出了人類的水准，解決了“聽、說、看”的問題。但對于需要外部知識、邏輯推理或者領域遷移等需要“思考和反饋”的問題，仍然存在諸多難題去攻破。

相較于感知智能這一人工智能 1.0，人工智能 2.0 將更多基于數據，自動將非結構化的數據轉變爲結構化的知識，做到真正意義上的認知智能。探索如何保持大數據智能優勢的同時，賦予機器常識和因果邏輯推理能力，實現認知智能，成爲當下人工智能研究的核心。

認知智能的機制設計非常重要，包括如何建立有效的機制來穩定獲取和表達知識，如何讓知識能夠被所有模型理解和運用。認知智能將會從認知心理學、腦科學以及人類社會的發展曆史中汲取更多的靈感，並結合跨領域知識圖譜、因果推理、持續學習等研究領域的發展進行突破。

認知智能將結合人腦的推理過程，進一步解決複雜的閱讀理解問題和少樣本的知識圖譜推理問題，協同結構化的推理過程和非結構化的語義理解。認知智能也需要解決多模態預訓練問題，幫助機器獲得多模感知能力，賦能海量任務。

大規模圖神經網絡被認爲是認知智能計算強有力的推理方法。圖神經網絡將深度神經網絡從處理傳統非結構化數據（如圖像、語音和文本序列）推廣到更高層次的結構化數據（如圖結構）。大規模的圖數據可以表達豐富和蘊含邏輯關系的人類常識和專家規則，圖節點定義了可理解的符號化知識，不規則圖拓撲結構表達了圖節點之間的依賴、從屬、邏輯規則等推理關系。以保險和金融風險評估爲例，一個完備的 AI 系統不僅需要基于個人的履曆、行爲習慣、健康程度等進行分析處理，還需要通過其親友、同事、同學之間的來往數據和相互評價進一步進行信用評估和推斷。基于圖結構的學習系統能夠利用用戶之間、用戶與産品之間的交互，做出非常准確的因果和關聯推理。

未來人工智能熱潮能否進一步打開天花板，形成更大的産業規模，認知智能的突破是關鍵。認知智能可以幫助機器跨越模態理解數據，學習到最接近人腦認知的“一般表達”，獲得類似于人腦的多模感知能力，有望帶來顛覆性創新的産業價值。認知智能的出現使得 AI 系統主動了解事物發展的背後規律和因果關系、而不再只是簡單的統計擬合，從而進一步推動下一代具有自主意識的 AI 系統。

趨勢二：計算存儲一體化突破 AI 算力瓶頸

馮·诺伊曼架构的存储和计算分离，已经不适合数据驱动的人工智能应用需求。频繁的数据搬运导致的算力瓶颈以及功耗瓶颈已经成为对更先进算法探索的限制因素。类似于脑神经结构的存内计算架构将数据存储单元和计算单元融合为一体，能显著减少数据搬运，极大提高计算并行度和能效。计算存储一体化在硬件架构方面的革新，将突破 AI 算力瓶頸。

詳細解讀

經典的馮·诺伊曼计算机架构中，存储单元和计算单元泾渭分明。运算时，需要将数据从存储单元读取到计算单元，运算后会把结果写回存储单元。在大数据驱动的人工智能时代，AI 運算中數據搬運更加頻繁， 需要存儲和處理的數據量遠遠大于之前常見的應用。當運算能力達到一定程度，由于訪問存儲器的速度無法跟上運算部件消耗數據的速度，再增加運算部件也無法得到充分利用，即形成所謂的馮·诺伊曼“瓶颈”，或“内存墙”问题。这就好比一台马力强劲的发动机，却因为输油管的狭小而无法产生应有的动力。

計算力瓶頸以及功耗瓶頸已經對更先進、複雜度更高的 AI 模型研究産生了限制。例如，最先進的自然語言處理模型 XLNet 有約 4 億模型參數，每次訓練需要數百個谷歌深度學習加速器 TPU 運算三天，耗資超過 10 萬美元。而據估算人腦中細胞間互聯軸突個數在百萬億到千萬億數量級，兩者相差約六個數量級。顯然 AI 在認知問題上離我們追求的的所謂通用人工智能還有巨大差距，預計將需要計算能力和計算系統的能源效率比現在至少提高幾個數量級。因此人工智能要進一步突破，必須采用新的計算架構，解決存儲單元和計算單元分離帶來的算力瓶頸。

計算存儲一體化，類似于人腦，將數據存儲單元和計算單元融合爲一體，能顯著減少數據搬運，極大提高計算並行度和能效。計算存儲一體化的研究無法一蹴而就。對于廣義上計算存儲一體化計算架構的發展，近期策略的關鍵在于通過芯片設計、集成、封裝技術拉近存儲單元與計算單元的距離，增加帶寬，降低數據搬運的代價，緩解由于數據搬運産生的瓶頸。中期規劃，通過架構方面的創新，設存儲器于計算單元中或者置計算單元于存儲模塊內，可以實現計算和存儲你中有我，我中有你。遠期展望，通過器件層面的創新，實現器件即是存儲單元也是計算單元，不分彼此，融合一體，成爲真正的計算存儲一體化。近年來，一些新型非易失存儲器，如阻變內存，顯示了一定的計算存儲融合的潛力。

計算存儲一體化正在助力、推動算法升級，成爲下一代 AI 系統的入口。存內計算提供的大規模更高效的算力，使得算法設計有更充分的想象力，不再受到算力的約束。從而將硬件上的先進性，升級爲系統、算法的領先優勢，最終加速孵化新業務。

更進一步，計算存儲一體化是一個 game-changer，開辟了一條新賽道。它的出現將通過迫使産業升級，重構現在處理器和存儲器的相對壟斷的産業格局。在此過程中，可以幫助更多芯片行業中小企業發展，更爲國産芯片創造彎道超車創造了機會。

趨勢三：工業互聯網的超融合

5G、IoT 設備、雲計算、邊緣計算的迅速發展將推動工業互聯網的超融合，實現工控系統、通信系統和信息化系統的智能化融合。制造企業將實現設備自動化、搬送自動化和排産自動化，進而實現柔性制造，同時工廠上下遊制造産線能實時調整和協同。這將大幅提升工廠的生産效率及企業的盈利能力。對産值數十萬億乃至數百萬億的工業産業而言，提高 5%-10% 的效率，就會産生數萬億人民幣的價值。

趨勢解讀

現有工業系統之間的通信主要依賴于有線通信來屏蔽噪聲和保障低延時，例如 OpcUA、Modbus。由于工廠複雜的環境，布線成爲了工業系統通信的痛點。工廠的搬送機器人或一個工礦的挖機需要在一個大範圍內頻繁移動，WiFi 難以較好覆蓋，而 4G/Lora/NB 的數據傳輸速率和延時達不到機器人響應的要求，因此通信問題難以有效解決。隨著 5G 技術的成熟，可以滿足工業系統對于高可靠低時延的需求， DTU（無線傳輸設備）較原本的有線方案無論在部署上，還是在運維上都有著極高的優勢和性價比。可以預見的是，工業系統的互聯將隨著 5G 的建設而得到快速普及。

隨著 IoT PaaS 的成熟，雲端已經兼容了 WiFi、BLE,、Zigbee、Modbus、OpcUA,、RS232 等網絡和連接協議。這些協議可以通過 5G 的模組非常方便地幫助原來的 IT 系統與雲端打通。APS（自動排産軟件）和 MES（制造執行系統）可以從雲端或邊緣服務器直接下發工藝包和生産計劃至每一個機台，從而實現 IT（信息化）和 OT（工控軟件）的融合，不僅極大解放了人力，更重要的是實現了工業互聯網的重要方向之一，即工廠內部垂直集成：IT 和 OT 系統的整合。

工業互聯網主要解決三個問題。一是將制造企業內部的 IT 軟件系統與 OT 設備系統打通，進行自動派單，從而實現柔性制造。二是在工廠外實現上下遊産業鏈的優化組合。三是産品的設計和産品生命周期的管理。

傳統生産管理與控制中，軟件是分層、弱連接，難以實現根據訂單變化進行生産動態調整的個性化定制要求。目前隨著 5G 和 IoT PaaS 的成熟，可以輕松把設備數據聯到雲上，將設備作業的數據傳到業務系統（雲上的 IT 系統）裏面，實現派工自動化，從而實現生産的實時調整，滿足個性化需求定制。

每個企業出于核心技術保密以及采用的生産系統軟硬件不統一等原因，無法構成緊密的價值網絡，使價值網絡整體的競爭力難以提升。隨著 5G 和邊緣計算以及 IoT PaaS 的成熟以及區塊鏈技術的進步，利用分布式賬本，解決信任問題後，可以突破單個工廠的限制，將價值網絡中的上下遊企業工廠的制造系統連接起來，進而可以實現上下遊制造産線的實時調整和協同，上遊的流水線變慢，下遊的流水線也可以慢一下，這樣就避免了不必要的生産和庫存，從而使整個價值網絡的競爭力得以提升。

現有生産模式中，在由産品設計、生産規劃、生産工程、生産執行、服務所購成的産品價值鏈上，各環節數據來源不同，異構性強，難以互通，整個價值鏈的信息無法全透明。但是通過工業互聯網和數字孿生技術，在産品的設計階段使用 CAD 軟件設計産品的解析模型；在産品的使用階段，利用 5G 和 IoT PaaS 采集關鍵參數，並且輸入到雲端的模型解析軟件裏，可以很好跟蹤這個産品的全生命周期中的性能和設計指標之間的差異變化。而這些使用過程的信息就成爲下一次産品叠代的重要的數據來源，周而複始，推動産品不斷叠代進步。

工業系統通過工業互聯網連接起來，工業互聯網第一次讓人類掌握了一個實時調整工業系統能力的工具，從而大幅度促進了生産效率，降低了庫存，提高了質量。整個中國的第二産業是 40 萬億人民幣，如果按照提高 5%-10% 的效率計算，將是産生 2-4 萬億人民幣的價值。 這將大幅提升企業的盈利能力。

趨勢四：機器間大規模協作成爲可能

傳統單體智能無法滿足大規模智能設備的實時感知、決策。物聯網協同感知技術、5G 通信技術的發展將實現多個智能體之間的協同——機器彼此合作、相互競爭共同完成目標任務。多智能體協同帶來的群體智能將進一步放大智能系統的價值：大規模智能交通燈調度將實現動態實時調整，倉儲機器人協作完成貨物分揀的高效協作，無人駕駛車可以感知全局路況，群體無人機協同將高效打通最後一公裏配送。

趨勢解讀：

隨著人工智能發展迎來又一次浪潮，越來越多的智能設備參與到人類日常生産活動中，影響著人們生活的方方面面。隨著“萬物互聯（Internet of everything）”概念的提出，大量的智能設備被聯接起來，形成一個智能設備網絡，實現信息共享、統一控制。

在大規模智能設備網絡中，機器與機器之間的交流與協作將十分重要。這種協作將優化整體的長期目標，湧現群智，從而進一步將智能系統的價值規模化放大。以城市級別的交通燈控制任務爲例，它關注長期城市交通的車輛通行順暢度。現實環境中，一個城市級別的交通燈控制規模巨大，不同時期又有不同的控制策略，每個路口紅綠燈的控制策略取決于實時車流信息及鄰近範圍內其他路口的交通控制策略。這種要求動態實時調整的大規模智能網絡，使用原有的基于規則的方法很難實現。而基于多智能體強化學習的大規模交通控制技術可以解決這一難題。

未來 5 年，多智能體協作將在城市生活的方方面面落地發展，倉儲機器人的高效協作完成貨物的快速分揀，提升物流效率，降低存儲和運輸成本；道路上的無人車能夠決定並道時是否讓其他車先行，提升無人駕駛的安全性和交通效率；交通燈根據當前路口和鄰近路口的實時交通情況來決定調度信號，真正盤活整個城市高峰時期的交通；網約車平台會根據城市不同地點各個時間的打車需求來優化給每輛車的派單，降低用戶等車時間，提升司機收入。

多智能體協同及群體智能這樣全新的人工智能範式的發展和普及將會帶來整個經濟社會的升級，讓人工智能不再只是單個的工具，而是協調整個人類工作生活網絡的核心系統。

趨勢五：模塊化降低芯片設計門檻

傳統芯片設計模式無法高效應對快速叠代、定制化與碎片化的芯片需求。以 RISC-V 爲代表的開放指令集及其相應的開源 SoC 芯片設計、高級抽象硬件描述語言和基于 IP 的模板化芯片設計方法，推動了芯片敏捷設計方法與開源芯片生態的快速發展。此外，基于芯粒（chiplet）的模塊化設計方法用先進封裝的方式將不同功能“芯片模塊”封裝在一起，可以跳過流片快速定制出一個符合應用需求的芯片，進一步加快了芯片的交付。

趨勢解讀

AIoT 時代世間萬物逐步走向在線化、數據化、智能化，不僅將帶來芯片需求的爆發式增長，形成巨大的市場空間，同時其碎片化和定制化的特點，也對芯片設計模式提出了新的要求。芯片行業傳統的比投資、比品牌、比工藝的“大魚吃小魚”格局，正逐漸被比市場靈敏度、比需求適配、比速度和價格的“快魚吃慢魚”格局所取代。在應用驅動的趨勢下，誰能快速推出專用芯片，就能搶占市場先機。越來越多的系統和應用服務公司在推出專用芯片，例如蘋果、谷歌、阿裏巴巴、亞馬遜、特斯拉等應用企業開始進入芯片設計領域，自研或聯合開發芯片産品。

現有的芯片設計模式存在研發成本高、周期長等問題，開發一款中檔芯片，往往需要數百人年、數千萬甚至上億美元的研發投入，不僅嚴重阻礙了芯片創新速度。特別是隨著芯片制程從 10nm 縮減到 7nm，接下來還要進一步縮減到 5nm，每一次制程縮減所需要的成本和開發時間都在大幅提升。受到成本和市場壓力的驅使，半導體産業在積極尋找新的芯片開發模式，來滿足低成本、快速的需求。基于 IP 的可重用的設計方法學，解決了芯片功能模塊重複設計的問題，使得芯片可以以模塊化的方式進行設計，不同功能的 IP 模塊可以在不同的芯片中被重用，這種方法推動了系統芯片（Syetem-on-Chip）的普及。近年來，以 RISC-V 爲代表的開放指令集及其相應的開源 SoC 芯片設計、以 Chisel 爲代表的高級抽象硬件描述語言和基于 IP 的模塊化模板化的芯片設計方法，推動了芯片敏捷設計方法與開源芯片生態的快速發展，越來越多芯片企業開始嘗試開源硬件架構進行設計。

面向未來，一種“芯粒”（Chiplet）的模塊化設計方法正在成爲新的行業趨勢。這種方法通過對複雜功能進行分解，開發出多種具有單一特定功能的“芯粒”（Chiplet），如實現數據存儲、計算、信號處理、數據流管理等功能。利用這些不同功能的 Chiplets 進行模塊化組裝，將不同的計算機元件集成在一塊硅片上，來實現更小更緊湊的計算機系統結構。以前設計一個 SoC，需要從不同的 IP 供應商購買 IP，包括軟核 IP 或硬核 IP，再結合自家研發的模塊，集合成一個 SoC，然後在某個制造工藝節點上完成芯片設計和生産的完整流程。未來計算機的系統結構，可能不是由單獨封裝的芯片制造的，而是在一塊較大的硅片上互連成芯片網絡的 Chiplets 制造的。模塊化的芯片技術最終可以實現像搭積木一樣”組裝“芯片。

趨勢六：規模化生産級區塊鏈應用將走入大衆

區塊鏈 BaaS(Blockchain as a Service) 服務將進一步降低企業應用區塊鏈技術的門檻，專爲區塊鏈設計的端、雲、鏈各類固化核心算法的硬件芯片等也將應運而生，實現物理世界資産與鏈上資産的錨定，進一步拓展價值互聯網的邊界、實現萬鏈互聯。未來將湧現大批創新區塊鏈應用場景以及跨行業、跨生態的多維協作，日活千萬以上的規模化生産級區塊鏈應用將會走入大衆。

趨勢解讀：

2019 年是區塊鏈裏程碑的一年，區塊鏈技術正式被定位爲國家戰略，爲區塊鏈産業的發展打開了巨大的想象空間。區塊鏈技術應用已延伸到數字金融、數字政府、智能制造、供應鏈管理等多個領域，主流廠商紛紛進入區塊鏈領域推動技術突破和商業化場景落地。區塊鏈將正式面對海量用戶場景的考驗，這將對系統處理量提出了更高的要求，並加劇參與節點在信息存儲、同步等方面的負擔，在現有技術環境下會導致系統性能和運行效率的下降。

區塊鏈的路線之爭逐步清晰，從顛覆到補充，從去中心到去中介，聯盟鏈架構成爲行業主流技術路線。聚焦研發高吞吐、低延時大規模共識網絡，各行業內提升多方協作效率的價值鏈接局域網逐步呈現。在傳統物理世界中，鏈外到鏈上錨定過程中的信息真實性保障一直是全行業技術攻關的重點。目前各個行業中正在逐步形成的局域網，通過更好地實現數據共享，幫助價值網絡的無障礙流動，有望形成真正的價值互聯網絡。在商用網絡中，區塊鏈保證所有信息數字化並實時共享，使得離散程度高、鏈路長、涉及環節多的多方主體仍能有效合作，但與此同時，也帶來了存儲成本、秘鑰安全，數據隱私等方面的壓力。

展望 2020 年，區塊鏈 BaaS(Blockchain as a Service) 服務將進一步降低企業應用區塊鏈技術的門檻。在商業應用大規模落地的同時，區塊鏈網絡的“局域網”和“數據孤島”問題將被新型的通用跨鏈技術所解決。自主可控的安全與隱私保護算法及固化硬件芯片將會成爲區塊鏈核心技術中的熱點領域，保障基礎設施的性能和安全。以端、雲、鏈的軟硬件産品爲基礎的一站式解決方案，進一步加速企業上鏈與商業網絡搭建的進程。區塊鏈通過與 AIOT 技術融合實現物理世界資産與鏈上資産的錨定，進一步拓展價值互聯網的邊界實現萬鏈互聯。這也將進一步夯實區塊鏈在數字經濟時代數據和資産可信流轉的全球基礎設施地位。

在電氣時代，用電量是衡量經濟水平的核心指標；在 4G 時代，互聯網上的活躍用戶數是繁榮的標志； 在數字經濟時代，面對即將到來的海量用戶場景，我們相信在未來的 1 年，將會井噴式的湧現大批創新區塊鏈應用場景以及跨行業、跨生態的多維協作。與此而來的，一批日活千萬的區塊鏈規模化生産級應用將會走入大衆。以區塊鏈爲基礎的分布式帳本，將在數字經濟中進一步推動産業數字化形成的價值有效傳遞，從而構建新一代價值互聯網和契約社會。

趨勢七：量子計算進入攻堅期

2019 年，“量子霸權”之爭讓量子計算在再次成爲世界科技焦點。超導量子計算芯片的成果，增強了行業對超導路線及對大規模量子計算實現步伐的樂觀預期。2020 年量子計算領域將會經曆投入進一步增大、競爭激化、産業化加速和生態更加豐富的階段。作爲兩個最關鍵的技術裏程碑，容錯量子計算和演示實用量子優勢將是量子計算實用化的轉折點。未來幾年內，真正達到其中任何一個都將是十分艱巨的任務，量子計算將進入技術攻堅期。

趨勢解讀：

通過利用量子力學中非經典的性質，量子計算有望顛覆當前的計算技術，給經濟和社會帶來變革性的進步。目前量子計算正處于從實驗室走進實際應用的轉變之中。2019 年谷歌宣稱達到 “量子霸權”的裏程碑，即其量子計算器件可執行一個任何經典計算機都無法完成的任務。另一領軍團隊 IBM 當即反駁，稱該任務仍在經典算力之內。且不論爭論的是非，谷歌在硬件上的進展大大增強了行業對超導路線以及對大規模量子計算實現步伐的樂觀預期。2020 年的量子計算將蓬勃發展，主要特點是技術上進入攻堅和産業化的加速階段。

技術方面，超導量子計算仍將繼續占據中心舞台，並對其他硬件路線造成嚴峻的壓力。因爲谷歌在超導方向上的成果皆爲已知技術，多個追趕者將按圖索骥，在 2020 年或做出令人欽佩的複制性結果，或陷入高度複雜的工程噩夢。而領先團隊的目標已然鎖定在比“量子霸權”更重要且毫無爭議的兩個裏程碑：容錯量子計算和演示實用量子優勢。前者指的是如何通過量子糾錯，避免硬件錯誤的累積，技術上需要同時在“高精度”和“大規模”兩個維度上突破，後者指有力地證明量子計算機可以用超越經典計算的性能解決一個有實際意義的問題。至于演示實用量子優勢是否能繞過糾錯，還有待曆史證明，因爲實際問題要求的規模可能如此之大，導致對精度的要求不低于糾錯的要求。在 2020 年，乃至未來幾年，毫無爭議地達到這兩個目標中任何一個都非常艱巨，故而量子計算將進入技術攻堅時期。

産業和生態方面，政府、企業和學術機構的規劃和投入將升級、擴大。競爭將在多個維度激化：領軍團隊規模擴充的同時透明性下降；人爲設障的風險上升。産業分工將進一步細化：制冷、微波、低溫電子控制、設計自動化、制備代工等領域在資本推動、政策扶植和生態滋養下蓬勃發展。各行龍頭企業會加力探索應用，助長算法和軟件。

國際上工業界 – 學界 – 開放性平台和服務三方將相互賦能。工業界的工程複雜度任何純學術團隊無法企及；學界將探索高不確定、顛覆性的方向；開放性平台和服務將降低研究和創業的時間和成本，加速整個領域的叠代和創新速度。這一生態依賴于人才的自由流動，深厚的基礎研究能力，和強大的企業執行力；並將得益于大面積且高效的政府投入，及以降低門檻、激勵創新、帶動民間投入爲目標的政策引領。

趨勢八：新材料推動半導體器件革新

在摩爾定律放緩以及算力和存儲需求爆發的雙重壓力下，以硅爲主體的經典晶體管很難維持半導體産業的持續發展，各大半導體廠商對于 3 納米以下的芯片走向都沒有明確的答案。新材料將通過全新物理機制實現全新的邏輯、存儲及互聯概念和器件，推動半導體産業的革新。例如，拓撲絕緣體、二維超導材料等能夠實現無損耗的電子和自旋輸運，可以成爲全新的高性能邏輯和互聯器件的基礎；新型磁性材料和新型阻變材料能夠帶來高性能磁性存儲器如 SOT-MRAM 和阻變存儲器。

趨勢解讀：

半個世紀以來半導體産業都在竭力遵循摩爾定律，在取得巨大經濟效益的同時也從根本上改變了人類社會的發展進程。人工智能及大數據興起爲雲端及終端裝置帶來更多創新的同時，也使得半導體産業的發展面臨著摩爾定律放緩導致的産品升級困難以及大數據導致的算力和存儲需求爆發的雙重壓力。以硅爲主體的經典晶體管縮放已經越來越難以維持，從而難以實現半導體産業的持續發展。

雖然新的材料和器件架構如高介電常數介電層（high-k dielectrics）、鳍式晶體管（FinFET）以及銅質導線，擴展了傳統半導體廠商的選擇並逐步被采用成爲主流，但並沒有從根本上改變傳統的邏輯、存儲及互聯的原理以及這些器件所面臨的物理原理上的困境。各大半導體廠商對于 3 納米以下的芯片走向都沒有明確的答案，但一個可以確定的趨勢是越來越多的新材料將會被應用在半導體産業中，這些新材料將將會通過新的物理機制實現全新的邏輯、存儲、及互聯概念和器件。

從近期來看，新材料如鍺和 III-V 族材料可能會代替傳統的硅作爲晶體管的通道材料以提升晶體管的速度。新的介電材料如鐵電材料可能會導致超陡的亞阈值坡度以降低晶體管的能耗。新的金屬材料如钴可能會替代鎢和銅作互聯導線以增強穩定性和減緩信號延遲。二維材料或外延生長的納米層材料可能會導致 3D 堆集的架構以增加芯片的密度。這些器件的物理機制清楚，當然大規模應用還需要半導體廠商來解決工藝實現、工程配套等方面的挑戰。

從更長遠的角度來看，更具挑戰性的材料及全新的物理機制將是半導體産業能夠保持甚至加速指數式的增長的關鍵。新物理機制是全新的高性能的邏輯和互聯器件的基礎，比如基于量子效應的強關聯材料和拓撲絕緣體、新發現的二維材料中魔幻角度下的超導現象等會導致無損耗的電子和自旋輸運。利用新的磁性材料的自旋 – 軌道耦合現象可以制備全新的高性能磁性存儲器如 SOT-MRAM，而利用新的阻變現象使得全新的高密度、高穩定性的阻變存儲器（RRAM）成爲可能。雖然這些全新的工作機制還處在早期的探索中，但他們能從根本上解決傳統器件在物理原理層面所受到的限制，實現對摩爾定律的突破。

新材料和新機制將會對傳統的半導體産業進行全面洗牌，包括材料的生長、器件的制備以及電路的工作原理都會發生根本性的變化。這對設備廠商，晶圓廠及電路設計公司都會帶來曆史性的挑戰和機遇，也會爲新興的公司及産業提供振奮人心的發展機會。

趨勢九：保護數據隱私的 AI 技術將加速落地

數據流通所産生的合規成本越來越高。使用 AI 技術保護數據隱私正在成爲新的技術熱點，其能夠在保證各方數據安全和隱私的同時，聯合使用方實現特定計算，解決數據孤島以及數據共享可信程度低的問題，實現數據的價值。

趨勢解讀：

數字經濟時代，數據成爲社會經濟發展的新生産要素，數據流動價值也越來越受到人們的重視。然而在企業數字化建設過程中，由于規劃、設計、管理等方面存在的問題，導致業務系統在功能上不關聯互動、信息不共享互換，各個系統之間容易形成數據孤島的問題，進一步制約數據共享所帶來的流動價值。在越來越多對數據隱私的擔憂聲中，政府開始行動制定數據使用合規法案，大量的數據因爲需要依法保護而無法被聯合在一起計算。針對“數據孤島”現象，目前大部分數據共享平台本質上都是基于中心化的數據交換機制，存在過程複雜、通信成本高、效率低、所有權模糊化、數據泄露風險大的缺點，而且無法保護用戶的個人隱私。保護隱私的 AI 安全技術能夠在保證各方數據安全和隱私的同時，聯合使用各方數據來達到特定的訓練與使用 AI 的目的，大大降低信任成本與會計成本，從而充分發揮數據的價值，解決數據孤島以及數據共享可信程度低的問題。

保護數據隱私的 AI 安全技術拓展傳統分布式計算以及信息安全範疇，爲網絡協作計算提供一種新的計算模式。它可通過多種技術結合保護數據安全，包括安全多方計算、差分隱私、同態加密、混淆電路、加密搜索與計算、可信軟硬件等；也可利用人工智能保障模型魯棒與安全性，如模型加固、數據毒化防禦、對抗性樣本防禦等。

趨勢十：雲成爲 IT 技術創新的中心

隨著雲技術的深入發展，雲已經遠遠超過 IT 基礎設施的範疇，漸漸演變成所有 IT 技術創新的中心。雲已經貫穿新型芯片、新型數據庫、自驅動自適應的網絡、大數據、AI、物聯網、區塊鏈、量子計算整個 IT 技術鏈路，同時又衍生了無服務器計算、雲原生軟件架構、軟硬一體化設計、智能自動化運維等全新的技術模式，雲正在重新定義 IT 的一切。廣義的雲，正在源源不斷地將新的 IT 技術變成觸手可及的服務，成爲整個數字經濟的基礎設施。

趨勢解讀

從單機離線到超大規模在線，IT 的技術框架發生了時代性劇變。傳統 IT 範式出現失速，而借助與客戶的緊密協同並降低使用門檻，雲計算不但成爲傳統 IT 的顛覆者，傳統 IT 接口開始逐漸被雲端接口取代和重新定義。軟件技術和硬件技術之間的依賴程度大幅度降低，可以分離演進，並行發展。

與此同時，技術創新的主導者與策源地全面轉移到雲平台。雲平台、技術開源、雲用戶三者形成驅動技術創新的新三角。未來新型的計算形態例如量子計算、AI、新型芯片等創新不僅將首先發生在雲平台上，同時也將通過雲向外界服務。雲計算的含義不斷擴展，這使得廣義上的雲計算成爲數字經濟基礎設施。

在全面上雲的雲計算時代，傳統的軟硬件分離叠代的模式逐步顯現出局限性，現今的應用越來越複雜，對算力的要求越來越高，而算法、軟件和硬件的隔閡造成巨大算力的浪費，已經無法滿足在超大規模計算機場景下提升 IT 計算效率、降低計算成本的訴求。同時隨著大多數企業開始全面擁抱雲計算，如何最大化發揮“雲”的價值，實現應用的快速上線和高效運行、業務的秒級啓動等是企業從容地應對市場快速變化的關鍵。

在軟硬件核心技術領域，通過自主可控的技術重新設計軟硬件之間的系統接口，使算法、軟件和硬件設計的溝通會更加緊密，讓現有硬件的算力發揮到極致，打造適合雲基礎設施的新型計算機。通過大幅提升計算效率，實現能夠突破傳統 IT 時代的算力瓶頸，凸顯雲計算的整體優勢。在過去的幾年中，用于機器學習加速的 AI 芯片，以及新一代虛擬化專用芯片等都是充分利用軟硬件協同設計模式帶來計算效率提升的典範。另一方面，軟硬件協同設計有利于加強對于底層技術的控制能力，提升雲的可靠性和易用性。

在雲資源交付方式上，雲原生讓雲計算變得越來越標准化。基于無服務器計算（Serverless Computing）的應用開發和交付方式進一步解放雲計算能力。Serverless 通過更高層次的抽象，由雲平台來負責計算資源的分配、管理和伸縮，讓開發者只需關注自己的業務邏輯，而無需顯示地保有計算資源，免去資源管理、系統運維等工作，按需付費的計費方式也可以幫助開發者實現成本優化。無服務器計算進一步簡化微服務（Micro-service）應用架構，用戶只需書寫事件驅動的函數實現即可，極大地降低構建雲應用的難度。同時無服務器計算進一步推動事件驅動應用架構的發展，有效解耦事件源和事件處理者，爲企業提供一個靈活的系統，能夠快速適應變化並實時做出決策。

未來的軟件一定是生長于雲上的，雲原生和無服務期計算正在重塑整個軟件生命周期，從軟件需求設計到研發到發布到構建分發到運維等。在 All-in-Cloud 的時代，基于軟硬一體化重新設計的雲計算基礎設施以及通過雲原生的嶄新資源交付方式在提高計算效率、易用性的同時降低計算和運維成本，進一步鞏固雲成爲數字經濟時代基礎設施。