1月11日，《达摩院2023十大科技趋势》发布，多模态预练习大模型、Chiplet、存算一体、云原生安全、软硬交融云核算体系架构、端网交融的可预期网络、双引擎智能决议计划、核算光学成像、大规划城市数字孪生、生成式AI等十大技能当选。
达摩院认为，全球科技日趋显现出穿插交融开展的新态势，尤其在信息与通讯技能（ICT）范畴酝酿的新裂变，将为科技工业改造注入动力，依据技能迭代与工业运用的交融立异，将驱动AI、云核算、芯片等范畴完结阶段性跃迁。
据悉，达摩院2023十大科技趋势选用“巴斯德象限”研讨思路，依据论文和专利的大数据“定量发散”，对产、学、研、用范畴近百位专家深度访谈进行“定性收敛”，再从学术立异、技能打破、工业落地、商场需求等维度归纳评价，力求“致宽广而尽精微”，最终遴选出十大趋势。
依据多模态的预练习大模型将完结图文音一致常识表明，成为人工智能根底设施。
人工智能正在从文本、语音、视觉等单模态智能，向着多种模态交融的通用人工智能方向开展。多模态一致建模，意图是增强模型的跨模态语义对齐才能，打通各个模态之间的联系，使得模型逐渐规范化。现在，技能上的杰出开展来自于 CLIP（匹配图画和文本）和 BEiT-3（通用多模态根底模型）。依据多范畴常识，构建一致的、跨场景、多使命的多模态根底模型已成为人工智能的要点开展方向。未来大模型作为根底设施，将完结图画、文本、音频一致常识表明，并朝着能推理、能答复问题、能总结、做发明的认知智能方向演进。
依据深度学习的多模态预练习是认知智能快速开展的重要推进力。构建多场景、多使命的预练习大模型将加速模型规范化进程，为人工智能模型成为根底设施发明条件。深度学习模型的不断完善、互联网海量实在数据的堆集和生成式预练习的广泛运用，使得人工智能模型在自然言语了解、语音处理、核算机视觉等范畴地穿插运用获得明显开展。
2022 年，技能上的杰出开展来自于 BEiT-3 多模态根底模型，该模型在视觉 - 言语使命处理上具有超卓体现，包含视觉问答、图片描绘生成和跨模态检索等。BEiT-3 经过一致的模型结构和主干网络（backbone）建模，能够愈加轻松地完结多模态编码和处理不同的下流使命。另一方面，CLIP（ContrastiveLanguage-Image Pre-training）的 广 泛运用也促进了多模态模型的技能开展。CLIP 作为依据比照学习的预练习模型，担任从文本特征映射到图画特征，能够辅导 GAN 或分散模型（DiffusionModel）生 成 图 像。在 文 生 图 领 域，Stable Diffusion 也运用了 CLIP，它能够经过文本提示调整模型，并凭借分散模型改进图画质量。与此一同，开源极大的促进了多模态的交融和预练习模型的开展。经过开源来下降模型运用门槛，将大模型从一种新式的 AI 技能改变为稳健的根底设施，已成为许多大模型开发者的一致。
多模态预练习模型的开展将重塑人工智能商业办法，并为人们的出产生活办法带来积极影响。对个人而言，类似CLIP 的多模态模型，将使更多非技能身世的人能够表达自己的发明力，无需再凭借东西和编程专业才能。对企业来说，多模态预练习模型将成为企业出产功率前进的要害。商业办法上，具有大数据、算力资源和模型开发才能的科技企业，将会成为模型服务的供应方，协助企业将根底模型的才能与出产流程交融起来，完结功率和本钱最优。
认知智能的开展，不会限制在文本或图画等单一的模态上。未来，怎么针对不同模态树立更高效的模型架构和一致的主干网络，使得大模型能够广泛地支撑各种下流使命将成为首要应战。在此根底上，更多的应战来自于发掘不同模态（如图画 - 文本，文本 - 自然言语，视频 - 文本）数据间的相关信息，并奇妙的规划预练习使命，让模型更好的捕捉不同模态信息之间的相关。
语音、视觉和多模态预练习模型将加速人工智能向通用根底模型方向演进。在这个演进进程中，深度学习与强化学习互相促进开展，交融许多职业常识，模型将具有在不断改变的环境中快速习惯的灵敏性。树立一致的、跨场景、多使命的多模态根底模型会成为人工智能开展的干流趋势之一。跟着技能的不断老练，大模型在开发本钱、易用性、开发周期、功用上会更具优势，给产品化和商业化带来更多或许性。
Chiplet 是硅片等级的“解构 - 重构 -复用”，它把传统的 SoC 分解为多个芯粒模块，将这些芯粒分隔制备后再经过互联封装构成一个完好芯片。芯粒能够选用不同工艺进行别离制作，能够明显下降本钱，并完结一种新办法的 IP 复用。
跟着摩尔定律的放缓，Chiplet 成为继续前进 SoC 集成度和算力的重要途径，特别是跟着 2022 年 3 月份 UCle 联盟的建立，Chiplet 互联规范将逐渐一致，工业化进程将进一步加速。依据先进封装技能的 Chiplet 或许将重构芯片研制流程，从制作到封测，从 EDA 到规划，全方位影响芯片的区域与工业格式。
自1965 年摩尔定律初次被提出以来，集成电路工业一向遵从着摩尔定律向前开展。直到近几年，跟着晶体管尺度迫临资料的物理极限，工艺节点前进的花费已难以承受，芯片功用的前进也不再明显，摩尔定律挨近极致。在此布景下，Chiplet（芯粒）技能逐渐锋芒毕露，有望成为工业界处理高功用、低本钱芯片需求的重要技能道路。
Chiplet 立异了芯片封装理念。它把本来一体的 SoC（System on Chip，体系级芯片）分解为多个芯粒，分隔制备出这些芯粒后，再将它们互联封装在一同，构成完好的杂乱功用芯片。这其间，芯粒能够选用不同的工艺进行别离制作，例如关于 CPU、GPU 等工艺前进灵敏的模块，选用贵重的先进制程出产；而关于工艺前进不灵敏的模块，选用老练制程制作。一同，芯粒比较于 SoC 面积更小，能够大幅前进芯片的良率、前进晶圆面积运用率，进一步降造本钱。此外，模块化的芯粒能够削减重复规划和验证环节，下降芯片的规划杂乱度和研制本钱，加速产品的迭代速度。Chiplet 被验证能够有用降造本钱，已成为头部厂商和出资界重视的热门。
Chiplet 的技能中心在于完结芯粒间的高速互联。SoC 分解为芯粒使得封装难度猛增，怎么确保互联封装时芯粒衔接工艺的可靠性、普适性，完结芯粒间数据传输的大带宽、低推迟，是 Chiplet 技能研制的要害。此外，芯粒之间的互联特别是2.5D、3D 先进封装会带来电磁搅扰、信号搅扰、散热、应力等许多杂乱物理问题，这需求在芯片规划时就将其归入考虑，并对 EDA 东西提出全新的要求。
近年来，先进封装技能开展敏捷。作为2.5D、3 D封装要害技能的TSV（Through Silicon Via，硅通孔）已能够完结一平方毫米100万个TSV。封装技能的前进，推进Chiplet运用于CPU、GPU等大型芯片。2022年3月，多家半导体领军企业联合建立了UCIe（Universal ChipletInterconnect Express，通用Chiplet高速互联联盟）。Chiplet互联规范有望逐渐完结一致，并构成一个敞开性生态体系。
面向后摩尔时代，Chiplet 或许将是打破现有窘境最实际的技能途径。Chiplet能够下降对先进工艺制程的依靠，完结与先进工艺相挨近的功用，成为半导体工业开展要点。从本钱、良率平衡的视点动身，2D、2.5D 和 3D 封装会长时刻并存；同构和异构的多芯粒封装会长时刻并存；不同的先进封装和工艺会被混合运用。Chiplet 有望重构芯片研制流程，从制作到封测，从EDA 到规划，全方位影响芯片工业格式。
存算一体旨在核算单元与存储单元交融，在完结数据存储的一同直接进行核算，以消除数据搬移带来的开支，极大前进运算功率，以完结核算存储的高效节能。存算一体非常契合高访存、高 并 行 的 人 工 智 能 场 景 计 算 需 求。在产 业 和 投 资 的 驱 动 下， 基 于 SRAM，DRAM，Flash 存储介质的产品进入验证期，将优先在低功耗、小算力的端侧如智能家居、可穿戴设备、泛机器人、智能安防等核算场景落地。未来，跟着存算一体芯片在云端推理大算力场景落地，或将带来核算架构的革新。它推进传统的以核算为中心的架构向以数据为中心的架构演进，并对云核算、人工智能、物联网等工业开展带来积极影响。
跟着AI 在各范畴的运用逐渐广泛，以深度学习为代表的神经网络算法需求体系高效处理海量的非结构化数据，例如文本、视频、图画、语音等。
而传统冯·诺依曼体系下运转的核算机一般包含存储单元和核算单元两部分，数据需求在处理器与存储器之间进行频频搬迁，假如内存的传输速度跟不上 CPU的功用，就会导致核算才能遭到限制，呈现“内存墙” “功耗墙”。这就对芯片的并行运算、低推迟、带宽提出了更高的要求。
近年来，工业界领军企业在存算一体的前沿技能研讨上继续发力。三星在尖端学术期刊 Nature 上宣布了全球首个依据 MRAM（磁性随机存储器）的存内核算研讨；台积电在 ISSCC 上协作宣布了六篇关于存内核算存储器 IP 的论文，大力推进依据 ReRAM 的存内核算计划；SK 海力士则宣布了依据 GDDR 接口的DRAM 存内核算研讨。学术界和工业界普遍认为存算一体有望成为打破算力功用和功耗瓶颈的技能方向之一。特别是在大规划并行核算场景中，例如 VR/AR、无人驾驶、地理数据核算、遥感印象数据剖析等，存算一体芯片具有高带宽、低功耗的明显优势。微观上，算力是一个详细的技能指标。算的快（高吞吐、低推迟）、算的准（高精准度）、算的省（低本钱、低功耗）是对算力的根本要求。存算一体是从微观层面进行架构的优化，面对存储器规划和出产工艺的应战，需求整个工业链的参加支撑。
完结存算一体的技能途径首要有以下三个：技能较老练的是近存核算，运用先进封装技能把核算逻辑芯片和存储器封装到一同，经过削减内存和处理单元的途径，以高 I/O 密度来完结高内存带宽以及较低的拜访开支。近存核算首要经过 2.5D、3D 堆叠来完结，广泛运用在各类 CPU 和 GPU 上；近期出资热度较高的是存内核算，经过传统的存储介质如DRAM、SRAM、NOR Flash、NANDFlash 来完结。核算操作由坐落存储芯片/ 区域内部的独立核算单元完结，更适用于算法固定的场景；技能尚处于探究期的是依据非易失性存储器技能做的新式存储原件，比方经过忆阻器 ReRAM 电阻调制来完结数据存储。其他如相变存储器(PCM)、自旋磁存储器 (MRAM) 等，也作为存算一体新的技能途径。存算一体的核算办法分为数字核算和模拟核算。数字核算首要以 SRAM 作为存储器材，具有高功用、高精度的优势，更适合大算力高能效场景。模拟核算一般运用 FLASH、ReRAM 等非易失性介质作为存储器材，存储密度大，并行度高，更适合小算力，核算精度要求不高的场景。
现在，存算一体现已在工业细分范畴掀起了创业浪潮，并遭到出资界和工业界的重视和投入。存算一体在技能上向着高精度、高算力和高能效的方向开展。在本钱和工业双轮驱动下，依据 SRAM、NOR Flash 等老练存储器的存内核算将在笔直范畴迎来规划化商用，小算力、低功耗场景有望优先迎来产品和生态的晋级迭代，大算力通用核算场景或将进入技能产品化初期。依据非易失性、新式存储元件的存算一体依靠于工艺、良率的前进,走向老练估计需求 5-10 年。
云原生安满是安全理念从鸿沟防护向纵深防护、从外挂办法向内生安全的改变，完结云根底设施的原生安全，并依据云原生技能前进安全的服务才能。安全技能与云核算由相对松懈走向紧密结合，经过“容器化布置”、“微服务化转型”走向“无服务器化”的技能道路，完结安全服务的原生化、精细化、渠道化和智能化：
● 以安全左移为原则，构建产品研制、安全、运维一体化的产品安全体系，增进研制，安全和运维交融协同；
● 以纵深防护体系为架构，渠道级的安全产品为依托，完结精准主动防护，化解传统安全产品碎片化的问题；
● 以安全运营为牵引，完结包含运用、云产品、网络等全链路的实时检测、精准呼应、快速溯源和要挟打猎。
跟着云核算与各范畴深度交融，云上快速迭代、弹性弹性、海量数据处理等特征要求安全防护体系相应晋级，为动态改变、杂乱多元的运转环境供应有用的安全防护。
云原生安满是依托云原生理念和技能特性对安全体系进行的优化和重构，经过逐渐完结安全技能服务的轻量化、灵敏化、精细化和智能化，来确保云根底设施的原生安全，并构成更强的安全才能。其根本特征包含全链路的
DevSecOps 安全办理，一体化精细化的身份与权限管控、渠道化的纵深防护体系，以及实时化、归纳化的可视、可管、可控体系。
云原生安全阅历了一系列变迁：从安全确保云原生到云原生赋能安全，内涵不断扩展，逐渐构成了一套包含根底设施、运用、数据、研制测验、安全运营等在内的防护体系。云原生运用维护渠道、面向云原生的进犯面办理渠道、云原生要挟检测与呼应、云原生事情取证与溯源等，这一系列新式的防护办法也应运而生、快速开展，得到了业界一致。
● 全链路危险可视可控。将安全和合规要求贯穿软件出产和服务全链路，及时扫描查看要害环节，防止后期处置构成被迫，最大程度下降全体危险管控本钱。
● 根底设施安全运营闭环高效。安全防护功用交融化，能够完结反常事情呼应处置流程的闭环办理；战略履行主动化，可削减对安全运营人员的依靠，下降误操作概率；一同，主动阻断机制能够为应对进犯和批改争夺更充沛的时刻。
●云上客户财物全面确保。协助客户全面、实时监测各类数据财物；在身份验证、配置办理、运用运转时监控、数据安全维护等方面供应多元化、灵敏调用的安全服务。实践中，云原生安全也面对着一系列应战，比方在异构杂乱环境中各类数字财物的监控数据怎么快速、高质量的收集会聚；云上各方怎么清楚权责，构成敞开协同的安全生态等等。
未来 3-5 年，云原生安全将更好的习惯多云架构，协助客户构建掩盖混合架构、全链路、动态精准的安全防护体系。一同配套构建起新式办理体系和专业人才体系；在安全防护效能方面，智能化技能为完结细粒度的拜访鉴权、数据安全管控、危险主动识别和处置供应强有力的支撑，确保用户顺利高效运用，供应无冲突的服务体会。一同，依据云的安全服务办法也将不断立异，云原生的安全保管，以攻促防等办法将逐渐开展老练，成为安全体系的重要组成部分。
云核算向以 CIPU 为中心的全新云核算体系架构深度演进，经过软件界说，硬件加速， 在坚持云上运用开发的高弹性和灵敏性一同，带来云上运用的全面加速。
云核算从以 CPU 为中心的核算体系架构向以云根底设施处理器（CIPU）为中心的全新体系架构深度演进。经过软件界说，硬件加速，在坚持云上运用开发的高弹性和灵敏性一同，带来云上运用的全面加速。新的体系架构下，软硬一体化带来硬件结构的交融，接入物理的核算、存储、网络资源，经过硬件资源的快速云化完结硬件加速。此外，新架构也带来软件体系的交融。这意味着以 CIPU 云化加速后的算力资源，可经过 CIPU 上的操控器接入分布式渠道，完结云资源的灵敏办理、调度和编列。在此根底上，CIPU 将界说下一代云核算的服务规范，给中心软件研制和专用芯片职业带来新的开展机会。
跟着后摩尔时代的带来，CPU 的功用前进趋近于天花板，数据量的爆发式增加带来极高的数据处理需求。企业在大数据、 AI 等数据密布型核算的运用场景越来越多。这两方面的要素导致以 CPU 中心的云核算体系架构碰上了技能瓶颈，无法应对云上时延和带宽的进一步扩展。传统的 CPU 体系架构需求向着软硬一体化的方向迭代晋级。
云核算的体系架构开展阅历了三个阶段，现已处理了超高并发和大算力的经济性问题。第一阶段在 2010 年左右，以 X86 服务器、互联网中间件为代表的分布式架构技能为主。第二阶段在 2015年左右，云厂商经过软件界说的办法，构建了虚拟私有云（VPC）和核算存储别离的池化架构。在新的池化架构之下，核算存储网络资源能够别离完结按需扩容。
现在，云核算进入第三阶段，引进专用硬件，构成软硬一体化的虚拟化架构，完结了全面硬件加速。这个阶段云核算面对的应战，是在数据密布核算、云数据中心东西流量越来越大的趋势下，完结云核算单位本钱下更高的核算功用，以及更高效的云数据中心办理。而核算功率的前进，还需求回到芯片和体系底层中去。
以CIPU为中心的云核算体系架构，在工程完结上首要有以下三方面打破：首要，是底层硬件结构的交融，带来全面硬件加速。依据 CIPU 的新架构能够向下办理数据中心硬件，合作云操作体系，对核算、存储，网络，安全进行全面加速，把 IDC 实在变成一台高速
总线互联的超级核算机。在用户云上核算最需求的根底云网络和云存储链路上供应更低的推迟、更高的带宽和吞吐。
其次，在全链路完结硬件加速的根底上，立异地完结了 eRDMA，不光能够大规划组网，还能让用户无需批改负载的代码，无感加速， 让云上的高功用核算普惠服务化成为实际。
最终，在全新的云数据中心硬件体系架构下，CIPU 和服务器的体系组合，既能够一对多，也能完结多对一，高效满意云上不同核算场景下东西向流量核算配比的灵敏需求。
软硬交融的云核算体系架构，坚持了软件界说，在分布式架构时期构建的交给灵敏性和灵敏度，池化架构时期构建的弹性、可靠性、可用性，还带来了云上运用的全面加速，明显前进了核算功用。
未来三年，云核算向以 CIPU 为中心的全新云核算体系架构深度演进，云上的函数核算，容器服务，数据库服务，大数据服务，AI 等云服务，也将全面被CIPU 加速。从购买核算资源进行本身运用加速，到全面运用云上服务，用户将获得 CIPU 加速带来的全面体会。从资源到服务，云核算服务的中心价值，很大程度将取决于云厂商能供应的底层核算才能和核算功率。
可预期网络（Predictable Fabric）是由云核算界说，服务器端侧和网络协同的高功用网络互联体系。核算体系和网络体系正在互相交融，高功用网络互联使能算力集群的规划扩展，然后构成了大算力资源池，加速了算力普惠化，让算力走向大规划工业运用。可预期网络不只支撑新式的大算力和高功用核算场景，也适用于通用核算场景，是交融了传统网络和未来网络的工业趋势。经过云界说的协议、软件、芯片、硬件、架构、渠道的全栈立异，可预期高算力网络有望推翻现在依据传统互联网 TCP 协议的技能体系，成为下一代数据中心网络的根本特征，并从数据中心的局域运用走向全网推行。
可预 期 网 络（Predictable Fabric）是由云核算界说，服务器端侧和网络协同的高功用网络互联体系。核算体系和网络体系正在互相交融，它经过高功用网络互联使能算力集群的规划扩展，然后构成大算力资源池，加速了算力普惠化，让算力走向大规划工业运用。可预期网络不只支撑新式的大算力和高功用核算场景，也适用于通用核算场景，是交融了传统网络和未来网络的工业趋势。
网络的实质是衔接。高带宽、低时延、高安稳性、少颤动一向是网络寻求的方针。传统 TCP 网络协议栈，虽然在互联网中广泛布置和运用，可是 TCP 协议栈诞生时期的网络带宽和质量现已无法与现在大带宽高质量的数据中心网络混为一谈。端侧和网络分层解耦，依据网络黑盒传统尽力而为（best-effort）的网络体系结构，无法满意当今大算力池化所需求的高功用网络互联需求。因而，“可预期的”高功用网络架构在大算力需求驱动下应运而生。这关于传统依据“尽力而为”的网络体系提出了新的应战。
可预期网络以大算力为根本动身点，把端网交融作为完结办法。可预期网络摒弃传统端侧核算、存储和网络分层解耦的架构，立异地选用端侧和网络侧协同规划和深度交融的思路，构建了依据端网交融的新式网络传输协议、拥塞操控算法、多途径智能化调度、以及芯片、硬件深度定制和卸载等技能的全新算网体系。可预期网络能够大幅度前进分布式并行核算的网络通讯功率，然后构建高效的算力资源池，完结了云上大算力的弹性供应。云核算从头界说的可预期网络技能体系，将对工业链上下流、芯片技能演进产生深远影响，成为算力普惠化的新范式。
算力网络的开展正在阅历从 0 到 1的进程，需求互联网科技公司和运营商一同界说。假如将算力网络作为未来的要害根底设施，它将对网络可预期性提出更高的要求。数字化社会下的算力普惠，将继续驱动数据中心网络向高功用、资源池化的云核算方向开展，这将使网络可预期技能在未来2-3年内产生突变，逐渐成为干流技能趋势。
企业需在纷繁杂乱、动态改变的环境中快速精准地做出运营决议计划。经典决议计划优化依据运筹学，经过对实际问题进行精确描绘来构建数学模型，一同结合运筹优化算法，在多重束缚条件下求方针函数最优解。跟着外部环境杂乱程度和改变速度不断加重，经典决议计划优化对不确定性问题处理不行好、大规划求解呼应速度不行快的限制性日益突显。学术界和工业界开端探究引进机器学习，构建数学模型与数据模型双引擎新式智能决议计划体系，补偿互相限制性、前进决议计划速度和质量。未来，双引擎智能决议计划将进一步拓宽运用场景，在大规划实时电力调度、港口吞吐量优化、机场停机组织、制作工艺优化等特定范畴推进大局实时动态资源配置优化。
近年来，全球性突发事情（如疫情、战役、技能控制等）频频呈现，使得外部环境变得愈加杂乱、不确定性更高；一同，商场不断改变、要求不断前进。企业需在纷繁杂乱、动态改变的环境中，快速精准地做出运营决议计划。
智能决议计划是归纳运用多种智能技能和东西，依据既定方针，对相关数据进行建模、剖析并得到最优决议计划的进程。该进程将束缚条件、战略、偏好、方针等要素转化为数学模型，并运用智能技能主动完结最优决议计划，旨在处理日益杂乱、动态改变的运营决议计划问题（如打车渠道派单、充电桩选址、出产排程等问题）。
经典决议计划优化依据运筹学，起源于二战中的空战规划。它经过对实际问题进行精确描绘刻画来构建数学模型，一同结合运筹优化算法，在多重束缚条件下求方针函数最优解。依据运筹学的决议计划优化对数据量的依靠性弱、求解质量较高、可解释性较强，被广泛运用于各类决议计划场景。
跟着外部环境杂乱程度和改变速度不断加重，经典决议计划优化的限制性益发突现，首要体现在：一是关于不确定性问题的处理才能缺乏，二是对大规划问题呼应不行敏捷。学术界和工业界开端探究引进机器学习，构建数学模型与数据模型双引擎新式智能决议计划体系。机器学习依据数据驱动模型，模拟出近似解区域，缩小经典办法求解空间，可大幅前进求解功率。机器学习的优势在于可应对不确定性高、在线呼应速度快的场景；下风为学习功率慢、本钱高，且求解的质量不行高。由此能够看出，运筹优化和机器学习的结合完美补偿了互相限制性，极大地前进了决议计划速度和质量。
双引擎智能决议计划尚处于起步阶段。许多决议计划优化场景（如交通范畴港口吞吐量优化、机场停机组织等，制作范畴工艺优化、产销协平等），开端尝试用双引擎办法在动态改变中快速找到最优解。最典型的、也最具应战的场景是电力调度场景。电力调度场景转化为智能决议计划问题可描绘为：
● 方针：在满意电网安全安稳运转前提下，下降购电本钱或许完结全社会福利最大化，并促进新能源消纳。
● 束缚条件：1）有必要满意一切安全束缚 ,包含节点电压、线）发用电负荷平衡束缚；3）满意物理特性 , 如机组爬坡、开停机曲线、梯级水电等。
● 决议计划难点：1）调度事务非常杂乱，触及海量决议计划数据 : 现在省级变量与束缚达千万等级 ; 跟着新能源快速装机以及引进负荷侧参加调理，直到完结双碳方针全网变量与束缚估计将超越十亿级；2）新能源发电占比将越来越大，其波动性和随机性将对模型驱动的数学优化功率带来极大应战；3）机器学习难以确保满意一切安全束缚。双引擎智能决议计划将机器学习与底层优化技能深度耦合在了一同，在满意各类安全束缚条件的状况下，将核算功率前进10 倍以上，有望完结秒级调度优化，打破新式电力体系电网调度追风、逐日决议计划的功用瓶颈。
未来，双引擎智能决议计划将进一步拓宽运用场景，在特定范畴完结更多主体、更大规划的资源配置优化，从而推进大局实时动态的资源配置优化。
核算光学成像是一个新式多学科穿插范畴。它以详细运用使命为原则，经过多维度获取或编码光场信息（如视点、偏振、相位等），为传感器规划远超人眼的感知新范式；一同，结合数学和信号处理常识，深度发掘光场信息，打破传统光学成像极限。现在，核算光学成像处于高速开展阶段，已获得许多令人振奋的研讨成果，并在手机摄像、医疗、无人驾驶等范畴开端规划化运用。未来，核算光学成像有望进一步推翻传统成像体系，带来更具发明力和想象力的运用，如无透镜成像、非视域成像等。
传统光学成像树立在几许光学根底上，学习人眼视觉“所见即所得”的原理，而疏忽了许多光学高维信息。当时传统光学成像在硬件功用、成像功用方面挨近物理极限，在许多范畴已无法满意运用需求。例如 ，在手机拍照范畴，无法在确保成像作用的一同缩小器材分量和体积，呈现令人诟病的“前刘海”和“后浴霸”的状况；在显微成像范畴，无法一同满意宽视场和高分辩率的需求；在监控遥感范畴，难以在光线较暗、能见度较低的杂乱环境中获得明晰图画……
跟着传感器、云核算、人工智能等新一代信息技能的不断演进，新式处理计划逐渐浮出水面——核算光学成像。核算光学成像以详细运用使命为原则，经过多维度获取或编码光场信息（如视点、偏振、相位等），为传感器规划远超人眼的感知新范式；一同，结合数学和信号处理常识，深度发掘光场信息，打破传统光学成像极限（如图1 所示）。
核算光学成像是一个新式多学科穿插范畴 , 前期概念在上个世纪 70 时代中期才逐渐构成。跟着信息技能的蓬勃开展，核算光学成像已成为国际研讨热门。因为核算光学成像研讨内容掩盖规划广，现在还没有一个比较明晰的分类办法。
依照核算成像技能所处理的运用问题来分类，能够大致分为以下三类：（1）功用前进：对传统办法无法获取的光学信息，如光场、偏振、相干度等进行成像或丈量；（2）功用前进：即前进现有成像技能的功用指标，如空间分辩率、时刻分辩率、景深、杂乱环境鲁棒性等；（3）简化与智能化：经过单像素、无透镜等特定技能简化成像体系，或许以光速完结特定人工智能使命（如图 2 所示）。
核算光学成像技能现处于高速开展阶段，还需战胜许多应战：首要，需以传感器为中心从头规划光学体系；其次，因为需求获取多维度光学信息，需引进新式光学器材和光场调控机制，随之而来的是更多的硬件本钱和研制 / 调试时刻本钱；再次，为了使核算成像硬件和软件有更好的协同，则需从头开发算法东西；最终，对算力要求非常高，对运用设备芯片及其适配性提出更高要求。
核算光学成像虽然是一个新式技能，但已获得了许多令人振奋的研讨成果（2014 诺贝尔奖——超分辩荧光显微成像、2017 年诺贝尔奖——冷冻电镜），并在手机摄像、医疗、监控、工业检测、无人驾驶等范畴开端规划化运用。如在手机摄像范畴，干流手机厂商均开端融入了核算光学成像思路，从比拼硬件光学，转而寻求硬件加算法的协同；现在手机摄像在适当一部分场景的拍照作用抵达、乃至超越一般单反相机。
未 来， 计 算 光 学 成 像 将 进 一 步 推翻传统成像体系，带来更具发明力和想象力的运用。元成像芯片可完结大规划无像差三维感知，有望彻底处理手机后置摄像头杰出的问题。无透镜成像（FlatCam）能够简化传统依据透镜的相机成像体系，进一步减小成像体系体积并有望用于各类可穿戴设备。此外，运用偏振成像技能能够透过可见度不高的介质明晰成像，完结穿云透雾。还有非视域成像，能够经过记载并解析光传达的高速进程来对非视域下方针进行有用勘探，完结隔墙而视，在反恐侦查、医疗检测等范畴具有广泛的运用价值。
城市数字孪生自 2017 年首度被提出以来，遭到广泛推行和认可，成为城市精细化办理的新办法。近年来，城市数字孪生要害技能完结了从量到质的打破，详细体现在大规划方面，完结了大规划动态感知映射（更低建模本钱）、大规划在线实时烘托（更短呼应时刻），以及大规划联合仿真推演（更高精确性）。现在，大规划城市数字孪生已在交通办理、灾祸防控、双碳办理等运用场景获得较大开展。未来城市数字孪生将在大规划趋势的根底上，继续向立体化、无人化、大局化方向演进。
城市数字孪生自2017 年首度被提出以来，遭到广泛推行和认可。咱们继续追寻城市数字孪生开展，别离在 2019 年及 2021 年的十大科技趋势陈述中进行了详细论述。近年来，中心部委多视点全方位出台数字孪生城市相关方针，旨在进一步推进城市精细化办理新办法。
城市数字孪生旨在以城市为目标，在数字国际建造与物理国际 1:1 的数字映射，从而经过数字映射进行多学科机理与仿真推演，并与物理国际进行实时双向同步。近两年，精准映射、生成烘托、仿真推演等城市数字孪生要害技能完结了从量到质的打破，详细体现在大规划上，别离完结了大规划动态感知映射、大规划在线实时烘托，以及大规划联合仿真推演。
在精准映射方面，与耗人、耗时、耗财力的传统丈量测绘办法不同，归纳运用遥感、雷达、视觉、定位及其它多种传感器及存量测绘数据，以更低本钱完结对城市静态部件，以及动态目标（如人、车等）进行方位、状况等多特点实时感知。未来，经过会聚城市天空位多维度、各类型传感器数据，再结合 AI 感知才能，可交融提取同一实体的多源异构数据、构建多个实体之间的内涵联系，在数字国际中进行大规划、低本钱、一致、实时、精准的映射表达。
在生成烘托方面，依据精准映射的数 据 基 础， 结 合 AIGC（AI Generated Content）与 游 戏 大 世 界 生 成 PGC（Professional Generated Content） 等技能才能，可完结分层次、分尺度、多分辩率城市级三维场景模型的主动化生成，以及支撑多人在线、互动式大规划实时烘托。
在仿真推演方面，将多学科、大规划的机理与仿真模型联协作用于同一数字大国际，构成“仿真机理元世界”，构建真假互动、双向调控机制。要害技能包含：1）仿真体系云原生化，依据云原生超算调度和求解器，可大幅缩短仿真核算时刻，完结城市级场景、百万级以上实体规划实时核算呼应；2）一致接口交融核算，多种机理模型及仿真模型能进行实时交融核算，构成多仿真联合服务才能。
在技能推进和需求牵引的一同作用下，大规划城市数字孪生已在交通办理、灾祸防控、双碳办理等运用场景获得较大开展。如在交通办理方面，在城市高精路网、水网、河道、车辆等实体三维建模及实时烘托的根底上（建模本钱下降 90%+、时刻从数月缩短到数天），经过联合道路交通流、城市内涝积水、主动驾驶、人群移动等仿真模型，完结对城市大型活动现场人群分散引导、交通管控战略、天气状况影响、公共交通供应等全方位战略预案的孪生演练与作用评价（针对应急事态做到“ 1 分钟发动预案 ”、“ 5 分钟抵达现场 ”；大型赛事“ 1 小时分散 ”）。
依据数字孪生的才智城市商场空间非常宽广。据 IDC 猜测，到 2025 年才智城市出资规划将超越千亿美元，5 年复合增加率超越 30%。现在，城市数字孪生面对的最大瓶颈，在于城市级大规划目标实体孪生以及事务流程孪生的城市孪生体没有彻底建立起来。城市数字孪生将在大规划特征的根底上，继续向立体化、无人化、大局化方向演进。未来，城市数字孪生既作为城市立体化归纳无人体系（无人车、无人机、机器人等）的研制测验环境，一同也是完结大局感知、大局调度的支撑体系。
生成式 AI（Generative AI 或 AIGC）是运用现有文本、音频文件或图画创立新内容的技能。曩昔一年，其技能上的开展首要来自于三大范畴：图画生成范畴， 以 DALL·E-2、Stable Diffusion 为代表的分散模型（Diffusion Model）；自然言语处理（NLP）范畴依据 GPT-3.5的 ChatGPT；代码生成范畴依据 Codex的 Copilot。现阶段的生成式 AI 一般被用来生成产品原型或初稿，运用场景包含图文发明、代码生成、游戏、广告、艺术平面规划等。未来，生成式 AI 将成为一项大众化的根底技能，极大的前进数字化内容的丰厚度、发明性与出产功率，其运用鸿沟也将跟着技能的前进与本钱的下降扩展到更多范畴。
生成式 AI 运用各种机器学习算法，从数据中学习要素，使机器能够创立全新的数字视频、图画、文本、音频或代码等内容。它创立出的内容与练习数据坚持类似，而非仿制。它的开展得益于近年来大模型在根底研讨尤其是深度学习上的打破，实在数据的堆集和核算本钱的下降。在曩昔的这一年，生成式 AI 将人工智能的价值聚集到“发明”二字，这标志着人工智能开端具有界说和呈现新事物的才能。曩昔一年，生成式 AI 的开展首要体现在如下范畴：
E-2、Stable Diffusion 为代表。分散模型是一种从噪声中生成图画的深度学习技能。分散模型技能的背面，是更精准了解人类语义的预练习模型、以及文本与图画一致表明模型（CLIP）的支撑。它的呈现，让图画生成变得更具想象力。
自然言语处理（NLP）范畴的开展来自于依据 GPT3.5 的 ChatGPT（Generative Pre-trained Transformer）。这是一种依据互联网可用数据练习的文本生成深度学习模型，用于问答、文本摘要生成、机器翻译、分类、代码生成和对话 AI。得益于文本和代码相结合的预练习大模型的开展，ChatGPT 引进了人工标示数据和强化学习（RLHF）来进行继续练习和优化。参加强化学习后，大模型能够了解人类的指令以及背面的意义，依据人类反应来判别答案的质量，给出可解释的答案，并关于不合适的问题给出合理的回复，构成一个可迭代反应的闭环。
代码生成范畴的开展来自代码生成体系 AlphaCode和 Copilot。2022 年 2 月，Deepmind 推出了他们的最新研讨成果AlphaCode。它是一个能够自主编程的体系，在 Codeforces 举行的编程比赛中，超越了 47% 的人类工程师。这标志着 AI 代码生成体系，初次在编程比赛中，抵达了具有竞争力的水平。依据开源代码练习的Copilot 开端商业化，作为订阅服务供应给开发者，用户能够经过运用 Copilot 主动补全代码。Copilot 作为一个依据大型言语模型的体系，虽然在大都状况下仍需求人工二次批改，但在简略、重复性的代码生成上，将协助开发者前进作业功率，并给 IDE（集成开发环境）职业带来严重影响。
跟着内容发明的爆发式增加，怎么做到内容在质量和语义上的可控，成为可控式生成，将是生成式 AI 面对的首要应战。在工业化方面，降本钱仍是要害应战。只要像 ChatGPT 这样的大模型练习本钱和推理本钱足够低，才有或许规划化推行。此外，数据的安全可控、发明版权和信赖问题也需求跟着工业化加速逐个处理。
未来三年，生成式 AI 将步入技能产品化的快车道，在商业办法上会有更多探究，工业生态也会跟着运用的遍及逐渐完善。到时，生成式 AI 的内容发明才能将抵达人类水平。具有数据、核算才能、产品化经历的大型科技公司将成为生成式 AI 落地的首要参加者。依据生成模型的核算根底设施和渠道会逐渐开展起来，模型变成顺手可得的服务，客户不需求布置和运转生成式模型的专业技能就能够运用。生成模型将在交互才能、安全可信、认知智能上获得明显开展，以辅佐人类完结各类发明性作业。
