阿里巴巴达摩院发布了2020十大科技趋势

　　阿里巴巴达摩院发布了2020十大科技趋势。这是继2019年之后，阿里巴巴达摩院第二次预测年度科技趋势。

　　趋势一、人工智能从感知智能向认知智能演进

　　【趋势概要】人工智能已经在“听、说、看”等感知智能领域已经达到或超越了人类水准，但在需要外部知识、逻辑推理或者领域迁移的认知智能领域还处于初级阶段。认知智能将从认知心理学、脑科学及人类社会历史中汲取灵感，并结合跨领域知识图谱、因果推理、持续学习等技术，建立稳定获取和表达知识的有效机制，让知识能够被机器理解和运用，实现从感知智能到认知智能的关键突破。

　　【趋势解读】近些年来，人工智能已经在感知智能上取得了长足的进步，甚至在许多领域已经达到或超出了人类的水准，解决了“听、说、看”的问题。但对于需要外部知识、逻辑推理或者领域迁移等需要“思考和反馈”的问题，仍然存在诸多难题去攻破。

　　相较于感知智能这一人工智能1.0，人工智能2.0将更多基于数据，自动将非结构化的数据转变为结构化的知识，做到真正意义上的认知智能。探索如何保持大数据智能优势的同时，赋予机器常识和因果逻辑推理能力，实现认知智能，成为当下人工智能研究的核心。

　　认知智能的机制设计非常重要，包括如何建立有效的机制来稳定获取和表达知识，如何让知识能够被所有模型理解和运用。认知智能将会从认知心理学、脑科学以及人类社会的发展历史中汲取更多的灵感，并结合跨领域知识图谱、因果推理、持续学习等研究领域的发展进行突破。

　　认知智能将结合人脑的推理过程，进一步解决复杂的阅读理解问题和少样本的知识图谱推理问题，协同结构化的推理过程和非结构化的语义理解。认知智能也需要解决多模态预训练问题，帮助机器获得多模感知能力，赋能海量任务。

　　大规模图神经网络被认为是认知智能计算强有力的推理方法。图神经网络将深度神经网络从处理传统非结构化数据（如图像、语音和文本序列）推广到更高层次的结构化数据（如图结构）。大规模的图数据可以表达丰富和蕴含逻辑关系的人类常识和专家规则，图节点定义了可理解的符号化知识，不规则图拓扑结构表达了图节点之间的依赖、从属、逻辑规则等推理关系。以保险和金融风险评估为例，一个完备的AI系统不仅需要基于个人的履历、行为习惯、健康程度等进行分析处理，还需要通过其亲友、同事、同学之间的来往数据和相互评价进一步进行信用评估和推断。基于图结构的学习系统能够利用用户之间、用户与产品之间的交互，做出非常准确的因果和关联推理。

　　未来人工智能热潮能否进一步打开天花板，形成更大的产业规模，认知智能的突破是关键。认知智能可以帮助机器跨越模态理解数据，学习到最接近人脑认知的“一般表达”，获得类似于人脑的多模感知能力，有望带来颠覆性创新的产业价值。认知智能的出现使得AI系统主动了解事物发展的背后规律和因果关系、而不再只是简单的统计拟合，从而进一步推动下一代具有自主意识的AI系统。

　　趋势二、计算存储一体化突破AI算力瓶颈

　　【趋势概要】冯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算力瓶颈。

　　【详细解读】经典的冯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运算中数据搬运更加频繁，需要存储和处理的数据量远远大于之前常见的应用。当运算能力达到一定程度，由于访问存储器的速度无法跟上运算部件消耗数据的速度，再增加运算部件也无法得到充分利用，即形成所谓的冯·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。

　　计算力瓶颈以及功耗瓶颈已经对更先进、复杂度更高的AI模型研究产生了限制。例如，最先进的自然语言处理模型XLNet有约4亿模型参数，每次训练需要数百个谷歌深度学习加速器TPU运算三天，耗资超过10万美元。而据估算人脑中细胞间互联轴突个数在百万亿到千万亿数量级，两者相差约六个数量级。显然AI在认知问题上离我们追求的的所谓通用人工智能还有巨大差距，预计将需要计算能力和计算系统的能源效率比现在至少提高几个数量级。因此人工智能要进一步突破，必须采用新的计算架构，解决存储单元和计算单元分离带来的算力瓶颈。

　　计算存储一体化，类似于人脑，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。计算存储一体化的研究无法一蹴而就。对于广义上计算存储一体化计算架构的发展，近期策略的关键在于通过芯片设计、集成、封装技术拉近存储单元与计算单元的距离，增加带宽，降低数据搬运的代价，缓解由于数据搬运产生的瓶颈。中期规划，通过架构方面的创新，设存储器于计算单元中或者置计算单元于存储模块内，可以实现计算和存储你中有我，我中有你。远期展望，通过器件层面的创新，实现器件即是存储单元也是计算单元，不分彼此，融合一体，成为真正的计算存储一体化。近年来，一些新型非易失存储器，如阻变内存，显示了一定的计算存储融合的潜力。

　　计算存储一体化正在助力、推动算法升级，成为下一代AI系统的入口。存内计算提供的大规模更高效的算力，使得算法设计有更充分的想象力，不再受到算力的约束。从而将硬件上的先进性，升级为系统、算法的领先优势，最终加速孵化新业务。

　　更进一步，计算存储一体化是一个game-changer，开辟了一条新赛道。它的出现将通过迫使产业升级，重构现在处理器和存储器的相对垄断的产业格局。在此过程中，可以帮助更多芯片行业中小企业发展，更为国产芯片创造弯道超车创造了机会。

　　趋势三、工业互联网的超融合

　　【趋势概要】5G、IoT设备、云计算、边缘计算的迅速发展将推动工业互联网的超融合，实现工控系统、通信系统和信息化系统的智能化融合。制造企业将实现设备自动化、搬送自动化和排产自动化，进而实现柔性制造，同时工厂上下游制造产线能实时调整和协同。这将大幅提升工厂的生产效率及企业的盈利能力。对产值数十万亿乃至数百万亿的工业产业而言，提高5%-10%的效率，就会产生数万亿人民币的价值。

　　【趋势解读】现有工业系统之间的通信主要依赖于有线通信来屏蔽噪声和保障低延时，例如OpcUA、Modbus。由于工厂复杂的环境，布线成为了工业系统通信的痛点。工厂的搬送机器人或一个工矿的挖机需要在一个大范围内频繁移动，WiFi难以较好覆盖，而4G/Lora/NB的数据传输速率和延时达不到机器人响应的要求，因此通信问题难以有效解决。随着5G技术的成熟，可以满足工业系统对于高可靠低时延的需求，DTU（无线传输设备）较原本的有线方案无论在部署上，还是在运维上都有着极高的优势和性价比。可以预见的是，工业系统的互联将随着5G的建设而得到快速普及。

　　随着IoT PaaS的成熟，云端已经兼容了WiFi、BLE,、Zigbee、Modbus、OpcUA,、RS232等网络和连接协议。这些协议可以通过5G的模组非常方便地帮助原来的IT系统与云端打通。APS（自动排产软件）和MES（制造执行系统）可以从云端或边缘服务器直接下发工艺包和生产计划至每一个机台，从而实现IT（信息化）和OT（工控软件）的融合，不仅极大解放了人力，更重要的是实现了工业互联网的重要方向之一，即工厂内部垂直集成：IT和OT系统的整合。

　　工业互联网主要解决三个问题。一是将制造企业内部的IT软件系统与OT设备系统打通，进行自动派单，从而实现柔性制造。二是在工厂外实现上下游产业链的优化组合。三是产品的设计和产品生命周期的管理。

　　传统生产管理与控制中，软件是分层、弱连接，难以实现根据订单变化进行生产动态调整的个性化定制要求。目前随着5G和IoT PaaS的成熟，可以轻松把设备数据联到云上，将设备作业的数据传到业务系统（云上的IT系统）里面，实现派工自动化，从而实现生产的实时调整，满足个性化需求定制。

　　每个企业出于核心技术保密以及采用的生产系统软硬件不统一等原因，无法构成紧密的价值网络，使价值网络整体的竞争力难以提升。随着5G和边缘计算以及IoT PaaS的成熟以及区块链技术的进步，利用分布式账本，解决信任问题后，可以突破单个工厂的限制，将价值网络中的上下游企业工厂的制造系统连接起来，进而可以实现上下游制造产线的实时调整和协同，上游的流水线变慢，下游的流水线也可以慢一下，这样就避免了不必要的生产和库存，从而使整个价值网络的竞争力得以提升。

　　现有生产模式中，在由产品设计、生产规划、生产工程、生产执行、服务所购成的产品价值链上，各环节数据来源不同，异构性强，难以互通，整个价值链的信息无法全透明。但是通过工业互联网和数字孪生技术，在产品的设计阶段使用CAD软件设计产品的解析模型；在产品的使用阶段，利用5G和IoT PaaS采集关键参数，并且输入到云端的模型解析软件里，可以很好跟踪这个产品的全生命周期中的性能和设计指标之间的差异变化。而这些使用过程的信息就成为下一次产品迭代的重要的数据来源，周而复始，推动产品不断迭代进步。

　　工业系统通过工业互联网连接起来，工业互联网第一次让人类掌握了一个实时调整工业系统能力的工具，从而大幅度促进了生产效率，降低了库存，提高了质量。整个中国的第二产业是40万亿人民币，如果按照提高5%-10%的效率计算，将是产生2-4万亿人民币的价值。这将大幅提升企业的盈利能力。