2023年中国科技与IT十大趋势.docx

《2023年中国科技与IT十大趋势.docx》由会员分享，可在线阅读，更多相关《2023年中国科技与IT十大趋势.docx（11页珍藏版）》请在第一文库网上搜索。

1、2023年中国科技与IT十大趋势本报告提出2023年中国科技与IT十大趋势：“多云混合”向“一云多态”进化；云基础从软件优先到软硬兼施；更多云产品将以Server1ess形式交付；预训练大模型作为A1基础设施加速应用；A1GC在概念爆发后进入产品化尝试；数据采集由单点走向泛化；工业数字挛生加强物理与虚拟空间交互；数智反向融合，形成以智养智的正反馈；数据和应用将进一步实现无感知闭环；“数字碳中和”从概念走向市场。趋势一：“多云混合”向“一云多态”进化分布式云加速发展，云能力从“中心辐射”到“传递下发”“多云混合”为企业当前用云常态，但各类云部署模式间资源调度、协同管理、能力共享等均存在挑战，导致

2、“多云混合”容易呈现“多云孤岛”状态。以“东数西算”工程为代表的云基础设施升级和以“分布式云”为代表的云基础架构升级将有效解决上述问题。通过统一基础架构，并借助系统化的云网边端设施，降低云能力从中心到边缘的“衰退”，驱动云能力的“无损”下发，实现体系化、融合化的云服务。一云多态将更好地满足传统行业复杂场景、边缘场景的业务需求，加速云计算向传统行业渗透。预计2025年，传统行业将成为云市场主导，金融、工业、汽车等细分行业将持续扩大云支出。多云混合”向“一云多态”进化2023隼与2025年中!主行业云南班却9趋势二：云基础从软件优先到软硬兼施为进一步释放数智平台能力，云厂商需提升基础硬件资源质量在

3、数字时代，软硬件产品“交替迭代、互为支撑”的循环上升特征广泛适用云服务、人工智能、物联网等数字行业。以云服务为例：云计算在平台软件及应用软件领域已通过云原生理念和工具逐步实现优化，但为更好地支持数字化的深入发展，底层硬件亦需要加速变革以更好地释放软件能力，支持业务创新。算存网资源作为加速数字化进程的关键“燃料”，通过将软件能力卸载到硬件产品，采用ChiPIOt等芯片架构设计、利用RDMA实现网络加速、结合NVMe实现存储加速等）不仅将降低硬件虚拟化损耗，还能有效减少业务进程中算存网资源调度的内耗，进而提升资源利用率，让云资源更好的服务于核心业务。同时，底层硬件逐步完成升级替换，将进一步驱动上层

4、大数据及人工智能平台更好地支持业务创新。云基础从软件优先到软硬兼施*nMMnmM3M云。时“UWR.4BaUMBIUIa*力C*HynIofnr率KMK“依一IE*n*MWXMBW.RMVHMiaMMWn*smMAt：mrm*W1q.MMKW.mns47M便MtttS纥ARMftHM1RDMAMtiSt1MKUI.EHBMMBraoraMCfiNvaMMtKKfHUC趋势三：更多云产品将以Server1ess形式交付A11-On-Server1ess理念进一步向AI中间件等模块渗透在过去几年，函数即服务（FaaS）成为SerVerIeSS事实上的核心产品形式，同时数据库、大数据等基础软件或能力

5、平台也已被云厂商列入自身SerVer1eSS产品矩阵中。而随着客户对自动化能力的更高追求，Server1ess理念进一步向容器、中间件、文件系统、人工智能、云视频、云通信等诸多模块渗透，与FaaS一起打包成为端到端的云软件开发套装，形成了“AU-on-Server1ess”的云产品迭代浪潮。未来，企业几乎所有业务都可基于SerVer1eSS架构，免去客户部署、维护和管理应用，按需触发执行、扩缩容和付费，使客户进一步聚焦核心业务，敏捷搭建业务模块，无限逼近于零运维成本及零资源浪费。SerVerIeSS在云原生中的全渗透AUonSrvdsm.02IiiMaas金拉曼gM(5KMM*MM,能未儿.F

6、eEVeMr面RSK&于趋势四：预训练大模型作为A1基础设施加速应用提速A1工业化进程，为A1开发效率加杠杆，倍数释放生产力依托智能算力基建化、海量数据积累与治理、深度学习算法突破等，作为一种新兴的A1计算范式，超大规模智能模型（乂称预训练大模型）的泛化性和通用性不断提升，可应用到更广阔的下游任务及场景中解决A1应用的长尾问题；并且能够实现AI模型研发-部署-应用的流程标准化提升，提升AI应用研发效率。AI的认知与应用是没有边界的，仅靠极少量的AI科学家和A1技术企业无法推动整个物理世界和数字世界的智能化。预训练大模型的加速应用有望解决“为A1开发效率加杠杆，倍数释放A1生产力”这一产学研界关

7、注的核心问题。2023年，语言大模型与产业应用的衔接也日渐紧密，行业领军企业积极推出适合具体业务场景的行业大模型。通过提供算力、核心算子库和软件平台一体服务，帮助企业将基础模型能力与生产流程融合，与头部客户合作推广落地案例。未来，预训练大模型作为面向A1模型生产的基础设施将加速应用；而巩固智能算力基建、提高模型与业务场景目标适配度、基于调用成本明确投入产出的平衡点等是其规模商用的优化方向。预训练大模型的基建意义：助推A1模型效率化生产趋势五：A1GC在概念爆发后进入产品化尝试提升数字化内容生产质效，变革人机交互体验2023年，一幅由MidjoUrney生成的A1画作太空歌剧院横空出世，A1生成

8、图片开始在社交平台疯狂传播；热潮未退，2023年初，ChatGPT(ChatGenerativePre-trainedTransformer)又使A1GC这一概念彻底出圈。AIGC是一种全新的内容生产方式，是利用现有文本、音频文件或图像创建新内容的技术。其使用机器学习算法，从数据中学习要素，一般基于跨模态大模型打造，包括基于素材的部分生成和基于指令的完全自主生成和生成优化。得益于真实数据积累和计算成本下降，可帮助生成数字化内容初稿，产品包括A1绘画、平面设计、对话系统、虚拟数字人、搜索引擎、代码生成等，提高了数字化内容的丰富度、生产效率与创造性；类人的交互体验和全民参与性则跨越式提升了C端消费

9、侧对于A1的感知，进一步拓宽了市场对A1商业价值的想象空间。未来，随着多模态等底层模型进步和垂直模型优化，AIGC技术将进入技术产品化加速爬坡期，扩展更多的商用领域。AIGC技术提升创作者生产效率与质量1s./WMBMTA1GC技术价值:.FAQBMedKMB9文ENEmetbi-AKKftMKTmnsivwt.“71WT.B9生产离力S力中amIOMHCf1URBJfMg.UGC*WE4,9.力或RMM4t限存以ChatGPT为例，）外大量1MOpenAIChMGPTwaGoimdaikfOOMeta口”.：C-DH1EBitSwceAMEjOBeM己PIATQMM!FrjWiKMjDBn*

10、oJ8QM.EI9用睡内足内容.WR开放IuWTq家JB力人,交目星事香再ranifti9txv*i*w*.趋势六：数据采集由单点走向泛化泛化数据采集加速提升数据处理方式的精准性与高效性传统的数据采集方式通常针对特定场景与目的，获取数据的渠道与手段相对单一，数据采集量不充足。随着物联网设备的普及和互联网应用的拓展，数据量呈现指数级别的增长，为泛化采集提供基础。数据维度向多样化、复杂化的转变，同步提升了采集数据的难度与不确定性。传统的数据采集方式已无法适配当前企业对全面、丰富的数据需求，影响了企业对数据自身价值的高效利用。结合物联网系统、Web系统和传统信息系统的泛化数据采集形式可以扩大采集样本

11、数量，扩充数据维度多样性，有利于多领域行业及时应对实际场景应用中的未知情况。泛化数据处理难度的提升催生了数据处理、分析方式的进化，以机器学习为主的智能技术，在获取数据进行模型训练与优化的同时，通过发挥数据挖掘、数据可视化等功能，反哺企业更好的对采集数据进行预测与控制。泛化采集数据需兼顾采集数量与采集质量，如果能对被采集数据的用途进行前置化判断，可大幅降低后续数据处理的工作量，实现采集与应用效率最大化。一泛化数据采集的多领域行业应用价值一趋势七：工业数字学生加强物理与虚拟空间交互提升工业数字李生诊断预测能力，推动业务全流程闭环优化工业数字挛生基于数据与工业机理模型的集成融合，构建虚实双向交互的闭

12、环优化系统，在虚拟环境中对生产过程、生产设备的控制来模拟现实环境的工业生产，其三大特征是全生命周期实时映射、综合决策和闭环优化。未来工业数字挛生将更加注重虚实融合的应用，推动“由虚拟实-由虚映实-虚实互映-由虚控实”的挛生闭环。现阶段工业数字挛生的应用普遍聚焦在实时监测管控、虚实相映阶段，尚未迈向诊断分析、预测优化阶段。中短期内，加速落实“由实向虚的真实映射“，空间维度上将由部分挛生对象间的简单关联，向多挛生对象间的自动化、智能化的协同共进发展；时间维度上将由挛生对象关键生命周期单独挛生的碎片化应用，向“生产一报废”全生命周期挛生应用发展。中长期内，将不断沉淀工业机理模型以推进“由虚向实的准确

13、模拟”，构建面向物理对象精准化映射的李生对象模型，形成综合决策并反馈，达到诊断分析乃至预测优化的目的，推动工业全业务流程闭环优化。工业数字李生采集解构仿真映射模拟李生预测优化的闭环交互流程mg1xr,0wMirMW1.tfHimit.%MJtmiWMf1Mrnaktie与9帆M*g化 trtrt田(求ttfbQtB次度BrSMMmm9m(MMrgbvj6味 *MX-U,.,.,KBOMSnMftTa.*!三WCETNIH1*EWW重尸WtaWfHMNt*KyvC0BB*MHVtMtt1WMieiHrTV1WS1XWkMBttF*f11趋势八：数智反向融合，形成以智养智的正反馈AI开始反哺数据治

14、理，进一步促进人工智能进入小场景十年来，以深度学习为代表的人工智能是基于数据的，高质量的数据是人工智能良好应用的前提条件。在这种情况下，数据科学家、数据分析师等不得不把大量的时间和精力用于数据的准备工作，也即常说的脏活。这种现象在因为规模化程度不够，进而导致分工不彻底的小场景中尤为明显。如此，高级人才的大量时间其实在做低级工作，ROI不高，人工智能难遍地开花。未来，这一情况将有所改善：第一，预训练大模型已经在一定程度上减少所需的数据样本；第二，数据治理本身也是一个发现规律的过程，人工智能已对该过程开始反哺。未来随着模型通用性的进一步增强、交互方式的日趋简单，这种人工智能对数据治理的反哺作用将越来越明显，数据治理将逐渐变成人工智能为主、人工为辅。人工智能在数据管理中的应用示例趋势九：数据和应用将进一步实现无感知闭环应用数据自动治理落入数据层，数据分析嵌入到事务型应用信息化时代，应用产生数据，但一来这些数据并未打通，二来受制于当时技术条件无法进行低成本大规模的分析。这些痛点，促使了后来以数据打通为核心的中台建设，和以数据分析为核心的数智模型构建以及BI0数据如何能更广泛地赋能业务应用，而应用层产生的数据如何自动流入数