2024版计算2030.pdf

20302024 版计算构建万物互联的智能世界3前言十年前，人类进入 ZB1 数据时代，移动互联网、云计算、大数据刚刚起步；今天，这些技术已经深刻地改变人类社会，计算发挥了前所未有的作用。2030 年，人类将迎来 YB1 数据时代，对比 2020 年，通用算力增长 10 倍、人工智能算力增长4000倍2。数字世界和物理世界无缝融合，人与机器实现感知、情感的双向交互；人工智能无所不及，帮助人类获得超越自我的能力，成为科学家的显微镜与望远镜，让我们的认知跨越微小的夸克到广袤的宇宙，千行万业从数字化走向智能化；计算能效将持续提升，走向低碳计算，帮助人类利用数字手段加速实现碳中和目标。未来十年，计算将帮助人类跨入智能世界，这是一个波澜壮阔的史诗进程，将开启一个与大航海时代、工业革命时代、宇航时代等具有同样历史地位的新时代。目 录01020608宏观趋势未来计算场景2.1 更聪明的 AI.092.2 更普惠的 AI.112.3 更纵深的感知.132.4 超越现实的体验.152.5 更精确地探索未知.172.6 更准确地模拟现实.182.7 数据驱动的业务创新.192.8 更高效的运营效率.202203计算 2030 愿景及关键特征3.1 智能认知.233.1.1 生成式 AI.233.1.2 自动自治 AI.263.1.3 类脑智能.273.1.4 知识计算.283.2 内生安全.293.2.1 数字信任与隐私.293.2.2 AI 安全可信.323.2.3 新计算范式安全.343.3 绿色集约.363.3.1 计算芯片工程.363.3.2 DC as a Computer.383.3.3 跨域算力网络.413.4 多样性计算.433.4.1 数据为中心的计算.433.4.2 应用驱动的多样性计算.453.5 多维协同.463.5.1 立体计算.463.5.2 数字孪生.493.6 物理层突破.523.6.1 模拟计算.523.6.2 非硅基计算.533.6.3 光交换与光互连.543.6.4 新型存储介质.54附录 A：参考.57附录 B：缩略语.58附录 C：致谢.615604计算 2030 倡议6计算 2030宏观趋势01计算经过半个世纪的发展，已经深深地融入了人类的生活和工作。未来到 2030 年，计算作为智能世界的基石，将持续推动社会经济发展和科学进步。面向 2030 年，中国、欧盟、美国等均将计算作为战略方向重点布局。在中国十四五规划和2035年远景目标纲要中，将高端芯片、人工智能、量子计算、DNA 存储等作为强化中国的战略科技力量；在欧盟2030 数字指南针：欧洲数字十年之路中，计划到 2030 年，75%的欧盟企业将充分运用云计算、大数据或人工智能，打造欧盟首台量子计算机；而美国，则再次提出“无尽前沿”，借助法案和拨款，推动美国在人工智能、高性能计算&半导体、量子计算、数据存储和数据管理技术等领域的领先性研究。2030 年，AI 成为新质生产力，大模型成为智能底座，使能千行百业，全方位丰富人们的衣食住行，物理（具身）智能将跨越鸿沟，在自动驾驶和人形机器人领域规模落地；数字世界和物理世界无缝融合，人与机器实现感知、情感的双向交7计算 2030互，计算具备模拟、还原、增强物理世界的能力，超现实体验将驱动计算走向边缘，云与边缘、边缘与边缘、虚拟与现实多维协同计算；科学探索的边界将不断扩展，带来算力需求的快速增加，未来将出现 100EFLOPS2 级的超级算力和智能的科学研究新范式；碳中和目标驱动计算走向绿色，未来将更好地匹配绿色能源和业务体验。计算所依赖的半导体技术逐步接近物理极限，计算将迎来创新的黄金 10 年，软件、算法、架构、材料的创新和突破将开启智能、绿色、安全的计算新时代。预计 2030 年，全球数据年新增 1YB；通用算力增长 10 倍到 3.3ZFLOPS FP32，人工智能算力增长 4000 倍，2030 年达到 864 ZFlopsFP16。8计算 203002未来计算场景更纵深地感知更纵深地感知食能源企业智慧农业智慧能源智能控制设备生产机器人城智慧城市行AI 自动驾驶AI 智慧交通更普惠的 AI教育个性化教育医AI 精准医疗AI 药物筛选超越现实的体验医智慧交互虚拟世界/元宇宙 AR/VR 数据驱动业务创新企业算力挖掘数据价值10 倍的新业务开发 更高的运营效率企业精细化的资源使用AI 软件定义的运营低碳 DC 更准确地模拟现实更精确地探索未知企业企业生产仿真 100 倍精度风洞仿真基于 GAI 仿真医AI 新药探索企业生态监测海洋预测地震预测气象源源不断的创新永无止境的探索海量数据普惠算力计算 2030无处不在的感知无所不及的 AI9计算 20302.1 更聪明的 AI人工智能的发展经历了起起伏伏，算力、算法和数据迎来了巨大的提升，ChatGPT 的问世推倒了通往 AGI 的多米诺骨牌，大模型成为智能时代的基础设施，Scaling law 未来几年持续有效，AI 将跨过奇点，再次迎来爆发期。行：AI 智慧交通智能交通领域，通过摄像头、雷达、气象传感器等采集各种数据，边缘完成车辆识别、交通事件识别、路面状况识别，生成局部路段的全息数据，并在云端形成城市级道路数字孪生，实现车道级实时路况、历史路况的全息呈现。通过云端策略计算，可以对每辆车、每条道路生成不同的交通指令，指挥车辆、调节交通信号，从而更高效、低碳的完成出行。预计2030 年，全球道路上的电动汽车、面包车、重型卡车和公共汽车数量将达到 1.45 亿辆。每辆汽车行驶中产生的数据（一辆车平均每天行驶 2 小时，行驶中每秒上传的压缩数据将从现在的 10KB 升至 1MB，10 万辆车智能网联汽车每天需要传输的数据量大约为 720TB）需要在汽车与城市之间频繁进行数据交换，借助智慧交通基础设施的海量数据存储和分析能力，城市通勤时间将得到大幅提升（日均通勤缩短 15-30 分钟），交通事故和汽车对城市碳排放量也随之大幅降低。以计算为核心，持续支撑交通的数字化升级和智慧化管理。大交通从“运力”时代进入到“算力”时代是历史的必然选择，“算力”带来的交通安全、效率、体验的提升，必将释放出新的生产力，推动社会经济的发展。10计算 2030行：自动驾驶高阶自动驾驶将成为绝大多数汽车的标配，随着 AI 技术的提升，数据飞轮不断迭代，自动驾驶技术在加速发展，人的智慧和驾驶经验将被更敏捷准确地转移到汽车上，实现更类人的智能驾驶，让人类出行更美好。L3 将大规模商用，L4 甚至 L5 技术取得突破性进展。全自动的数据标注系统提升数据飞轮速度，效率较人工提升千倍甚至万倍，尤其可以完成人类不能标注的 BEV 等视频数据标注。从感知、预测到规控，基于一个大模型底座做到多任务一张网，逐渐过渡到端到端一张网，在无边界探索中找到自动驾驶的边界。车路协同将辅助自动驾驶，车辆与道路基础设施、其他车辆及交通管理系统进行实时通信和协作，从而提高行驶效率，减少事故。智能驾驶算力需求增长会远超摩尔定律，随着自动驾驶级别的不断提升，算力需求不断增长，到 2030 年自动驾驶汽车的单车算力将超过 5000T FLOPS，云端算力需求超过 200E FLOPS。城：智慧的城市城市占据全球 2%的面积，居住着超过全球50%以上的人口，消耗了全球 2/3 的能源、排放了 70%的温室气体（250 多亿吨二氧化碳）。城市的智慧化治理成为实现城市可持续发展的必然选择。智慧城市中的物联网传感器则持续生成城市运行的环境数据，未来，每一个物理实体都将有一个数字孪生，如城市楼宇、水资源、基础设施等将组成城市数字孪生，实现更加智能的城市管理。城市智慧治理将带来 100 倍的社会数据聚集，实现高效城市治理。智慧能源基础设施借助数据的保存和分析能力将城市能源消耗中供需二者协调到一个系统中，以实时数据处理来实现城市能源的高效调度。例如：通过城市能源的消耗数据绘制出城市实时能效地图，动态监控能源的使用情况，再针对性的进行能源调度，将居民高峰用电平均需求减少 15%以上。城市中每个居民息息相关的气象、海洋、地震等公共服务，背后也是依赖大量的数据计算处理。通过更多元、更大量的城市及自然环境数据，智慧公共服务将可以更好地预测天气、海洋和地震对城市生活的影响，从而使城市在面对极端事件时更具韧性。每个居民还可以通过这些智慧化的公共服务，结合自身地理位置等信息，以定制化的信息判断气候或突发事件对自身的影响。数据是智慧城市高效运作的核心要素，如何对生成的海量数据进行有效管理和使用是智慧城市发展绕不开的主题。11计算 20302.2 更普惠的 AI以大模型为代表的 AI 技术全面进入人们的生活，彻底丰富人们的衣食住行，让我们更高效的思考、创作、学习，让优质稀缺的资源变得更加容易获得，大幅提升生活质量和工作效率。医：AI 精准医疗世界卫生组织估计到 2030 年，将出现 1000 万卫生工作者的短缺，人工智能将为人类应对这一挑战提供有力的帮助，大幅提升医疗服务的质量和效率，增强患者体验，一定程度上弥补医疗资源短缺，缩小不同地区医疗服务的差距，降低高昂的医疗费用。AI 在医疗领域的应用将无处不在，覆盖诊断、治疗、护理等各个环节，AI 在医学影像分析中的应用将更加深入，AI 利用先进算法分析患者数据，自动识别早期疾病迹象，AI 通过医疗大模型和基因组学，为每位患者提供个性化医疗方案，通过数字医生为远程患者进行咨询与诊断，通过 AI 机器人进行手术辅助。医：AI 药物筛选AI 将更加透明，不再是一个黑盒，不仅会告知结论，同时也会告知如何得出结论的，让人类明白 AI 的思考过程，和人类建立彼此的互信。有了这样的基础，AI 就可以在更广的范围内发挥更大的作用，帮助人类完成复杂的任务，比如：进行抗病毒药物筛选，AI 会告诉我们选出药物的原因，而不是只给出一个药物列表（通常情况下，如果我们只是看到一个结果，将很难做出决策）。12计算 2030教育：个性化教育人类训练人工智能的过程，同时也是认识自己的过程，人工智能使得认识人类的智能、人脑的规律变得更加重要，进而重新认识教育、改革教育3。未来人工智能将改变人类自己的学习、认知的过程。如人工智能教员通过精细化地分析学生的行为、习惯、能力等，制定个性化的教学内容、计划和教学方式，学生的学习潜力将得到极大的挖掘，接纳新知识更多、更容易。AI 通过情感识别技术，能够识别学生的情绪状态，提供相应的心理支持和辅导，有助于学生的心理健康和整体发展。AI 不仅促进了教育的个性化和公平性，还支持了学生的全面发展和终身学习。2.3 更纵深的感知预计到 2030 年，全球联接总数将达到两千亿，传感器的数量达到百万亿级，传感器持续不断地从物理世界采集数据，温度、压力、速度、光强、湿度、浓度等，为了让机器人具备“视觉、触觉、听觉、味觉、嗅觉”，需要更加多维的感知能力。数据量、时延等原因决定了产生感知的计算在边缘完成，边缘将具备智能的数据处理能力，例如模仿人类大脑工作的模拟信息处理技术等。未来，大量感知计算将在边缘完成，处理大约 80%的数据。感知智能让海量数据的采集、分析成为可能，让更多的行业获得感知自我的能力，并通过云端的数字孪生与物理世界形成协同，驱动行业的数字化创新。食：智慧农业全球粮食安全关系到社会稳定，但是农业面临重大挑战，诸如劳动力短缺，土壤退化，水资源缺乏，频繁的极端天气（干旱、洪水、飓风等）对农业造成严重威胁等。未来将建立和完善天空地一体化的智能农业信息遥感监测网络，互联网、物联网、大数据、云计算、人工智能等现代信息技术与农业深度融合，具备农业信息感知、定量决策、智能控制、精准投入、个性13计算 2030化服务的全新农业生产方式将逐步实现。智慧农田、智慧大棚、智慧养殖、智慧种植、喷药无人机等对边缘 AI 计算有广泛的需求。农业智能传感与控制系统、智能化农业装备和农机田间作业自主系统将加快发展农业电子商务、食品溯源防伪、农业休闲旅游、农业信息服务水平，农业将迎来全方位全过程的数字化、网络化、智能化改造。企业：智能控制设备人工智能技术将在生产系统中高度普及，融入企业作业各个环节，这将带来工厂作业模式、人员配置、部门区域协同等一系列的升级。未来 10 年，人工智能技术将给关键生产环节带来大幅的质量提升与成本收益。AI 可以帮助制造企业实现控制层智慧化运营管理、贯通层海量数据分析挖掘以及感知层更低时延诊断预警。中国制造 2025 提出，制造业重点领域全面实现智能化，试点示范项目运营成本将降低 50%，产品生产周期缩短 50%，不良品率降低 50%。比如，工厂的轴承故障诊断、钢炉热异常检测、电力设备的检修等深度学习场景，制造工厂可以通过 AI 技术进行更低时延的诊断预警，提高生产检测效率，缩短订单交付周期。企业：生产机器人未来，从操作机械到指挥机器，人类告别恶劣极端的工作环境。人工智能将参与企业更多的非操作性任务，人与机器形成无缝的协作关系。从产品设计、生产、销售，到企业架构、员工的雇用和培训等各个环节，人工智能将驱动企业业务进行彻底的重塑。如企业采用人工智能对经济发展、社会热点事件等进行分析，判断14计算 2030行业外部及企业的发展趋势，或者根据分析结果优化生产计划、形成方案，为产品概念的开发提供决策建议；特别是在满足个性化需求的柔性生产中，人工智能的创造能力不仅能够按照定制要求设计，更能综合需求变化和产品使用数据生成新的产品设计。预计到 2030 年，每万名制造业员工将与 1000 个机器人共同工作，机器准确理解人的指令、准确感知环境、做出决策建议与行动。今天，无人值守的黑灯工厂已开始规模部署，人工智能驱动机器人忙碌于生产线和物流系统，在重复性高的场景中，机器让人类告别重复枯燥的工作。未来，机器将帮助人类处理非确定场景下危险、恶劣工作，人将从现场操作转变为远程指挥，在更加舒适的环境中工作，远离危险。如在采矿业，中国提出了煤矿智能化发展的目标，到 2025 年大型煤矿和灾害严重煤矿基本实现智能化决策和自动化协同运行，井下重点岗位机器人作业，实现井下少人到井下无人，2035 年建成智能感知、智能决策、自动执行的煤矿智能化体系。4从操作性工作到创造性工作，企业智能化重塑。未来人工智能深度参与人类的思考，与人形成互动，并呈现出推理的过程，成为可信任的智能，将在金融、医疗、司法等需要高质量决策的复杂场景中发挥巨大作用。未来 10 年，通过对物理世界的不断学习，人工智能将更加聪明，从确定性场景到非确定性场景，在越来越多的任务领域中增强人类，帮助人类获得超越自我的能力。人形机器人随着具身智能和灵巧手等关键技术的突破，人形机器人将跨越裂谷，具备通用化技能，成为继手机、汽车后的第三大通用产品。人形机器人将缓解人口老龄化问题，释放人力资源从事更有创意和更高价值的工作，改善人们的生活质量，提升生产力和生产效率。人形机器人的应用场景广泛，能够在多个领域带来显著的社会效益，将在救灾、核反应堆维护、井下挖矿、民爆、警卫等特殊场景取代人类，将在家庭中承担家务、陪伴、护理等越来越多的工作，将深度走入工业，使能柔性制造，在智能制造等领域发挥重大价值。人形机器人领域未来将走向通用归一化，即一个机器人做所有的事情，高端人形机器人的算力需求越来越旺盛，到 2030 年端侧需求将超过5000T TFLOPS FP8。15计算 2030智慧能源能源问题非常重要，涉及经济发展、环境保护、国家安全和社会稳定等多个方面，技术创新是实现持续发展的重要手段。到 2030 年，能源结构将发生大调整，清洁能源发电发展迅猛，成为大趋势，但风光水电等清洁能源波动性大，稳定性差，现实中存在很多弃电等现象，人工智能在新型电力系统的深度融合，将提供稳定支撑和优化调度能力。AI 通过历史数据、天气预备、经济活动等因素，准确预测电力需求，优化电力生产和分配；AI 可以准确预测风电、光电和水电的发电量，减少波动性的影响；AI 可以在大电网或微型电网间优化电力系统的调度，合理安排不同电源的出力，最大限度利用清洁能源，减少对化石能源的依赖；AI可以优化储能系统的充放电策略，提高系统的稳定性；AI 可以分析电力市场的供需情况、价格波动等，帮助电力公司和用户制定更优的交易策略，优化电力交易和市场运营；AI 通过对发电设备和电网设备的实时监测和数据分析，预测设备的故障风险，提前进行维护，减少非计划停机。此外，AI 点亮可控核聚变研究的未来之路，加速领域研究的进展，到 2030 年，会有更多基于 AI 的可控核聚变成果出现，有望提供无穷无尽的清洁能源。2.4 超越现实的体验预基于 VR/AR、元宇宙、生成式 AI 等技术打造的超越现实的体验，将极大改变我们的生活方式、工作方式和娱乐方式，在沉浸式娱乐、虚拟教育、远程协作、旅游探索、艺术创意等领域产生重大影响，将创造一个更加互联、敏捷和充满活力的未来世界。住：智慧交互今天，人工智能已经在帮助人类完成一些过去难以完成的任务。例如，通过手机摄像头可以识别出我们所不认识的植物，并能获取它的生活习性、栽培方法；机器人帮助增强人类的行动力，如外骨骼机器人辅助病人进行康复；家用机器人则能帮助老人陪伴、家务劳动等智能化工作。预计2030 年，家用智能机器人使用率将超过 18%。人工智能参与人类的思考和创造过程，需要结果具备可解释性，并符合人类思考问题的逻辑，具备与人类使用自然语言无缝交流的能力，未来人工智能将实现从感知到认知、从弱人工智能到强人工智能的跨越。16计算 2030当前人工智能在写诗、作画上进行了初级尝试，未来人工智能将完成更加复杂的创造性工作，如电影制作、艺术创作和工业设计等。人工智能能够提供高度定制化的内容服务，人们可以随时获得一幅定制的画作，一部定制的电影。比如在互动电影的观看过程中，观众可以在观影中通过不同的选择来影响剧情走向，人工智能将完成每一条故事线的演绎和视频生成，因此相同的电影将产生不同的结局，整体内容也更加丰富。未来这种人类提出主题、人工智能实现细节的创作方式将极大地提升人类的创造力、丰富人们的生活。住：AR/VR数据将构建出众多的数字空间，旅游景点、全息会议、虚拟展会这些数字空间与物理世界共同组成了一个虚实融合的世界。在虚拟旅行中游览“真实的”山川、流水；与千里之外的朋友促膝交谈；对话先哲，与王阳明一起悟道，与普鲁塔克探讨特修斯之舟；人与人、人与社会、人与自然、人与机器的交流方式将发生革命性的改变，未来人类的生活、工作和学习方式将重新定义。预计 2030 年，超过 30%的企业在数字世界中运营与创新，各种虚实结合的AR（Augmented Reality，增强现实）/VR（Virtual Reality，虚拟现实）用户数达到 10 亿。住：虚拟世界/元宇宙数字世界与物理世界的无缝融合，能够准确感知和还原物理世界，在虚实结合的世界中理解用户的意图，体验将驱动计算走向边缘，云与设备、设备与设备、虚拟与现实多维协同计算。云端将实现物理世界的建模、镜像，经过计算、加入虚拟的元素，形成一个数字的世界；边缘设备将具备听觉、视觉、触觉、嗅觉和味觉能力，人与设备之间实现实时交互；多维协同的计算将用户所处的环境整体变成一台超级计算机，计算环境信息、识别用户意图，并通过全息、AR/VR、数字嗅觉和数字触觉等技术进行用户呈现。17计算 20302.5 更精确地探索未知今天，“高性能计算+物理模型+AI”的方法已被广泛应用到众多的科学问题。未来，随着人类认知边界的不断扩展，量子力学、生命科学、地球大气、宇宙起源的研究，尺度从 10-21 到1028 米，跨越微观世界到无垠宇宙，科学家需要处理的数据与计算量将爆炸性增长，数字世界算力的规模决定了物理世界探索的广度和深度。例如，2012 年欧洲核子研究组织（CERN）大型强子对撞机（LHC）实验项目 5，全球超级计算机组成算力池，帮助科学家从近 100PB数据中证明希格斯玻色子的存在；2027 年底CERN 将投入使用高光度大型强子对撞机(HL-LHC)，每秒发生约 10 亿次粒子碰撞，数据计算量将增加 50-100 倍，存储需求达到 ZB 级。2030 年，计算将在更多的领域帮助科学家解决基础性问题。自然：生态监测未来人类将环境保护作为重点，将新型科学技术与设备结合人工智能，可有效解决环境恶化带来的温室效应，土壤沙化和盐碱化等各种环境问题的挑战。以大数据为基础，利用模型，可以较好地预测出不同管理措施下的结果，并不断反馈给算法模型，得出更好的治理模式。如精确定位污染源，预测污染扩散等。自然：气象来自世界气象组织（WMO）的数据显示，在过去 50 年里，平均每一天都会发生一场与天气、气候或水灾有关的灾害，而每一场灾害平均会造成约 115 人死亡、约 2.02 亿美元的经济损失。数值方法与 AI 的融合正在引发一场的深刻的全球气候变化研究革命，作为一种新的科学范式有力促进了气象系统的机理、模拟和预测研究。气象应用场景非常广泛，涵盖了了从短期天气预报到气候变化研究，再到各个行业的实际应用。未来天气预报不断发展为更加复杂的动力数值模式，以求更准确和提前预报天气。如气象雷达质量控制、卫星数据反演及同化等气象数据处理；短时临近预报、概率预报、台风海洋天气预报、极端或灾害性天气预警、风暴环境特征分类、环境预报等天气气候分析；以局部短时天气预报为例，短时强降雨具有极大的破坏性，但受限于海量数据和巨大算力需求，很难实现准确预测。天气预报从当前的 10 公里的精度，提升到公里、次公里，数据规模和算力需求提升 1001000 倍。预计 2030 年随着100EFLOPS 级超级计算机的出现，更高精度气候模拟和天气预报将成为可能，人类能够更加从容的应对极端天气。自然：地震预测/海洋预测未来应用人工智能监测地震、实时估算地震震源等将极大提高预报的准确性。从地震记录推算地震震源机制是个计算耗时的过程，自 1938 年地震学家第一次开始推算地震断层面解，震源机制参数一直是个难题。采用人工智能的方法有效地解决了这个复杂计算问题，应用地震大数据训练人工智能神经网络，可完善预报系统的准确性和可靠性，实现地震预报领域的突破。自然：宇宙结构探测宇宙大规模结构是重要的科学前沿领域，研究宇宙结构形成和时间演化，从而揭示宇宙的物质组成以及宇宙演化过程、暗物质、暗能量等宇宙学问题。传统的办法是根据物理理论，使用超级计算机计算宇宙中各种大规模结构的演化，将其与观测数据进行对比，但是这需要对数十万到百万个宇宙论模型进行精确的计算，目前可观测的宇宙有 2 万亿个星系，万亿亿个星球，即使全球所有计算资源一起也难以完成。18计算 20302.6 更准确地模拟现实计算能力的不断提升，推动着仿真模型的快速发展，生成式人工智能的爆发，可以更加高效地创建仿真模型，让人类更准确地模拟现实。企业：生产仿真 100 倍精度/风洞仿真计算机风洞仿真已经成为飞机、高铁和汽车等高速运动产品的重要测试手段。但由于整机仿真计算量巨大，为了得到高精度的仿真结果，需要将测试系统分解成滑行轮胎、发动机等多个子系统，甚至发动机也要拆解成更小的系统，这对验证整机设计是否满足要求带来新的挑战。风洞仿真技术将通过多物理场集成、人工智能驱动、虚拟现实融合、云计算支持和高保真全场景仿真，未来计算能力将提升 24 个数量级，显著提升仿真效率、精度和应用广度，风洞仿真有望实现更大级别子系统，甚至整机的高精度仿真测试。基于生成式人工智能的仿真仿真与生成式 AI 相结合激发无限可能，我们可以解锁新的场景，探索更广泛的可能性，将不可能变为现实，将在各个领域掀起巨大波澜。基于 GAI 的仿真，将以算力赢得效率，实现实时交互式仿真，图片生成将达到真实级别，融入物理规律的视频生成更加自然流畅，环境模拟和角色仿真将更加逼真，在影视、游戏、培训、教育和日常生活等方面大规模应用。基于 GAI 的仿真，将大幅提升仿真规模和复杂度，融合多尺度和多领域仿真，仿真系统具备自主学习和进化能力，可生成前所未有的假设场景并进行探索，将在自动驾驶、智能制造、城市规划、太空探索等领域广泛应用，比如在自动驾驶场景中，把不同的道路环境、天气环境、光线环境、车辆、交通参与者等复杂场景生成出来，高效制造更丰富真实的仿真验证环境，从而大幅度降低技术验证和测试成本，提升产品研发效率。药：新药探索传统的新药研发是一项复杂的系统性工程科学，高度依赖药物学家的个人经验与创造力，周期长，19计算 2030成本高，转化慢，一款新药上市一般要花费十亿美金和十年时间以上的成本。生物技术与信息技术的融合将成为药物研究的新范式，随着人工智能、大数据和计算技术的快速发展，以及资本大力推动，计算制药将逐渐走向成熟，研发速度将提升 13 个数量级，人类健康将取得重大进步。靶标发现：药物靶标是原创新药发现的源泉，但靶标枯竭是全世界药物研究面临的共同问题，面临功能蛋白质发现和基于小分子等外源性探针靶标发现与确证等挑战。计算制药可以帮助发现与特定疾病相关的生物标志物，可以将广泛用于分子模拟和虚拟筛选，识别潜在的药物靶标，可以处理和分析大量的生物医学数据，包括基因组数据、蛋白质相互作用数据等，例如，采用传统方法分析单个蛋白质的折叠结构，需要耗费科学家数年时间，通过人工智能学习已知的 1.8 万种蛋白质折叠结构，可以在几天内获得对未知蛋白质折叠的原子精度模拟结果，这一成果使得癌症、老年痴呆等细胞内蛋白质结构变化引起的世纪难题的预防、治疗成为可能。药物发现：计算制药将重点突破化学药物分子结构表示学习技术，利用大算力十倍提升药物筛选和活性化合物发现的效率，更准确地预测蛋白质间相互作用（PPI），加速化合物优化，扩大生物大分子药物的设计潜能。药物开发：利用药物代谢反应预测、成药性优化、化学合成反应预测、DNA 编码集中库的合成与筛选等技术，加速药物开发 70%以上，节省大量时间与金钱。2.7 数据驱动的业务创新数据将成为驱动业务创新的核心力量，通过先进算力充分挖掘数据价值，可快速响应变化，推动高效创新和业务增长，实现独特的竞争优势，塑造未来商业新格局。企业：算力挖掘数据价值云计算和大数据已经成为行业数字化的基础，驱动以管理效率提升为目标的数字化，其特点是优化生产关系，更好的匹配生产力和客户需求以发动机行业为例，发动机制造商在开发的发动机中内置数十乃至数百个传感器，传感器将记录有关温度、压力、油耗、速度以及其他力和因素的数据，通过对数据的实时分析和处理，制造商可以实现并行研发，大幅缩短研发周期，工程变更数量也将降低为传统研发模式下的 1/10。20计算 20302.8 更高效的运营效率高效的运营效率对企业至关重要，可以提升企业竞争力、盈利能力和可持续发展能力。通过人工智能、大数据、云计算等新技术，可以显著提升运营效率，实现业务快速增长和长期成功。企业：精细化的资源使用在日益复杂和竞争激烈的市场环境中，精细化的资源使用是企业保持竞争力和实现长期成功的关键因素。云技术的广泛运用将使企业更加便捷地使用计算资源，新的计算技术可以让企业消费资源的粒度更小、调度的时间更短，这将大量减少企业计算资源的浪费。例如，在非云化时代，处理器仅有 10%的利用率，容器技术则将这一比例提升到了 40%以上，未来新的资源管理技术的广泛采用将进一步减少 50%以上的资源浪费。此外，AI 技术将感知现网计算、内存和通信等流量状态，精准预测趋势与需求，分析系统各个组件的热点与瓶颈，提供正确的决策支撑，准确规划资源使用，优化全局资源使用模式，可以显著降低成本，提高效率，促进企业创新，推动可持续发展。企业：10 倍的新业务开发需求预计 2030 年，现实世界将有 30%企业完成充分的数字化，这些企业的运营和创新工作将有90%在数字世界中完成，各种创新应用快速增长。行业数字化深入，行业的应用将爆发式增长。新的业务开发模式出现，10 倍的新业务开发需求，端边云全栈 Serverless 化成为支撑企业数字化、智能化转型中应用现代化改造的主流技术。基于云原生计算模式的编程语言、语言runtime、应用调度、运行、运维，成为构建全栈 Serverless 化、现代化软件的基础，实现全面应用上云，构筑 10X 的性能、效率、成本优势。此外，AI 将全面融入软件工程领域，推动代码生成、代码检测、代码测试等技术不断成熟，让新业务开发效率倍增。21计算 2030企业：软件定义运营IT 越来越成为企业生产系统的重要组成部分。互联网企业因为采用 DevOps6（敏捷开发和开发运维一体化）而变得敏捷高效。随着LLM 的爆发，AI Agent 被广泛用在运营中，AIOps 将极大提升智能化和自动化。DevOps和 AIOps 相互补充，共同构建了企业运营的效率和智能。未来企业将通过软件处理跨组织复杂协同，通过软件快速定义业务的运营，比如，流程自动化机器人、无代码/低代码等开发技术，调用机器人自动化软件的能力，申请各类服务资源，编排各种业务流程，普通员工即可完成工作流程的优化和问题的解决。到 2030 年，运维大模型将走向成熟，运营智能体将实现运营 Copilot，大幅提升智能化水平和效率。运维大模型实现自然语言知识与多模态机器数据的跨模态综合分析，构建运维业务智能问答、变更风控、巡检排查、故障诊断等能力。运营智能体实现业务流程编排、外部知识融合、工具调用、记忆与反思等能力，提升企业运营效率，提高决策准确性。企业：低碳 DC2030 年，数据中心将在算力提升千倍的同时实现低碳的目标，企业将获得更加绿色的计算资源。创新计算架构的引入，计算能效将极大的提升。例如，传统计算过程中超过 60%能耗集中在数据迁移，而未来以数据为中心的计算将使得能效提升数十倍。模拟计算如量子计算、模拟光计算将逐步成为重要的算力来源，能源效率更能得到指数级的提升。碳中和目标的驱动下，未来数据中心将受能源分布、算力需求分布的双重影响，计算架构将在更大的空间维度上发生变化，通过算力网络可以更好的匹配绿电、时延、成本的差异，实现全局最优的 PUE（Power Usage Effectiveness，能源利用效率）与碳排放。可将人工智能训练、基因测序任务放到绿色能源丰富和气温较低的地区，工业控制应用、AR/VR 放到靠近客户生产环境的地区。节能技术与设计更加先进，高效液冷系统普及，废热被有效回收，使能能效提升数倍。人工智能与智能控制深度融合，实时监控和分析数千个传感器数据，自动优化温度、湿度、冷却液等数百个控制参数，协同末端设备系统实施智能控制，使能能效提升近倍。22计算 2030计算 2030 愿景及关键特征03计算2030物理层突破模拟计算 非硅基计算光互联光交换 新型存储内生安全数字信任与隐私 AI 安全可信 新计算范式安全绿色集约芯片工程 DC as a Computer 算力网络智能认知生成式 AI-通用基础模型-数据工程-具身智能 类脑智能 知识计算多维协同立体计算数字孪生多样性计算数据为中心的计算应用驱动的多样性计算23计算 2030智能认知是人工智能技术发展的高级阶段，使机器成为人类改造世界、提升能力的得力助手。过去十年，人类在在视觉图像、语音识别、自然语言处理等多个感知智能技术领域取得了长足进步，并在交通、制造、金融、智慧城市等各行各业广泛应用。未来五年，以ChatGPT为代表的生成式AI技术，将变革人类社会，逐步跨入人工智能认知时代。同时，当前的人工智能技术存在一些问题，如能耗高、可解释性与鲁棒性差、缺乏知识利用与逻辑推断能力等。类脑智能作为下一代人工智能技术，为解决能效问题、鲁棒性等问题提供新的可能。而知识计算的发展，让人工智能具备知识利用和知识迁移推断能力，从而迈向真正的人工智能。3.1.1 生成式 AI3.1 智能认知生成式 AI（Generative AI）技术作为最佳的自动化内容生产力要素，允许计算机抽象与输入（例如文本，音频文件或图像）有关的基础模式，使用它来生成前所未有的新颖内容。它实现了从数据到创意的飞跃，使智能体具备了模仿甚至超越人类创造性的潜力。生成式 AI 能够显著提高生产效率和质量，降低创造成本；生成个性化的产品和服务，从而极大地丰富市场选择。未来，生成式 AI 技术，将成为推动全球经济发展的新引擎。生成式 AI 技术的发展主要包括生成式 AI 模型及其应用技术，技术趋势包括：通用基础模型通用基础模型是指一类大型机器学习模型，经大规模数据训练而成（通常以自监督学习或半监督学习方式进行），以适应各种下游任务。24计算 2030到 2030 年，通用基础模型将有如下趋势：趋势 1：基础模型的自回归范式将进一步收敛，可能出现新的模型结构，解决 Transformer Attention 缺乏高效长期记忆机制、长序列场景训推成本高、建模能力差等问题。其中，模型高效压缩记忆模块、具备高度可扩展的模型结构、非规则性注意力、高效计算算法成为模型结构创新发展的主要挑战。趋势 2：模型 Scaling Law 仍将持续，顶级通用大模型参数规模将达到每 2 年 8 倍的增长速度，到 2030 年将出现百万亿 千万亿的通用大模型。百万亿参数级别的模型，训练将需要100 万卡的训练集群，预计功耗达到 3000MW以上，相当于 2023 年上海全市发电装机容量的13%。高能耗的集群将迫使模型训练从单计算中心(DC)训练，走向多 DC 协同训练，远距离异步协同训练将成为主流。除了能源消耗和散热等硬件挑战，千万亿通用大模型的落地，需突破超大规模复杂集群通信提高训练推理效率，卡间互联带宽将从当前主流的 200-900GB/s 提升到 10TB/s 以上。算法上，需要突破高效的优化算法，避免陷入局部最优解。可靠性上，平均故障间隔将从万卡的 27 小时，下降至百万卡的不足 15 分钟，预测、检测、隔离、恢复系统故障，提升大模型训练的有效计算效率是大规模算力集群的另外一个挑战。趋势 3：模型类型从文本单模态，发展成全模态世界模型。多模态模型的复合增长率将达到52%以上，高于 AI 整体的 30%增长率。多模态模型的占比，将从不到 5%，增长到 30%以上。10%以上的模型将具备逻辑推理、自主学习与规划能力。全模态世界模型将面临模型算法设计和应用使能系统优化的挑战，包括：1）模型算法设计：模型内部构建推理层、模型嵌入直觉物理体系、嵌入直觉心理与因果思考；2）应用使能系统：自主演进系统、思维链模式、思维树模式、自动外部工具使用等。数据工程趋势 1：公开高质量文本预料数据会在 2026年左右消耗完，高质量视频/图像数据会在20302060 年间消耗完。随着大模型训练高质量数据短缺，2024 年，用于人工智能和分析项目开发的数据中 60%是合成生成的。到 2030年，人工智能模型中的合成数据预计将超过90%。基于“AI 合成-AI 质量评估-AI 训练”的自反馈学习系统将成为普遍学习范式。提高AI 反馈信号的质量和准确性、AI 反馈模型的准确性、多模态信号的反馈融合是 AI 合成数据最具挑战的技术难题。趋势 2：大模型会变革现有数据分析流程，基于大模型实现对话式数据分析将为成为主流。传统的取数过程中，用户需要明确掌握 SQL 语言和相应的数据库结构来提取所需信息。商业智能(BI)预计将从 2024 年的 319.8 亿美元增长到2032 年的 637.6 亿美元，预测期间复合年增长率为 9.0%。随着 NL2SQL 技术兴起，用户只需使用自然语言描述需求，由后端系统将其转换为适当的 SQL 语句，简化了查询过程。随着企业数据的积累，企业用数场景也快速增加，但企业既有的数据能力难以支撑深入的用数需求。业务的取数需要数据开发人员支持，深入的数据洞察又严重依赖专业的分析师，在企业资源有限25计算 2030的情形下，通用的、复用率高的数据分析任务将作为最高优先级，而业务更偏个性化、复杂化的长尾数据分析需求难以得到响应和满足，造成企业“有数难用”的现状。基于大模型实现对话式数据分析的具体实现技术路线包括 Text2Sql、Text2Graph 等。Text2SQL 通过大模型解析用户输入的自然查询语言(文本)并生成 SQL 语句，而 Text2SQL 将用户 query 自然语言转化为图数据库查询语句，比如常见的查询 RD