达摩院2022年十大科技趋势发布

今天，达摩院发布了年度十大科技趋势，涵盖人工智能、芯片制造、隐私计算、机器人、云计算、星地计算等多个领域。

阿里巴巴达摩院院长、阿里云智能总裁 张建锋：

“一个世纪以来，数字科技的演进推动了人类的技术进步与产业发展。我们当前正在经历数字科技最快发展的阶段，数字化、网络化、智能化让数字世界与物理世界的融合与协同更加紧密。

从现实世界走向虚实融合的世界。云网端的协同发展下，端侧将诞生更多繁荣的新物种，比如以VR、AR为代表的虚拟现实技术相结合的多种终端，将在下一代互联网的催化下，改变人与科技互动的方式。通过模拟真实世界的时空，解决真实世界的需求，如远程教育、远程医疗、远程办公等，消除地理空间的限制。

从实验室走向产业应用。以云为核心的数字技术体系，将AI、大数据、大规模算力等技术与资源集成在一起，并通过云这个数字化的操作系统，让个体、企业、科研院所都可以低门槛、普惠的方式快速的调用技术资源。让各类前沿技术从实验室通过云走到现实中，如AI工程化、AI for Science、预训练模型都在原有的基础上，将人工智能运用到生物医药、天文气象、工业制造等各行各业的实际问题中。

共同走向可持续发展的未来。全球正面临日益紧迫的环境保护问题，每一个人都需要深刻的意识到，绿色低碳需要在人们的生活点滴、生产的各个环节去推动节能减排，而数字科技是这过程中必不可少力量，包括从无纸化办公、数据中心节能技术、到工业生产能耗优化等多个方面去努力。以科技，达到我们共同美好的未来。”​​

边缘云选取了报告中AI for Science 、云网端融合、全域隐私计算等3个趋势展示详细内容，其他趋势请阅读原文观看阿里达摩院的完整报告。

AI for Science 

概要实验科学和理论科学是数百年来科学界的两大基础范式，而人工智能正在催生新的科研范式。机器学习能够处理多维、多模态的海量数据，解决复杂场景下的科学难题，带领科学探索抵达过去无法触及的新领域。人工智能不仅将加速科研流程，还将帮助发现新的科学规律。预计未来三年，人工智能将在应用科学中得到普遍应用，在部分基础科学中开始成为科学家的生产工具。

趋势解读

科学研究是在星辰大海里探索未知，科学发现漫长而偶然，重大突破仰赖大科学家的贡献，如牛顿、爱因斯坦、杨振宁等，尽管众多科学家不懈投入，科学发展的速度仍受到一定限制。

计算机科学改变科研的路径是从下游逐渐走向上游。起初计算机主要用来做实 验数据的分析与归纳。后来科学计算改变了科学实验的方式，人工智能结合高 性能计算，在实验成本与难度较高的领域开始用计算机进行实验的模拟，验证科学家的假设 ， 加速科研成果的产出，如核能实验的数字反应堆，能够降低实验成本、提高安全性、减少核废料产生。近年，人工智能被证明能做科学规律发现， 不仅在应用科学领域，也能在基础科学领域发挥作用，如DeepMind使用人工智能来帮助证明或提出新的数学定理，辅助数学家形成对复杂数学的直觉。

人工智能将成为科学家继计算机之后的新生产工具，一是带来效率的显著提升，人工智能将伴随科研的全流程，从假设、实验到归纳总结，让科学家不需要像过去一样十年寒窗才能产出科学成果，而是能在一生中保持高产；二是让科学不再依赖少数天才， 人工智能对科学研究产生猜想，让科学家就其中有意义有价值的部分进行实验与证明，让更多人能够参与到科学研究中。

人工智能在各科研领域中的应用节奏将有所区别，在数字化程度高、数据积累好、问题已经被清晰定义的领域中将推进地更快，如生命科学领域，AlphaFold2运用生命科学积累的大量数据， 通过基因序列预测蛋白质结构，对泛生命科学领域产生了深远的影响。另一方面，在复杂性高、变量因子多的领域，人脑难以归纳总结，机器学习可发挥优势在海量多维的数据中找到科学规律，如流体力学等。

人工智能与科研深度结合仍然需要解决三个挑战，一是人机交互问题，人工智能与科学家在科研流程上的协作机制与分工需要更加明确，形成紧密的互动关系；二是人工智能的可解释性，科学家需要明确的因果关系来形成科学理论，人工智能需要更容易被理解，以建立科学与人工智能之间的信任关系；三是交叉学科人才， 专业领域科学家与人工智能专家的相互理解程度低，彼此互相促进的障碍仍然较高。

我们预测在未来的三年内，人工智能技术在应用科学中将得到普遍应用，在部分基础科学中开始成为研究工具。 

中国科学院院士  北京大学、普林斯顿大学教授 鄂维南表示：数百年来，以数据驱动的开普勒范式和以第一性原理驱动的牛顿范式是科学研究的两大基本范式。当下正在蓬勃兴起的 AI for Science 有可能促使两种既有范式的深度融合，激发一场新的科学革命。《达摩院2022十大科技趋势》将AI for Science列为重要趋势，无疑是看到了人工智能和传统科研结合带来的巨大潜能。我希望它能帮助推动更多科研工作者投身其中，加速这场科学革命的进程。AI for Science 带来的不仅仅是几个点上的突破，而是科研方法的全面改变。要适应这样一个新的环境，科学家们需要更深入地了解 AI，才有可能用好 AI。企业积累了大量AI研发能力和资源。它们不仅可以提供学界所急缺的计算资源，还能够帮助打造基础科研工具。无疑，学界和业界需要更多协作，秉持开源开放的精神，消除门户之见，打造 AI for Science 的科研共同体。

浙江大学人工智能研究所所长 吴飞表示：我认为人工智能一定会成为科学家的工具，但我希望还不要局限于此。我们正处于一个数据密集型计算范式的年代。我们有海量的数据，科学家们可以从海量的这个数据里面，应用自己方法论，进行科学探索。而运用方法论来进行科学发现和科学探索，一定是基于人工智能，所以说人工智能一定会成为科学家的工具。

云网端融合

概要

新型网络技术发展将推动云计算走向云网端融合的新计算体系，并实现云网端的专业分工：云将作为脑，负责集中计算与全局数据处理；网络作为连接，将多种网络形态通过云融合，形成低延时、广覆盖的一张网；端作为交互界面，呈现多元形态，可提供轻薄、长效、沉浸式的极致体验。云网端融合将促进高精度工业仿真、实时工业质检、虚实融合空间等新型应用诞生。预计未来两年，将有大量新型应用在云网端融合的新计算体系中运行。

趋势解读

云计算发展经历了两个层次，第一层是基础设施云化，云计算取代了传统数据中心，算力与数据向端迁移。第二层是架构云原生化，运用云原生的先进架构，让应用走向容器化与无服务器化。在连接技术高速发展的背景下，云计算开始走向第三层，云、网、端的协作关系发生变化，走向云网端融合的新体系架构。

新的体系架构下，云网端将专业分工。云作为体系中的“脑”，负责计算与数据处理，具备更好的计算效率、体系化的数据处理以及高精、高效、高覆盖的人工智能平台能力。

网作为体系中的连接系统，光纤、5G、卫星互联网等技术通过云融合，形成低延时、广覆盖的一张网，连接各种形态的云和端，让云网端形成更有机的整体。

端作为体系中的交互界面，可大幅简化非必要的计算和数据资源，更专注在用户体验上，如轻薄、长效、沉浸式体验等，端的形态将更多元，覆盖各类场景下的交互需求。通过云网端协同，将在一种端上完成多样场景，在多种端上有一致的体验。

云网端的融合将更高效地促进新型应用的诞生。在云端，应用将不受过去装置资源的限制，释放更多可能性，如高精度的工业仿真；在网侧，由网连接的分布式的算力将促进更多低延时的边缘计算应用，如实时的工业质检；在端侧，云网端进行协同与交互， 催生如云电脑、云游戏等新型应用。

云网端融合的体系需要克服两个挑战，一是网络技术的突破，由于在新的体系中网络扮演着关键角色，网络质量、成本与覆盖都将成为体系发展的制约条件， 新型网络技术（如5G与卫星互联网）需要不断以应用需求为导向进行技术优化迭代并以多种手段开展覆盖建设。二是信息安全，数据在云上处理，对数据加密、数据治理、安全计算、隐私计算等安全技术的要求更高。

我们预测在未来两年内，将有大量的应用场景在云网端融合的体系运行，伴随着更多依云而生的新型设备，带来更极致、更丰富的用户体验。

全域隐私计算

概要

数据安全保护与数据流通是数字时代的两难问题，破解之道是隐私计算。过去受制于性能瓶颈、技术信任不足、标准不统一等问题，隐私计算尚只能在少量数据的场景下应用。随着专用芯片、加密算法、白盒化、数据信托等技术融合发展，隐私计算有望跨越到海量数据，数据源将扩展到全域，激发数字时代的新生产力。预计未来三年，全域隐私计算技术将在性能和可解释性上有新的突破，或将出现数据信托机构提供基于隐私计算的数据共享服务。

趋势解读

在数字经济时代，数据成为核心生产要素，但与此同时，数据确权、数据法规、隐私保护意识、数据安全保障等因素，已成为跨组织间数据的共享与价值挖掘必须面对的课题。

隐私计算融合密码学、人工智能、芯片设计等学科，以多方安全计算、差分隐私、 可信计算为代表技术，可在保证数据隐私不泄露的情况下实现计算分析，为跨组织的数据共享提供可行的模式。然而性能瓶颈、技术信任不足、标准不统一等问题，让隐私计算尚只能在少量数据的场景下应用。

隐私计算将迎来三方面的突破，让隐私计算能被大规模应用：一是性能与效率的跨越式提升，包含同态加密的算法突破，降低加解密的算力需求、软硬一体的加速芯片，针对多方安全计算和联邦学习场景进行性能优化、更多第三方提供可信执行环境（TEE）等。二是隐私计算技术的白盒化，提升技术的可解释性进而强化信任度，通过开放集成能力，降低跨技术、跨模型的集成壁垒。三是数据信托机构的出现，作为可信第三方提供技术与运营，加速组织间的数据共享。

隐私计算的技术突破将推动数据计算由私域走向全域，分析的精度与深度也随着可用的数据量增加而提升，在某些对数据量强依赖的领域效果更显著，如商业分析、风险控制、学术研究、人工智能、精准营销等。另一方面，全域隐私计算技术成熟后，有望成为数据共享的标准，数据流通的风险将大幅降低，数据所有者与数据保管者的责任边界更加明确，安全程度也更加可衡量。

除了技术之外，隐私计算最大的不确定性来自于运营模式和合规标准。运营模式尚未形成完整的体系，让数据提供方有足够的诱因共享数据，同时保障数据质量让数据使用方有意愿付出费用。就合规标准而言，隐私计算的合规红线并不明确，让技术发展存在较大的不确定性，技术与标准需要在发展过程中不断地相 互促进。

我们预测在三年内，全域隐私计算将在性能和可解释性上有新的突破，并开始出现数据信托机构提供基于隐私计算的数据共享服务。在未来的五到十年，全域隐私计算将改变现有的数据流通方式，新型业务也将在全域数据的基础上诞生，提升全社会以数据为核心的生产效率。