达摩院十大科技趋势发布：2020 非同小可！( 四 )_CSDN编者按1月2日

除了基础科研方面的突破，物联网、AI、云计算等新兴技术发展新动向，也同样值得关注，具体如下： 1．物联网+工业的迎来爆发随着5G的落地、IoT设备数量的爆发、边缘计算概念的提出，使得工业生产的各个要素，得以深度整合。这将促进制造效率提高、产品质量改善、产品成本和资源消耗的降低，并将传统工业提升到智能工业的新阶段。从当前技术发展和应用前景来看，物联网在工业领域的供应链管理、生产过程工艺优化、产品设备监控管理、环保监测及能源管理、工业安全生产管理等方面，都发挥了巨大作用，其帮助人类实现了工控系统、通信系统和信息化系统的智能化融合。通过物联网+方案，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。所以，物联网+工业，必将在2020年迎来爆发。 2．AI+物联网，使机器间大规模协作成为可能传统单体智能，无法满足协调大规模智能设备共同完成实时感知和决策等工作。但随着物联网协同感知技术、5G高速通信技术的发展，多智能体之间的协同合作，将会成为可能。多智能体协同，将使物联网进一步智能化，并进一步强化智能系统的价值。比如，大规模智能交通灯调度，将实现动态实时调整；仓储机器人协作，将完成货物分拣的高效协作；无人驾驶车可以感知全局路况；群体无人机协同，将高效打通最后一公里配送，超大规模的智能终端合作成为可能。 3.计算存储一体化，突破AI算力瓶颈目前，深度学习需要采用规模非常庞大的网络、存储很多参数以及完成大量计算。同时，在这些计算过程中，会生成大量数据。为完成这些计算，芯片设计中，会增加很多运算单元，如几千到几万个运算单元。随着运算单元数目的增加，每个运算单元能够使用的存储器的带宽和大小都在减小。因此，存储器会成为计算瓶颈。由于深度学习并不属于通用计算的范畴，冯·诺伊曼（John von Neuman）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，这样能显著减少数据搬运，提高计算并行度和能效。而计算存储一体化，在硬件架构方面的革新，也将突破AI算力瓶颈。 4．云服务下沉，成为新十年的基础设施笔者在《神龙飞天，国士王坚》中，曾经介绍过在阿里神龙服务器和飞天操作系统的加持下，阿里、乃至整个云服务中的虚拟化层，所带来的损耗，正在被不断降低。云服务凭借其标准化、弹性化的优势，使得用户只需专注应用开发，无需关注基础设施及基础服务。而且，通过云原生的资源交付方式，计算效率、易用性、用户的计算和运维成本都会得到优化。可以说，云服务变得像电力和自来水一样无处不在，它还会成为数字经济时代基础设施。