“多云混合”為企業當前用云常態，但各類云部署模式間資源調度、協同管理、能力共享等均存在挑戰，導致“多云混合”容易呈現“多云孤島”狀態。以“東數西算”工程為代表的云基礎設施升級和以“分布式云”為代表的云基礎架構升級將有效解決上述問題。通過統一基礎架構，并借助系統化的云網邊端設施，降低云能力從中心到邊緣的“衰退”，驅動云能力的“無損”下發，實現體系化、融合化的云服務。一云多態將更好地滿足傳統行業復雜場景、邊緣場景的業務需求，加速云計算向傳統行業滲透。預計2025年，傳統行業將成為云市場主導，金融、工業、汽車等細分行將持續擴大云支出。

在數字時代，軟硬件產品“交替迭代、互為支撐”的循環上升特征廣泛適用云服務、人工智能、物聯網等數字行業。以云服務為例：云計算在平臺軟件及應用軟件領域已通過云原生理念和工具逐步實現優化，但為更好地支持數字化的深入發展，底層硬件亦需要加速變革以更好地釋放軟件能力，支持業務創新。算存網資源作為加速數字化進程的關鍵“燃料”，通過將軟件能力卸載到硬件產品（采用Chiplet等芯片架構設計、利用RDMA實現網絡加速、結合NVMe實現存儲加速等）不僅將降低硬件虛擬化損耗，還能有效減少業務進程中算存網資源調度的內耗，進而提升資源利用率，讓云資源更好的服務于核心業務。同時，底層硬件逐步完成升級替換，將進一步驅動上層大數據及人工智能平臺更好地支持業務創新。

在過去幾年，函數即服務（FaaS）成為Serverless事實上的核心產品形式，同時數據庫、大數據等基礎軟件或能力平臺也已被云廠商列入自身Serverless產品矩陣中。而隨著客戶對自動化能力的更高追求，Serverless理念進一步向容器、中間件、文件系統、人工智能、云視頻、云通信等諸多模塊滲透，與FaaS一起打包成為端到端的云軟件開發套裝，形成了“All-on-Serverless”的云產品迭代浪潮。未來，企業幾乎所有業務都可基于Serverless架構，免去客戶部署、維護和管理應用，按需觸發執行、擴縮容和付費，使客戶進一步聚焦核心業務，敏捷搭建業務模塊，無限逼近于零運維成本及零資源浪費。

依托智能算力基建化、海量數據積累與治理、深度學習算法突破等，作為一種新興的AI計算范式，超大規模智能模型（又稱預訓練大模型）的泛化性和通用性不斷提升，可應用到更廣闊的下游任務及場景中解決AI應用的長尾問題；并且能夠實現AI模型研發-部署-應用的流程標準化提升，提升AI應用研發效率。AI的認知與應用是沒有邊界的，僅靠極少量的AI科學家和AI技術企業無法推動整個物理世界和數字世界的智能化。預訓練大模型的加速應用有望解決“為AI開發效率加杠桿，倍數釋放AI生產力”這一產學研界關注的核心問題。2022年，語言大模型與產業應用的銜接也日漸緊密，行業領軍企業積極推出適合具體業務場景的行業大模型。通過提供算力、核心算子庫和軟件平臺一體服務，幫助企業將基礎模型能力與生產流程融合，與頭部客戶合作推廣落地案例。未來，與訓練大模型作為面向AI模型生產的基礎設施將加速應用；而鞏固智能算力基建、提高模型與業務場景目標適配度、基于調用成本明確投入產出的平衡點等是其規模商用的優化方向。

2022年，一幅由Midjourney生成的AI畫作《太空歌劇院》橫空出世，AI生成圖片開始在社交平臺瘋狂傳播；熱潮未退，2023年初，ChatGPT（Chat Generative Pre-trained Transformer）又使AIGC這一概念徹底出圈。AIGC是一種全新的內容生產方式，是利用現有文本、音頻文件或圖像創建新內容的技術。其使用機器學習算法，從數據中學習要素，一般基于跨模態大模型打造，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優化。得益于真實數據積累和計算成本下降，可幫助生成數字化內容初稿，產品包括AI繪畫、平面設計、對話系統、虛擬數字人、搜索引擎、代碼生成等，提高了數字化內容的豐富度、生產效率與創造性；類人的交互體驗和全民參與性則跨越式提升了C端消費側對于AI的感知，進一步拓寬了市場對AI商業價值的想象空間。未來，隨著多模態等底層模型進步和垂直模型優化，AIGC技術將進入技術產品化加速爬坡期，擴展更多的商用領域。

傳統的數據采集方式通常針對特定場景與目的，獲取數據的渠道與手段相對單一，數據采集量不充足。隨著物聯網設備的普及和互聯網應用的拓展，數據量呈現指數級別的增長，為泛化采集提供基礎。數據維度向多樣化、復雜化的轉變，同步提升了采集數據的難度與不確定性。傳統的數據采集方式已無法適配當前企業對全面、豐富的數據需求，影響了企業對數據自身價值的高效利用。結合物聯網系統、Web系統和傳統信息系統的泛化數據采集形式可以擴大采集樣本數量，擴充數據維度多樣性，有利于多領域行業及時應對實際場景應用中的未知情況。泛化數據處理難度的提升催生了數據處理、分析方式的進化，以機器學習為主的智能技術，在獲取數據進行模型訓練與優化的同時，通過發揮數據挖掘、數據可視化等功能，反哺企業更好的對采集數據進行預測與控制。泛化采集數據需兼顧采集數量與采集質量，如果能對被采集數據的用途進行前置化判斷，可大幅降低后續數據處理的工作量，實現采集與應用效率最大化。

工業數字孿生基于數據與工業機理模型的集成融合，構建虛實雙向交互的閉環優化系統，在虛擬環境中對生產過程、生產設備的控制來模擬現實環境的工業生產，其三大特征是全生命周期實時映射、綜合決策和閉環優化。未來工業數字孿生將更加注重虛實融合的應用，推動“由虛擬實-由虛映實-虛實互映-由虛控實”的孿生閉環?，F階段工業數字孿生的應用普遍聚焦在實時監測管控、虛實相映階段，尚未邁向診斷分析、預測優化階段。中短期內，加速落實“由實向虛的真實映射”，空間維度上將由部分孿生對象間的簡單關聯，向多孿生對象間的自動化、智能化的協同共進發展；時間維度上將由孿生對象關鍵生命周期單獨孿生的碎片化應用，向“生產à報廢”全生命周期孿生應用發展。中長期內，將不斷沉淀工業機理模型以推進“由虛向實的準確模擬”，構建面向物理對象精準化映射的孿生對象模型，形成綜合決策并反饋，達到診斷分析乃至預測優化的目的，推動工業全業務流程閉環優化。

十年來，以深度學習為代表的人工智能是基于數據的，高質量的數據是人工智能良好應用的前提條件。在這種情況下，數據科學家、數據分析師等不得不把大量的時間和精力用于數據的準備工作，也即常說的臟活。這種現象在因為規?；潭炔粔?，進而導致分工不徹底的小場景中尤為明顯。如此，高級人才的大量時間其實在做低級工作，ROI不高，人工智能難遍地開花。未來，這一情況將有所改善：第一，預訓練大模型已經在一定程度上減少所需的數據樣本；第二，數據治理本身也是一個發現規律的過程，人工智能已對該過程開始反哺。未來隨著模型通用性的進一步增強、交互方式的日趨簡單，這種人工智能對數據治理的反哺作用將越來越明顯，數據治理將逐漸變成人工智能為主、人工為輔。

信息化時代，應用產生數據，但一來這些數據并未打通，二來受制于當時技術條件無法進行低成本大規模的分析。這些痛點，促使了后來以數據打通為核心的中臺建設，和以數據分析為核心的數智模型構建以及BI。數據如何能更廣泛地賦能業務應用，而應用層產生的數據如何自動流入數據層并自動化地被治理，即數用一體，將關系到企業數字化建設的整體ROI，也成為接下來的重點。數用一體，強調的并非是數據和應用的緊耦合，而是指兩者應形成動態閉環。HTAP數據庫、湖倉一體、低零代碼、GraphQL、敏捷BI及基于NL2SQL的即席搜索、流程挖掘等技術將助力數用一體的不同環節，而數據安全、人工智能等，貫穿于幾乎每一個環節。未來：①業務人員通過低零代碼創建的應用，數據自動治理且落入數據層。②數據分析會更少以獨立的形式存在，而是嵌入到應用中，并直接賦能一線業務人員。

自從2020年我國提出“雙碳”目標，綠色低碳逐漸從理念走向政策、制度和市場，綠色化和數字化協同發展成為重要舉措和重要趨勢。從宏觀政策環境來看，國家部委多部門引導數字化綠色化協同發展落向實處；從資本市場來看，交易所、監管機構日益重視企業綠色低碳責任，大規模碳中和基金也開始頻出；從市場需求來看，政府綠色采購進一步夯實，不同行業綠色供應鏈建設從概念走向實踐。對于數字產業和數字廠商而言，綠色低碳發展有望推動行業升級發展，一方面是綠色低碳驅動以數據中心為核心的數字技術產品升級，另一方面綠色低碳有望帶來新的數字化業務機會。

知前沿，問智研。智研咨詢是中國一流產業咨詢機構，十數年持續深耕產業研究領域，提供深度產業研究報告、商業計劃書、可行性研究報告及定制服務等一站式產業咨詢服務。專業的角度、品質化的服務、敏銳的市場洞察力，專注于提供完善的產業解決方案，為您的投資決策賦能。

轉自上海艾瑞市場咨詢股份有限公司 研究員：——