第2章 世界网络信息技术发展状况
2.1 概述
2018年，世界网络信息技术继续保持高速发展，技术创新和突破加速涌现，经济和社会各领域迎来新一轮的技术升级。信息化发展正从数字化、网络化向智能化的方向前进，网络信息技术与实体经济进一步融合。综合来看，当前世界网络信息技术发展呈现以下特点：
（1）网络信息技术酝酿着一次革命性升级。网络信息技术发展至今，部分细分领域已经接近其理论或物理极限。随着人工智能、量子计算等技术的崛起，这些技术与其他网络信息技术加速融合，为网络信息技术的升级提供了条件，推动网络信息技术向更深层次、更细领域、更广范围发展。
（2）世界各国政府高度重视网络信息技术革新。各国政府相继制定、出台或完善国家战略规划，将网络信息技术作为拉动国家经济发展的重要抓手，力图在新一轮的全球竞争格局中保持或形成发展优势，甚至实现“弯道超车”。在国家科技竞争中，企业尤其是大型互联网企业成为重要的创新主体。
（3）人工智能、区块链、量子计算等成为创新热点，带动着网络信息技术全产业链的革新，各项技术深度融合成为发展方向。2018年，以人工智能、区块链、量子计算为代表的网络信息技术表现活跃、亮点纷呈，新技术新应用新业态不断涌现，社会经济多个领域的生产效率和福利水平得以提升。
（4）网络信息技术创新的全球分工协作成为发展趋势。随着世界各国经贸关系深入发展，技术创新的跨国合作和技术产权跨国流动日益普遍。各国技术发展形成不同的比较优势，全球分工协作给各国发展带来的效益提升高于需承担的成本。2018年，各国网络信息技术创新的协同效应继续突显，正向溢出效应更加明显。
2.2 网络基础信息技术持续创新发展
2.2.1 先进计算技术不断突破算力极限
1.云计算支撑人工智能和大数据的发展
2018年，先进计算领域的一个显著变化是人工智能、大数据和云计算的发展日益紧密联系，正在出现“三位一体”式的深度融合，构成“ABC金三角”。这三者既相互独立，又相辅相成，相互促进，并逐步融合形成不同的基于大数据处理的人工智能技术及应用的体系。大数据的发展与应用，离不开云计算强有力的支持；云计算的发展和大数据的积累，是人工智能快速发展的基础和实现实质性突破的关键；大数据和人工智能的进步也将拓展云计算应用的深度和广度。
随着Docker、Kubernetes等容器技术的发展，以及微服务等技术概念的形成，大数据与人工智能基础平台开始基于容器云构建底层资源管理与调度平台。容器云将集群中的各类硬件资源进行封装、管理及调度，先将封装的资源作为容器承载大数据的相关组件进程，再将这些容器进行编排，组成一个一个的大数据和人工智能的基础服务，如分布式文件系统HDFS、NoSQL数据库Hbase、分布式分析型数据库Inceptor、分布式流处理平台Slipstream、分布式机器学习组件Sophon等。
2.高性能计算国际竞争加剧
2018年，美国“珊瑚（CORAL）”计划取得明显进展，该计划由美国能源部投资5.25亿美元，已建成3台下一代超级计算机——山脊（Sierra）系统、山峰（Summit）系统和黎明（Aurora）系统。2018年6月，国际超级计算机组织公布了新一期全球超级计算机500强榜单（见表2-1）[1]。其中，“山峰”名列第一，浮点运算速度为每秒12.23亿亿次，峰值接近每秒18.77亿亿次。第二名是中国超算“神威·太湖之光”，浮点运算仍维持在每秒9.3亿亿次。第三至五名分别是美国超算“山脊”、中国超算“天河二号”、日本超算“人工智能桥接云基础设施”。中国上榜超算数量继续增加，从2017年11月的202台增至206台，美国则从144台降至124台。
目前，各国纷纷布局百亿亿次超算计划。其中包括美国能源部的“Fast Forward 2”计划、德国的百亿亿次级创新中心（EIC）计划、西班牙“EU Mont-Blanc计划”、法国“SEQUANA”计划及欧盟“地平线2020”（Horizon 2020）计划。日本则由文部省牵头，富士通公司、理化学研究所等参与开展百亿亿级超级计算机研究计划。2018年8月22日，富士通公司发布了将搭载到日本下一代国产超级计算机上的新型CPU。
2018年6月全球超级计算机10强榜单见表2-1。
表2-1 2018年6月全球超级计算机10强榜单
3.神经形态计算突破现有计算架构
神经形态计算极大地提升计算系统的感知与自主学习能力，有望颠覆现有的数字技术。近年来美国、欧盟等国家和地区对神经形态计算投入大量研发资源。美国国防部、国家科学基金会、空军研究实验室等投入上亿美元支持相关研发。其中，美国国防部支持的 SyNAPSE 项目旨在开发形式、功能和架构与哺乳动物大脑类似的认知计算机，以及制造智能水平能与老鼠或猫相媲美的机器人。欧盟开展了多项神经形态计算研发项目，相关研发经费超过2亿欧元。其中，欧盟人脑计划将神经形态计算作为一项关键内容，不仅从神经形态计算、认知架构、神经信息学、大脑仿真、神经机器人研究5个方面开展研究，还将构建研发平台。根据Gartner在2018年发布的最新技术成熟度曲线显示，神经形态硬件（Neuromorphic Hardware）技术发展正处于上升期，相关产业有望在10年后进入成熟期。
2.2.2 集成电路技术快速更新
1.计算芯片
计算芯片包括通用芯片和专用芯片。通用芯片主要包括中央处理器（CPU）、图形处理器（GPU）、数字信号处理器（DSP）等；专用芯片是根据产品需求不同而定制化的特殊规格芯片，如现场可编辑门阵列（FPGA）、专用集成电路（ASIC）等。
在CPU方面，英特尔已经发布了i5、i7系列处理器。2018年，英特尔发布的i9-9900K处理器采用8核16线程，基准频率为3.6GHz，睿频加速最高可达5GHz，内置16MB三级缓存，支撑双通道内存、16条PCI-E3.0通道，采用14nm++工艺制程。随着云计算、大数据等新兴应用领域的发展，对高性能服务器的需求逐渐增加，带动服务器CPU市场的快速发展。2017年，全球CPU市场规模达482.9亿美元，同比增长6.3%[2]。在通用CPU市场，英特尔和AMD两家公司的X86处理器占96%的市场份额。其中，英特尔凭借Wintel联盟形成的生态系统优势，在PC（个人计算机）和服务器领域排名第一。AMD公司紧跟英特尔，在服务器领域也占一定的市场份额。
在GPU方面，英伟达面向图形显卡、高性能计算、无人机等领域推出了多款芯片。英伟达在显卡方面推出最新的图灵架构 Quadro RTX 系列GPU，采用12nm工艺制程，云服务器平台HGX-2将人工智能和高性能计算结合，针对机器人和无人机开发Jetson Xavier芯片。GPU应用领域已不限于传统的图形加速功能，在虚拟现实、并行计算、深度学习、自动驾驶等方面被大范围应用。2017年，全球GPU市场规模达68.9亿美元，同比大幅增长41%[3]。其中，英伟达占全球77%的市场份额。
在 DSP 方面，技术水平发展历程大致可以划分为4个阶段：单核/单运算部件时代、多运算部件阶段、同构多核阶段和异构多核阶段。在强调结构灵活、通用性及处理复杂算法的需求下，往往将DSP和FPGA联合起来，采用DSP+FPGA结构或将DSP模块嵌入的FPGA芯片中将是未来设计的趋势。2017年，全球DSP芯片市场规模为14.2亿美元，同比增长12%[4]。目前，全球主要有德州仪器、ADI、恩智浦等公司提供DSP芯片，占全球85%的市场份额。
2.存储芯片
按照信息可保存性，存储芯片可分为易失性存储器和非易失性存储器。易失性存储器的特点是带电保持，掉电时数据丢失，这种存储器分为动态随机存储器（DRAM）和静态随机存储器（SRAM）。非易失性存储器具有在掉电情况下保持数据的能力，包括ROM、EPROM、EEPROM、闪存（NAND/NOR Flash）、新型非易失存储器等。DRAM与NAND Flash作为存储芯片产业的主要构成部分，市场规模占整个存储器产业的97%。目前，全球主要有三星、海力士、美光、东芝、西部数据等企业提供存储芯片，占全球92%的市场份额。
智能手机的持续稳定发展和物联网、云计算、大数据的高速发展，使得移动内存和服务器内存的比重不断提高。DRAM 已经有了 DDR 5产品，其密度和带宽是DDR 4的2倍。2018年7月，三星宣布成功开发出业内首款LPDDR 5-6400内存芯片。基于10nm级（10～20nm）工艺，该LPDDR 5内存芯片单颗容量8Gb（1GB）,8GB容量的模组原型完成功能验证，适用于5G和人工智能驱动的移动应用。
计算机闪存设备（NAND）工艺技术出现三大发展趋势。一是NAND颗粒的存储单元从SLC（Singel-Level Cell）向QLC（Quad-Level Cell）演进。三星、东芝、西部数据、英特尔等厂商纷纷发布基于QLC架构的快闪存储器或基于QLC NAND的SSD（Solid State Disk：固态硬盘）产品，满足市场对存储容量日益激增的需求。二是2D NAND制程尺寸继续缩小。NAND工艺已经迈入1z nm阶段，三星、东芝、海力士等企业的16nm工艺制程均已全面量产，并相继转入1z nm制程。三是向三维结构发展的趋势。3D NAND技术快速发展，各大厂商纷纷布局3D技术，相关的封装技术也配套发展。目前主流的量产产品为64层3D NAND，预计96层3D NAND将于2019年实现量产。
专栏1：新兴存储器的发展
随着大数据时代的到来，数据的快速增长和以数据为中心的发展趋势，对内存的速度、容量、功耗和可靠性提出了极高的要求。现有的存储器工艺尺寸已经接近极限，电子的微观特性越来越明显，加上器件本身的物理特性产生的功耗和发热等制约因素，传统的存储器结构在系统稳定性、数据可靠性等问题上面临困境，出现了运用新材料、新结构的新兴存储器技术。具有代表性的新兴存储器的有相变存储器（PRAM）、阻变存储器（RRAM）、磁阻存储器（MRAM）、铁电存储器（FeRAM）、自旋转移矩磁存储器（STT-RAM）等。2015年，英特尔和美光联合推出了采用PRAM的3D XPoint技术，既可以作为DRAM内存使用，也可替代NAND，而且成本介于两者之间，具有10倍于DRAM的容量、1000倍于NAND的性能和寿命，在业界引起巨大轰动。2018年7月，英特尔与美光针对双方在3D Xpoint上的合作做出了联合声明，双方将继续合作推进第二代3D Xpoint存储技术的研发，预计于2019年上半年完成。
3.通信芯片
通信芯片主要包括基带芯片、射频芯片等。目前，通信芯片在计算架构、网络连接架构、控制系统架构的软/硬件设计等方面开始出现新技术。新型器件原理、第三代半导体材料及新工艺制程的应用愈加广泛，芯片的兼容能力、传输速度、低功耗性能都将有大幅提升。
在基带芯片方面，多模多频基带芯片已成为主流技术产品。随着支持LTE技术的芯片的快速发展，不仅需要使这类芯片支持LTE模式，还需要向下兼容多种模式，让用户能够在各种网络制式之间无缝切换。同时，还需要能够支持不同的频段，满足用户的国际漫游需求。多模基带的模式自动切换使得设计难度大大增加，需要将多种模式的协议栈紧密糅合，实现各自物理层之间的数据通信。目前，高通做到了单芯片支持全模，其他大部分的基带都是采用两颗甚至多颗芯片的组合，将基带和应用处理器集成为一个SoC（System-on-a-Chip）的方案成为重要趋势。
在射频芯片方面，技术趋势主要包括三个方向。一是化合物半导体将在射频器件中得到广泛应用。基站中主要采用的 LDMOS（Laterally Diffused Metal Oxide Semicondutor：横向扩散金属氧化物半导体）功率放大器带宽会随着频率的增加而大幅减少，适用于低于3.5GHz 的频率范围。GaN（氮化镓）功率放大器将成为5G时代基站超高频通信领域的首选，已经能处理50GHz及以上的毫米波频率，同时在较高的频率下也能支持很高的带宽。手机射频主要采用GaAs（砷化镓）功率放大器，成为5G 时代高频、高功率的首选。二是 BAW（声表面波）滤波器将逐渐取代SAW（体声波）滤波器。在频率高于1.5GHz时，BAW滤波器开始具有性能优势。三是射频芯片集成化发展。为满足移动智能终端小型化、轻薄化的发展要求，功率放大器（PA）、低噪声放大器（LNA）、开关、双工器等将集成在一起。2018年7月，高通发布全球首款面向智能手机和其他移动终端的全集成5G新空口毫米波及6GHz以下射频模组系列——QTM 052毫米波天线模组系列和QPM 56xx 6GHz以下射频模组系列，可与高通骁龙 X50 5G 调制解调器配合，共同提供从调制解调器到天线且跨频段的多项功能，支持紧凑封装尺寸以便移动终端集成。
4.芯片工艺
目前，全球最先进的量产工艺已经推进到了7nm级，5nm级工艺产业化已取得重大突破，并有望继续推进至3nm级工艺。先进工艺主要采用鳍式场效应晶体管（FinFET）结构。由于研发费用和资本支出急剧上升，部分先进工艺制造企业相继退出竞争，后续竞争者将主要围绕台积电、三星、英特尔三家企业展开。英特尔公司预计在2018年以后量产10nm产品，2020年以后推出7nm产品。台积电和三星都宣布采用深紫外（EUV）光刻技术，预计2018年下半年量产7nm级产品，台积电在2018年已经投资新建5nm工艺生产线，2020年将启动建设生产3nm级产品的工厂。
2.2.3 软件技术呈现云化趋势
1.操作系统
当前，云计算操作系统成为发展的新方向，呈现出“以硬件驱动为核心，以厂商自定义操作系统为基础，以多种运行场景适配为发展方向”的特点。谷歌提出以Kubernetes为基础的集群调度分布式系统，提供全局视角的作业、主机管理，该系统已成为谷歌、阿里、腾讯等国内外一线互联网公司的主流解决方案。亚马逊提出Amazon Linux 2，能在亚马逊云服务（AWS）内部主机之外，提供AWS的各类云服务。微软Azure Stack 发力研发混合云解决方案，与硬件厂商合作推出的集成式系统在2018年上半年正式商用。奈飞（Netflix）将所有的技术栈开源，通过conductor 构建自己复杂的微服务治理平台，通过 spinnaker 来兼容适配Kubernetes等服务。
桌面和移动操作系统技术较为成熟，市场份额相对集中。StatCounter发布的数据显示，2018年9月，微软的Windows和苹果的Mac OS X分别占全球桌面操作系统市场份额的81.97%和13.32%。谷歌的安卓和苹果的iOS分别占移动操作系统市场份额的76.83%和20.46%。
2.云存储
谷歌提出了云环境SQL代理Cloud-SQL Proxy和云环境MySQL扩容工具Vitess，能够为MySQL等主流开源数据库提供安全控制、分库分表、集群优化等改造能力，以适配云环境多租户隔离、数据可靠存储的问题，已在电商、金融等领域业务系统的云化过程中大规模使用。亚马逊在以对象存储（S3）为基础的存储服务上继续深入，逐渐扩大了ElasticCache的使用区域，以Redis为基础能够提供亚毫秒级延迟来支持Internet范围内的实时应用程序，兼容RedisAPI，支持游戏、金融服务等速度要求最严苛的应用程序。
3.软件定义网络
软件定义网络（SDN）是对于硬件连接的一体化基础设施，本质是通过虚拟化及应用编程接口“暴露”硬件的可操控部分，以实现硬件的按需管理。脸谱、谷歌、微软、雅虎等公司都在各自的数据中心中使用OpenFlow协议，联合成立了开放网络基金会（ONF）来推动软件定义网络和 OpenFlow 技术及标准，促进产品、服务、应用、客户和用户市场的发展。思科、IBM、微软公司联合推出了开源软件定义网络项目OpenDaylight。欧洲电信标准化协会从网络运营商的角度，提出了网络功能虚拟化（NFV）架构。亚马逊主要的SDN产品是虚拟私有云（VPC）和AWS Direct Connect，分别用于解决AWS云内部的逻辑隔离和外部通往AWS的专用网络连接问题。
专栏2：谷歌软件定义网络Google SDN
谷歌在2017年4月提出了基于OpenFlow协议的软件定义网络Google SDN，它由Espresso、Jupiter、B4和Andromeda 4个部分组成。Espresso 主要负责与互联网服务提供商的对等连接；Jupiter负责处理单个数据中心内的流量；B4侧重于数据中心之间的连接；Andromeda则负责网络功能的可视化，提供监控和管理功能。Google SDN在公司内部进行了严格的测试运营，Espresso已经担负公司内部20%的日常流量和全部的新增流量，是目前最成熟的SDN解决方案。
2.3 前沿热点技术发展亮点纷呈
2.3.1 人工智能技术快速发展和应用
1.人工智能算法不断创新
目前，前沿的人工智能算法理论主要有对抗性神经网络（GAN）、胶囊网络、迁移学习等。对抗性神经网络于2014年由伊恩·古德费洛（Ian Goodfellow）等人提出，通过人工智能系统对抗训练，创造近似真实的原创图像、声音和文本数据。胶囊网络于2017年由Geoffrey E.Hinton提出，能同时处理多个不同目标的多种空间变换，所需训练数据量小，能克服卷积神经网络（CNN）难以识别位置和空间关系等缺点。迁移学习是将学习过的模型应用于新领域的技术，可以有效降低深度学习所需的数据量和训练时间。
2.深度学习开源软件平台不断涌现
多数互联网巨头均开源深度学习软件平台，意在打造智能时代的标准体系和产业生态。从整体上来看，已开源的软件平台在模型库建设等方面具有共性，同时又各具特色。目前主流的深度学习开源平台主要有谷歌的 TensorFlow、亚马逊的 MXNet、脸谱的 Caffe/2+PyTorch 和百度的PaddlePaddle等。其中，TensorFlow是当前世界上使用最多、最活跃的深度学习开源软件框架，由谷歌公司开发，以功能全面、兼容性广泛和生态完备著称。此外，还有其他开源的终端侧软件框架，如Caffe2go、TensorFlow Lite、苹果的Core ML、Paddle-mobile、英特尔的TensorRT、腾讯的NCNN等。
3.深度神经网络模型编译器
深度神经网络模型编译器在传统编译器功能的基础上，通过扩充面向深度学习网络模型计算的专属功能，解决可移植性和适应性问题[5]。当前业界主流编译器包括英伟达CUDA编译器、英特尔nGraph和华盛顿大学NNVM 编译器，均通过整合 LLVM 架构完成与芯片的适配。在工程实践中，中间表示层是编译器用来表示源码的数据结构或代码，三大主流深度学习网络模型编译器均是通过在中间表示层，增加专门用于优化的中间件来实现功能演进的。用于扩充性能的中间表示层是连通深度学习计算中多种不同前端训练软件框架和多种不同后端表达的桥梁。当前，深度学习网络模型编译器的中间表示层主要分为NNVM/TVM 和TensorFlow XLA 两大阵营。
4.人工智能芯片技术快速进步
目前主流的人工智能芯片分为三大技术阵营，分别为基于 GPU、FPGA和ASIC专用芯片。GPU代表性企业有英伟达，它以GPU为核心研发深度学习计算单元Tesla P100，推出基于Pascal架构的深度学习芯片Tesla P4和Tesla P40。FPGA的代表性企业是赛灵思和阿尔拉特，赛灵思的FPGA硬件设备可以部署高效率神经网络、算法及应用，并且提供多种开发堆栈及硬件平台。ASIC 是一种为专门目的而设计的集成电路，它在计算速度和功耗上大大优于 GPU 和 FPGA，代表性企业主要是谷歌和寒武纪。
5.基础应用技术落地进程加快
1）语音识别技术
语音识别技术主要有智能音箱和智能语音助手两个应用方向。在智能音箱方面，最具代表性的是亚马逊发布的智能音箱Echo系列和谷歌发布的智能音箱Google Home系列。根据Strategy Analytics发布的数据，亚马逊是全球智能音箱领域的霸主，它的两款产品Echo Dot和Echo占2018年第2季度智能音箱销量的30%，谷歌Home Mini智能音箱占20%的销量。智能语音助手嵌入多种智能终端，显著提升了用户体验。如苹果手机整合 Siri，微软小娜入驻各种社交网络。另外，语音识别技术还嵌入多种产品、服务或APP中。
2）视觉识别技术
视觉识别技术主要有三大热点应用方向。一是人脸识别技术发展成熟，已被广泛应用于安防、教育、交通、医疗、金融等领域，如2017年9月苹果公司发布的iPhone X第一次将3D人脸识别引入公众视线。二是视频结构化崭露头角，如2018年4月商汤科技发布可自动剪辑足球进球瞬间的SenseVideo-A平台。三是通过对图像中人体进行检测、识别和跟踪，大幅度提升自然形态识别能力，在计算机游戏、机器人控制等方面具有广阔的应用前景。
3）自然语言处理技术
自然语言处理技术主要应用于机器翻译、个性化推荐、问答系统、信息检索和过滤、信息抽取等领域。其中，机器翻译是最热门的应用方向，微软、谷歌、百度等通过使用自然语言处理技术，显著提升了翻译的质量与语种范围。截至2018年10月，谷歌翻译已支持全球103种语言。此外，个性化推荐、信息检索和过滤、智能问答系统等被广泛应用于各大电商平台和新闻客户端，如亚马逊、天猫商城、京东商城等。2018年10月，谷歌发布了BERT（Bidirectional Encoder Representations from Transformers）模型，在机器阅读理解顶级水平测试SQuAD 1.1中表现出色，在测量指标上全面超越人类，并且还在11种主要测试中创下最佳成绩。
专栏3：部分国家人工智能发展情况
1.美国
美国是世界上人工智能领域基础研究实力最强、人才储备最雄厚、相关企业数量最多、产业布局最完善的国家，拥有谷歌、脸谱、微软、英特尔、亚马逊、苹果、IBM、英伟达、波斯顿动力等大批互联网巨头和人工智能企业，同时拥有斯坦福大学、加州大学伯克利分校、卡内基梅隆大学、哈佛大学、普林斯顿大学等高校，产业布局和研究方向涵盖机器学习、基础算法理论、深度学习框架平台、芯片、操作系统、自动驾驶、医疗影像、机器人、人脸识别等人工智能基础和应用领域。中国信息通信研究院最新数据显示，截至2018年上半年，美国人工智能企业数量达到2 039家，拥有各类人工智能人才2.85万人，占世界总量的14%，均位列世界第一。特朗普政府对于人工智能的重视逐步显现，2018年5月10日，白宫召集包括谷歌、亚马逊、英特尔等40多家企业在内的高管召开了人工智能峰会，会议决定成立人工智能委员会，负责统筹协调“政、产、学、研”之间的关系，以及提出相关发展建议。美国军方也高度重视通用人工智能的研发和应用，计划在未来5年内投入17亿美元，建立新的人工智能联合中心。
2.英国
英国在人工智能领域的技术积淀深厚，拥有牛津大学、剑桥大学、帝国理工学院、伦敦大学为代表的高校，以及以阿兰·图灵研究所为代表的智库和研究机构，其创新成果不断在全球范围内推广应用。英国人工智能研发生态优越，企业创新活力十足，存在大量的科技孵化机构，有助于人工智能初创企业的发展。如DeepMind原是来自伦敦大学的初创企业，最后被谷歌收购。英国拥有欧洲最多的人工智能企业：中国信息通信研究院最新数据显示，2018年上半年，英国的人工智能企业数量为392家。英国也是欧洲人工智能领域投/融资数额最多的国家：2013—2018年第一季度，英国的投/融资笔数占据世界总量的6.2%，位列欧洲第一。英国政府高度重视人工智能给经济和社会发展带来的巨大影响，2018年4月16日，英国议会下属的人工智能特别委员会发布的报告《英国人工智能发展的计划、能力与志向》指出，英国在发展人工智能方面有能力成为世界领导者。
3.德国
德国依托其“工业4.0”战略在人工智能领域取得一定成就。在全球人工智能论文产出最多的10家科研机构中，德国占了3家。德国还设立了目前世界上最大的非营利人工智能研究机构——德国人工智能研究中心，研究内容覆盖人工智能的主要产业方向。德国政府对人工智能高度重视，根据德国发布的《联邦政府人工智能战略要点》，将会出台国家战略，希望德国将人工智能研发和应用水平提高到全球领先水平。
4.日本
日本政府和产业界逐渐意识到人工智能对于解决老龄化等社会经济发展问题的重要性，借助机器人领域和制造业发展优势开始在人工智能领域发力。2016年，日本政府设立了“人工智能技术战略委员会”，确定以人工智能为核心，融合大数据、物联网和网络安全领域的研究项目，并且为研究人员提供支持。同年，日本经济产业省将2017年定为日本的“人工智能元年”。日本产业界也加大对人工智能的投入力度，如软银公司斥资234亿英镑收购了英国ARM芯片公司，丰田、本田等大型车企开始在自动驾驶领域布局。
5.印度
印度作为人工智能领域的后起之秀，拥有成为人工智能大国不可或缺的优势，如庞大的科技队伍、成熟的创业环境及逐步壮大的互联网市场。有关数据显示，目前印度有800多家公司已经或正在部署人工智能。印度政府也逐渐重视人工智能的发展，政府在2019年财政预算中提高对人工智能的投入，并且决定在人工智能、数字制造、区块链和机器学习等技术的研究、培训和技能开发方面投入巨资，同时成立了特殊委员会，研究人工智能在各个领域应用的可能性，以及广泛应用人工智能后可能产生的问题。
2.3.2 区块链技术取得积极进展
区块链技术主要经历两个阶段，第一阶段是以比特币（BTC）、莱特币（LTC）等为代表的作为支付货币的区块链技术，第二阶段是以太坊（ETH）和柚子（EOS）等为代表的具备图灵完备性的智能合约功能的区块链技术。目前，区块链技术主要包括矿机、存储、监管等部分。矿机为区块链提供、整合底层算力及硬件支持，分为有显卡矿机和 ASIC 矿机两类。2018年8月，中国嘉楠耘智公司推出了全球首款7nm级芯片的比特币矿机，成为全球半导体行业最高量产工艺等级。区块链为数据存储问题提供了去中心化的解决方案，提供端对端加密存储方式，将信息高度分散，并且充分利用闲置硬件存储资源，具有安全可靠、隐私保护、降低成本等优势。目前，去中心化存储项目主要包括IPFS、Storj、Siacoin等。监管技术是确保区块链技术不被用于犯罪活动，保护资金安全和国家安全的重要手段，也是区块链技术能够得到广泛应用的前提条件。英国政府率先提出“监管沙盒”[6]（Regulatory Sandbox）概念，澳大利亚、新加坡和中国等国家和地区也开始探索或尝试。当前区块链技术主要应用在数字货币、保险证券等金融领域，并逐步向医疗健康、物流等诸多领域扩展。
2.3.3 量子信息技术引领产研热潮
1.量子通信
量子通信利用量子力学原理将信息编码在量子态上进行传输，包括量子隐形传态、量子密钥分发及量子密集编码等。量子隐形传态用于量子网络节点之间传送未知量子态，超长距离节点之间量子纠缠的建立是完成量子隐形传态的核心。量子密钥分发的核心思想在于利用非正交量子态的不可区分性（等价于不可克隆原理），在保密通信的节点之间分发随机密钥。2018年8月，中国的潘建伟团队借助“墨子号”卫星成功地进行星地诱骗态量子密钥分发并将量子密钥分发距离提升到1 200千米。量子密集编码可以看做量子隐形传态的逆过程，它以传输一个量子比特的代价在节点之间传送两个经典比特的信息，可以指数式提高信道容量。2018年7月，中国的郭光灿团队首次利用四维纠缠态实现量子密集编码，达到2.09的信道容量，达到了当前国际最高水平。大规模实现量子通信网络还需要在节点、信道、中继器、存储器等方面寻求技术突破。2018年5月，德国的Matthias Bock团队成功地以光频率转换作为量子中继，在单原子和光子间建立量子纠缠。
2.量子计算
量子计算旨在对存储在量子比特中的信息，进行操作并通过测量读取计算结果。量子态的叠加、纠缠等特性作为一种新的资源在合适的量子算法下，可被用于对某些特定问题求解的加速，从而在一定程度上实现“量子霸权”（量子计算机对经典计算机在计算能力上的压倒性优势）。从应用场景上分类，量子计算设备可以分为通用型量子计算机及功能化的量子模拟器。通用型量子计算机的建造要求大规模可扩展（能相互纠缠且相干时间长）的量子比特、高保真度的量子门等。在量子编程语言方面，2017年11月，微软发布了作为量子开发工具箱一部分的Q#编程语言，在科研工作者中反映良好。
量子计算机可以分为非拓扑量子计算机和拓扑量子计算机。目前绝大部分公司、高校及科研院所在研的量子计算机都基于非拓扑体系，包括超导、离子阱、半导体量子点等。其中，以超导体系技术最为成熟，如英特尔在2018年1月交付的49比特量子芯片“Tangle Lake”、谷歌在2018年3月发布的72比特量子处理器“Bristlecone”等都是基于超导体系的。然而，非拓扑量子计算机性能会受到量子比特退相干及环境的干扰，存在一定局限性。拓扑量子计算机则利用拓扑态的分数激发模式编码拓扑量子比特，天然具有抗局域噪声和相干性时间超长的优势，微软是研制此类量子计算机的典型代表。
专栏4：欧美等国制订量子信息技术发展计划
物理学的各个分支大多孕育着推动技术变革、时代进步的巨大能量：热力学的发展使人类进入了蒸汽轮机的时代，电磁学的成熟打开了电气化的大门，半导体学则催生了当今丰富多彩的信息化生活。以现今的技术条件看，量子力学并不例外。正因如此，近些年各国政府在量子信息技术领域不断加大投入，争取抓住这一潜在的技术革命机遇。
2016年9月，欧盟提出量子技术旗舰计划，计划在未来10年投入10亿欧元。欧盟量子计划包括支持更容易市场化的系统，如量子通信网络、超灵敏的照相机、能帮助设计新材料的量子模拟器等。同时，它也关注长期项目，如通用量子计算机以及手机用高精度传感器等。2016年12月，英国政府科学办公室发布了《量子技术：时代机会》报告，认为人类正处于第二次量子革命的前夜，并选定了原子钟、量子成像、量子传感器和测量、量子计算和模拟以及量子通信作为五大重点研发领域。之后，匈牙利、奥地利和德国也纷纷宣布了各自的国家量子技术计划。
2018年6月27日，美国众议院通过了“国家量子计划法案”。该法案在未来4年将投资11亿美元，内容包括制订10年期的“国家量子行动计划”，在白宫科技政策办公室设立国家量子协调办公室，授权美国能源部、美国国家标准与技术研究院和美国国家科学基金会，在2019—2023年投入12.75亿元，作为量子信息科学研究资金。2018年9月24日，白宫科技政策办公室组织量子峰会讨论下一代技术战略问题，美国国防部、国家安全局、白宫国家安全委员会、美国国家航空航天局和联邦能源部、农业部、国土安全部、国务院和内政部等部门，以及霍尼韦尔国际公司、洛克希德-马丁、高盛集团、AT&T、英特尔、诺斯罗普格鲁曼等多家大公司均有代表参加。
3.量子传感
量子传感是利用量子力学特性对被测的物理量进行变换并输出结果的测量手段。相比于经典传感，量子传感具有非破坏性、实时性、灵敏性、稳定性和多功能性等优点。近年的代表性成果包括美国加州圣芭芭拉分校在2016年基于NV色芯实现的纳米级高精度成像、中国郭光灿团队在2018年8月实现的海森堡极限精度的单光子克尔效应测量等。基于量子传感技术，可以实现对光、磁场、重力和角速度等诸多物理量进行高精度传感测量。这一技术在科学研究、国防与经济建设等众多领域都具有广泛的应用前景，如原子钟可用于精确授时，原子干涉仪可用于惯性制导，也可改装成重力仪用于地球系统的检测及矿物质的精确定位等。
2.3.4 物联感知技术保持平稳发展
1.近距离无线通信技术
目前，近距离无线通信技术主要包括Wi-Fi HaLow和Z-Wave两种模式。其中，Wi-Fi HaLow是基于IEEE 802.11ah标准的低功耗Wi-Fi技术，可同时运作于2.4GHz、5GHz及900MHz频段，能将现今的802.11ac Wi-Fi的信号覆盖范围扩大一倍。目前，各国正在积极建设WiFi Halow网络。Z-Wave 是由丹麦公司 Zensys 所主导的基于射频的、低成本、低功耗、高可靠、适于网络的短距离无线通信技术。工作频带为908.42MHz和868.42MHz信号的有效覆盖范围在室内是30m，室外可超过100m，适用于窄带宽场合。
2.物联网操作系统
当前，全球主流物联网操作系统包括 FreeRTOS、Mbed OS、Ostro Linux等。其中，FreeRTOS是采用Linux开源方式的轻量级操作系统，提供的功能包括任务管理、时间管理、信号量、消息队列、内存管理、记录功能等，可基本满足较小系统的需要。Mbed OS是ARM公司设计的开源操作系统平台，提供C/C++SDK，支持所有基于Cortex M系列的控制器。Ostro Linux是英特尔打造的基于Yocto Project的操作系统，支持众多的无线技术，提供了一种传感器框架。该操作系统注重物联网安全，提供操作系统、设备、应用程序和数据等层面的保护。
3.边缘计算
边缘计算是在终端或数据源处理数据，通过在边缘侧发起计算，以产生更快的网络服务响应。亚马逊推出AWS Greengrass，提供边缘计算+IoT云平台能力。微软发布Azure IoT Edge解决方案，该方案“将云分析扩展到边缘设备”，支持离线使用。谷歌也宣布了两款新产品，分别是硬件芯片Edge TPU和软件堆栈Cloud IoT Edge，以帮助改善边缘联网设备的开发。许多大型企业也在布局边缘计算，包括思科、通用电气、英特尔、戴尔、IBM等。
4.物联网云平台
目前，国外全球知名的物联网云平台主要有PTC的Thingworx、IBM的Watson、通用电气的Predix、亚马逊的AWS IoT等。其中，PTC的ThingWorx是较早成形的AEP平台，是物联网云平台的领导者，主要提供基础的设备接入、设备管理、数据管理等物联网基础功能，以及提供可视化的、拖拽、mushup等方式以快速开发应用功能。物联网云平台融合了多种多样的物联和工业控制协议，方便连接各种设备。
2.4 网络信息技术与传统领域深度融合发展
2.4.1 智能制造技术应用步伐加快
1.软件定义制造程度不断加深
随着智能制造的深入推进，制造执行系统（MES）和企业资源计划（ERP）等其他管理与控制系统之间的边界界定越来越困难，导致各软件产品之间、功能模块之间存在较多重复问题。为此，ISA-SP95国际标准提出了制造运营管理系统（MOM），把传统制造工厂所使用的单独功能性软件，通过数字化或数据库的平台，组成一个统一标准的环境，理清管理层、执行层、控制层边界，对维护运行、质量运行和库存运行管理进行强化和提升。法国达索公司推出一体化制造运营管理平台DELMIA Apriso，这一措施使它在2018年“全球可持续发展企业百强榜”中，从2017年的第11位跃居首位。DELMIA Apriso 实现了对制造执行系统（MES）、仓储管理系统（WMS）、物流执行系统（LES）、质量管理系统（QMS）等业务管理的全面覆盖。MOM对顶层应用、服务和分析的“统帅”作用，进一步把“软件定义制造”推向现实
2.数字孪生技术工业应用起步
数字孪生（Digital Twin）技术通过虚拟制造与现实生产融合，能够降低工业生产成本。2000年，西门子率先提出“产品数字孪生”“生产工艺流程数字孪生”“设备数字孪生”三个层面高度集成的统一数据模型概念。数字孪生技术在航空工业的应用最为深入：美国洛克希德·马丁航空公司利用数字孪生技术，把第五代战斗机 F-35的生产时间从约22个月缩短至17个月，并试图在2020年前，将生产成本从9 460万美元降低到8 500万美元或更低[7]；欧洲的空中客车公司也正在与Ubisense集团合作，以数字孪生解决方案支持工厂数字化。
3.人机协作技术逐步开展应用
人工智能、工业自动化、虚拟现实等技术的深度结合，促进了人机协作生产在工厂车间的推广应用，主要用于以前无法实现自动化且不符合人体工学要求的手动工序，实现生产过程中的灵活性最大化，高质量完成可重复的流程，降低工人受伤和感染的危险。通过各种技术手段使机器人从原本的刚性体变得“柔软”，能够对工作中相对微小的额外外部力进行感知和辨识，并产生特定的反应；同时可通过给工人配备可穿戴设备或增强现实显示设备，同步模拟操作及示教，实现柔性生产。KUKA LBR iiwa机器人使用智能控制技术、高性能传感器和先进软件技术，形成协作型生产技术解决方案。通过KUKA flexFellow移动式平台，机器人可以不受位置和任务的限制，在生产负荷高峰和资源瓶颈时提供最佳支持。在宝马公司的生产过程中，原先工人必须独自搬抬和接合前桥变速箱的锥齿轮，现在与灵敏的LBR iiwa机器人“同事”一起，在最狭窄的空间内携手合作，不隔开、无护栏。从追求“无人化”到“以人为本”,“人”再度被提升到智能制造的核心位置。
4.智能制造服务生态加快整合
随着企业打破数据之间、自动化设备之间、信息化系统与制造系统之间“孤岛”的诉求愈发强烈，“两化”融合技术应用也逐渐从单项产品、单项功能向系统解决方案转变，随之而来的是全球智能制造服务从单兵作战走向生态系统整合。全球数字化解决方案提供商纷纷通过“合纵连横”加快生态系统的扩展。西门子尽管能够基于自有软/硬件产品为各类行业提供数字化解决方案，却仍将MindSphere部署在亚马逊AWS云计算服务平台，提供开放式编程接口和更强大的开放环境，以此为中央枢纽构建生态系统。目前，西门子已与亚马逊、微软、SAP、埃森哲等合作开发了50余种工业APP。微软基于Azure云计算平台构建了工业生态系统，持续加强与ABB、Schneider Electric、Rockwell Automation等自动化巨头合作，纵向贯穿企业层、管理层、操作层、控制层直至现场层，横向跨越产品设计、生产、分销直至增值服务的完整价值链。
2.4.2 智能医疗技术应用范围不断拓展
1.智能医疗技术应用场景
当前，人工智能等信息技术在医疗健康领域被应用于医疗影像、药物研发、健康管理、医疗机器人等多种场景。医疗影像主要通过人工智能视觉识别技术对医疗影像进行快速读片和智能分析，通过快速准确地标记人体异常结构，协助放射科医生诊断相应病症。药物研发主要通过人工智能语义识别技术，对海量医药研究信息和成果进行搜索、提取、归类，便于研究人员快速掌握最新信息，从而缩短药物研发时间，提高研发效率和控制研发成本。健康管理主要通过智能终端对身体各项指标进行监测、建档和分析，建立相应个性化健康评估和管理方案。医疗机器人主要用于外科手术、功能康复或辅助护理等，通过取代人类医生实现更加精准、高效和安全的操作。此外，还被用于基因测序、医疗档案虚拟助理等不同场景。
2.智能医疗领域的主要参与者
IBM发布的IBM Watson能够快速筛选和学习关于癌症患者的档案和记录，为医生提供参考性的诊疗方案。同时，可服务于医药研发制造企业，通过提供大量临床报告、数据和科研成果，助力药物研发工作。阿里健康发布了医疗系统“Doctor You”，包括临床医学科研诊断平台、医疗辅助检测引擎、医师能力培训系统等，正确识别肺结节的准确率达到90%以上。2017年11月，谷歌DeepMind Health宣布，通过深度学习大量乳腺癌细胞的切片，可实现对新的乳腺癌病理检片的快速识别。2018年3月，微软发布的Empower MD可通过倾听医生与病人之间的对话，从中自主学习并将相关信息记录在线。此外，还可以给医生相关的建议，从而大幅度减小医生的工作量。2018年7月，腾讯觅影最新发布的结/直肠肿瘤筛查AI系统能实时发现结/直肠息肉，并实时鉴别息肉的性质。其对结/直肠息肉的实时定位准确率达到96.93%，实时鉴别是否腺癌的准确率达到97.20%。
专栏5：啄医生，实践AI赋能数字医疗的新模式
据统计，中国医学影像数据的年增长率约为30%，而放射科医师数量的年增长率仅为4.1%，放射科医师的数量增长远不及影像数据的增长。另外，以肺结节影像为例，人工诊断的漏诊和误诊率高达45%。医患供需、医疗服务质量等难题亟待破解。2017年，登上中国中央电视台《机智过人》节目的由杭州健培科技公司研发的“啄医生”，不仅获得了LUNA 2016世界级挑战赛的冠军，还获得了由中国工信部发起的以技术创新能力为评判标准的最高奖——墨提斯奖。作为自主知识产权的智能医疗产品，“啄医生”已经在全国50多家三甲医院成功应用。在“啄医生”智能诊断平台的基础上，健培科技又推出“智影云”和“啄影”。“智影云”将人工智能技术融入影像云中，让影像云具备了医疗数据挖掘分析的能力，通过科技力量提升了诊疗水平，提高了运营效率。“啄影”负责影像数据的多级应用，搭载了云胶片、远程会诊等惠民便民的基础应用。目前，“智影云”“啄影”在中国已接入300多家医院、接入700多台设备。
2.4.3 自动驾驶技术应用日趋成熟
1.自动驾驶相关技术发展迅速
自动驾驶相关技术主要包括环境感知、决策与规划、控制与执行等方面。环境感知技术是利用车载传感器和通信技术为车辆提供决策支持的技术，主要分为两种技术方案：一种是以摄像机为主导的多传感器融合方案，另一种是以激光雷达为主导的技术方案。决策与规划技术的核心是决策算法与处理芯片，决策算法主要有基于规则、基于神经网络和混合路线三种，处理芯片包括Mobileye开发的EyeQX™ 系列车载计算平台和英伟达开发的NVIDIA Drive PX系列车载计算平台。控制与执行技术主要包括车辆控制系统和车联网技术，目前 DSRC（专用短程通信技术）车联网技术相对成熟，而以华为和高通为代表的运营商则发力研究LTE-V车联网技术。
2.自动驾驶相关技术的应用
谷歌子公司 Waymo 已经形成整套的自动驾驶解决方案，包括软/硬件方面的各项技术，车辆在集成相关系统后可达到L4级别，即车辆不是由人类驾驶而是由系统自行操作的，只在出现极少不确定状况时才由人类接管。该自动驾驶解决方案主要包括高级驾驶辅助技术、车辆传感器技术、自动驾驶决策软件及车辆安全系统等。此外，Waymo研发的模拟器，能够让车辆在虚拟世界多次模拟和自主学习复杂路况的驾驶，形成先验知识，用于现实世界并不断纠正。
全球各大汽车厂商已经实现并商用了部分自动驾驶功能的汽车。2017年7月，奥迪公司发布了全球首款搭载L3级别的自动驾驶系统的量产车型——奥迪A8。它携带12个超声波传感器、5个摄像机、5个毫米波雷达、1个激光雷达、1个红外线摄像机，共24个车载传感器，可以在60km/h以下车速时实现L3级自动驾驶。2018年1月，通用汽车旗下自动驾驶部门 Cruise Automation 发布了第四代无人驾驶汽车——Cruise AV,Cruise AV没有方向盘、油门踏板和制动踏板，安装了21个普通雷达、16个摄像机和5个激光雷达来感知车辆周围的环境和障碍物。2018年6月，特斯拉宣布，在即将更新的Autopilot车载系统中，开启完全的自动驾驶功能。
[1].https://www.top500.org/lists/2018/06/.
[2].数据来源：高德纳（Gartner）统计数据，2018。
[3].数据来源：高德纳（Gartner）统计数据，2018。
[4].数据来源：高德纳（Gartner）统计数据，2018。
[5].在实际应用中，人工智能算法可通过众多软件框架实现，而运行人工智能模型则需由相关硬件来实现，这会带来两个问题，即各种深度学习模型如何相互转换以及软件框架与芯片等意见如何相互适配。
[6].“监管沙盒”是一个“安全空间”，在这个安全空间内，金融科技企业可以测试其创新的金融产品、服务、商业模式和营销方式，而不用在相关活动碰到问题时立即受到监管规则的约束。