版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 举报,一经查实,本站将立刻删除。如若转载,请注明出处:http://ti8.net/_bin__xian_/6695.html
定制报告-个性化定制-按需专项定制研究报告
行业报告、薪酬报告
联系:400-6363-638
《华为:云计算2030报告(2024版)(54页).pdf》由会员分享,可在线阅读,更多相关《华为:云计算2030报告(2024版)(54页).pdf(54页珍藏版)》请在本站上搜索。 1、20302024 版云计算构建万物互联的智能世界目 录0104宏观趋势0502未来行业场景2.1 制药:AI 颠覆式创新,创新药设计成功率提升 10 倍,10 年研发周期减半.062.2 气象:数据驱动地球解码器,预报计算时间缩短 1 万倍.072.3 金融:高频模拟 Now-Casting,30%经济指标即时精准预测.082.4 政府:多学科人工智能政务公共助理,惠民服务一对一.092.5 教育:全球 1500 万数智教师,人机共教共学共育.102.6 零售:端到端数智化强整合,库存周转率提升 2.54 倍.112.7 Web3.0:去中心化渗透各行各业,零知识证明让 Web3.0 应用成本2、降低 10 倍.122.8 能源:能源云“操作系统”实现全网智能化,减少 10%温室气体排放.132.9 娱乐:70%的媒体内容由 AI 生成,个性化内容市场规模 5000 亿美元.142.10 工业:产业链多智能体互联,供应链成本降低 50%,订单履行周期缩短 70%.152.11 汽车:人车交互智能化个性化,云端算力需求达 500EFLOP/s.162.12 低空经济:绿色城市/智慧交通/无人货运,50 万亿经济新增量.170318关键技术特征3.1 云无处不在.193.1.1 云架构演进:系统创新,向 AI Native 架构演进.193.1.2 端云一体:云赋能终端百倍智算增强,端云协3、同应用爆发.233.1.3 全球一朵云(One Cloud).240450倡议3.2 智能无所不及.233.2.1 AI 重塑千行万业:解难题,做难事,催生智能经济.263.2.2 迈向通用人工智能 AGI.283.3 重塑物理世界.343.3.1 3D 空间表达:融合 AI 和 CG,技术加速三维世界信息互通.343.3.2 三维世界交互:空间计算新范式,3D 训练数据增长百万倍.353.3.3 具身智能:类人机器人全场景应用,超人机器人出现雏形.353.4 应用现代化.363.4.1 软件演进趋势.373.4.2 应用智能进化.413.4.3 新型应用涌现.413.5 企业高效用云.4334、.5.1 自动化迁移:实现全流程自动化,迁移效率提升 10 倍.433.5.2 精益化治理:90%的合规风险消除在萌芽状态.433.5.3 无感知韧性:走向零负担、全托管、高度自愈的新时代.433.5.4 确定性运维:10 分钟内恢复 80%的云上故障.443.5.5 精细化 FinOps:为全球用户每年减少 2000 亿$以上的云资源浪费.443.6 安全无界防护.453.6.1 安全威胁:网络攻击出现新态势,强度和复杂性创历史新高.453.6.2 安全防御:以云为核心,完整、有纵深的零信任防护体系.453.6.3 安全是云的免疫系统.473.6.4 安全因云而强.48附录 A:缩略语.515、04云计算 2030自 20 世纪末互联网的兴起,到 21 世纪初云计算的萌芽,再到今天人工智能的蓬勃发展,我们见证了技术的飞跃和人类智慧的结晶。云与 AI 构建的智能世界,已经渗透到日常的每一个角落,从智能家居到智慧城市,从精准医疗到个性化教育,从智能制造到智慧金融.云和 AI 为人类社会的发展提供着无限的可能,也成为推动企业创新和增长的最关键力量!2030 年,云将无处不在,预计约 30 亿智能设备端侧算力上云;智能将无所不及,15 亿企业员工将拥有自己的智能助手,80%的企业应用基于 AI 开发或重构;物理世界将被重塑,三维空间数据量将是现在的 106 倍,大约 5 亿人进入虚实结合的空6、间计算世界。宏观趋势0105云计算 2030未来行业场景0206云计算 20302.1 制药:AI 颠覆式创新,创新药设计成功率提升 10 倍,10 年研发周期减半药物研发受著名的“双十定律”影响,一款新药研发需要花费 10 年研发周期,耗资 10 亿美元,同时由于缺乏临床疗效、不可控的毒性、成药性差、市场需求和产品规划策略不足等原因,通常临床药物研发成功率只有 10%,这个周期传统上很难压缩。AI 为制药带来颠覆式创新。药物研发的四个阶段,靶点发现、药物筛选、先导化合物优化、临床前验证与时延,需要大量的 AI 工具和模拟计算,例如 AI 分子生成、ADMET 性质预测、分子动力学模拟等。有数7、据显示,AI 制药可将药物设计时间缩短 70%,药物设计成功率提升10 倍,时空叠加可以带来两个数量级提升。当前,基于小分子药物设计领域的科学计算大模型,应用于抗菌药、抗肿瘤药、中枢神经药、天然小分子领域创新药研发并取得了一系列成果。预计到 2030 年,AI 技术将贯穿创新药物研发的每一个环节,10 年研发周期可能会缩短至 5年甚至更少。07云计算 20302.2 气象:数据驱动地球解码器,预报计算时间缩短 1 万倍自然通讯发表报告:极端天气造成全球损失估计达 2.8 万亿美元,2000 年至 2019 年间,平均每年损失 1430 亿美元,每小时 1630 万美元。联合国报告指出:发展中国8、家从现在至2050 年间,每年需要耗费 2800 亿至 5000 亿美元,才能应对气候变化。传统气象预报是一个复杂系统的建模,求解问题、大气环流等影响要素很多,相互作用复杂,建模不准效果就不好,而传统数值化求解预报算力消耗大(单次数千核)、预报时间长(单次数十小时)、预测精度提升难、门槛高(传统欧美气象预报处于垄断地位)。用数据驱动的 AI 大模型方法求解,23 年开始,掀起了气象行业对 AI 技术探索和应用的高潮。气象大模型本质核心是提出了一个高效的 3D地球解码器,可以对地球科学及气象相关的问题进行更好的建模,更快的预测。预计到 2030 年,气象大模型相比传统天气预报的计算时间缩短一万倍9、,可以预测未来 110 天的中短期预报,精度比传统模式提升 50%,降低经济损失数千亿元。08云计算 20302.3 金融:高频模拟 Now-Casting,30%经济指标即时精准预测金融行业依赖外部数据进行决策,外部数据包括经济月报、季报、国内生产总值(GDP)增长率等数据是金融决策依赖的关键指标,但这些官方数据发布有延迟。因此,如何利用 AI 预测模型在官方经济数据发布之前“即时预测”(Now-Casting)就显得十分重要。Now-Casting 高频模拟是在搜集加工海量数据的基础上,依托大模型技术,把月度指标日度化,使通常一个多月后才公布的经济指标,变成当日或近日就能呈现出来。“即时预10、测”Now-Casting 是运用 AI 的先进算法与实时化、动态化的投入产出体系深度融合,重点在海量数据中搜寻非线性相关关系,发现并提炼那些过去、当下和未来都会起作用的规律性因子,从而实现对变量未来的预测。预计到 2030 年,金融行业将基于大模型的Now-Casting 高频模拟,对近 30%的经济指标和金融的基准指标进行即时预测,预测精度达到 99%。09云计算 20302.4 政府:多学科人工智能政务公共助理,惠民服务一对一随着生成式人工智能的快速成熟和应用,政府办公和服务形态将发生根本性变化。到2030年,政府工作人员将在“多学科人工智能支持团队”平台的指导和支持下,完成 50%-711、0%的工作。这个平台集成了各种人工智能工具,可以由中央政府团队、各部门或外部供应商开发,以提高工作效率。每位工作人员都有基于任务的个性化人工智能配置,平台将根据他们的专业知识、责任级别和可用性建议任务。人工智能不仅是辅助工具,还是工作人员的同事,基于“自主权”原则共同完成任务。另一个特点是“智能助理”,各级政府建设专属政务大模型,通过类人化对话持续优化政务应用系统。到 2030 年,每位政府工作人员、被服务企业和公众将拥有“智能助理”,提供智能服务推荐、简化支付并提供准确信息。这些助理作为安全、透明的政府互动指南,使公民感到知情和掌控。政府服务将根据公民需求定制,避免等待和行政僵局。通过数字公12、共助理,公民可随时通过单一渠道获取信息,询问规则和法规,并获得清晰解释,包括内部指导文件。预计到 2030 年,多学科人工智能支持团队平台将在政府中实现 95%以上的部署,智能助理覆盖 100%被服务的民众和企业。10云计算 20302.5 教育:全球 1500 万数智教师,人机共教共学共育教育是国之大计,当前仍然面临很多挑战:1)基础教育,课堂教学仍是学生在被动接受,教学模式千篇一律,缺乏针对性的提升;2)家庭教育,家长对孩子辅导仍要耗费大量精力,基于兴趣和创新的学习引导还是不足;3)高等教育,高校课程体系和人才培养方案更新迭代慢,培养的人才与产业需求有较大差距。人工智能特别是 AIGC 技13、术的发展,加速了智慧教育的发展进程,大模型将重塑教育:1)备课从依赖教师经验到智能生成,作业自动批改并提供改进反馈,每周可节省教师 15 小时以上的时间;2)真正实现自适应学习,虚拟老师结合定期反馈,学生表现(如读写能力、学习态度等)可提升 90%;3)AIGC 可独立完成部分实验并生成论文,缩短 1/3 的科研时效。面向未来,教育会更加开放、突破时空和群体限制,是可持续的教育,满足终身学习的需求。预计到2030年,全球会有1500万名“数智教师”和学校教师协同工作,迈向人机共教共学共育的新样态。11云计算 20302.6 零售:端到端数智化强整合,库存周转率提升 2.54 倍全球零售巨头销售14、的商品中近一半是易腐品,这些商品因低周转率和高库存而面临腐烂问题,给企业带来重大经营挑战。人工智能(AI)和数字化技术的应用为零售商提供了优化生产、销售、服务以及供应链强整合的解决方案:1)处理、情境化和存储工厂数据;2)部署 AI 模型以检测生产缺陷;3)更快地获取业务数据洞见并回传给供应端。通过智能化的数据整合,零售商能够显著提升产品上市速度和库存周转效率,进而大幅降低库存成本。另一方面,AI 提供全新数字化的客户体验和产品,通过客户数据平台推动预测式营销,引用更高超的 XR、无人配送、虚拟数字人助手等产品提升消费者满意度,2030 年全球直播数字人将至少达到 2.5 亿个。预计到 20315、0 年,AI 驱动的技术将影响高达95%的客户互动,可在零售业实现 100%全环节覆盖,带动整体收入提高 1.5至 2或额外产生 6110 亿至 8150 亿美元。12云计算 20302.7 Web3.0:去中心化渗透各行各业,零知识证明让 Web3.0 应用成本降低 10 倍Web 3.0 与 Web 2.0 在很长时间是过渡、共生的关系,Web3.0 不会完全替代 Web2.0,而是更像是 Web 的演化和拓展。Web3.0 赋予个人对其信息的更大控制权,并减少对易受攻击的中央服务器的依赖。通过零知识证明技术,保护用户免受潜在的隐私泄露和数据利用。Web3.0中,人们对数据和隐私的保护意识16、会更强。当前Web3.0 仍较为小众,用户难以上量,主要原因是:1)现有公链扩展性能差,制约上层应用的规模发展;2)缺乏改变行业的杀手级应用;3)Web3.0 面向实体经济的发展模式没有形成。随着 2024 年初香港批准 ETH ETF,将有越来越多现实资产涌入去中心化世界,传统金融和去中心化金融体系正在加速融合。去中心化应用(Dapp)将在各行各业加速渗透,为实体经济并带来显著收益和价值,如房地产自动执行租金分配/产权变更合同、供应链自动执行采购订单/物流跟踪/支付和结算等流程,提升供应链透明度/安全性、保险自动理赔和赔付,减少人为操作欺诈行为等。未来,云计算的计算能力可能达到现在的数百倍,17、这将使公链能够处理更复杂的智能合约和更大规模的交易量。同时,云计算平台可能会整合量子计算能力保护公链上的数据隐私,提供更高级别的安全保障。预测 2030 年,全球使用数字资产的人数将达到10 亿人,现实资产代币化(RWA)市场规模将达到 16 万亿美元,可能会出现一款改变日常生活的去中心化金融/游戏爆款应用(月活用户数破亿),从而提升这些代币化资产的流动性,为用户提供更多的投资和经济激励机会。2030年,零知识证明让 Web3.0 应用成本降低 10 倍,带来百亿$算力空间。13云计算 20302.8 能源:能源云“操作系统”实现全网智能化,减少 10%温室气体排放根据华为预测,2030 年全18、球光伏装机将接近6000GW,可再生能源发电量占比 65%。以光伏为代表的新能源占比不断攀升,能源结构发生巨大变化,使能源行业面临并网、运营、安全等多重挑战,如新能源发电的间歇性与电网稳定性要求存在矛盾,电力需求尖峰负荷特征日益凸显,对电力系统安全稳定带来挑战。面向未来,云计算,AI,5G 等新型技术逐渐渗透进能源制造生产消纳各环节,能源行业打通“源网荷储用”形成一个能源云“操作系统”,实现全网智能化。通过云平台和 AI 算法协调各个能源节点的运行状态,提高分布式系统的整体效率 5%-10%。对于光伏发电、海上风能、漂浮光伏等新型发电场景,采用 AI 预测模型可将发电计划的准确率提高到 95%19、以上,通过大数据分析和机器学习算法,发电预测误差可降低到 10%以内,显著提高可再生能源并网消纳能力。预计到 2030 年,全球光伏电站应用 AI 技术比例达到90%,每年减少5%-10%的温室气体排放。14云计算 20302.9 娱乐:70%的媒体内容由 AI 生成,个性化内容市场规模 5000 亿美元当前,媒体和游戏行业正面临一系列挑战:创作和渲染过程缓慢制约了内容的即时性;内容制作复杂,团队协作的困难,难以同时满足对高可靠性和互操作性的需求。展望 2030 年,人工智能将彻底改变媒体和游戏内容的生产方式,从依赖人力的拍摄向依赖算力的内容生成和数字化转变,从人工向人工智能演进。AI 技术的20、成熟正在推动数字人产业发展,到 2030 年全球虚拟数字人市场将达到380 亿美元。在游戏行业,AIGC 技术将使得游戏世界能够动态生成并实时调整,为每位玩家提供独特的游戏体验。在媒体领域,用户的角色将从被动接收者转变为积极参与的交互式内容创作者。这场变革预示着全新的云架构的诞生、媒体采编播产业链的自动化,以及商业模式的革新。预计到 2030 年,AI 驱动的个性化内容市场规模有望达到 5000 亿美元,并将带动 850 亿GB/月流量增长。15云计算 20302.10 工业:产业链多智能体互联,供应链成本降低 50%,订单履行周期缩短 70%当前,全球价值链分工体系重构加速,企业加强产业全球21、布局,面向全球构建数字化、智能化产业链供应链网络已成为趋势,与此同时,供应链的复杂性导致企业的供应链管理成本(采购成本、制造成本、物流成本、库存成本、质量成本等)越来越高,订单履行周期时间不可控。工业制造企业正在利用 AI 大模型技术在研发设计(AI 辅助设计)、生产排程(AI 求解器)、质量检测(AI 图像识别)、机器人作业(具身智能)、供应链(AI 订单预测)等业务单元提升作业效率,实现单点智能;数字化水平领先的企业正通过智能体(Agent)技术使得多作业单元智能协同,实现柔性制造及群体智能;产业链链主企业以及产业互联网等平台类企业,由于连接了海量上下游制造企业,正利用平台的网络响应推进产22、业链内企业多点研发协同、生产协同以及供应链协同,通过多智能体互联(Multi-agent systems)技术实现智能产业链供应链网络构建,供应链的总体成本大幅下降,订单履行周期时间大幅缩短。预计到 2030 年,工业制造企业智能 Agent 化比例将超过 80%,大模型赋能的产业链供应链网络,供应链管理成本将降低 50%,订单履行周期时间将缩短 70%。16云计算 20302.11 汽车:人车交互智能化个性化,云端算力需求达 500EFLOP/s目前,人车交互主要依赖物理控制界面、有限的语音指令、导航系统和被动安全技术。车辆之间及与外部环境的交互仍处于初级阶段,缺乏实时高效的通信与协作,导致23、驾驶体验较为传统,交通安全与效率方面存在不足,无法充分满足日益增长的智能化需求。未来,人车交互将实现显著智能化和个性化。未来的语音助手支持更自然的多语言对话,准确率提升至 95%,情感识别准确率达 90%,减少语言障碍,让驾驶员专注于道路。AR HUD成为标配,实时投射交通和天气信息,提升信息获取的直观性,减少对仪表盘的频繁查看,提高安全性。触控和手势控制技术将普及,并结合面部和指纹识别,简化车内设置和个性化调整。人工智能将通过学习驾驶员习惯,提供90%准确率的个性化服务,并支持部分自动驾驶,逐步过渡到全自动驾驶。联网技术(V2X)将实现车辆、基础设施及行人之间的微秒级数据共享,优化交通管理,24、减少拥堵和事故风险。预计到 2030 年,全球智能汽车的数量将达到2 亿辆,预计云端算力需求将达到 500EFLOP/s(ExaFLOP/s),以支持复杂的 AI 模型、实时数据处理和自动驾驶功能。17云计算 20302.12 低空经济:绿色城市/智慧交通/无人货运,50 万亿经济新增量“低空经济”是以低空空域为依托、以通用航空产业为主导,涉及低空飞行、航空旅游、支线客运、通航服务、科研教育、农业植保、应急救援等众多行业的经济概念。低空经济既承继了传统通用航空业态,又融合了以无人机为支撑的新型低空生产服务方式。低空经济在全球范围内呈现强劲的发展势头,诸多国家已形成颇具规模的产业生态。预计到 225、030 年,中国无人机设计制造单位将会到 5 万家,实名登记的无人驾驶航空器 500 万架,持无人机操控员执照 100 万人。电动垂直起降航空(eVTOL)、智能高效航空物流装备等研制及应用将加快。AI 芯片、多模态大模型算法和大数据平台是低空经济的关键赋能技术,一方面,人工智能让航空器本身更智能;另一方面,人工智能有助于实现低空空域的智能交通管理,优化空域利用,提高运行效率和安全性。低空出行器将成为具身智能的重要形态,同时低空飞行的管理和服务将会依托一个全数字化、AI 智能化的平台,未来直至自主化、自进化的系统来辅助人类,并且替代人类进行管理和服务。低空经济将出现三个主要的场景模式,一是绿色26、城市管理,以小型无人机为平台,开展城市巡检等活动;二是城际智慧交通,以 eVTOL 等航空器为平台,解决民众出行问题;三是大型无人货运,以大型货运无人机为主要平台,未来可解决偏远地区的大型物流配送问题。未来,发生在陆地上的经济活动,会一跃而起向立体空中延伸,让城市从“平面经济”转向“立体经济”。预计到 2030 年,低空经济将会为全球带来 50万亿美元的经济增量。18云计算 2030关键技术特征 0319云计算 20303.1 云无处不在随着人工智能技术的快速发展和普及,云基础设施正从传统的通用计算平台向专为 AI 设计的 AI Native 架构演进。AI Native 架构应该符合,多元算27、力、对等架构、极简网络、大规模池化、资源微粒化、资源柔性、绿色低碳等技术特征,旨在全面提升AI应用的性能、效率和环境可持续性。1)资源微粒化:进程级资源动态划分,无需算力单元切割当前的云资源分配,依赖于不同形式的预留资源,由于虚拟机和容器资源切割粒度较大,导致资源浪费大,即使在 Serverless 架构中,也通常依赖于底层的虚拟机或容器,仍然会导致一定程度的资源浪费,因此,需要更精细化的资源管理策略,以降低预留资源的浪费,实现更高的资源利用效率。Proclet 将资源沙粒化,按内存、CPU、GPU 等分类,内部进程级的划分,不需要像函数算力单元的切割。固定阈值/物理限值/合并生产/足够小所以28、足够快,上层应用无感知。预计到 2030 年,云数据中心将有 20%的算力以 Proclet 资源沙粒化形式分配,有效为企业节省百亿美元用云开销。3.1.1 云架构演进:系统创新,向 AI Native 架构演进20云计算 20302)柔性计算:弹性计算下一跳,资源利用率提升至 70%传统云服务器固定规格、部署复杂的常规模式,往往会导致资源浪费或高峰时段的力不从心。通常资源分配率达到 80%,资源利用率只有20%+。预计到 2030 年,柔性计算可将云资源利用率大幅提升至 70%。未来柔性计算将具备以下关键技术:智能动态超分技术,实时观测单实例资源画像,进一步分析其 CPU 使用情况,智能地调29、整资源分配,确保主机内每个实例都能获得其所需的CPU资源。通过“动态CPU降配”,使能零延迟、用户无感“垂直伸缩”。AI 智能预测技术,基于时间序列预测,分析应用历史资源用量,从而智能预测业务资源需求,动态调整资源实例的数量,确保应用始终运行在最佳状态。整个过程还无需人工介入,实现大颗粒应用资源需求时序特征感知的“智能水平伸缩”。柔性内存技术,通过“从异步应用无感到同步应用感知”的方式,实现了内存资源的动态超分,实现了内存资源的高效利用和性能保障的双重目标,让内存资源管理更加的智能化和精细化。3)多元池化:从单体算力到多元池化算力,开启算力新纪元云计算正在从单体算力到多元池化算力的革命性演进。30、传统服务器只能支持有限数量的CPU、GPU、NPU 算力,且配比往往是固定的,但是 AI 时代业务需求是多样化的,同一个应用里面存在不同的算力需求,并且要求数量可以支持到几十 几百,甚至更大,所以需要云架构能够根据应用需要能够自由配置 CPU、GPU、NPU 等多元算力,并通过超高速互联网络,将选定的算力资源连接在一起,形成紧耦合资源池,并根据应用的需求而动态变化,满足应用的算力需求,开启智能算力新纪元。这一转变将带来显著的场景适应性和性能提升,紧耦合算力池可以从现在的单服务器扩充一个数量级以上。4)对等架构:主从变对等,设备直接通信随着人工智能和高性能计算需求的快速增长,传统的主从架构由于中31、心化的 CPU 资源瓶颈和中转延迟,难以满足日益增长的性能要求。未来,数据中心计算资源的组织和通信方式将颠覆现有以 CPU 为中心的主从架构,向多元对等架构演进,以释放多元算力,实现微秒级延迟和带宽倍增。预计到 2030 年,预计 60%的云数据中心将从主从架构演进为对等架构。21云计算 20305)极简网络:多网合一,跨 AZ/Region 集群互联AI 应用的迅猛发展对现网络架构带来了前所未有的挑战,特别是在网络复杂性、成本及建设难度方面:复杂性增加:AI 应用对网络的需求日益多样化,如 AI Scale out 和 Scale up的网络能力,跨 AZ/Region 的集群互联能力,导致32、网络架构变得复杂 成本高昂:AI Scale out 网络利用率低,但为了应对突发性需求,需保留大量冗余带宽资源,此外,不同类型的网络如 AI Scale out、AI Scale up 和 VPC 独立存在,增加成本和运维难度 传统网络架构需在部署前精确规划集群规模,一旦确定,扩展难度大,限制了灵活性。为应对这些挑战,需要引入一种新型的极简网络架构,核心优势:网络平面整合:将多个独立网络整合为一个统一平面,使 AI 应用、通用计算、存储在同一高带宽网络中互联,提高资源利用效率,降低成本和管理复杂性。跨AZ/Region 互联:支持 AI 训练跨 AZ/Region 无缝运行,并灵活调整网络规33、模,提升系统的可用性和扩展性。预计到 2030 年,60%的云数据中心将采用多网合一的极简网络架构。6)核心架构变革:连接即用、多模融合、全域分布智能化云原生数据库当前企业业务核心架构通常围绕资源、地域和负载进行设计,存在数据孤岛化、跨域不一致、安全策略不统一、数据流转时效长和开发维护代价大等挑战。随着 AI 算力的普及,NPU/Rack 集群等高端算力走入“寻常百姓家”,新硬件和新算力如何支撑好企业智能化转型,成为数据管理系统的关键。未来,数据库将有如下技术特征:数据访问即服务:应用无需感知不同数据模型,通过云原生 Serverless 化、融合查询及存储数据的关键能力,实现数据库管理多类型34、数据的能力,同时实现多类型数据的融合查询及检索、库内 HTAP 融合负载处理,简化应用管理、使用数据的成本,加速数据价值的释放。智能原生数据管理:面向应用开发的智能 SQL优化/转换,降低开发者使用门槛;面向新世代DBA 的智能问答及智能运维,提升 80%运维效率;数据管理系统将从关系型走向多模态,有机融合 LLM 和 SQL 执行,支撑企业构建实时知识推理计算。云原生全池化架构:资源(CPU、内存、存储)解耦池化,实现应用透明的秒级弹性伸缩,同等算力下性能倍增。针对企业 TB 级及以上大库具备性能兼容,针对分布式应用提供快速平滑扩展。预计到 2030 年,将形成基于新型硬件和云原生架构的 A35、ll-in-One 数据库管理系统,数据管理自动驾驶,数据处理智能优化,数据安全智能防护,全面进入数据智能时代。7)服务全球重塑:云服务从区域架构向全球架构演进传统云服务以区域(Region)为单位,提供地理灵活性和数据本地化,但在全球分布式应用的性能优化和管理上存在局限。至 2030 年,云服务加速从区域性架构向全球化架构演进,通过 Global 化设计(如 Regionless 技术),应用将突破地理限制,能根据 SLA 在全球范围内最优分布。数据服务 Global 化:至 2030 年,80%的应用将使用唯一 ID 进行跨区域数据访问,通过隐藏22云计算 2030跨域状态和数据流动的复杂36、度,提升数据管理效率;全球数据就近访问,实现亚秒级时延;跨域数据计算性能提升 5 倍,容灾恢复时间缩短至 1 分钟。存储服务 Global 化:至 2030 年,预计全球存储总量从 12ZB 增至 28ZB,云端存储从 2ZB增至 5ZB,全域就近快速接入,上传速度提升50%-70%。网络服务 Global 化:区域性网络服务正向全球化转型,以应对地域隔离的挑战。专线/VPN/共享性 ER/EP 等网络服务 Global 化,提供低成本同租户 VPC 跨域互通能力,跨域访问高阶服务;提供面向应用的网络模型,极简化管理和配置,多 Region 和站点无感互联。应用分发 Global 化:至 2037、30 年,全球化架构将大幅简化分布式应用开发,预计 80%应用将根据 SLA 自动分发,90%的应用开发全周期支持全球分布式。8)Z 级云计算集群:突破算力、存储、网络极限预计 2030 年云计算集群的算力规模将超过ZFlops,云数据中心技术上需要实现三个方面的突破:突破算力限制:超大规模 AI 加速集群实现了从物理超节点到逻辑超节点的飞跃,具有弹性的集群算力为多模态万亿参数模型提供高效的训练和推理支持。对等池化架构将灵活适应各种AI 应用的需求,并实现资源的智能优化配置。突破存储限制:系统需要实现 PB 级别的内存扩展,所以通过高性能缓存池和分级存储方案,来提升存储能力,也显同时可以将成本38、降低了75%。突破网络限制:通过超高带宽和高性能的互联技术,总线带宽可以提升 30 倍。统一的协议打通 AI 网络和数据中心网络(DCN)网络,确保了大量参数和梯度信息的高速传输。此外,采用新的拓扑架构和先进的路由技术,减少了网络跳数,针对 P95/P99 等长尾时延问题,提供确定性传输方案。9)云数据中心:绿色智慧,极简可靠绿色低碳,供电重构:绿色低碳为云数据中心的创新发展提供了有效助力。未来,液冷、蓄冷、余热利用、储能等新技术,以及太阳能、风能、核能等可再生能源,将在云数据中心得到大规模利用,云数据中心能耗及碳排放将大幅降低。新能源与储能技术融合将解决可再生能源系统应用过程中的供不平衡、稳39、定性差等问题。预计 2030 年,云数据中心规模将占数据中心的70%以上,云数据中心绿电占比将实现 100%。AI 加持,运维重构:未来云数据中心的智能运维系统将实现对问题风险的及时识别、分析、预测和处理,实现更高层次的自动化和智能化。例如:智能化辅助巡检将增强数据中心的风险识别能力,对比人工巡检将有 100+倍提升。机器人将极大提升运维的效率和质量,同时降低人为操作失误的风险,尤其在在劳动密集和重复性的任务上。预计到 2030 年,预计 50%以上的运维工作将由机器人主导完成。极简可靠,架构重构:当前制冷和供电系统依然是造成数据中心运行中断的主要原因。未来制冷架构将从集中式走向分布式。分布式40、制冷架构灵活,单台设备故障不会影响其他设备运行,故障面更小,可靠性更高,可以直接从架构设计上避免因数据中心制冷系统的单点故障而导致整个系统无法正常工作。预计到 2030 年,将实现通过电站互联池化来提升电力利用率,去油机、去 UPS、去电池,实现供电架构的极简化。23云计算 20303.1.2 端云一体:云赋能终端百倍智算增强,端云协同应用爆发随着终端设备智能化程度的提升,XR/自动驾驶等 E2E99%)都可以使用。这一突破性提升使得大量数据能够从终端快速上传至云端,将带来超过 1000PB/月的网络流量增长,端云协同 E2E 时延可小于 50ms。2)端云协同新计算架构:在端、边、云大系统重41、新分配计算操作在 AI 时代,传统的端侧部署方式已无法满足日益增长的大模型计算需求,端侧的计算负载、内存要求、电量消耗持续增加,使得终端成为了阻碍端侧智能的瓶颈。从而需要一种新的计算架构,在涵盖端、边、云的广泛系统中重新24云计算 2030分配计算操作。预计到 2030 年,70%的计算任务可在终端闭环,30%需要云上处理,云为终端提供 100 倍算力扩展,利用云上无限的电力、算力、集群、软件赋能终端智能发展,云助端计算总量将达到 40ZFlops。另外,传统终端原生的 OS 也将演进为原生具备端云协同能力的 OS,使得未来的终端应用天然具备跨端云异构计算、安全可信的数据交换、自适应的端云任务42、调配以及端云协同训推能力。3)智能应用爆发:端、车、可穿戴智能涌现AI 终端、AI PC 成为行业主流,可以协助终端用户进行文档分析、会议总结、辅助图文生成、AI 家庭教学等,日常的生活、学习、工作都可以从终端借助云上强大的算力和电力实现超级智能辅助;智能网联车产业也将促进车云协同,智慧的路、聪明的车将进一步扩大包括智能驾驶、车载娱乐、车路云智慧交通等多种车云交互形态;同时世界模型技术的演进、实时 3D技术成熟、0 时延游戏交互体验,驱动了智能眼镜等可穿戴设备的应用爆发。预计到2030年,可支持端云协同的 AI 终端将达到 30 亿台,智能网联车将达到 3 亿台。4)个人隐私保护:端云协同的密43、态计算终端用户的隐私边界从端侧进一步扩展到云,云需要解决个人数据上云后的隐私保护及机密计算问题。终端除了确保自身安全之外,还需要增加对云上计算环境的可信验证、对终端发送数据的脱敏及加密;网络需要确保端到端链路安全,使得端云互相隔离,保障链路上的信息不可解密;云侧需要面向个人隐私计算构建全新的安全技术栈,大量应用包括机密计算、安全沙箱、无特权访问、算后即焚等多种安全技术,除了保障用户数据不泄露之外,也需要确保云自己无法访问用户数据。25云计算 20303.1.3 全球一朵云(One Cloud)“全球一朵云(One Cloud)”是指通过云计算整合全球资源,打造统一平台,实现数据和服务的全球互联44、互通。它打破了地域限制,支持企业快速部署应用、进行全球数据分析,助力数字化转型和创新,提升市场竞争力。1)客户视角一朵云:碎片化 IT 环境向统一的层次化云架构演进至 2030 年,企业将从碎片化的 IT 环境升级为统一的层次化云架构,通过一个云平台联接总部、分支和边缘机房,并与公有云协同,实现“客户视角一朵云”。线上线下一朵云:至 2030 年,混合 IT 架构将成为主流,预计 90%的大型企业和 60%的中小企业将采用这一策略,而 2024 年为 60%和30%。统一云平台将整合线上线下 IT 资源,实现数据实时共享和精准决策。全球分布式一朵云:跨国企业将在全球经济中扮演更加重要的角色,至45、 2030 年,预计全球跨国企业数量将从 10 万家增至 14 万家,全球创新中心将从 800 个增至 2000 个,本地化员工比例将从 50%提高至 70%。统一云平台将整合全球业务、数据和服务,提供高效的跨地域资源管理和业务协同。云边端一朵云:至 2030 年,边缘计算和端计算的发展将推动数据处理更加分散,全球边缘设备数量将从 200 亿台增至 500 亿台,85%的大中型企业和 50%的中小企业将采用云边端架构,50%数据将通过边缘计算进行处理。统一云平台通过将云计算、边缘计算、端计算能力整合在一起,提升整体性能、响应速度和可靠性。2)业务视角一张网:高带宽、低时延、大连接,全球资源共享46、随着业务创新和网络技术的发展,全球一朵云通过提升高带宽、低时延、大连接和安全性,将从基础设施一朵云发展为更高级的全球“业务视角一张网”,使企业能够高效的实现资源共享和数据传输,推动数字化转型和区域业务协同。媒体一张网:至 2030 年,全球在线视频用户将达 60 亿,体育和娱乐活动将全面采用云平台和实时流媒体技术,85%的媒体公司将利用云和AI进行内容推荐和用户分析。通过全球一朵云,结合高带宽、低延迟和大规模分发技术,构建“全球媒体一张网”,提供更加个性化的互动体验。汽车一张网:至 2030 年,每辆车每天生成数据将从 0.2TB 增至 1TB,全球主要城市的智能交通基础设施覆盖率从 35%提47、升至 80%。基于全球一朵云,整合车联网技术、自动驾驶和智能交通,端到端加密,构建全球“全球汽车一张网”,提升智能化出行、道路安全和交通效率。企业一张网:至 2030 年,全球企业每天生成的数据将从 125EB 增 500EB,云存储量将从 0.5ZB增至 1.5ZB,带宽需求增长 50%。基于全球一朵云,通过整合安全和高效的网络技术,构建全球“企业一张网”,实现全球高效资源共享和数据传输,促进跨区域协同。城市一张网:至 2030 年,全球城市每天生成的数据量将从 0.1ZB 增至 1ZB,80%的智能城市将利用 AI 进行数据分析、预测维护和自动化管理,70%的智能城市解决方案将使用边缘计算48、。通过全球一朵云,全面整合智能技术和基础设施,构建城市一张网,城市将实现高效数字化管理,提升居民生活质量和城市运营效率。26云计算 20303.2 智能无所不及在互联网的数十年发展历程中,人类积累的丰富知识已经被先进的大型模型所整合,并通过token 化的形式,为智能化服务提供了坚实的基础。展望未来,这种智能化服务的趋势预计将从云端扩展至边缘计算和终端设备,渗透到每一个组织和个人的生活之中,对软件和应用程序产生深远的影响。预计到 2030 年,每个企业都将拥有至少一款定制的大型模型,每位员工都将配备至少一个 AI 智能代理,每一款软件都将经历基于大型模型的重构,而每个应用的开发都将融入 AI 49、驱动的编程辅助工具。3.2.1 AI 重塑千行万业:解难题,做难事,催生智能经济AI 将进入进千行万业的生产系统和核心系统,解难题,做难事,成为新一轮工业革命生产力提升的重要引擎,并重塑劳动力与就业市场,催生智能经济。1)AI 引发第四次工业革命,催生智能经济新业态人工智能(AI)正成为第四次工业革命的核心驱动力,催生智能经济的新业态。作为广泛适用的通用技术,AI 有望继蒸汽机、电力和信息技术之后,再次显著提升生产力。预计 AI 将在多个层面重塑经济结构生产力提升:AI 演进将从 AI Copilot 辅助工具,提供信息和建议,发展到 AI Agent 自主智能体,可独立执行复杂任务,最终将进50、化为 AI Workforce,执行更广泛的任务和创造力工作。AI 的演进将不断推动自动化和智能化的边界,改变生产力方式。就业结构转变:AI 将改变劳动力市场,取代一些重复性工作,如出租车驾驶员、图片设计师等,同时创造新的高技能岗位,如 AI 提示工程师、AI 数据科学家等。到 2030 年,AI 可能替代约4 亿工作岗位,但也会创造约 9700 万个新职位。经济贡献增长:研究表明,AI 对全球经济的贡献率约为 1.6%,预计到 2030 年,AI 将增加约2 万亿美元经济增量。行业变革与新兴市场:AI不仅将变革传统行业,还将催生新兴行业,如数字疗法、个性化情感陪伴和慢性疾病管理等,推动智能经51、济的全面发展。27云计算 20302)AI for Industry:75%的贡献价值来自于创意性和知识密集型领域人工智能(AI)正以其创新和效率的双重优势,深刻影响着各行业的生产力水平。创新能力的显著提升:AI 技术能够为创意型工作提供多样化的内容创意选项,从而激发员工的创新思维。这不仅加速了客户运营、营销和销售等领域的创新步伐,也推动了整个行业在创意产出上的质的飞跃。生产效率的大幅提升:AI 通过高效处理和分析海量的现实世界数据,其在多个领域的应用已达到甚至超越了人类专家的水平。这在软件工程、软件开发等知识密集型工作中尤为明显,显著提高了这些领域的生产效率。尽管 AI 在提升创新能力和生产52、效率方面展现出巨大潜力,但这并不意味着 AI 将迅速取代人类工作。AI 取代人类工作的可能性主要取决于特定行业场景对错误容忍度的高低,以及相应工作岗位的收入水平。AI 会首先进入收入水平高的行业场景,但会先在容错率较高的场景中取代人类工作。预计到 2030 年,AI 对产业经济影响中,75%的贡献价值来自于创意性和知识密集型领域。28云计算 20303)AI for Science:改变科学研究范式,传统科学计算 AI 渗透率超 50%传统科学计算通常依赖于数学分析和数值方法来解决偏微分方程(PDEs),计算由于无法建模以及维度灾难到导致了算不了、算的慢。当前,科学计算更多的转向使用 AI 来53、提高计算效率并寻找新的解决方案,其核心是基于数据驱动的方法,通过机器学习、深度学习,从大量数据中学习到问题的模式和规律。科学计算未来将有如下三个显著变化:从传统科研方法到云上智能科研设施:科研从依赖传统实验和理论驱动的方法转变为利用智能化科学设施,这包括高性能计算、跨学科科学大模型以及 AI 科研助手,实现更高效的科研流程和新的科学发现。云以大规模的算力和电力优势,解决算不了、算的慢问题,驱动科学计算上云。从人工实验操作到自主无人实验:AI4S 的进步将实现从人工进行科学实验操作到自动化、智能化无人实验的转变,通过 AI 操作机器人和智能实验环境,提高实验效率,减少人为错误,并允许科学家将精力54、投入到更高层次的创新和探索中。从独立科研到大规模跨学科协作:科研工作从个体和小团队的独立工作转变为大规模、跨学科的科研协作,通过大规模 AI Agent 交互、可信计算等技术,构建科研协作环境,解决数据孤岛问题,同时保护科研数据的知识产权。预计 2030 年,AI 对传统科学计算的渗透率将超过 50%,部分场景如气象、制药等计算速度提升万倍。3.2.2 迈向通用人工智能 AGI当前人工智能仍面临多种挑战,未来会持续从架构优化、多模态能力提升、新一代架构以及人工对齐等向通用人工智能 AGI 演进。内容生成式 AI 将引发媒体生产力变革,判别式 AI 将保持 50%以上的 AI 应用场景覆盖比例,55、AI 智能体将成为企业 ToB 应用的超级入口。1)智能即服务:AI 回归通用技术,加速全场景泛化应用作为一项通用技术,无论是增强传统应用的AI 对话机器人、AI 插件、AI 引擎,还是 AI 原生的软件和硬件,都将以服务的形式为人类的感知、认知和决策提供更加智能化的增强性体验。到 2030 年,智能即服务 Intelligence as a Service 将无所不及。全场景应用:AI 将深入互联网、政务、电信、金融、制造、能源、教育、医疗、交通、零售等垂直行业解难题、做难事,同时在研发、生产、供应、销售、服务、运营、运维等水平功能领域深度应用。预计到 2030 年,90%以上的企业采用人工56、智能技术。全模态覆盖:模态是指表达或感知事物的方式,伴随 AI 应用的场景从识别走向生成,AI模态从自然语言、语音、图形图像、视频向更丰富的模态延伸覆盖,例如人类感知相关的触觉、味觉、嗅觉,机器感知相关的红外、惯导、遥感等,这将极大的丰富 AI 创造数字世界、改造物理世界的能力。云边端分布:人工智能模型将在云、边、端设备上部署,从大模型蒸馏、压缩出来的小模型走出数据中心,会延伸到亿级数量的29云计算 2030PC、十亿级数量手机、千亿级数量的IoT设备,以及新型 AI 原生终端,为人类的工作、生活提供无处不在的智能即服务。多规格部署:参数量在 1B3B 的模型普遍用于手机、平板等端侧设备,6B57、7B 的模型普遍用于 PC 等个人计算,10B、100B 及以上的模型普遍运行在服务器及云上。不同大小规格的模型将满足多样化的智能技术需求。预计到 2030 年,10B 以下的小模型占比从现在的 38%上升到 95%以上。普惠化服务:智能即服务的边际成本趋向于零,当前模型推理的成本已经降至每百万token 不到 10 元人民币,对比典型免费搜索的单次成本约 2 美分级别,智能即服务(Intelligence as a service)将走向普惠化。2)数据智能:从数据为中心走向知识为中心,从语文题到数学题当前企业对数据的使用,更多是围绕 BI,流程和管控相关需求,对结构化数据进行分析。面对AI58、 的大模型,当前的数据平台还不能很好地为大模型使用,需要进行大量数据清洗、知识抽取,因此,构建以知识为中心的数据底座成为企业未来发展的当务之急。从海量数据提取知识,可以帮助企业沉淀业务逻辑,结合行业经验,将知识与 IT 系统融合在一起,为企业提供快速、相关和可操作的数据,并付诸于行动。比如人机互动过程中,可以帮助业务高效,精确,智能地推荐和制定决策。同时为企业提供为 AI 大模型训练,微调,RAG,提示词工程等的高质量数据集,提升大模型训练和推理的效果。预计到 2030 年,数字经济占全球 GDP 的比重预计超过 60%,数据作为关键生产要素将成为企业增长的创新引擎,智能数据运营,成为推动产业59、智能化的基石。30云计算 20303)More Than Transformer:混合架构有望成为主流架构CNN 和 RNN 曾是深度学习领域的主流架构,其后 Transformer 通过引入注意力机制并摒弃递归,实现了高度并行处理,成为实现 Scaling Law 的最佳架构选择。未来向通用人工智能(AGI)迈进,有四个关键技术。More than Transformer:Transformer 在强复制、上下文学习与复杂推理任务上具有优势,而纯 Mamba 模型在长序列训练、高效推理上表现更好,结合这两种优势的混合架构已应用在高清图像生成、点云分析、和时序任务预测等多类任务上,未来有望成为60、基础模型架构。另外,模型也要持续提升每Flops 智能(同等算力下学到更多智能)和每 bit 智能(同等参数规模下能力更强)。多模态走向全模态,以语言为中心走向原生多模态:现有的多模态大模型已经证明,采用原生多模态训练方法可以有效提升模型的智能化水平。目前,数据处理主要采用“Any to Text”和“Text to Any”的模式。未来,我们将看到“Any to Any”形式的原生多模态数据处理方式的兴起。预计到 2030 年,多模态输入将形成统一的 token 化表达方式,实现对世界的统一理解;同时,多模态输出也将拥有统一的 token 表示,使得生成内容更加贴近真实的物理世界。下一代神经61、网络提升模型适应能力:例如,脉冲神经网络(SNN)通过脉冲的时间间隔编码信息,这使得它在处理时间序列数据(如声音、视频等)方面具有独特的优势。另外,液态神经网络(LNN)的权重是动态变化的,而不是固定的,这使得模型能够根据输入的变化而自适应地调整,从而实现更小、更具解释性的神经网络架构。预计到 2030 年,以 SNN、LNN 为代表的新型网络架构将在特定专业领域实现性能和成本上的超越。人工对齐应对幻觉和可解释性挑战:在高精度要求的领域,幻觉可能被视为副作用,但31云计算 2030在创意领域,人工智能产生的幻觉可能被视为一种必不可少的“想象力”。未来,我们将看到更多的人工智能对齐技术和能力的发62、展,以确保 AI 系统的行为与人类的价值观和意图保持一致。这将增强 AI 的可解释性和可靠性,例如通过从反馈中学习、在分布偏移下学习、对齐保证和 AI 治理等方法。随着工程实践的进步,模型在应对数据污染和误导性提示方面的能力也将得到显著提升。在人工智能的发展过程中,云服务扮演着举足轻重的角色。特别是在 AI 模型的训练阶段,云端提供的大规模可靠性组网和确定性运维机制,对于提升模型的浮点运算利用率(Model Floating-point Operations Utilization,MFU)至关重要。目前,MFU 的平均水平在 30%到50%之间,而通过云端技术的优化,有望将这一比例提升至 663、0%到 70%,从而有效降低训练成本。在推理阶段,云服务的优化同样不容忽视。通过增加批处理规模(Batch Size),云服务能够控制整体的延迟,确保推理过程的高效性。此外,由于推理过程中的大部分延迟来源于计算而非数据传输,云端的强大计算能力有望实现接近零延迟的推理性能。在多设备和多终端的应用场景中,云服务能够收集并整合来自不同终端的数据,提供丰富的上下文信息,从而确保用户获得连贯且一致的体验。展望 2030 年,我们预计将出现参数规模达到人脑突触连接数级别的大型模型,即参数量在百万亿到千万亿之间。这样的技术进步将推动云上训练集群的规模显著扩大,从目前的十万卡集群扩展到百万卡集群。与此同时,数64、据中心的能源需求也将随之增长,从目前的数十兆瓦级跃升至数百兆瓦级,以支持这些庞大模型的训练和推理任务。4)判别式 AI:持续为企业带来价值判别式人工智能(AI)模型在过去 20 多年中取得了显著的发展,其核心使命是对现有数据进行深入的判别、分析和预测。在视觉领域,这意味着对特定图像进行细致的分析,以确定其所属的类别(图像分类),或者识别并定位图32云计算 2030中的物体(图像检测)。在结构化数据的领域,判别式 AI 则专注于解析数据,预测其对应的目标值(结构化数据回归)。尽管生成式 AI 的兴起带来了新的可能性,判别式 AI 模型仍然展现出持续发展的潜力和价值。这一潜力主要体现在以下几个关键65、领域:大一统的判别式 AI 模型:目前,判别式 AI在处理下游任务时(如图像分类、图像检测、结构化回归等)往往显得分散且需要定制化开发。未来,统一的判别式 AI 模型将通过构建一个强大的基础预训练模型,实现无需微调即可达到可观性能的目标。对于性能要求更高的场景,只需进行针对性的少量训练(SFT)即可。全模态的预训练模型:与目前判别式 AI 的单模态预训练模式相比,未来的全模态预训练模型将涵盖图像、视频、结构化数据、点云、遥感、音频等多种模态,整合不同模态间的互补信息,从而显著提升下游任务的性能。与生成式模型的协同:判别式 AI 与生成式模型的结合将成为未来发展的趋势。这种协同不仅有助于缩小生成66、与判别之间的差距,还将推动多模态融合、增强学习、自适应系统的进步。这种深度合作有望引领 AI 技术向更高级的智能阶段发展,最终实现通用人工智能(AGI)的宏伟蓝图。凭借其稳定可靠的性能、资源需求的轻量化以及计算效率的高效性,判别式 AI 在企业场景中得到了广泛应用,依赖于摄像头、声音信号、专用数据传感器等多种模态数据,输出高精度、高泛化的判别结果。预计到 2030 年,判别式AI 将继续覆盖约 50%的 AI 应用场景,且在企业生产流程中,将有近 70%的环节由判别式AI 模型担纲。5)AIGC:AI 引发媒体生成式变革,带来数字世界新体验传统的媒体内容主要通过拍摄产生,媒体平台只能支撑 1:67、N 的单向分发。预计到 2030 年,预计33云计算 2030超过 70%的媒体内容将由 AI 辅助或直接生成,这将引领内容创作的千人千面,同时使得分发平台产生革命性变化。关键技术特征包括:千人千面的内容生成:以拍摄为主的分发模式将转变为以生成为主,内容将更多地结合用户偏好,在靠近用户侧实现个性化内容生成,形成“千人千面”的个性化分发模式,同时也预示着一个 N:M 的个性化内容生成时代的到来。万人同服的实时交互:传统集中式的虚拟空间,由于服务器性能的原因导致无法承载太多连接,通过云间高速互联和分布式交互平台,可突破百人瓶颈,实现万人、甚至百万人的同服实时互动。算网融合媒体网络:传统以缓存为主的68、媒体网络,将升级为缓存+计算+分发融合的生成式媒体平台。通过云、边、管、端、芯的深度协同,以及在云侧和端侧 OS 的系统优化,构建出“0”时延、“0”卡顿的极致体验网络。全数字化生成式媒体引擎:CG 和 AI 技术将深度融合,通过 3D 内容场景分段和可控性生成技术,实现大规模、分布式实时内容渲染。通过数字化设备和人工智能技术实现全数字化采编播处理。6)AI Agent:应用和交互新范式,企业 ToB的超级入口AI Agent 集成了专家知识、数据、模型和算力四大生产要素,以智能专家服务这样的生产力的形态出现,企业应用以软件为主的范式将转向 AI Agent 范式,可以极大满足企业自动化数字化69、升级需求。AI Agent 让每个员工都有增强能力的专属智能助理,成为企业 ToB 的超级入口。到 2030 年,AI Agent 会影响全球 2/3 的工作,可能替代的工作时间将达到经济总工作时间的 30%,预计超过 4000 万人将需要进行职业转换,全球 15 亿公司员工将拥有专属智能助理。未来关键技术特征包括:灵活的目标到行为引导:AI Agent 能够突破当前大语言模型在设定和追求具体目标方面的劣势,根据清晰的目标,策略性的、灵活的规划和采取行动,实现既定目标。智能化的记忆和状态跟踪:AI Agent 具备持续记忆或跟踪状态的功能,不断积累知识,并运用积累的知识作为后续决策和行动的基础70、和一句,实现更智能化的 AI 系统运作模式。丰富的环境互动能力:AI Agent 能够感知和干预所处的环境,无论是数字世界、机器人系统,未来还会通过传感器和执行元件与真实物理世界进行互动。长期的学习与积累能力:AI Agent 在于新环境进行交互和不断处理新情况的过程中,通过学习优化自身只是体系和掌握的技能。多领域的任务处理:AI Agent 将成为通用和多任务的 AI 系统,无缝融合语言处理、逻辑推理、感知理解和控制操作等多种技能,与人类一同应对繁复和多元的难题。人类AI人类AI人类和 AI 协同工作CopilotAgentsAI 完成大部分工作34云计算 20303.3 重塑物理世界人类即71、将通过 XR 设备,眼动追踪,手势识别,语音交互等新技术,通过更自然,更符合人类习惯的交互方式(视觉、听觉、语音、动作.)实现对数字三维世界的访问,开启空间计算时代。预计到 2030 年,XR 设备出货量将达到6000 万台,约 5 亿人将进入虚实结合的空间计算世界,新增约 5 小时/天的空间智能时长。感知的革新基于广泛的资产与模型的互操作性,使得我们能够构建一个全球规模的数字孪生体。数字孪生技术,融合生成式 AI 技术,将使人们更有效利用这些新型空间设备,识别更加多样化,精确化的 3D 空间场景,提炼真实世界特征,合成 3D 世界空间数据,供给空间智能,具身智能。基于对 3D 世界的数字化,72、将具身智能大模型集成到机器人中,实现数字世界与物理环境的无缝互动和深度融合。3.3.1 3D 空间表达:融合 AI 和 CG,技术加速三维世界信息互通3D 空间的数字化表达,从过去的 Mesh 几何、材质、光照等以来人工的处理的形态,走向拍摄和 AI 生成的新方式,其底层数据表达基础已经发生了变化。得益于拍摄式的空间信息采集方式和新的表达模型,可以低成本、高精度的快速记录现实空间场景中的光照、颜色、材质和空间深度等关键信息,也可以方便的叠加 3D时空事件,使得对复杂场景的全方位的、统一描述得到百倍的加速。预计到 2030 年,城市级 3D 重建方案,覆盖1000 平方公里,叠加一年四季动态时序73、事件,城市级实时模拟将会出现并快速普及,成为 L4自动驾驶车辆,无人机,机器人的数字训练场。面向 2030 年,智能技术将深刻地重塑我们的物理世界。这一变革是根本性的,涵盖了从感知到计算,再到行动的全过程。35云计算 20303.3.2 三维世界交互:空间计算新范式,3D 训练数据增长百万倍新型 AI 交互设备开始普及,与传统摄像头,激光雷达等设备相比,这些设备云端一体,连接着云上算力和多模态大模型,因此极大增强了获取、采集物理世界信息的能力和范围。这预示着计算机视觉技术从“Sample World”走向“Simulate World”。训练数据从文本,图像,视频,走向全模态场景的 3D 空间74、细粒度仿真数据,这些物理世界的数据,通过数据工程预处理,进入数据合成管线,从而为空间智能,具身智能 VLA 大模型提供比现在文本训练数据(13 万亿 Token)大 106倍的 3D 空间训练数据。场景泛化的真实世界数据,结合 AI 和渲染,仿真技术的处理,供给空间智能模型,具身智能VLA 大模型,提升空间感知和 AI 能力,驱动了新型计算范式的建立,从而赋能更多端侧设备,进一步影响和改造物理世界形成了有效的数据飞轮。预计 2030 年,随着空间计算新范式的建立,供人类交互使用的算力,将产生 1Z Flops 算力需求。而供给空间智能,VLA 大模型数据预处理和训练的算力,将产生 100Z T75、ops 的算力需求。3.3.3 具身智能:类人机器人全场景应用,超人机器人出现雏形具身智能是指 AI 结合机器人本身,理解空间、环境及自身状态,并与物理世界智能交互完成多种任务。在空间智能的基础上增加了具身属性,并具备行动和与现实世界交互的能力。叠加具身智能能力的机器人将经历从亚人、类人到超人的发展阶段。亚人阶段,机器人主要用于简单的重复性任务;类人机器人则具备更高的灵活性和适应性,能够完成更复杂的任务;超人机器人则在各方面超越人类,能够在极端环境下工作并处理高难度的任务。随着大模型的发展,业界正积极探索类人的通用智能机器人(无专用场景的泛机器人)。智能是机器人发展的核心,而数据则是实现智能的76、关键。关键技术包括:云上大脑与边侧小脑:为机器人带来智能,从类人走向超人;云上仿真与数据合成:具身数据稀缺,合成数据则是训练具身大小脑的关键。在线学习与数据闭环:知识不是智能,从与世界的交互中学习的能力才是真正的智能。预计到 2030 年,将出现大量通用服务机器人、通用工厂机器人、通用家庭机器人等,结合具身智能技术的通用智能机器人发货量达到 35千万台。届时将出现超人机器人的雏形,执行人类无法完成的任务,例如特种、太空探索等。36云计算 20303.4 应用现代化Gartner 报告显示,2025 年数字经济将催生出超过 5 亿个新应用,相当于过去 40 年的总和。传统应用开发周期长,应用扩展77、性差,资源利用低效,运维成本高,已经无法满足数字经济快速增长的需求。随着微服务、Serverless、DevOps、低代码开发等数字技术的发展,应用全面现代化的时机已经成熟。未来应用将融合数据、模型、媒体数字内容、知识、代码及服务等多种形态,基于软件工程3.0 的理念,使用智能的一体化研发工具平台,通过数据治理生产线、模型开发生产线、数字内容生产线、软件开发生产线的协同来交付。全面打通“数据、模型、数字内容、软件应用”闭环。软件应用将从 CloudNative 走向 AI Native,并具有人机协作、持续学习、成长演化、高度自主、群体智能的特点。在未来软件生态系统方面,软件自身结构不断自我演78、进而变得更加复杂时,软件生态系统将成为多种软件要素动态的组合和叠加,并与其运转的社会空间(如数据要素使用、管理)和物理空间(如数据要素产生)紧密相关,生态系统与商业模式都将发生巨大的变化,到 2030年,软件的生态系统,将会是信息空间叠加社会空间和物理空间的多空间复杂生态体系。37云计算 20303.4.1 软件演进趋势1)软件形态:从“代码”走向“多要素集成”,80%企业应用基于 AI 重构传统软件主要以“代码”逻辑为主,而未来软件的形态将演进到以“代码+数据+AI 模型+数字内容”共同构建的多模态应用软件,软件体验将更加丰富和智能化。未来应用软件的开发,将基于云和 AI 原生融合开发框架,79、使用智能工作流、作业任务与服务编排、能力部件组装等技术,快速低成本构建。借鉴系统工程思维,使用大模型服务,采用复合模式与架构,配套个性化存储、检索器、生成器、外部工具等,共同构成复合的智能化系统。未来应用软件的集成,将在传统的“代码”构建基础上,集成多种要素,包括:1)数据集成,数据驱动的软件正在成为常态,软件行为越来越多地受到它处理的数据的影响;2)AI 模型集成,应用软件中的智能包含各种基于 AI 的服务;3)数字内容集成,数字内容如文本、图像、视频和交互元素将越来越多地融入应用软件。当前,应用软件的质量不仅需要遵循数学规则来确保计算结果的正确性,还需要遵循物理规律来验证理论模型与实际现象80、的一致性。而未来的应用软件质量还要关注数据隐私性保护、预期输出随机性、运行结果可解释性,法律法规遵从性等,应用软件的质量要求将会从传统的“是否正确”扩展到“是否可信”。所有企业应用值得用大模型重做一遍,预计到2030 年,80%的企业应用将基于 AI 大模型构建或重构。38云计算 20302)软件工程:AI 赋能软件开发效率百倍提升,融合生产线创新普及随着人工智能技术的融入,软件工程正在步入一个新时代,其核心特征是:AI 重塑软件编程模式和整个软件开发过程:软件编程从传统的人类主导(In the Loop)转 变 为 人 监 督 下 的 AI 自 主 开 发(On the Loop),同时也会81、促进项目管理、风险控制、团队协作和项目跟踪分析的自动化和智能化。未来软件的开发过程,是人与高度自主智能体之间的群体融合协作,这一变革不仅是技术的革新,更是对软件研发角色的一次深刻赋能重塑。生产线智能化演进。软件生产线 DevOps、DataOps、MediaOps、MLOps 将基于智能化进行业务和工具能力的重塑。每个要素的生产线都将快速发展并持续演进,共同承载未来软件工程的理念方法与工程实践。1.DevOps(研发运营):智能增强研发,DevOps 未来发展预计经历三个阶段:智能辅助(20232025):以研发大模型、模型微调、RAG、Prompt 工程等技术为基础,在现有的研发流程及工具的82、价值场景中加入AI 增强辅助以提升研发效率。智 能 协 同(20262028):以 新 兴 的 AI Agent、任务决策、Agent 工具生态为基础的“专业研发助手”,将作为角色成员和人结对处理较复杂任务,进一步释放研发生产力。智能自主(20292030):以通用人工智能AGI 技术为基础的“智能自主研发人员”,将自主完成端到端的应用研发工作,仅需少量人工参与,10100 倍提升研发生产力。当前,DevSecOps 将安全能力内置到软件开发过程中已成为安全研发的必然趋势,开源软件安全的使用和治理将成为重中之重。未来,DevOps 的敏捷性和自动化原则还会融合行业属性,衍生出 DevIndus83、tryOps,帮助企业提升行业竞争力和市场响应速度。2.DataOps(数据质量运营):DataOps 将更深入与 AI 融合,优化数据的收集、处理和39云计算 2030分析流程。增强分析将生成式 AI 与商业智能、数据科学和机器学习、异常检测、以及行动辅助建议相结合,通过提供基于自然语言的新型人机交互体验,我们能够使自动化系统获取见解、代码和数据,进而实现数据驱动的决策过程自动化。3.MLOps(AI 模型运营):随着 AI 的兴起,MLOps 成为关键实践,它将机器学习模型的开发、部署和监控活动流程化,提高了 AI 项目的迭代速度和规模化能力。未来 MLOps 将加速 AI 模型的迭代和高84、效部署,实现更广泛的应用场景。4.MediaOps(数字内容运营):媒体产业在 AI 技术赋能下会向智能交互式的媒体形态演进,催生出可交互短视频、场景感知广告、六自由度空间电商、沉浸式电影等媒体新物种。智能交互式媒体技术将深刻的改变当前短视频、电影和游戏形态的媒体内容,内容生产范式将由制作和分发向实时生成和实时运行转变。预计到 2030 年,AI+CG 融合生产线将服务全球 1 亿数字内容生产者,创造的交互式媒体内容将达到 1 万亿小时。40云计算 2030 多模态融合的软件生产线随着每个要素的生产线的演进,整体的软件生产线也将朝着多模态融合、统一、集成的方向发展,我们称之为融合模式的软件生产85、线,其设计理念是将人的智慧与机器的效率相结合,实现更高效、更灵活、更创新的软件开发流程。它是一个集成了 DevOps(研发运营)、DataOps(数据治理运营)、MediaOps(数字内容运营)以及 MLOps(AI 模型运营)等多类型、多操作模式、单一集中视图的综合性开发运营平台,消除了传统意义上的孤岛。该平台以 AI 为核心,通过高度的智能化和自动化地显著提升开发效率,缩短开发周期。预计到 2030 年,融合生产线将规模运用,软件开发效率将迎来 10 倍甚至 100 倍增长,开发门槛显著降低,推动软件开发的民主化和创新普及。3)软件成本:从“衡量人力”走向“人力+算力+数据”传统软件的开发86、已经成为一个复杂的工程,伴随着 IDE 的不断优化和升级、高级编程语言的出现,软件开发效率也在逐步提升,但在没有“银弹”的情况下,软件开发的主要活动还是以“人”为主导,包括需求的分析、代码的编写、软件工程的项目管理,跨团队协同沟通等,都需要人的深入参与,软件的成本还是以“衡量人力”为主。而未来软件的会增加“数据、模型、数字内容”等更多的要素,这些数据的资产、模型的生产、内容的版权,都会使软件的成本构成更加复杂,虽然这些要素的集成、使用、监管等依然需要人的参与,但是算力、数据等同时会成为软件成本的重要组成部分,预计到 2030 年,软件的成本将不再以衡量单一要素“人力”为主,“衡量算力、数据集、87、数字版权”等更多复杂要素将成为考虑软件成本的重要指标。41云计算 20303.4.2 应用智能进化应用软件智能化是指将先进的人工智能技术集成到软件中,赋予软件自主优化、预测和决策的能力,继而帮助各行各业提高运作效率,优化运营成本。1)革命性的人机交互:“人机对话”走向“真实交流”自然语言处理(NLP)技术正将人机对话提升至全新的水平,使得智能应用能够理解复杂的语言和语境,提供精准的信息和服务。情感分析的进步更是让智能应用能够感知并响应用户的情绪,就像一个贴心的知己,它能够根据用户的语气和用词判断情绪状态,提供相应的安慰或鼓励,提供更加个性化的互动。预计到 2030 年,NLP 技术将使智能应用88、的理解能力接近人类,语音识别准确率将提升到 98%,语音将成为应用交互主流,大幅缩短用户操作时间。智能客服引入情感分析技术后,客户投诉有可能减少 30%-50%,极大提升客户满意度。2)智能化的业务流程:重新定义企业运营管理模式智能化的业务流程标志着企业运营管理模式的革新。预计到 2030 年,预测分析和模式识别技术将成为企业运营的标配,使得运营效率和决策质量实现质的飞跃。企业将依托机器学习和大数据分析,洞悉市场动向、消费者行为,以及潜在风险,从而做出更为精准的业务决策。在这一变革中,个性化智能助手将成为每位员工的得力副手。这些智能助手将通过深入分析员工的工作模式和业务需求,提供量身定制的建议89、和解决方案。它们将承担起繁琐的重复性任务,释放员工的潜力,使他们能够专注于更具战略意义的工作。形象地说,未来的工作场所,每位员工都将拥有自己的智能伙伴,无时无刻不在为员工提供支持,让工作更加流畅、高效,同时也更加人性化。这种转变不仅将工作效率提升至新高度,而且预计将人为错误率降低 50%以上,从而推动企业决策的智能化和精准化,当前规模化企业的重大决策时间往往需要数周,未来的企业决策时间有望缩短一半,从而更快地响应市场变化。3.4.3 新型应用涌现1)Web3.0 应用:基于数字证明和去中心化架构,应用更可信与 Web2.0 相比,Web3.0 构筑了数字世界的信任基础。Web3.0 应用采用去90、中心化的架构,所有交易和数据都记录在不可篡改的账本上,而传统应用则依赖于中心化的信任机制,容易受到操控和欺诈的影响。用户在 Web3.0 应用中拥有对数据的所有权和控制权,可以通过参与生态系统获得收益,不再是被动的内容消费者,而是平等的参与者和受益者。Web3.0 应用在多个场景中可以有效补充传统应用,比如:内容创作和版权保护:通过 NFT 和智能合约,确保创作者对其作品的所有权和收益分配 供应链管理:利用去中心化的记录系统,提高透明度和可追溯性,减少欺诈行为 金融服务:DeFi 允许用户在没有传统银行的情况下进行资产管理和收益获取智能合约和零知证明技术在支撑 Web3.0 应用上发挥了重要作91、用。智能合约:内含了代码函数,提供验证及执行合约内所订立的条件,web3.0 去中心化应用需要智能合约来执行和管理各种功能和服务。未来,智能合约将与人工智能技术深度融合,能够处理更复杂的逻辑和决策,并自主学习和优42云计算 2030化。彭博预测,到 2030 年,智能合约平台的市场总值将达到 15 万亿至 25 万亿美元之间。零知证明:使 web3.0 之外(链外)的数据/账户能够取得链上验证,获得Web3.0生态的信任,该技术可用于支撑资产证明、匿名投票与支付、交易隐私保护等场景。随着 2024 年初香港、美国批准 BTC/ETH ETF,将有越来越多现实资产涌入去中心化世界,传统金融和去中92、心化金融体系正在加速融合。目前,全球使用数字资产的人数是 4 亿人,预测到 2030 年该人数可能增加到 10 亿人,将有 16 万亿的现实世界资产在去中心化世界流通和交易。所有抵押质押通过物理的形式证明,未来通过算力来实现自动化验证与评估资产实际价值。预计到 2030 年,Web3.0 应用将执行超过 900 亿条零知证明,零知证明云算力需求将达 100 亿$。2)量子应用:在金融、物理、能源和生物等特定场景超越经典计算预计到 2030 年,量子计算将在其特定的领域内实现对传统计算技术的显著超越,这一历 史 性 的 突 破 被 称 为 量 子 优 势(Quantum Advantage)。量93、子优势的实现依赖于两个关键因素:量子算法的实用性发展和量子计算机性能的显著提升。目前,诸如 Grover 和 Shor 这样的主流量子算法已经从理论上展示了量子优势的潜力,但它们的实际应用需要量子计算机拥有足够数量的可用量子比特,以及强大的量子比特纠错能力。我们预计到 2030 年,量子比特的纠错能力将达到 99.999%至 99.9999%的精度,而量子比特的数量也将从当前的 1000+激增至 10000+。这样的技术进步将使量子计算在金融、物理、能源和生物等多个行业的关键场景中得到广泛应用,从而实现量子优势。此外,到 2030 年,量子计算即服务(QCaaS)预计将成为行业的新标准。企业和94、研究机构将能够通过云平台便捷地访问量子计算资源,无需自行投资和维护成本高昂的量子硬件。在云端,我们将看到成熟的量子计算基础设施服务、算法/算子平台服务以及应用开发平台服务的兴起。目前,量子计算硬件的发展呈现出多样化的技术路径,包括超导、离子阱、光量子、冷原子和自旋量子计算等。预计到 2030 年,其中 1 至 2 种技术将脱颖而出,成为主流方向,并在云端提供成熟的量子计算服务,推动量子计算技术的广泛应用和商业化进程。随着这些技术的成熟和普及,量子计算将不再是科学研究的专利,而是成为推动各行各业创新和转型的强大动力。预计到 2030 年,全球应用现代化市场规模将达到到 3800 亿美元,复合增长95、率将达到 17%,企业数字化转型、遗留系统改造、成本优化和增强用户体验是推动应用现代化市场增长的因素。43云计算 20303.5 企业高效用云云厂商基于项目经验积累和认知升级不断迭代企业用云理念和框架,不断提升和完善产品组合能力,未来将深度融合AI技术,打造自动化迁移、精益化治理、无感知韧性、确定性运维和精细化FinOps 等高阶能力,帮助企业更全面、更高效地利用云计算带来的优势,加速实现业务目标。3.5.1 自动化迁移:实现全流程自动化,迁移效率提升 10 倍企业正在加快云化进程,迅速发展迁移工具,这些工具提供现状采集、评估分析、架构设计、迁移实施和数据校验等涵盖迁移全流程的功能,帮助企业降96、低迁移风险和成本。但目前企业还面临很多迁移挑战,主要包括识别应用依赖关系、评估技术可行性和选择最合适的云资源规格等。未来,迁移工具将与 AI 技术进行深度融合,基于 AI 分析源端应用系统的代码、配置文件和运行日志等,更准确地识别应用架构和组件依赖关系。在此基础上,结合架构设计原则和最佳实践自动设计目标端的技术架构,基于 AI 分析应用系统的历史性能数据和预测未来业务负载,自动进行性能测试和容量规划,精准预测资源需求。再基于云服务定价模型自动推荐最具成本效益的云资源规格。基于迁移流水线技术的日臻完善,可以实现迁移全流程的自动化。预计到 2030 年,迁移进入全流程自动化阶段,实现真正的无人化迁97、移,迁移效率相比现在提升10 倍以上,复杂应用系统可以在 IDC 和云之间、多云之间进行业务零中断的自由迁移。3.5.2 精益化治理:90%的合规风险消除在萌芽状态量变导致质变,大规模上云带来了一系列的云治理挑战。数百个业务系统和数万个云资源存在复杂的依赖关系,资源管理和合规遵从的难度指数级增长;而各个业务线和合作伙伴的数百上千员工需要访问这些云资源,职责不清将导致权限配置混乱,数据泄露途径将指数级增长,风险管控非常困难。针对这些云治理挑战,云厂商推出了 Landing Zone 解决方案或 GRC(Governance,Risk,Compliance)解决方案,但还有很大的提升优化空间。根据98、调查显示,依然有 76%的企业反馈云治理是其面临的主要挑战,而且随着多云和混合云环境的普及,企业面临的云治理挑战也进一步增加。未来,Landing Zone 解决方案将深度践行零信任理念构建全方位的数据边界,确保只有环境可信、身份可信、网络可信和资源可信同时满足的情况下才能访问企业敏感数据;通过 AI 分析用户的历史访问行为,再根据用户的角色和职责,自动化生成和配置最小化权限策略,并基于用户属性、资源属性、环境属性等信息对用户进行持续认证和动态授权。其次,Landing Zone 将深度结合 AI 技术对“人财物权法”等要素进行结构化、集中化、精细化和智能化的治理,基于复杂关联分析提前识别大部99、分潜在风险,并在风险萌芽状态下对其进行自动化消除。另外,未来的云治理将倾向于使用统一的平台来管理多云和混合云环境,通过 AI 和自动化技术整合不同云厂商的管理接口,提供一致的云治理框架、策略和流程,简化管理复杂性。预计到 2030 年,云治理将进入精益化和智能化阶段,90%以上的合规风险将消除在萌芽状态。3.5.3 无感知韧性:走向零负担、全托管、高度自愈的新时代云上的应用韧性是指应用系统承受云基础设施故障、外部攻击、外部依赖故障、地域灾难等异常情况下,仍能持续运行并快速恢复的能力。许多企业通过采用微服务架构、容器化技术和分布式系统来增强应用韧性。此外,自动化监控、故障检测和恢复机制的引入,使100、得应用能够在44云计算 2030故障发生时自动调整和修复。云厂商也提供了多种工具和服务,帮助企业构建更具韧性的应用系统,韧性技术处于快速发展过程中。预计到 2030 年,应用韧性将进入零负担、全托管、高度自愈的无感知韧性新时代。通过纳米级智愈技术构建进程内微自愈能力;全球统一的感知系统即能感知故障又能实时感知灾难;不再需要事先创建大量冗余实例,通过秒级冗余部署技术实现故障发生触发部署,细胞再生式进化,无感故障响应;租户不再需要为了韧性投入运维工作,通过韧性无人护航技术,实现真正的黑灯运维;应用不再关注韧性、可靠性加固,通过应用韧性堡垒技术实现容器化即韧性加固;流量管控与感知深度融合,通过稳态智101、监测的流量平衡技术实现进化式流量消费与平衡;混沌工程不再是有限剧本,通过混沌裂变技术,打造有意识的混沌蓝军。3.5.4 确定性运维:10 分钟内恢复80%的云上故障数字化转型对运维提出了严峻挑战。多云环境及多技术栈长期并存,增加了运维复杂度,可用性保障难;业务敏捷与现网稳定产生冲突,加剧了安全生产风险;恶性事件频发,全面保障系统稳定可靠成为业务发展的生命线;高可用业务系统与低成本投入间矛盾日益突出,运维人才技能与发展趋势不匹配。传统运维能力已无法满足数字化业务对稳定可靠的严格要求,企业需构建更高效、更安全、更可靠的运维质量保障体系。确定性运维通过高可用架构设计评估、主动运维预测预防、混沌演练评102、估、全链路可观测分析、基于故障模式的确定性恢复、海量资源的动态风险治理、变更风险管控等全场景全栈技术和运维组织流程持续建设,极大提升企业云上运维能力,减少系统故障和中断,降低人力成本和操作风险。未来,通过 AIOps 智能化新技术,构建云上亿级运维对象的数字孪生世界,实时感知所有云资源的变化,直观的刻画全局运维状态;结合大模型及 SRE 专家经验,可提供运维智能诊断和决策,实现故障的自动决策和恢复。预计到2030 年,企业通过全面实施确定性运维管理体系,可实现 80%的云上故障 1 分钟发现、5 分钟响应和 10 分钟恢复,可以自动化跟踪、决策和处置 80%的运维任务。3.5.5 精细化 Fi103、nOps:为全球用户每年减少 2000 亿$以上的云资源浪费根据调查显示,管理云支出成为企业用云的第一挑战,平均有 27%的公有云支出是浪费的,51%的企业已经成立了专门的 FinOps 团队。FinOps 已经成为许多企业云战略的重要组成部分,通过有效的成本管理和优化,企业能够更好地控制云支出,提高投资回报率,并支持业务的可持续发展。未来,FinOps 将与 AI 深度融合,首先,AI 能够更精准地预测成本,自动识别异常支出和资源浪费,并触发自动化的修复优化机制,实现从成本可视到成本优化的自动化闭环。其次,FinOps 与 AIOps 深度融合,将云成本数据与运营数据相结合,实现更全面的洞察104、和更智能的运营决策。最后,AI 将降低 FinOps 的使用门槛,使更多企业,包括中小企业,都能受益于 FinOps的 价 值。此 外,FinOps 还 将 与 GreenOps 结合,帮助企业在优化成本的同时,减少碳足迹和能源消耗。预计到 2030 年,智能化和精细化FinOps 将成为企业用云的必备能力,为全球用户每年减少 2000 亿$以上的云资源浪费。45云计算 20303.6 安全无界防护3.6.1 安全威胁:网络攻击出现新态势,强度和复杂性创历史新高在 AI、量子计算技术进步、地缘政治格局变化以及新业务和新场景的推动下,2030 年的网络安全将面临前所未有的变化。如量子计算的发展将105、导致当前流行的加密方法面临被破解的风险,AI 大模型驱动的门槛低、破坏性强的生成式对抗攻击(不良内容、深度欺诈、模型架构攻击、恶意代码等)将越来越多,国家级 APT(高级持续性威胁)攻击、专业的商业勒索攻击将让网络攻击活动的强度和影响面大大增加,供应链软硬件体系的安全可信在未来将越来越受到国家和企业的重视,智能终端(智能汽车、智能家居、机器人等)的传感器、控制器增多将让其未来面临的网络风险大增,数字资产、智能合约未来越来越普及将导致 Web3.0 面临的安全挑战日益严峻。预计到 2030 年,网络攻击领域将展现出新的发展态势,包括黑客组织高度专业化、攻击工具高度智能化、网络攻击服务的商品化等变106、化,这些新态势预示着未来网络攻击的强度和复杂性将提高数倍,甚至数十倍以上。3.6.2 安全防御:以云为核心,完整、有纵深的零信任防护体系未来的安全防护体系将从被动的静态防御、依赖边界防御、产品间缺乏协同的防御升级为主动的、数据共享、内外部一致、云网边端芯协同、架构与业务紧密捆绑(安全与业务伴生)、统一安全视图的智能化防御体系。这就是以云安全为核心的零信任防御体系,它将承受未来“惊涛骇浪”般的网络攻击。1)零信任:覆盖云网边端芯,从外挂式安全走向内生、分布式安全零信任安全架构未来将覆盖企业网络、云计算环境、移动设备、远程办公、远程访问、供应链安全、物联网(IoT)设备安全、应用程序安全和数据安全107、等应用场景。未来企业将部署更多的零信任产品,不同的零信任产品方案之间、零信任与原有的网络安全架构、业务应用之间将进行全面整合、协同。到 2030 年预计 95%以上的企业会实施零信任策略,零散的零信任产品方案都将整合到以云安全为核心的零信任体系架构中来。46云计算 2030零信任架构将从当前的网络边界信任(ZTNA、微分段等)为主,发展到覆盖芯片、终端、身份、数据、应用、网络、基础设施,将更全面地重塑网络架构。零信任将从外挂安全向内生安全扩展,意味着安全将成为系统架构的固有组成部分,而不仅仅是外部附加的防护层。针对应用程序开发,安全左移,未来应用程序将在设计之初就整合安全措施,确保安全与功能的108、同步发展。未来安全防护将是分布式的,能够根据业务需求和流量模式动态扩展。未来安全将像免疫系统一样,如影随行。2)安全体系:向智能化演进,实现主动和自动化防御传统的基于规则的安全解决方案在处理海量数据、识别新型攻击模式方面显得力不从心。到2030 年预计 80%的组织将采用 AI 加持的网络安全产品,以应对不断演变的威胁形势,实现更加主动和智能的安全防御。安全产业将充分发挥 AI 的技术优势实现智能化升级,特别是在智能威胁检测、预测、自动化响应和安全决策优化领域。智能威胁检测:AI 通过结合行为分析、海量威胁情报能实现未知威胁的检测,将大幅提升了传统产品的检测能力,主要应用在EDR、防火墙、AP109、T 等产品。事件预测:AI 为即将发生威胁预测提供新技术和新范式。基于图神经网络等技术,针对恶意行为进行建模,用良性样本和恶意攻击样本训练安全大模型,使得大模型能够深入理解攻击事件之间的内在联系和规律,从而对未来一段时间内可能出现的攻击类型、攻击目标、攻击手法等进行预判。自动化响应和安全决策:AI 生成的威胁情报将帮助安全运营系统对已经发生或者即将发生的攻击行动实现主动、精准地制定防御策略,进行自动化的响应,达到提前采取针对性的防护措施,最小化安全风险的目的。同时,也能帮助安全专家对攻击者展开全方位的跟踪和态势感知,帮助进行威慑、诱捕、溯源等主动防御行动。3)安全生态:智能云化创新、产业整合,110、合作共赢安全产业正面临碎片化、市场分割、厂商缺乏体系化架构以及生态渠道,不足等挑战。在智能化和云技术引领的安全新一轮变革中,安全产业将基于云平台进行智能化升级和云化创新,共同推动产业整合(资源、技术和市场),共建一个合作共赢、开放、创新、面向未来的安全生态体系。未来新的安全防御体系将基于云平台实现技术共享、情报共享和市场共享,将实现针对安全威胁的联防联控、协调一致的智能化运营。传统安全生态系统(安全软件、硬件、服务提供商、咨询公司、培训机构等)为顺应技术发展潮流的趋势变化,将基于云平台进行云化和智能化转型升级。到 2030 年预计 90%安全厂商将逐步上云,它们将主动拥抱云,与云深度集成,以应111、对未来更高级的网络威胁。47云计算 20303.6.3 安全是云的免疫系统1)大模型:从数据保护、机密计算、模型加固到内容审核的全方位保障到 2030 年,预计50%企业将会拥有自己专属的大模型。大模型安全主要聚焦大模型数据安全、机密计算、模型加固和内容审核四个方面。数据安全:主要包括数据版权保护(数据来源的合法性、版权授权问题、开源许可等)、传统企业实现安全运营相对较难数据血缘(数据在处理、流转和融合过程中形成的上下游关系和关联性)、数据加密、数据清洗等,保护大模型在训练、使用和存储过程中涉及的敏感数据和模型资产。机密计算:使企业能够使用敏感数据来训练大模型,确保其数据和模型受到保护,甚至免112、受特权攻击者和内部人员的破坏。一是基于硬件的安全性和隔离。二是支持零信任架构,通过认证服务验证计算资产的可信度。三是允许数据所有者在保护专有数据机密性的同时,在模型训练上展开协作。模型加固:确保大模型在开发、训练、测试、部署和管理的全生命周期的安全。模型防泄漏,指防止通过模型窃取、模型压缩等技术来复制或迁移已有大模型的能力(模型参数、模型功能等);模型加密,指采用的加密措施,以确保模型的机密性、完整性和可用性。还有模型篡改、模型后门检测、模型版权保护等措施等。内容审核:防止用户输入和大模型输出的内容存在违反社会价值观、侵犯隐私、输出恐怖/极端主义、存在偏见歧视等安全合规问题。比如:文本审核、图113、像审核、视频审核、AIGC 隐私脱敏、AIGC 水印、AIGC 鉴伪等技术。2)云网边端协同:从端侧、边缘、网络到云负载的全栈防御体系到 2030 年,预计 90%以上的企业将寻求安全供应商的全面整合,云平台将实现云、网、端、边协同,建设统一、综合的防御体系,以满足企业未来的安全诉求。端侧安全:未来要把零信任机制扩展到端侧,实现以云助端、端云协同,态势感知。从 EDR向 XDR(扩展检测和响应)扩展,AI 大模型驱动的 XDR 将实现实时分析和自动化保护企业终端设备与 IT 资产免受病毒软件及网络的攻击,实现数据端到端的保护。边缘安全:边缘节点是分布式的,边缘安全将面临着去中心化带来的挑战,如114、更多的边界防御风险和物理硬件风险。未来的部署到边缘的应用将变得更加高阶和智能化,我们将愈发需要以云助边、边缘与云协同,打造以云为核心的安全能力全局调度体系。网络安全:网络安全的核心在于对网络流量的全面监控和管理,基于 AI 大模型技术的实时分析将能更高效地识别和检测网络流量中的潜在威胁。针对未来高强度的 DDOS 攻击,基于云和 AI 算法(网络流量模型)将极大提升网络流量模型的分析精度,实现对 DDoS 攻击的快速识别和有效防御。云上负载安全:未来云上负载安全除了做基线防御外,还将与流量安全相结合,监控和保护在云环境中流动的数据流量,识别潜在的威胁和恶意活动,并确保数据传输的安全性。未来随着115、基础设施即代码(IaC)和策略即代码(PaC)的实施,针对云工作负载的 AMTD(自动移动目标防御)安全将走向商用。3)数据:保证全程加密、状态可视、透明可追溯和可审计预计到 2030 年,95%以上的企业将会采取以数据为中心的安全防护策略。通过自动化的数据发现、智能分级分类、全链路加密、状态可视化,构建机密计算平台(机密环境、可远程证明、节点可信、多节点架构),同时保证数据48云计算 2030资产在不同系统和平台间传输时的安全性和准确性,为企业的数据资产提供了全方位的保护。未来将出现许多新技术来确保核心数据资产的安全。基于硬件的机密计算将广泛推广,在传统数据隔离基础上强化内存加密。零知识证明116、将在金融服务、Web3、区块链等领域有广泛应用。安全多方、同态加密将允许对加密数据进行操作,且操作结果在解密后与原始数据操作结果相同。联邦学习、零知识证明、差分隐私等支持在不泄露数据隐私的前提下交互和处理数据。这些技术预计将在未来几年内逐步走向成熟,并在 2030 年实现更广泛的商用。3.6.4 安全因云而强1)网络安全:网络攻击的防御体系走向分布式、智能化云平台凭借其庞大的带宽和计算资源,以及在全球 200 多个国家建立的数百个数据中心,为应对日益增长的算力需求提供了坚实的基础。预计到 2030 年,云平台的 DDoS 防御能力将达到 10Tbps 以上,远超一般企业自建防御系统的带宽,是企117、业防御带宽的数倍甚至数十倍,从而能为企业提供更为强大和可靠的网络安全保障。云平台凭借其弹性资源、高级防护技术、专业安全团队、全球数据中心网络、自动化响应机制,构筑能抵御未来大规模网络攻击的防御体系。2)数据安全:从企业自建走向云上云下一体化的防护策略数据已成为企业最宝贵的资产,其安全性受到国家和企业的高度重视,企业将难以进行长期且持续的数据安全资源投入,包括:技术、人才战略和数据资产风险管理体系等。云平台不仅有更完整的数据安全防御系统(端到端加密、访问控制和身份认证等)、更先进技术(机密计算、加密技术等),还天然满足各级政府和行政机构的数据合规要求,拥有更完善的数据资产治理机制,帮助企业遵循数118、据保护法规和标准。云上数据安全技术将不断创新和改进。机密计算和加密算法将在云平台上取得显著的性能提升,到 2030 年,云上数据安全方案的性价比将比企业自行部署高 50%以上。这将会进一步推动企业采用云上数据安全解决方案。3)安全运营:走向 AI 加持的云原生 SecOps运营模式网络安全是三分建设、七分运营。由于缺乏专业知识、资源限制,安全运营对传统企业相对较难,但云平台基于先进的安全工具、专业服务、专业知识等优势,将使企业的安全运营简单、高效。云平台有广泛的数据源(安全及云服务的运行日志、上亿级别安全领域专业知识、百亿级别49云计算 2030恶意软件检测参数、万亿级别次攻击防御经验、更全面119、准确实时有深度的威胁情报),将比传统安全平台更具优势,能构建威胁识别的模型以及自动响应的剧本,能训练出更“聪明”的安全大模型。未来大模型加持的“安全大脑”将帮助安全运营在告警降噪、攻击研判、自动响应与处置、报告的自动生成等方面的能力得到显著提升。到 2030 年,预计将有 70%的企业将会采用 AI 加持的云原生 SecOps 模式。4)安全创新:技术创新逐渐迁移到云上未来密码技术、安全芯片、证书等根技术将颠覆传统网络安全产业,在云上将实现基于密码学技术、安全芯片的最原子可信根,云将助力安全技术的创新、商用和落地。密码技术作为安全的基础,未来将面临量子计算的威胁、国际形势的变化以及新兴技术等带120、来的新挑战。云提供的加密服务、集中化的密钥管理服务、更先进的身份认证机制及更实时和智能的入侵检测与防御能力,为构建一个全面、高效、可靠的密码防护体系提供了坚实的基础,将大力推动后量子密码、国密和硬件机密计算等技术的快速发展。安全芯片作为可信计算的基础组件。安全芯片落地,操作系统、应用程序等需要进行端到端的改造,这将是一个复杂的过程,涉及到硬件与软件的深度集成和优化。云平台的软硬一体化特性、集成能力、标准化和自动化流程、灵活性、安全性以及经济效益,使其成为实现端到端改造的理想平台,让安全芯片更容易落地商用。到 2030 年安全芯片的可用性和性价比将大幅提升,预计市场渗透率能达到 20%以上,在市121、场上开始普及。50云计算 2030倡 议04预测未来最好的方法就是创造未来!智能化已经成为最确定的发展趋势,让我们共同努力,云上跃迁,重塑千行万业,共同迈向智能世界 2030!51云计算 2030附录 A:缩略语缩略语英文全称中文全称ADMETAbsorption Distribution Metabolism Excretion Toxicity药物动力学方法AGIArtificial General Intelligence通用人工智能AI4SArtificial Intelligence for Science面向科学的人工智能AIGCArtificial Intelligence Ge122、nerated Content人工智能自动生成内容AMTDAutomated Moving Target Defense自动移动目标防御APTAdvanced Persistent Threat高级持续性威胁CNNConvolutional Neural Network卷积神经网络CPUCentral Processing Unit中央处理单元DappDecentralized Applications去中心化应用DataOpsData Operations数据运营维护DBADatabase Administrator数据库管理员DCNData Center Network数据中心网络DDOS123、Distributed Denial of Service分布式拒绝服务攻击DeFiDecentralized Finance去中心化金融DevIndustryOpsIndustry Development Operations行业开发与运维DevOpsDevelopment and Operations开发与运维DevSecOpsDevelopment,Security,and Operations开发、安全与运维EBExabyte艾字节EDREndpoint Detection and Response端点检测与响应ER/EPEnterprise Router/Endpoint企业路由器/124、端点ETH ETFEthereum Exchange-Traded Fund以太坊交易型开放式指数基金eVTOLelectric Vertical Takeoff and Landing电动垂直起降52云计算 2030缩略语英文全称中文全称FinOpsFinance Operations财务运营GPU Graphics Processing Unit图形处理单元GRCGovernance,Risk,Compliance监管、风险、合规GreenOpsGreen Operations可持续运营GWGigawatt吉瓦,等于十亿瓦特HTAPHybrid Transactional/Analytic125、al Processing混合事务/分析处理IaCInfrastructure as Code基础设施即代码IDC Internet Data Center数据中心IDEIntegrated Development Environment集成开发环境LLMLarge Language Model大型语言模型MediaOpsMedia Operations数字内容运营维护MFUModel Floating-point Operations Utilization模型浮点操作利用率MLOpsMachine Learning Operations机器学习运营维护MLOpsMachine Learni126、ng Operations机器学习运营维护NFTNon-Fungible Token非同质化代币NLPNatural Language Processing自然语言处理NPUNeural Processing Unit神经处理单元OSOperating System操作系统PaCPolicy as Code策略即代码PDEPartial Differential Equation偏微分方程ProcletProcesslet 轻量级处理单元RNNRecurrent Neural Network循环神经网络RWAReal World Assets-tokenization现实世界资产代币化SecO127、psSecurity Operations安全运营53云计算 2030缩略语英文全称中文全称SFTSupervised Fine-Tuning有监督微调SLAService Level Agreement服务水平协议SQLStructured Query Language结构化查询语言SQLStructured Query Language结构化查询语言SRESite Reliability Engineering站点可靠性工程UPSUninterruptible Power Supply不间断电源V2XVehicle-to-Everything车与一切的通信VLAVision-Languag128、e-Action 视觉语言行为VPCVirtual Private Cloud虚拟私有云VPCVirtual Private Cloud虚拟私有云VPNVirtual Private Network虚拟专用网络XDRExtended Detection and Response扩展检测与响应XRExtended Reality扩展现实XRExtended Reality扩展现实ZBZettabyte泽字节ZTNAZero-Trust Network Access零信任网络访问华为技术有限公司深圳龙岗区坂田华为基地电话:+86 755 28780808邮编:免责声明本文档可能含有预测信息,包括但不限于有关未来的财务、运营、产品系列、新技术等信息。由于实践中存在很多不确定因素,可能导致实际结果与预测信息有很大的差别。因此,本文档信息仅供参考,不构成任何要约或承诺,华为不对您在本文档基础上做出的任何行为承担责任。华为可能不经通知修改上述信息,恕不另行通知。版权所有 华为技术有限公司 2024。保留一切权利。非经华为技术有限公司书面同意,任何单位和个人不得擅自摘抄、复制本手册内容的部分或全部,并不得以任何形式传播。商标声明 ,是华为技术有限公司商标或者注册商标,在本手册中以及本手册描述的产品中,出现的其它商标,产品名称,服务名称以及公司名称,由其各自的所有人拥有。