这份报告提出了2023年中国技术和IT的十大趋势：从“多云混合”到“一云多态”的演变；云基础已经从优先考虑软件转向实现硬件和软件；更多的云产品将以Serverless的形式交付；加快将预先训练好的大型模型作为人工智能基础设施的应用；AIGC在概念爆炸后进入了产品化尝试；数据收集已从单一点转向一般化；工业数字双胞胎加强了物理空间和虚拟空间之间的互动；数智逆向融合，形成以智养智的正反馈；数据和应用将进一步实现感知闭环；“数字碳中和”的概念已经走向市场。

趋势1：从“多云混合”到“一云多态”的演变
分布式云加速发展，云能力从“中心辐射”向“传输和分发”过渡

“多云混合”是当前企业使用云的常态，但各种云部署模式在资源调度、协同管理、能力共享等方面存在挑战，导致了“多云混合型”的“多云孤岛”状态。以“东数西算”为代表的云基础设施升级”项目和以“分布式云”为代表的云基础设施升级将有效解决上述问题。通过统一基础设施和利用系统的云网边缘设施，我们可以减少云能力从中心到边缘的“衰退”，推动“无损”“云能力的分布，实现系统化、集成化的云服务。一云多态性将更好地满足传统行业复杂边缘场景的业务需求，加速云计算向传统行业的渗透。预计到2025年，传统行业将在云市场占据主导地位，金融、工业、汽车等细分行业将继续扩大云支出。

趋势2：云基础从软件优先转向软硬件结合
为了进一步释放数字智能平台的能力，云供应商需要提高基础硬件资源的质量

在数字时代，“交替、迭代、相互支持”的软硬件产品的周期性崛起广泛适用于云服务、人工智能、物联网等数字行业。以云服务为例：通过云计算的概念和工具，云计算在平台软件和应用软件领域逐渐得到优化。然而，为了更好地支持数字化的深化发展，底层硬件也需要加快转型，以更好地释放软件能力，支持业务创新。作为加速数字化进程的关键“燃料”，计算网络资源不仅可以减少硬件虚拟化损失，还可以通过将软件功能转移到硬件产品（使用Chiplet等芯片架构设计，使用RDMA进行网络加速，结合NVMe进行存储加速），从而提高资源利用率，更好地利用云资源服务核心业务。同时，底层硬件的逐步升级换代将进一步带动上层大数据和人工智能平台更好地支持业务创新。

趋势3：更多的云产品将以无服务器的形式交付
All on Server less概念进一步渗透到AI和中间件等模块中
在过去的几年里，功能即服务（FaaS）已经成为无服务器的核心产品形式，数据库和大数据等基础软件或能力平台也被云供应商纳入了他们自己的无服务器产品矩阵。随着客户对自动化能力的更高追求，无服务器的概念进一步渗透到容器、中间件、文件系统、人工智能、云视频、云通信等多个模块中，与FaaS一起打包成端到端的云软件开发包，形成了“All on Serverless”的云产品迭代浪潮。未来，几乎所有企业的业务都可以基于无服务器架构，从而消除了客户部署、维护和管理应用程序的需要。通过触发执行、扩展和按需支付，客户可以进一步专注于其核心业务，快速构建业务模块，并无限接近零运维成本和零资源浪费。

趋势4：加速将经过预训练的大型模型应用于人工智能基础设施
加快人工智能产业化进程，撬动人工智能发展效率，多次释放生产力
依托智能计算基础设施、海量数据积累和治理以及深度学习算法的突破，作为一种新兴的人工智能计算范式，超大规模智能模型（也称预训练大模型）的通用性和通用性不断提高，并可应用于更广泛的下游任务和场景，解决AI应用的长尾问题；并且可以在人工智能模型开发部署应用的过程中实现标准化改进，提高人工智能应用研发的效率。人工智能的认知和应用没有边界，仅仅依靠少数人工智能科学家和人工智能技术企业无法促进整个物理和数字世界的智能化。预训练的大模型的加速应用有望解决行业、学术界和研究界关注的提高人工智能开发效率杠杆率和多次释放人工智能生产力的核心问题。2022年，语言大模型与行业应用的联系日益紧密，行业龙头企业正在积极推出适合特定业务场景的行业大模型。通过提供计算能力、核心运营商库和软件平台等集成服务，我们帮助企业将基本模型能力与生产流程相结合，并与*客户合作推广落地案例。未来，作为人工智能模型生产基础设施的预训练大型模型将加速其应用；夯实智能算力基础设施，提高模型对业务场景的适应性，明确基于呼叫成本的投入与产出平衡点，是其大规模商用的优化方向。

趋势五：AIGC在概念爆炸后进入产品化尝试
提升数字内容生产的质量和效率，转变人机交互体验
2022年，一幅由Midjournal生成的AI画作《太空歌剧院》发布，AI生成的图像开始在社交媒体平台上疯狂传播；这股热潮尚未消退，2023年初，ChatGPT（ChatGenerative Pre-trained Transformer）再次将AIGC的概念推出市场。AIGC是一种新的内容制作方法，它利用现有的文本、音频文件或图像来创建新的内容。它使用机器学习算法从数据中学习元素，通常基于跨模态大型模型，包括基于材料的部分生成和基于指令的完全自主生成和生成优化。得益于真实数据的积累和计算成本的降低，它可以帮助生成数字内容的初稿，包括AI绘画、平面设计、对话系统、虚拟数字人、搜索引擎、代码生成等，提高了数字内容的丰富性、生产力和创造力；类人互动体验和全民参与显著提升了C端消费者对人工智能的认知，进一步拓展了市场对人工智能商业价值的想象。未来，随着多模态、垂直模型优化等底层模型的推进，AIGC技术将进入技术产品化加速期，并扩展到更多商业领域。

趋势6：数据收集从单点走向综合
通过推广数据收集来提高数据处理方法的准确性和效率
传统的数据收集方法通常针对特定的场景和目的，获取数据的渠道和手段相对有限，导致数据收集量不足。随着物联网设备的普及和互联网应用的扩展，数据量呈指数级增长，为广泛收集提供了基础。数据维度向多样化和复杂性的转变同步增加了数据收集的难度和不确定性。传统的数据采集方式已不适合当前企业丰富的数据需求，影响了企业对数据自身价值的利用。物联网系统、网络系统和传统信息系统的结合可以扩大采集样本的数量，扩大数据维度的多样性，有利于多个领域的行业在实际场景中及时应对未知情况。泛化数据处理难度的增加导致了数据处理和分析方法的发展。以机器学习为主的智能技术不仅可以获得用于模型训练和优化的数据，还可以利用数据挖掘和数据可视化等功能，为企业更好地预测和控制收集到的数据。数据收集的一般化需要平衡数据收集的数量和质量。如果能够预先判断收集到的数据的目的，则可以大大减少后续数据处理的工作量，并较大限度地提高收集和应用的效率。

趋势7：工业数字双胞胎加强物理和虚拟空间互动
提升工业数字孪生的诊断和预测能力，促进整个业务流程的闭环优化
工业数字孪生是基于数据和工业机理模型的集成与融合，构建虚拟与现实双向互动的闭环优化系统。它通过控制生产过程和设备，在虚拟环境中模拟工业生产。它的三个主要特征是整个生命周期的实时反映、决策和闭环优化。未来，工业数字孪生将更加注重虚拟与现实融合的应用，推动“虚拟现实——从虚拟到现实——从虚到实——从虚变实——从虚拟变实”的孪生闭环。目前，工业数字孪生的应用普遍集中在实时监控和虚拟现实匹配阶段，尚未走向诊断分析和预测优化阶段。中短期内，加快实施“实到虚映射”，空间维度将从一些双子对象之间的简单关联转向多个双子对象之间自动化、智能化的协同开发；时间维度将从具有独立关键生命周期的双对象的碎片化应用转变为贯穿“生产废料”整个生命周期的双重应用。从中长期来看，产业机制模式将是连续的

趋势八：数字智能反向融合，以智养智形成正反馈
AI开始提供数据治理反馈，进一步推动人工智能进入小场景
过去十年，以深度学习为代表的人工智能一直以数据为基础，高质量的数据是人工智能良好应用的前提。在这种情况下，数据科学家、数据分析师和其他人必须投入大量时间和精力来准备数据，也称为脏活累活。这种现象在规模不够、分工不彻底的小场景中尤为明显。这样一来，高层次人才实际上花了很多时间做低层次的工作，投资回报率低，人工智能很难在任何地方蓬勃发展。未来，这种情况将有所改善：首先，预先训练的大型模型在一定程度上减少了所需的数据样本；其次，数据治理本身也是一个发现模式的过程，人工智能已经开始对这个过程进行反馈。未来，随着模型通用性的进一步增强和交互方法的日益简单，人工智能对数据治理的反馈作用将日益显现，数据治理将逐步由人工智能主导、人为补充。

趋势九：数据与应用将进一步实现无感闭环
应用程序数据的自动管理属于数据层，数据分析嵌入到事务应用程序中
在信息技术时代，应用程序生成数据，但首先，这些数据还没有连接起来，其次，由于当时的技术条件，无法进行低成本的大规模分析。这些痛点促使后来构建了以数据连接为中心的中央平台，以及以数据分析为中心的数字智能模型和BI。数据如何更广泛地赋能业务应用，应用层生成的数据如何自动流入数据层并被自动治理，即数据与使用的集成，将关系到企业数字化建设的整体ROI，成为未来的焦点。数据与应用的集成强调的不是数据与应用之间的紧密耦合，而是在两者之间形成动态闭环。HTAP数据库、lake仓库集成、低零代码、GraphQL、敏捷BI和基于NL2SQL的即席搜索、过程挖掘和其他技术将有助于数据和使用的不同方面的集成。数据安全、人工智能等等，几乎贯穿于方方面面。未来：①业务人员通过低零代码创建的应用程序将自动管理数据并进入数据层。②数据分析将不再以独立的形式存在，而是嵌入到应用程序中，直接增强一线业务人员的能力。