4月15日,《面向未来的数字社会——2022新华三 十大技术趋势白皮书》(下称“白皮书”)正式发布,并以兼具深度与广度的视角,对行业的深刻剖析、预测与建议获得了中国工程院院士、国际知名研究机构、国内ICT领域权威专家的联合推荐。

这是紫光股份旗下新华三集团第三年发布前瞻技术趋势。区别与以往仅聚焦技术走向,本次发布的白皮书首次推演出了面向未来的“四大”社会图景——虚实相融的家庭、主动服务的园区、生态智能的城市、以及强便利、高精准、个性化的公共服务。并提出扩展现实、绿色低碳、云边协同、隐私计算、分布式安全、全域超宽网络、确定性服务、通感一体、新计算架构、通用基础模型等影响未来经济发展及社会走向的关键技术。
白皮书是对下一阶段智慧社会建设路径的“剧透”

中国工程院院士 陈晓红
《“十四五”数字经济发展规划》明确,到2025年数字经济核心产业增加值要占GDP比重达10%。这一宏观目标可以视为对疫情背景下“疲软”经济的振兴手段。
“任何一个宏观目标都需要落到具体的产业、技术和人身上,新华三集团在此时发布这本白皮书,是从ICT的角度解读,面对不可预测的未来,我们需要往什么方向发力,智慧社会具有哪些属性,又如何建设”,这是白皮书主要回答的问题,也是新华三通过下一阶段场景和技术趋势预测传达出的ICT行业对国家政策的领会和解读,以及对时代需求和服务的回应。
促行业共识、助应用落地

信通院云大所所长 何宝宏
业界关注的焦点已从具体的技术名词,转向数字应用和数字治理等社会性词汇。这标志着整个社会已经从数字技术的创新、数字产业的培育为核心,更多的转向了数字技术的应用,数字产业的治理,以及全社会的数字化转型。
技术的发展有规律可循,数字化转型也有‘风向’。白皮书以前瞻的视野,对未来技术进行了预测,并给出相关数据。这有助于促进行业共识,助推应用落地,加快推进产业数字化转型。
白皮书将引导未来投资与发展

IDC中国副总裁兼首席分析师 武连峰
数字化转型是一个至少10年的旅程。制定长期数字化战略,持续的数字化投入是必须的。坚持长期数字化投入也许不难,但选准方向实现应有的数字化价值则极为困难,这要求组织深入洞察未来技术趋势,并结合行业和企业特点选准技术投资方向。
书中的信息和数据对政府政策制定者、企业管理者、企业业务领域负责人、企业CTO或CIO、ICT行业从业者等都具有很大参考价值,也是帮助组织实现长期数字化投入价值的有力支撑。
为从业者挖掘和捕捉更多创新可能性

新华三集团副总裁、技术战略部总裁 刘新民
数字经济已经在向“脱‘虚’向实”发展。作为数字经济发展的基座,技术也爆发出“务实向新”新方向。
这本白皮书,希望立足‘十四五’规划,从ICT行业角度出发,为从业者挖掘和捕捉更多的创新可能性,更希望立足‘十四五’规划,携手社会各界,在进一步发挥ICT价值的基础上,通过技术与产品的革新,加速数字与现实的互联互通,突出数字经济的引擎作用,助力中国经济高质量发展,在高速变化和充满不确定性的‘后疫情时代’、‘后全球化时代’中,寻找到新的破局之路。
几位专家对白皮书的内容及将对产业创新、数字经济发展起到的价值予以高度肯定,再次印证了新华三集团多年来始终坚持以技术创新为发展引擎,以客户需求为导向,不断提升数字化和智能化能力的决心与魄力。作为数字化解决方案领导者,新华三将以前瞻技术视野引领技术创新,以产学研创新模式加速技术创新到场景化应用的跨越,依托“芯-云-网-边-端”全产业链布局,持续的云智原生技术创新,以及不断进化的“数字大脑”,不断加速数字世界与物理世界的融合,赋能百行百业的数字化转型,为建设未来数字社会奠定坚实基础。
好文章,需要你的鼓励
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。