1.1 從數字化到數智化

當企業隨著技術進步而采用創新方式來開展業務時，它們就是在實施“數字化”，這是一個使用數字化工具從根本上實現轉變的過程。本節從主導數字化進程的關鍵企業和核心技術出發，引出了數字化和數智化的概念，提出了數智化是數字化的高級階段的觀點，進而論述了數智化轉型的特性和發展趨勢。

1.1.1 數字化的概念和發展歷程

數字革命正在全球范圍內推開，數字化已成為當前我國經濟轉向高質量發展階段的核心關鍵詞。根據高德納（Gartner）咨詢公司的定義，將模擬信息轉換為數字形式就是數字化，數字化是利用數字技術來改變商業模式并提供新的創造收入和價值的機會?！吨袊a業數字化報告2020》中指出，“產業數字化”是指在新一代數字科技支撐和引領下，以數據為關鍵要素，以價值釋放為核心，以數據賦能為主線，對產業鏈上下游的全要素進行數字化升級、轉型和再造的過程。數字化發展對于企業、行業以及宏觀經濟都具有極其重要的意義。從微觀看，數字化提升企業生產質量和效率；從中觀看，數字化重塑產業分工協作；從宏觀看，數字化加速經濟新舊動能轉換。

數字化是一個長期的、不斷演變的過程。從20世紀80年代起，隨著新興技術的不斷發展，數字化經歷了從軟件化到互聯網化，到云化，再到智能化，繼而到去中心化等階段的更新迭代，在各個階段中，數字化產業圍繞著主導企業和核心技術兩個方面不斷演進，演進過程如圖1-1所示。

1.軟件化階段

在軟件化階段，企業通過安裝辦公自動化（Office Automation，OA）、企業資源計劃（Enterprise Resource Planning，ERP）、供應鏈管理（Supply Chain Management，SCM）、客戶關系管理（Customer Relationship Management，CRM）等各類信息化軟件，構建單點業務環節信息系統，全面優化企業的研發、生產、經營流程，提高管理效率，為進一步深入開展數字化轉型打下堅實基礎。該階段的主導企業有微軟、英特爾、IBM、Oracle、EMC等，它們通過掌握X86的CPU、PC操作系統、關系型數據庫、軟件開發語言核心技術，在軟件化期間發展成為世界巨頭。

2.互聯網化階段

在互聯網化階段，商業發生了革命性的變化，商業系統進入了新時代——在線時代。伴隨著4G、5G等移動互聯網及物聯網技術的迭代，電子商務、社交網絡、移動支付、網約車等新業務紛紛涌現，推動消費者消費在線化，推動組織、管理、服務的在線化。該階段誕生了一大批新銳公司，伴著互聯網化的浪潮，它們乘風而起，迅猛發展，這其中就包括科技巨頭谷歌、蘋果、華為、BAT（百度、阿里、騰訊）、思科等，該階段的核心技術有TCP/IP、Web、移動互聯網、搜索引擎、移動操作系統、移動終端等。

3.云化階段

在云化階段，越來越多的企業通過云計算技術來實現企業的云化發展，用戶的使用習慣也發生了改變，“計算機+軟件”逐步演變為“云服務+數據”。云端需求的蓬勃發展不可避免地影響著企業的經營模式及行業的運營模式，把握住其中奧義的企業在云化階段獲得了跨越式的發展，該階段巨頭集中在AWS、微軟、Google、阿里等，該階段的核心技術包括虛擬化技術、云操作系統、大數據技術、容器技術、云原生技術等。

4.智能化階段

在智能化階段，以云計算、物聯網、人工智能、5G、數字孿生等為代表的智能技術群落協同構建了新的商業基礎設施，支撐各行各業向智能化轉型，企業的“數智化”轉型已成為必然趨勢，智能化成為創造更多價值的破題之舉，技術創新型企業無不把人工智能上升到企業戰略的層面。

互聯網化階段和云化階段的龍頭企業大都隨時代而動，開始了智能化轉型，如谷歌的DeepMind，致力把人的智能和計算機的智能進一步融合；微軟的Carina，力求實現統一化數據模型、智能化領域算法和多場景覆蓋的智能化應用；英偉達，成功預測了新一波浪潮，生產還處于市場萌芽期的圖形處理器，為AI領域的深度學習所廣泛運用。該階段的核心技術包括深度學習、人工智能訓練必備硬件、數字孿生、知識圖譜、數字大腦、智能機器人等。

縱觀新興技術的發展歷程，軟件化階段依托各類信息化軟件為數字化打下了堅實的基礎，互聯網化階段以在線化為特征全面推動數字化進程，云化階段借助企業上云將數字化推進到新的階段，而智能化階段是數字化發展的高級階段，這個階段的典型特征是以數據為生產要素，以智能算法為核心驅動力，也將這個階段稱為數智化階段。數智化階段是對數字化發展的革新，具有深刻的內涵。

1.1.2 數智化的概念及關鍵要素

數智化是數字化的高級階段，在這個階段，各種數字技術將進行充分融合，實現從量變到質變的飛躍。宏觀上，數智化是通過新一代數字技術的深入運用，構建一個全感知、全連接、全場景、全智能的數字世界，進而優化再造物理世界的業務，對傳統管理模式、業務模式、商業模式等進行創新和重塑。

對于企業而言，數智化讓企業具有狀態感知、實時分析、科學決策、精準執行的能力。數智化的本質是一種范式遷移。如圖1-2所示，隨著數字化的不斷發展，企業提供服務的模式也在不斷進化。互聯網化的過程中企業遵循網絡信息服務范式，網絡和應用呈現松耦合的分離狀態，內容和應用服務商占據主導地位，網絡運營商被逐漸管道化。云化的過程中，企業遵循云服務范式，云通過按需服務的方式高效整合資源，并逐級向上提供服務，其服務模式是單向的，公有云僅僅提供基礎的資源和能力，應用和能力脫節。在數智化階段，將形成新的以“數據-算法-服務”為核心的閉環，將數據的價值充分發揮出來，并通過全局優化的算法最大限度提升服務的能力和水平，建立起差異化的競爭優勢。

這種數智化新范式，在諸多創新型企業中也得到了體現，如新興技術企業特斯拉、老牌企業通用電氣和國內的諸多互聯網公司。這些創新型企業不是因為用戶規模和能力規模而強大，而是借助海量用戶數據通過算法提供高效服務而強大。

這些企業通過收集大規模數據，開發高質量算法，提供高效率服務，形成了以數據為核心的數智閉環發展范式。而未來行業的競爭將是“數據-算法-服務”這個新范式下的數字化核心能力的競爭，以三個要素為核心構成的“新發展范式”也將更容易從市場中脫穎而出，成為新的獨角獸企業。

1.數據是數智化的基礎，也是數智化的核心要素

“數據不是一切，但一切都在變成數據?！爆F今，數據已經不是傳統意義上的數據，而是包括文字、照片、音頻、視頻在內的所有記錄。信息管理專家、科技作家涂子沛在《數文明》一書中指出，傳統意義上的數據是人類對事物進行測量的結果，是作為“量”而存在的數據；今天的照片、視頻、音頻不是源于測量而是源于對周圍環境的記錄，是作為一種證據、根據而存在的。從這個意義上講，互聯網技術的價值不僅在于連接，更在于通過記錄形成沉淀數據的基礎設施。

數據成為連接物理世界、信息世界和人類世界三元世界的重要紐帶，也因此成為數智化的基礎和核心要素。據多摩公司（DOMO）統計，2016年全球有34億網民，而到2021年全球網民數量已增至52億。2021年，全球每分鐘有24萬張圖片通過Facebook分享，有28.3萬美元交易在亞馬遜上完成，有69.4萬小時視頻在YouTube上播放。據IDC（互聯網數據中心）預測，2025年全球數據量將高達175ZB。其中，中國數據量增速最為迅猛，預計2025年將增至48.6ZB，占全球數據圈的27.8%，平均每年的增長速度比全球快3%，中國將成為全球最大的數據圈。

這些數字代表的不僅僅是一個單純的數據量，更代表其背后巨大的產業價值。2020年4月10日，《中共中央國務院關于構建更加完善的要素市場化配置體制機制的意見》正式公布，首次明確數據成為新的生產要素之一。數據的力量，就如農耕之于古代文明，工業革命之于現代文明。商業領域已經發現了數據的價值，但數據能帶來的價值遠不止這些，它將帶來全新的產業變革，甚至催生一種全新的文明形態。

2.算法作為數智化的要素之一，發揮著創新源泉的作用

數據描述了物理世界發生的事情，一旦結合了算法就能迸發出令人驚嘆的創造力。算法專家凱文·斯拉文在TED演講中指出：“算法來源于這個世界，提煉這個世界，現在塑造這個世界”。“數據+算法”構造了人們認識這個世界新的方法，是在數字世界中進行科學實驗的另一種表現形式。DeepMind提出的AlphaFold人工智能系統可以準確預測人類蛋白質98.5%的氨基酸結構。而在AlphaFold問世之前，傳統實驗室只研究了17%的蛋白質結構。2001年諾貝爾生理學或醫學獎得主Paul Nurse曾說，理解蛋白質的功能對于提高我們對生命的認識是至關重要的，AlphaFold是生物創新的一次巨大飛躍。

創新企業也通過“數據+算法”獲得了競爭優勢。特斯拉通過在全球銷售的200萬輛車，已收集了超過160億千米的真實行駛數據。特斯拉通過這些數據開發的自動駕駛算法在全球領先。特斯拉車輛安全報告顯示，2021年第四季度，特斯拉自動駕駛參與的駕駛活動，平均碰撞事故率為1起/690萬千米（美國境內車輛平均碰撞事故率為1起/77.44萬千米）。通用電氣公司目前約有35000臺發動機，一臺發動機的數據包中包含480個飛行參數，這些發動機每年可以產生超過1億次的飛行記錄，相當于每天捕獲超過100萬TB的數據。2015年，飛行警告算法通過這些數據產生了約35萬個警告信息，其中86%都是準確的。

互聯網平臺贏得巨大成功的武器也是“數據+算法”。人們在瀏覽網頁、網上購物、翻看小視頻、使用微信聊天，甚至駕駛汽車的過程中，無時不刻都在“貢獻”自己的數據，平臺利用這些數據通過行為分析算法可以刻畫出一個“數字化的你”。

目前，算法對于數據的價值挖掘才剛剛開始，80%的非結構化數據還沒有得到真正的應用。這些數據需要人工智能算法進一步去挖掘。為了充分利用數據價值，解決傳統深度學習應用碎片化難題，探索通用人工智能，眾多AI領域頭部公司將視線放在了擁有超大規模參數的預訓練模型上?；赥ransformer架構，2018年底開始出現一大批預訓練語言模型，刷新了眾多NLP任務，形成新的里程碑事件，開啟了基于大規模數據的預訓練語言模型時代，這一時期模型的典型代表有GPT、ELMo、BERT和GNN等。2019年，基于基礎預訓練語言模型的改進模型噴涌而出，包括XLNet、RoBERTa、GPT-2、ERNIE、T5等，在參與規模、運行效率、運行速度、模型效果等方面全面超越原有模型。尤其是數據上面，每一代均比前一代有了數量級的飛躍，在語料的覆蓋范圍、豐富度上都有大規模的增長。到了2020年，預訓練語言模型進一步發展，典型代表有GPT-3、ELECTRA和ALBERT。與此同時，也有越來越多的研究人員選擇了大規模預訓練模型作為基礎，將這一思想應用于語音和圖像等領域，對場景數據進行建模，發布了多種改良版本的“BERT”模型，進一步挖掘非結構化數據的潛力。預訓練語言模型把自然語言處理帶入了一個新的階段，通過大數據預訓練加小數據微調，進一步挖掘非結構化數據的潛力。

3.場景是數智化應用的目標，企業的數智化業務離不開場景的支撐

對企業來說，數字技術驅動業務發展才是核心目標，因此，與實際場景的深度融合是數智化的首要目標。企業家于英濤曾指出，在數字化時代，沒有數據的場景是花架子，沒有場景的數據是死數字，數據與場景一起相依相伴融合生長。數智化因場景而生，場景因數智化而立。在企業的數智化進程中，將各業務線中用戶的痛點、難點、需求點場景化，既能滿足用戶需求，又能進行業務梳理并解決問題，同時幫助公司沉淀出新的智能化產品和服務，創造更多價值。

電信運營商行業中，無線網絡優化是一項非常重要的業務，傳統優化方式需要大量人工參與硬件檢查、話務報表統計、現場測試及收集用戶投訴情況等過程，并以此為基礎采取相關的措施對無線網絡進行調整。整個過程費時費力，業務運行效率低且很難追蹤評價。通過無線網智慧運維系統的建設，基于業務場景需求結合大數據、人工智能等智能化技術進行業務建模，可以自動完成異常網元處理、異常網元清單查詢、數據質量評估等工作，保證對多廠家、多版本的無線網數據質量檢測、評估、派發工單及審核，大大提高了無線網運維效率，有效提升了網絡質量。醫療領域中，問診是醫生的核心工作，人們往往傾向于前往較高級別的醫院尋求專家幫助。但是由于時間、地域、醫療資源等限制，經常出現醫生“一號難求”的場景。而通過醫院數智化轉型建設，構建智慧診療系統，輔助醫生完成簡單病情的初步篩查，輔助快速定位病情，可以減少醫生問診時間，從而節約時間幫助更多病人。同時可以開啟線上問診新模式，解決時間、地域不便帶來的無法接受更好的醫療救治問題。治安工作中，人物關系分析是其業務的關鍵一環，通常的方式是采取人工走訪+數據收集的方式，耗時耗力且具有一定危險性。通過對業務需求進行梳理并利用大數據、終端設備等方式采集數據，然后通過人工智能等技術手段基于治安多業務場景進行具體需求建模，可以有效對人員多維度海量非結構化數據進行分析挖掘，定位所需人員信息。治安場景下人物關系智能分析系統建設可以幫助挖掘多維度數據中隱含的潛在人員關系，減少人工成本的同時獲取更加精準的情報信息。

通過電信領域、醫療領域、社會治理領域的典型應用場景可以看出，數智化在當今數字經濟大背景下發揮著重要作用。場景是數智化應用的目標，根據場景找到需要的數據，利用數據在場景中發揮作用、產生價值，才能真正實現數智化應用。

1.1.3 數智化是數字化的全面升級

20世紀70~80年代，傳統IT技術給企業帶來了顯著的效率提升和經濟效益。20世紀80年代后期，商業世界的復雜性急劇上升，使得業務和管理的復雜性也隨之上升，驅動數字技術不斷升級和遷移。市場從確定性需求到不確定性需求的變化，是驅動企業數智化轉型的基本動力。在企業數字化轉型的早期，無論是客戶關系管理，還是企業資源管理等信息化系統，都是基于大眾化、規?；瘜虻拇_定性需求。在數智化轉型時代，企業面對的是一個更加不確定的、個性化的、碎片化的市場需求。在這種不確定的需求背景下，企業要想獲得市場的青睞，就必須把握好用戶的痛點、訴求、問題，全方位提升用戶的體驗。

因此，數智化轉型是數字化轉型的高級階段，數智化轉型是建立在數字化轉換（Digitization）、數字化升級（Digitalization）基礎上，數據與算法深度結合，進一步觸及公司核心業務，以新建一種商業模式為目標的高層次轉型。“數字化”加速向“數智化”演進，不僅僅表現在智能化技術的應用上，還體現在產品形態、服務模式、管理思維上的全面升級。

1.從封閉孤立的技術體系走向開放融合的技術體系

數智化是技術的大融合，如圖1-3所示。事實上，當前涌現出來各種各樣的新技術，包括人工智能、區塊鏈、云計算、大數據、物聯網、5G等，它們背后有一個共同的邏輯：圍繞數據，解決數據全流程中的特定問題。

其中，以機器學習和深度學習為代表的人工智能技術本質上是發現數據特征，解決數據預測的問題；區塊鏈主要通過可信的數據賬本，來解決數據信用的問題；云計算通過共享存儲、網絡和計算資源，解決數據處理過程中的存儲和算力問題；大數據技術通過分布式批、流處理，解決海量數據的處理問題；物聯網解決的是數據感知的問題；5G解決的是高速數據傳輸的問題。傳統上，這些技術是獨立發展的，而數智化需要將這些技術充分融合起來，實現“美第奇效應”。

技術的融合必然導致技術的開放，沒有哪一家企業能夠掌控所有的技術，也沒有哪一家企業能夠管理和運營如此復雜的技術體系。所以，數智化時代技術體系的建立，必然是“混合云”模式。這里的混合云不僅僅是指資源層面，將本地資源和云資源打通，更意味著將本地的技術體系和云端提供的面向公共服務的技術體系打通。實際上，不論是亞馬遜的服務，還是谷歌、阿里的云服務，都通過云端來實現分布式數據庫、海量數據分析、區塊鏈、人工智能算法。

開源技術進一步推進了技術的開放，開源社區已經成為企業獲取技術的主要源泉，頭部技術企業也不斷通過技術開源來建立技術生態。開源、開放成為數智化時代的鮮明特征。

2.從資產數據化到數據資產化

企業數字化的過程，從某種意義上就是企業資產數據化的過程。一方面，通過數字化實現資產的高效管理；另一方面，不斷地通過在線化等手段，提升數字化資產的比例。過去，餐飲企業的門店位置至關重要，而現在餐飲企業在訂餐平臺上的口碑和評價更為重要，這些線上數據成為企業新的數字化資產。

企業在生產和經營過程中產生的大量數據，不僅僅對企業自身具有重要價值，更是企業的核心資源，是企業提升競爭力的源泉。進一步，這些數據可以通過要素化實現資產化，從而在數據市場中通過數據交易，獲得更高的價值。這個過程就是“數據要素化，要素資產化，資產價值化”的過程。

為了提升數據資產的價值，企業除了需要不斷完善數據治理能力，還需要提升數據聚合能力。簡單來說，就是將數據“升維”。所謂數據升維，就是將同一對象（這個對象可能是系統、人等）、不同維度的數據整合起來，實現對對象的更加全面、深刻的認識。例如，用戶精準畫像、精準推薦系統、個人征信都需要將不同維度的數據整合起來“升維”，才能實現更好的效果。而不同維度的數據往往掌握在不同企業手里，這進一步驅動了企業將數據變成資產，通過數據共享交易獲得數據價值的提升。

3.以產品為中心的運營能力到以客戶為中心的敏捷能力

從企業的業務管理來看，數智化時代的企業需要具備敏捷的組織和反應能力，從而把握客戶和市場的迅速變化，敏捷性是數智化時代的必然要求。傳統的產品需求要進行系統化的分析論證、形成產品定義后再上線部署，而在敏捷迭代的方式下，企業通過用戶角色模擬、聚焦小組分析、最小原型產品設計，可在最短時間內上線產品，迭代優化。在軟件工業界，敏捷迭代已成為眾多高效團隊的制勝之道。

數智化是實現敏捷性的保障。通過數據快速把握變化，通過智能算法快速做出反應，這是數智化的要義。這個過程需要注意幾個方面：第一，以客戶為中心，“以客戶為中心，提供優質的客戶體驗，保證密切的連接”，是行業的普遍共識；第二，數據驅動的決策，讓數據說話，讓數據成為決策的主要依據，是提升決策水平的關鍵；第三，構建智能認知能力，僅有數據是不夠的，數據質量可能不高，或者存在偏見（往往由數據采集不均衡導致），因此，在數據基礎上構建可解釋的認知能力，也是數智化的核心目標。

1.1.4 數智化的發展趨勢

1.數據和智能進一步融合，構建數據閉環

大數據和人工智能是一個硬幣的兩面。人工智能的發展浪潮中，大數據起到了重要的作用。例如，計算機視覺技術的發展離不開全球范圍內的圖像和視頻數據的大規模標注和共享，谷歌開源的Google Open Images Dataset中含有900萬張圖片，YouTube-8M中包含800萬段被標記的視頻，而ImageNet作為最早的圖片數據集，目前已有超過1400萬張被分類的圖片。

事實上，在當前人工智能各種各樣的實際應用中，數據采集和數據標注是一項煩瑣的工作。例如，在開發的牛臉智能識別系統中，數據庫包含715種奶牛的30萬張牛臉圖片。數據采集過程中，奶牛運動、場景光照、設備分辨率、拍攝角度、采集后照片畸變程度等因素都會影響數據質量，從而影響最終訓練效果，因此需要投入大量人力資源進行檢查，提高數據可用度。據統計，牛臉智能識別系統的模型訓練時間和數據整理時間比例為1：9。

對于越來越多的人工智能應用而言，數據永遠追趕不上模型的需求。盡管在算法上，可以通過半監督學習、遷移學習等新的模型來降低對數據的需求，然而，在解決實際問題的過程中，最重要的還是要構建“數據閉環”。所謂數據閉環，就是在系統設計過程中，需要將算法執行的結果反饋到系統中以產生新的數據，并且通過不同來源的數據進行交叉驗證，甚至相互“標注”，使得模型優化的過程和數據生產的過程共同進行、相互促進。

2.智能從感知到認知，可解釋性是關鍵

得益于算力的大幅提升、數據類別的日益豐富以及以深度學習為代表的算法上的突破，以圖像識別、語音識別為代表的感知智能近年來取得了突飛猛進的進步，并且在金融、零售、教育、安防、智慧城市等諸多行業與領域得到了應用。

感知智能的技術發展得益于巨量的數據以及瀑布式的數據驅動訓練模式，這需要有大量的專業級人工標注進行支持；同時，感知智能技術對數據的利用程度還停留在表面，多是基于符號層面的模式識別，對于數據背后蘊含的邏輯和意義，感知智能還遠不能理解。

認知智能技術指的是從海量數據中不斷挖掘、提煉和匯聚知識，獲取更深層次的認知，從而更好地了解客觀世界。正如DIKW模型（Data-to-Information-to-Knowledge-to-Wisdom Model）所示，認知智能旨在將數據、信息、知識、智慧體系打通，從而將垂直行業中人類專家的知識、經驗、理念等融合，使AI在各垂直行業中縱深落地。

因此，從感知智能到認知智能的跨越，是破解數據數量種類不足、標注繁重、利用率低等難題的重要方式。需要注意的是，在從感知智能到認知智能的路徑上，并非是一個單向的過程，而是一個閉環的循環迭代過程。認知智能的提升反過來可以改善感知層數據采集和分析處理能力，這些能力又進一步提升認知智能的認知模型，實現數據和智能的交互反饋與強化。

人工智能研究與應用不斷取得突破性的進展，從感知智能向認知智能發展。然而由于高性能的復雜算法、模型及系統普遍缺乏決策邏輯的透明度和結果的可解釋性，導致在需要做出關鍵決策判斷的國防、金融、醫療、法律、網安等領域中，或要求決策合規的應用中，人工智能技術及系統難以大范圍應用。因此，人工智能的可解釋性對未來人工智能的普及應用有重要的意義。人工智能的可解釋性為其廣泛應用提供了信任基礎。有了信任基礎，AI才可以在更廣的范圍內發揮更大的作用。但是，由于深度學習的基礎理論還有待突破，算法的復雜性也在不斷增加，當前人工智能的可解釋性仍然面臨巨大的挑戰。相關的研究仍處在早期階段，并沒有形成廣為接受的判斷標準。

近年來，用戶、企業、政府部門對數據的隱私安全意識日益增強。如何保證數據在安全、可信的情況下自由流動，成為大家的共同訴求。其中，重要數據難以確權、數據無法安全共享、隱私數據無可信處理環境等一系列問題成為阻礙數據流通的瓶頸。

區塊鏈技術基于密碼學理論構建分布式鏈式賬本，其去中心化、不可篡改、透明可追溯等優勢完美契合大數據時代下的數據確權和數據交換等需求。融合了密碼學的塊鏈式數據存儲架構可有效做到數據的溯源和存證，全局公開透明的記賬方式可解決數據確權的痛點，自動化、無人為干預的智能合約腳本可以做到數據加密后的安全傳輸和訪問控制。區塊鏈技術可有效改善數據流通、控制、確權和溯源的傳統難題，但是，其對于解決隱私數據的可信計算略顯乏力。

區塊鏈與安全多方計算的結合則可以有效解決計算加密的難題。通過安全多方計算，各參與方僅需提供隱私數據輸入，鏈上智能合約進行函數分析并自動化執行協同計算任務，各方除正確計算結果外，無法得到其他任何有效信息，不泄露原數據，做到了數據的隱私計算。在隱私計算基礎上，結合區塊鏈技術與聯邦學習技術，在去中心化、各節點互不信任的網絡中，建立數據處理模型，聯合多方、多節點訓練人工智能模型，實現隱私數據不出庫，完成隱私數據的隔離與保護。

未來更廣范圍內的數據治理可以分為三個層次：底層以各方本地數據庫為基礎建立數據層，提供隱私數據的輸入；中間層以區塊鏈技術+安全多方計算為分布式架構，提供數據的可信存儲、流通、確權和溯源支撐；上層以聯邦學習為基礎建立分布式的機器學習與數據處理模型，實現不同部門、不同企業在不泄露原數據下的協同計算，打破數據孤島。

可以預見，融合了區塊鏈技術和聯邦學習的數據可信交換方案將有助于在更廣泛的范圍內實現隱私數據的安全共享和可信計算，具有廣闊的應用前景。

3.人機協同智能

人機協同智能主要針對人與機器人共存的應用場景，機器與人通過交互協作共同完成某一復雜任務。從實現人機協同的層面來看，交互是其核心技術之一，自然交互能力主要包含人機對話能力、多模態的情感感知能力、人類意圖理解能力、環境感知理解能力等。2021年12月，工業和信息化部、國家發展和改革委員會等15個部門正式印發《“十四五”機器人產業發展規劃》，其中將“人機自然交互技術、情感識別技術”等列為“機器人核心技術攻關行動”的前沿技術，足見自然交互技術在未來機器人產業中的重要性。

人類的“智能”是在適應和理解復雜多變的物理和社會環境的過程中進化而來的，并非只適用于解決具有明確規則的任務。如何讓機器能夠像人一樣思考，能夠理解、解釋并進行推理決策，獲得人類所獨有的認知能力，實現機器智能與人類智能的相互融合，知識圖譜的地位一定是舉足輕重的，知識圖譜的向量表示使人們可以利用表示學習獲得概念、類層次、實體和關系的嵌入，進而獲得圖結構、路徑、子圖的嵌入。同時，有關本體嵌入、規則學習的工作又使人們逐步能夠在向量空間中實現一些簡單的邏輯推理。而知識泛化就是利用知識圖譜，將一個實體具體表達泛化為多樣性表達，將一個實體泛化為一類實體。簡單來說，就是通過知識泛化讓機器具有“舉一反三”的能力。

當機器具備一定的“知識”后，需要理解人的意圖、將人的意圖轉化為機器人理解的觸發條件才能夠實現交互。在人機對話系統的實際應用場景中，意圖識別是關鍵且極具挑戰性的重要難題。將用戶語義映射到預先定義好的用戶意圖類型的過程稱為已知意圖分類。發現未出現在預定義意圖集中的用戶未知意圖類型的過程稱為未知意圖檢測。良好的意圖表示與意圖分類是有效的交互意圖理解的重要一環，也是實現人機協同共融的核心之一。

隨著大數據與表征學習的不斷融合、機器人制造業的發展，人機協同智能將會迎來更大的機遇與挑戰。