華為分析師大會進入第二十個年頭，每年此時都是觀測華為戰略的最佳窗口。今年的大會以“躍升數字生產力，加速邁向智能世界”為主題，孟晚舟進入第一次輪值董事長周期之后首次公開亮相。

“新人舊事”，華為如何繼續講述數字化的故事？

(資料圖片僅供參考)

孟晚舟闡述企業“四化”方向

數字經濟對全球總體GDP的貢獻份額不斷攀升，預計到2025年，大約55%的經濟增長將會來自于數字經濟的驅動，全世界170多個國家和地區都紛紛制定了各自的數字化戰略。2026年，全球數字化轉型的支出將高達3.4萬億美元，成為整個產業鏈的新藍海。

華為副董事長、輪值董事長、CFO孟晚舟表示：“數字化是整個產業鏈的新藍海，躍升數字生產力正當時。華為將在聯接、計算、存儲、云等方面保持投入，為客戶提供極簡架構、極高質量、極低成本、極優體驗的‘4極’數字基礎設施，攜手伙伴共同助力客戶實現數字化轉型的‘4化’，即作業數字化，數字平臺化，平臺智能化，智能實戰化，共贏數字化未來。”

在聯接方面，華為將持續推動建設5.5g時代領先的數字基礎設施，構建千億互聯，萬兆體驗網絡能力。

在計算方面，華為將圍繞著多場景、多樣性戰略需求，不斷提高在通用算力人工智能計算中的能力。華為云將沿著行業數字化的云底座和實體保持投入，華為自身在數字化轉型過程中所沉淀的技術工具和經驗將持續開放在華為云上。

此外，在伙伴生態層面，孟晚舟提到，華為會持續深化與產業組織的合作，通過硬件開放、軟件開源來繁榮產業生態，讓更多的伙伴和開發者加入到數字化產品和解決方案的創新功能。

同時華為會堅守以利益為紐帶，以誠信為基礎，以規則為保障的原則，加大對伙伴的投入，并通過ICT學院、ICT技能大賽，以及未來組織2.0計劃等，持續培養數字化人才。

“我們認為，一個企業的數字化轉型就是沿著四化的方向去前進，作業數字化、數字平臺化、平臺智能化、智能實戰化。”孟晚舟表示。

首先，戰略驅動是根本，數字化本質是戰略選擇和戰略規劃，成功的數字化轉型都是由戰略驅動，而非技術驅動。

其次，數據治理是基礎，只有通過對數據的科學治理，數據在企業內部的流動才具有意義，不同維度的數據匯聚在一起才能創造新的價值。

最后，數據智能是方向，數據正在成為生產力，作業數字化、數字平臺化使得數據清潔、透明、聚合，是轉型的基礎；平臺智能化，智能實戰化使得數據隨需、易懂、有用，是數字轉型的深化。

華為預計，隨著數字化的深入，到2030年全球通用計算能力將增長10倍，人工智能算力將增長500倍，全球聯接總數達到2000億，萬兆企業WiFi滲透率達40%，云服務占企業應用支出比例為87%。

通信與計算，華為兩大戰略研究方向

“未來通信和未來計算是邁向智能世界需要解決的兩大核心問題。在通信領域，今天的我們有條件超越香農定理最初的假設和應用條件，實現超越十年百倍的發展。在計算領域，方向是新的計算模式、架構與部件，提升對智能的認知水平和掌控能力，并在AI for Industry和AI for Science等應用中不斷迭代發展”。華為戰略研究院院長周紅如此表示。

近年來，智能應用迅速發展，尤其是通過AI模型優化可以幫助解決應用碎片化的問題，這也引發了模型規模的爆發式增長。過去十年，AI算法的算力需求提升了四十萬倍。

周紅表示，在AI能力快速提升的情況下，需要考慮AI的目標如何與人類一致、并且正確和高效地執行。除了通過規則和法律來加強AI的倫理和治理外，從理論和技術的角度看，要達到這些要求，目前還面臨三個重要的挑戰：AI的目標定義、正確性與適應性、以及效率。

AI面臨的第一個挑戰，是缺乏共識的目標定義。如果沒有定義清楚并達成共識，就很難確保AI發展的目標與人類一致，也很難合理地分類和科學地計算。人工智能在歷史上有不同的流派，例如符號主義、貝葉斯主義、進化主義、行為主義，以及連接主義等，它們還沒有很好地融合起來。

其次，在當前的很多AI應用中，存在正確性和適應性的挑戰。依靠大數據統計規律進行的學習，會依賴于采樣的覆蓋面和數據的正確性，如果錯誤使用，就可能導致結果不穩定和偏見的風險，出現“黑天鵝”事件。“AI的能力分布在巨大的參數中，出了這些問題，我們既無法解釋、也難以調試。”周紅補充說。

第三個挑戰是AI的效率。能源效率方面，當前超級計算機單位能量的計算效率，要比人腦低大約三萬倍到十萬倍。數據效率方面，除了通過從大數據中得到統計規律，來認識和理解世界外，行業也在思考能不能從小數據中進行思考，發現邏輯性，形成概念，抽象出原則。

周紅提到，近幾年學術界有很多跳出Transformer之外的新型AI架構的思考，例如Geoffery Hinton的GLOM模型，建議通過各種學習方法，實現從部分到整體，類似人類的感知系統。

Yoshua Bengio建議未來的人工智能由基于直覺的System1模型和基于邏輯與歸納的System2模型組成；Yan LuCun建議以自監督的方式來學習世界模型，然后利用這些模型進行預測、推理和規劃；Richard Sutton提出基于經驗的AI，通過與環境的交互而獲取經驗，構建AI的目標和整個世界的狀態，使得智能體可以學會與環境溝通、合作和競爭。

周紅建議，在這些思考的基礎上，發展感知與建模、知識自動生成、求解與行動三個核心部分，通過從多模態感知融合與建模，到“知識+數據”驅動的決策，實現更高正確性與適應性的自主智能系統。

具體來看，感知與建模是對外部環境以及自身的表征與抽象；

知識的自動生成應該將吃穿住行、琴棋書畫、數理化生等人類能表達與不能表達、能感知和不能感知的知識都考慮進來，要考慮Human in the loop，將人已有的經驗融入到策略模型或評價函數當中；

求解與行動可以是在已有知識的基礎上，結合內外部信息進行直接的演繹推理，或者通過與環境交互試錯，來找到解決辦法。

發展更好的計算模式，以及與之匹配的計算架構與計算部件，也是提升智能計算效率的方向。

當前很多AI計算面臨存儲瓶頸的問題，往往要花比計算多上百倍的時間來讀寫與搬移數據，拋開傳統的馮·諾依曼架構的處理器、指令集、總線、邏輯器件和存儲器件，圍繞先進AI計算模式的需要來定義新的架構與部件，是業界的研究方向。

“在通信和計算兩大基石的驅動下，從狹義人工智能，到通用人工智能與超級人工智能的過程中，我們首先要通過理論和技術的不斷突破，來實現萬物智聯，促進社會的進步；其次要勇于拓展思想的邊界，增強對智能的認知和掌控能力；最終，用正確的目標和有力的手段，牽引人工智能的發展，助力我們超越極限，增強生命，創造物質，控制能量，跨越時空，實現人類文明的進化。”周紅總結表示。

關鍵詞：