华为分析师大会进入第二十个年头，每年此时都是观测华为战略的最佳窗口。今年的大会以“跃升数字生产力，加速迈向智能世界”为主题，孟晚舟进入第一次轮值董事长周期之后首次公开亮相。
“新人旧事”，华为如何继续讲述数字化的故事？
(资料图片仅供参考)
孟晚舟阐述企业“四化”方向
数字经济对全球总体GDP的贡献份额不断攀升，预计到2025年，大约55%的经济增长将会来自于数字经济的驱动，全世界170多个国家和地区都纷纷制定了各自的数字化战略。2026年，全球数字化转型的支出将高达3.4万亿美元，成为整个产业链的新蓝海。
华为副董事长、轮值董事长、CFO孟晚舟表示：“数字化是整个产业链的新蓝海，跃升数字生产力正当时。华为将在联接、计算、存储、云等方面保持投入，为客户提供极简架构、极高质量、极低成本、极优体验的‘4极’数字基础设施，携手伙伴共同助力客户实现数字化转型的‘4化’，即作业数字化，数字平台化，平台智能化，智能实战化，共赢数字化未来。”
在联接方面，华为将持续推动建设5.5g时代领先的数字基础设施，构建千亿互联，万兆体验网络能力。
在计算方面，华为将围绕着多场景、多样性战略需求，不断提高在通用算力人工智能计算中的能力。华为云将沿着行业数字化的云底座和实体保持投入，华为自身在数字化转型过程中所沉淀的技术工具和经验将持续开放在华为云上。
此外，在伙伴生态层面，孟晚舟提到，华为会持续深化与产业组织的合作，通过硬件开放、软件开源来繁荣产业生态，让更多的伙伴和开发者加入到数字化产品和解决方案的创新功能。
同时华为会坚守以利益为纽带，以诚信为基础，以规则为保障的原则，加大对伙伴的投入，并通过ICT学院、ICT技能大赛，以及未来组织2.0计划等，持续培养数字化人才。
“我们认为，一个企业的数字化转型就是沿着四化的方向去前进，作业数字化、数字平台化、平台智能化、智能实战化。”孟晚舟表示。
首先，战略驱动是根本，数字化本质是战略选择和战略规划，成功的数字化转型都是由战略驱动，而非技术驱动。
其次，数据治理是基础，只有通过对数据的科学治理，数据在企业内部的流动才具有意义，不同维度的数据汇聚在一起才能创造新的价值。
最后，数据智能是方向，数据正在成为生产力，作业数字化、数字平台化使得数据清洁、透明、聚合，是转型的基础；平台智能化，智能实战化使得数据随需、易懂、有用，是数字转型的深化。
华为预计，随着数字化的深入，到2030年全球通用计算能力将增长10倍，人工智能算力将增长500倍，全球联接总数达到2000亿，万兆企业WiFi渗透率达40%，云服务占企业应用支出比例为87%。
通信与计算，华为两大战略研究方向
“未来通信和未来计算是迈向智能世界需要解决的两大核心问题。在通信领域，今天的我们有条件超越香农定理最初的假设和应用条件，实现超越十年百倍的发展。在计算领域，方向是新的计算模式、架构与部件，提升对智能的认知水平和掌控能力，并在AI for Industry和AI for Science等应用中不断迭代发展”。华为战略研究院院长周红如此表示。
近年来，智能应用迅速发展，尤其是通过AI模型优化可以帮助解决应用碎片化的问题，这也引发了模型规模的爆发式增长。过去十年，AI算法的算力需求提升了四十万倍。
周红表示，在AI能力快速提升的情况下，需要考虑AI的目标如何与人类一致、并且正确和高效地执行。除了通过规则和法律来加强AI的伦理和治理外，从理论和技术的角度看，要达到这些要求，目前还面临三个重要的挑战：AI的目标定义、正确性与适应性、以及效率。
AI面临的第一个挑战，是缺乏共识的目标定义。如果没有定义清楚并达成共识，就很难确保AI发展的目标与人类一致，也很难合理地分类和科学地计算。人工智能在历史上有不同的流派，例如符号主义、贝叶斯主义、进化主义、行为主义，以及连接主义等，它们还没有很好地融合起来。
其次，在当前的很多AI应用中，存在正确性和适应性的挑战。依靠大数据统计规律进行的学习，会依赖于采样的覆盖面和数据的正确性，如果错误使用，就可能导致结果不稳定和偏见的风险，出现“黑天鹅”事件。“AI的能力分布在巨大的参数中，出了这些问题，我们既无法解释、也难以调试。”周红补充说。
第三个挑战是AI的效率。能源效率方面，当前超级计算机单位能量的计算效率，要比人脑低大约三万倍到十万倍。数据效率方面，除了通过从大数据中得到统计规律，来认识和理解世界外，行业也在思考能不能从小数据中进行思考，发现逻辑性，形成概念，抽象出原则。
周红提到，近几年学术界有很多跳出Transformer之外的新型AI架构的思考，例如Geoffery Hinton的GLOM模型，建议通过各种学习方法，实现从部分到整体，类似人类的感知系统。
Yoshua Bengio建议未来的人工智能由基于直觉的System1模型和基于逻辑与归纳的System2模型组成；Yan LuCun建议以自监督的方式来学习世界模型，然后利用这些模型进行预测、推理和规划；Richard Sutton提出基于经验的AI，通过与环境的交互而获取经验，构建AI的目标和整个世界的状态，使得智能体可以学会与环境沟通、合作和竞争。
周红建议，在这些思考的基础上，发展感知与建模、知识自动生成、求解与行动三个核心部分，通过从多模态感知融合与建模，到“知识+数据”驱动的决策，实现更高正确性与适应性的自主智能系统。
具体来看，感知与建模是对外部环境以及自身的表征与抽象；
知识的自动生成应该将吃穿住行、琴棋书画、数理化生等人类能表达与不能表达、能感知和不能感知的知识都考虑进来，要考虑Human in the loop，将人已有的经验融入到策略模型或评价函数当中；
求解与行动可以是在已有知识的基础上，结合内外部信息进行直接的演绎推理，或者通过与环境交互试错，来找到解决办法。
发展更好的计算模式，以及与之匹配的计算架构与计算部件，也是提升智能计算效率的方向。
当前很多AI计算面临存储瓶颈的问题，往往要花比计算多上百倍的时间来读写与搬移数据，抛开传统的冯·诺依曼架构的处理器、指令集、总线、逻辑器件和存储器件，围绕先进AI计算模式的需要来定义新的架构与部件，是业界的研究方向。
“在通信和计算两大基石的驱动下，从狭义人工智能，到通用人工智能与超级人工智能的过程中，我们首先要通过理论和技术的不断突破，来实现万物智联，促进社会的进步；其次要勇于拓展思想的边界，增强对智能的认知和掌控能力；最终，用正确的目标和有力的手段，牵引人工智能的发展，助力我们超越极限，增强生命，创造物质，控制能量，跨越时空，实现人类文明的进化。”周红总结表示。
