1月11日，《达摩院2023十大科技趋势》发布，多模态预训练大模型、Chiplet、存算一体、云原生安全、软硬融合云计算体系架构、端网融合的可预期网络、双引擎智能决策、计算光学成像、大规模城市数字孪生、生成式AI等十大技术入选。
达摩院认为，全球科技日趋显现出交叉融合发展的新态势，尤其在信息与通信技术（ICT）领域酝酿的新裂变，将为科技产业革新注入动力，基于技术迭代与产业应用的融合创新，将驱动AI、云计算、芯片等领域实现阶段性跃迁。
据悉，达摩院2023十大科技趋势采用“巴斯德象限”研究思路，基于论文和专利的大数据“定量发散”，对产、学、研、用领域近百位专家深度访谈进行“定性收敛”，再从学术创新、技术突破、产业落地、市场需求等维度综合评估，力求“致广大而尽精微”，最后遴选出十大趋势。
趋势一、多模态预训练大模型
基于多模态的预训练大模型将实现图文音统一知识表示，成为人工智能基础设施。
摘要：
人工智能正在从文本、语音、视觉等单模态智能，向着多种模态融合的通用人工智能方向发展。多模态统一建模，目的是增强模型的跨模态语义对齐能力，打通各个模态之间的关系，使得模型逐步标准化。目前，技术上的突出进展来自于 CLIP（匹配图像和文本）和 BEiT-3（通用多模态基础模型）。基于多领域知识，构建统一的、跨场景、多任务的多模态基础模型已成为人工智能的重点发展方向。未来大模型作为基础设施，将实现图像、文本、音频统一知识表示，并朝着能推理、能回答问题、能总结、做创作的认知智能方向演进。
趋势解读：
基于深度学习的多模态预训练是认知智能快速发展的重要推动力。构建多场景、多任务的预训练大模型将加速模型标准化进程，为人工智能模型成为基础设施创造条件。深度学习模型的不断完善、互联网海量真实数据的积累和生成式预训练的广泛应用，使得人工智能模型在自然语言理解、语音处理、计算机视觉等领域地交叉应用取得显著进展。
2022 年，技术上的突出进展来自于 BEiT-3 多模态基础模型，该模型在视觉 - 语言任务处理上具备出色表现，包括视觉问答、图片描述生成和跨模态检索等。BEiT-3 通过统一的模型框架和骨干网络（backbone）建模，能够更加轻松地完成多模态编码和处理不同的下游任务。另一方面，CLIP（ContrastiveLanguage-Image Pre-training）的 广 泛应用也促进了多模态模型的技术发展。CLIP 作为基于对比学习的预训练模型，负责从文本特征映射到图像特征，能够指导 GAN 或扩散模型（DiffusionModel）生 成 图 像。在 文 生 图 领 域，Stable Diffusion 也使用了 CLIP，它能够通过文本提示调整模型，并借助扩散模型改善图像质量。与此同时，开源极大的促进了多模态的融合和预训练模型的发展。通过开源来降低模型使用门槛，将大模型从一种新兴的 AI 技术转变为稳健的基础设施，已成为许多大模型开发者的共识。