清华大学教授、智能产业研究院（AIR）院长张亚勤2021年9月发表了“智能科学：无尽的前沿”主题演讲。

从技术演变的大趋势，算力驱动计算体系的突破，到人工智能赋能生命科学、绿色计算，以及自动驾驶技术，阐述了智能科学和技术对产业、社会，乃至人类发展带来的无限可能。

AI大趋势

IT技术的发展有三个大的趋势，数字内容从1.0时代逐步迈入3.0时代；人工智能从符号推理、深度学习，走向知识+数据驱动的3.0；产业从信息化、互联网+、走向智能+3.0时代。

首先是数字化3.0。回顾IT产业30年发展历程，最大的特征就是数字化，我们经历了从原子到比特、再回归原子的过程。第一波数字化开始于80年代中期。围绕自然界的内容表述，数字化的范围包括音乐、视频、声音、图像等，算法和标准有MP3/4、JPEG/MPEG、H.26X、AVS、DTV等；随着PC的推出，又出现了PPT、EXCEL、WORD文档数字化。

第二波数字化开始于90年代中期，在内容数字化的基础上加上互联网、HTTP、HTML的产生，从而催生消费者互联网，从早期的PC网站、门户，到搜索、电商、社交，再到后来的共享经济、Zoom等视频通讯、数字货币和移动支付。从产品体验和规模等方面来看，中国在移动互联网时代下的消费互联领域整体领先于世界。

与此同时，企业也在数字化方向不断细化与革新，比如ERP、CRM、HR、SupplyChain、BI、数据库、云计算等。在云领域，中国已在逐步追赶基础设施云IAAS，SAAS和智能云也在快速发展。

现在，我们进入了数字化3.0时期，一是物理世界的数字化，我也把它叫做“互联网的物理化”——汽车、公路、交通、工厂、电网、机器，乃至所有移动设备、家庭、城市都在数字化。数据指数增长，比如一辆无人车每天产生的数据量大约5T；相比于数据主要提供给人员辅助决策的1.0和2.0时代，数字化3.0时期99%以上数据是M2M和机器决策。

二是生物世界的数字化，我们的大脑、器官、DNA、蛋白质、细胞、分子...都在数字化。生物芯片、组学技术、和高通量实验产生了天文级的数据。从虚拟、宏观到微观，整个数字信息世界、物理世界和生物世界正在走向融合。

随着脑科学、神经科学等研究领域的发展，我们对人脑的结构和功能有了一定的了解 （尽管小于5%）。

回顾过去60年，人工智能的发展几经沉浮，在经历了两次AI寒冬之后，过去十年，随着深度学习技术的发展，人工智能进入了大数据、大计算、大模型算法的时代，也取得了巨大的成就。从AlphaGO、AlphaZero在围棋领域战胜人类，到AlphaFold2在医疗领域高精度预测蛋白质结构等，深度学习算法和人工智能技术正在逐步改变我们的物理世界和数字世界。未来五至十年，深度学习还会是人工智能最重要的算法，但未来无疑我们需要知识+数据驱动的融合算法，需要结合符号逻辑、知识型推理和第一性原理的新范式。

深度学习的三要素是数据、算法和算力，以此为基础带来了人工智能技术发展及落地应用的热潮。

首先是算法。人工智能从上世纪五十年代发展到今天，产生了很多不同的算法，尤其是以早期的RNN、LSTM和CNN为代表的深度学习技术，及过去这两年的GAN、transformer-based (BERT和GPT-3模型)、预训练模型等，可以说从感知方面语音识别、人脸识别、物体的分类，已经和人达到同样的水平。但在自然语言理解、知识推理和视频语义和泛化能力方面还有很大差距。另外在算法透明性、可解释性、因果性、安全、隐私和伦理等方面还存在较大挑战。

近年来，随着机器学习领域在模型参数的增长与大规模数据集的出现，我们对算力的需求越来越大，以每年数10倍的数量增长。Google的Jeff Dean说过：“数据+算法+算力 = 数据 + 100×算力”。这意味着他认为在数据、算法和算力这三大因素中，算力占据着绝对的主导地位，而算法则相对来说没有那么重要。这个观点我不完全同意，但我同意在目前深度学习框架下，算力十分重要。

AI/DL领域对算力的需求驱动新算力的发展。如何突破目前的算力？我们需要回到计算和通讯领域最基本的理论，回到当前的计算体系和通讯的基本范式。在过去的几十年间涌现出许许多多的定律和体系，而其中有三个定律和体系可以视为计算与通讯范式的根本：香农定律、冯诺依曼架构和摩尔定律。

首先，香农定律，定义了熵、推理出信道容量与编码速率的表达式，在此基础上引申出通信领域的三个极限：无损压缩极限、信道传输极限、有损压缩极限。目前，这三条极限逐步被逼近，留给人们进一步提升的空间已经不多。

第二，冯·诺依曼架构。冯·诺依曼架构中计算机由五个基本部分组成，具有程序存储、共享数据、顺序执行的特点。然而冯诺依曼架构的设计造成了运算器和存储器间的通信延迟，从而导致计算速度瓶颈的出现，这对深度学习的发展造成了一定的限制。

第三，摩尔定律。戈登·摩尔总结认为，集成电路上可以容纳的晶体管数目在大约每经过24个月便会增加一倍，而现在晶体管数目的增长曲线越来越慢，摩尔定律逐步趋向于终结阶段，计算能力的需求却飞速提升，算力提升与芯片技术发展趋缓的矛盾也显现出来。

过去60年, 这三个基本理论在计算和通讯领域建立了决定性的基础，然而随之而来的限制也使得当前的AI技术逐步逼近瓶颈。所以，如何突破这些限制，带来产业落地的新机遇？

首先，我们需要对信息做一个重新的定义。香农理论从点对点通讯延伸到多用户信息论，但进入互联网时代，面对海量的交互信息，理论框架并没有太大进步，基于香农范式的图像视频编码技术的发展已经达到极限，需要更多理论层面的模型更新，包括对熵，R(D)，和C的重新定义。目前AI learned Coder有些初步的进展。

其次，我们需要制定新的计算范式，包括量子计算、类脑计算和生物计算等在内的新的计算范式能够为计算瓶颈提供解决途径。

此外，我们需要创新传感器类型。数据是机器学习的基础，传感器能够获取各种各样的数据，所以非常重要。有观点认为，人用“小数据”就可以做决策，但我认为大数据是机器的优势，虽在决策方面，机器与人相比稍有欠缺，但在获取海量数据时，机器比人更有优势。

同时，我们需要新的计算体系和通讯架构，突破冯·诺依曼体系架构的限制。深度学习需要的基于海量数据的Tensor Products、稀疏矩阵、布尔代数等要素在传统的冯诺依曼架构下不易实现，异构计算、GPU、FPGA、AI ASIC等技术加速并彻底形成新架构成为了大趋势。除了传统的芯片公司比如英特尔、AMD，TI等，谷歌、百度、地平线、寒武纪等公司也相继进入这个领域。在新架构产生之后，会随之产生更多新算法、新模型、新型芯片，这将是一个非常大的机会。

在突破了上述瓶颈之后， 我们的计算架构也更走向分布式：端侧智能、边缘智能、云端智能及端-边-云协同智能。

在端侧智能方面，完成智能感知、端侧高效模型推理、端侧自主学习等技术突破；在边缘智能方面，完成跨设备协同、安全和隐私保护等技术突破；在云端智能方面，完成大规模分布式模型训练等技术突破；逐步构建端-边-云协同智能，实现端到端系统安全和数据保护，形成云边端一体智能和决策大脑，形成面向各类场景的定制解决方案，让智能无处不在。

产业从互联网+ 走向智能+ 3.0时代。

人工智能作为重要的赋能型技术，可以升级IT产业、改变现有工业，并创造新兴产业。在人工智能技术的赋能下，智慧交通、工业互联网和医疗行业，将被带来全新的产业机遇。

综上所述，我认为我们已经开启了第四次工业革命的序章。以人工智能技术为核心驱动力，在不久的将来，从整个世界到每个人的生存状态，都会变得更加智能。凡是有责任感的科技工作者都不会错过这样的历史性机遇，而AIR可以看成是我们对这个历史性机遇的积极回应。

AI+生命科学

随着基因测序技术、高通量生物实验、传感器等技术的发展，生命科学与生物医药领域正在步入数字化3.0时代，数字化、自动化进程加速。健康计算作为一种新型智能科学计算模式，是以人工智能和数据驱动为核心的第四研究范式。它将极大助力人类探索并解决生命健康问题。

我们已经看到，AI正在加速生命健康与生物医药领域向着更快速、更精准、更安全、更经济、更普惠的方向稳步发展。具体体现在，人工智能在蛋白质结构预测、CRISPR基因编辑技术、抗体/TCR/个性化的疫苗研发、精准医疗、AI辅助药物设计等方面的研究已成为国际前沿战略性研究热点。

作为交叉领域研究与应用，我们认识到人工智能与生命科学、生物医药领域存在较大的知识鸿沟，缺乏面向生物计算的数据集、AI平台、核心算法、计算引擎，同时跨界人才也非常稀缺。针对以上挑战，AIR提出“AI+生命科学破壁计划”，目标是定义AI+生命科学领域的核心前沿研究任务，跨越生命健康领域与人工智能的领域鸿沟，打破壁垒，促进AI与生命科学的深度交叉融合，加速科学发现。

为此，我们需要构建面向生命科学领域的人工智能基础设施、数据平台、核心算法引擎，支撑生命科学前沿研究任务。同时通过打造旗舰公开数据集，组织算法挑战竞赛，构建AI+生命科学的众智平台，培养跨界人才，构建产业生态。

AlphaFold2是AI+生命科学的一个典型成功案例。它的成功因素来自于两方面，首先，是任务的特殊性，蛋白质结构预测就可以看作从序列到三维结构的一个一一映射问题，因此它是一个well define的AI问题。这就是破壁计划的目标，要找到生命科学中意义重大，但同时又能抽象为适合AI的研究任务。第二，是模型的优越性。一方面，长时间的生命科学领域的研究积累了大规模的蛋白质结构数据，而AlphaFold2的整个模型架构则充分利用了数据驱动的端到端深度学习模型，大数据与深度模型的结合恰恰是第四范式的典型特点。因此，AlphaFold2带给我们的启示就是在AI+生命科学的研究中，要注重破壁和第四范式的重要性。

显然，AlphaFold2仅仅是一个开始，它的成功正在开启一个新的模式。蛋白质结构的精准预测为生命科学家提供了高效的计算工具，也为基于AI的重大生命科学发现提供了可能。未来，抗体、抗原的表位预测，肿瘤的精准疗法，TCR/个性化疫苗的设计与优化等方向将成为重要的研究热点，并在AI驱动的新计算模式下取得突破性进展，AI+大分子制药的黄金时代将正式到来。

其中，还会产生很多新的科学挑战，也预示着将产生新的计算范式，例如，干湿融合的闭环式计算框架。一方面人工智能模型通过高通量、多轮湿实验的闭环验证和数据补充将变得更为智能。另一方面，通过主动学习或强化学习的方式， AI将主动规划湿实验的自动化进行，形成干湿闭环验证、迭代加速生命科学发现与产业应用。我们预见到，通过干湿闭环打通，生命科学研究与生物医药产业将迎来新的研究范式与产业模式。

最近，由我们清华大学智能产业研究院（AIR）的兰艳艳教授带领GeneBert团队设计了一个新颖的基因预训练模型，通过构建序列与转录因子之间的二维矩阵，实现了一个多模态的基因预训练模型，获取了基因数据的有效表示，尤其是挖掘了非编码区的数据价值，在下游的启动子、转录子结合位点的预测，先天性巨结肠疾病的基因筛选任务上都大幅提高了性能。我们相信，类似预训练这样的前沿AI技术在基因数据上的持续深入应用，将进一步挖掘基因数据的价值，帮助我们破解人类的密码，在癌症的精准治疗等重要问题上发挥作用。

总结来看，我们认为，生物世界正处于数字化、自动化和智能科学计算的新变革中，用计算的方法，即人工智能和数据驱动的第四研究范式来辅助人们探索并解决生命健康的问题成为一个重要的研究方向。未来，需要学术界和产业界共同推动生命科学、生物医药、基因工程、个人健康各领域从孤立、开环向协同、闭环发展，实现更快速、更精准、更安全、更经济、更普惠的生命科学与生物医药创新，这代表着下个十年巨大的科学发展与产业创新的新机会。

AI+绿色计算

为了应对气候变化，“碳中和”已经成为全球主要国家的共识。我国提出了“碳中和”时间表，努力争取2060年前实现“碳中和” 。“碳中和” 是人类能源结构的又一次变革，既是可持续发展的必然选择，也是产业转型升级的巨大机遇，为我国的发展提供了重大的历史机遇。

在 “碳中和” 背景下，企业面临着巨大的挑战。高能耗、高排放不可持续，不仅造成成本高昂的后果，而且影响企业的公众形象和社会责任感，带来未来的经营风险。因此，企业迫切需要进行节能减排提质增效，产业转型升级是当务之急。

人工智能和物联网技术（AIoT）对碳中和会扮演重要的角色。通过智能感知，我们可以融合多源多维的异构数据；利用人工智能，我们可以打造AI优化引擎对数据进行深度分析，实现数据驱动的智能决策；基于这些决策，我们可以全面优化产业链的资源配置。这种基于AI+ IoT的“感知-决策-优化”可以循环迭代，赋能产业绿色化，助力碳中和。

AIR重点关注三个方向。首先是清洁能源和传统能源的融合，包括光、风、水电，和核电火电，还有氢能。从发电、输电，供电，到用能和储能，都有很多问题需要解决。利用AIoT技术，我们可以监控碳排放，优化智能机组控制；感知和预测电网负载，进行智能调峰和调度均衡，对网线故障进行检测和预警；以及对用电系统进行节能优化等。

第二个方向是ICT产业，包括智能计算中心、智能通信网络、新一代AI计算架构等。这些产业能耗巨大。据预计到2035年，全国数据中心耗电量将超过4500亿度，而全国 5G 基站耗电量也将超过 2400亿度。而随着AI模型越来越庞大，模型训练的能耗和排放也很高。比如，通过NAS训练Transformer (big)模型可排放高达284吨二氧化碳。为了降低能耗和排放，对于智能计算中心，我们需要通过感知和优化进行更好的任务管理调度和制冷控制，对系统故障进行预测和诊断，并研究清洁能源驱动的设计。对于智能通信，需要利用AI进行多基站大规模MIMO优化，实现通信感知一体化，充分利用边缘计算，并进行系统级的能耗管理优化。在新一代AI计算架构方面，要设计超低功耗专用芯片，打造高能效的模型训练系统和模型执行系统。

第三是新兴绿色产业，包括绿色城市、绿色园区/楼宇、绿色交通等。城市、园区/楼宇和交通排放了数量惊人的GHG（Greenhouse Gas 温室气体）。据统计，2019年仅纽约市GHG排放就高达5千5百万吨，而2016年全球楼宇和交通的GHG排放占比分别为17.5%和16.2%。在这些领域，AIoT大有可为。通过多源异构感知和数据融合，我们可以对城市的特定事件进行监控预警，进行数据驱动的智能规划和城市资源调度优化，打造绿色城市。在园区和楼宇，AIoT可以助力智能安防监控，进行目标检测追踪，实现智能管理运营，降低能耗。在交通方面，AIoT可以赋能复杂交通系统协调管控，对交通流量进行预测调度，实现高效的车路协同和车端能源管理。

具体来讲，在AIoT赋能绿色计算方面，AIR聚焦于研究两个方面的核心赋能技术：一个是高能效的AI计算系统，包括在端侧设备上的高效AI模型执行，在边缘服务器上的高效资源管理，和在云服务器上的高效AI模型训练；第二个是利用AI提质增效节能减排，实现面向AIoT的数据驱动和AI决策优化算法引擎。

打造一个AIoT赋能的绿色计算平台，利用端-边-云协同的底层的高能效AI计算系统，支撑上层的数据驱动的AI决策优化算法，比如强化学习、多智能体协同等，赋能产业的绿色化，包括绿色智能计算中心、绿色园区、工业节能等。

以下是几个具体的例子：首先是5G Massive MIMO天线权值优化。大规模多入多出 (MassiveMultiple Input Multiple Output, mMIMO) 系统是第五代移动通信技术中提高网络覆盖和系统容量的关键技术。mMIMO将信号空域利用在水平维度基础上扩展了垂直维度，具有丰富的空间自由度，其多天线阵列的信号辐射状是非常窄区域的波束，需要精准控制波束指向用户。在5G基站密度大幅提高，基站可调参数数量级增加、不同小区环境的影响、相邻基站之间的相互冲突的条件下，mMIMO系统以用户为中心的调优控制异常复杂，寻优空间过大，且无法频繁现网尝试。

AIR和亚信一起，基于5G三维信道建模仿真，对多基站MIMO天线权值优化进行了研究。通过对环境状态及动作进行高效表征建模，和多智能体优化算法建模，实现了5G 网络功耗降低 15%以上， 5G 网络覆盖质量提升 5%以上的初步研究成果第二个例子是基于离线强化学习的复杂工业/能源系统优化。通过对AI+ 火力发电机组燃烧控制优化，可以提升机组燃烧效率，帮助一台600MW机组年节煤3000-4000吨。

此外，Liu et al 在打造高能效AI计算系统方面开展了一系列的研究工作。比如对于面向异构硬件的模型生成，提出了基于预测的方法，可以快速搜索特定硬件上满足推理延迟的模型结构，并获得了MobiSys 2021的最佳论文奖。Liu et al 还针对big.Little CPU的模型推理进行了深度优化，可以最高加速97%，降低能耗55%，论文发表在MobiCom2021大会上。

总结一下，我们认为AI赋能绿色计算大有可为，需要沉淀出具备一系列可跨领域落地、可通用化的数据驱动算法应用，基于此搭建AI控制优化算法引擎，通过试点、合作、转化落地多领域的应用。我们希望和同行们一起，利用AI+ IoT，为实现我国2060碳中和的目标贡献力量。

AI+自动驾驶

1908年，Henry Ford先生推出了世界首款量产乘用车Model-T，随之而来的一场技术革命拉开了现代汽车工业百年发展的序幕，逐步形成了一个基于燃油技术的成熟产业。

环保带动的新能源革命，搭上技术进步拉动的数字化与智能化浪潮，正在产业政策的刺激下加速推动汽车行业向网联化、智能化、共享化、电动化转型。这场汽车革命发展之迅速、来势之迅猛，超出了很多人的预期。自动驾驶作为这场革命中的关键技术，将从安全、效率以及商业模式等方面全面赋能交通产业升级。

首先，自动驾驶将会极大地提升交通安全。世界卫生组织的《道路交通伤害报告》中指出，全球每年有135万人死于交通意外。其中95%以上是人为错误导致的，而人工智能的介入可以大幅降低人为事故隐患。自动驾驶车辆的安全标准需较人类驾驶提高至少一个数量级，达到十倍于人类驾驶的安全系数。

其次，自动驾驶将会提升交通系统的出行效率与能源使用效率。麦肯锡的报告显示，自动驾驶将为出行者节省40%的时间并减少40%的燃料消耗。马潍博士在 《智能驾驶助力碳中和》报告中指出，自动驾驶的应用可以将汽车排放约占碳排放总量的比重从15%降低到5%左右，将会为全球气候的改善产生很大贡献。

再次，自动驾驶将会创造巨大的商业价值。据伦敦知名技术企业家Tej Kohli预测，人工智能所带来的产业机遇将达到150万亿美元的规模。其中，自动驾驶驱动的智慧交通产业占比近十分之一。如此巨大的商业价值意味着全新的机会，这些机会来自于新的芯片、新的操作系统、新的软件、新的服务以及新的产品。

自动驾驶是一个十分复杂的系统问题，涉及到感知、认知、规划、决策与执行等诸多环节，需要在极短时间内做出可执行的正确决策。同时，自动驾驶也是一个复杂的狭义人工智能问题，可以被分解为有边界的子领域技术问题，因此我认为自动驾驶是可以实现的。并且，自动驾驶仅需在安全维度相比人类驾驶实现数量级的提升，即存在推进的价值。在实现自动驾驶的路径上，涉及的关键问题可以分为两类：一类是市场力量，例如技术可行性、用户需求挖掘、产业生态走向与商业模式等。另一类是非市场力量，包括政策、法规、伦理、隐私以及其他人为因素。

在技术层面，作为自动驾驶安全的基础，感知是首要的值得关注的问题。计算机和人类一样，需要在驾驶过程中动态地对周边的三维场景进行时空建模。在不同的场景下，借助不同模态的数据，算法不仅要完成对于车辆、行人等目标的检测，还需实现对于路标、交通信号等语义的理解。

目前感知面临最大的挑战来自于泛化能力不足，当遇到陌生的交通环境时，自动驾驶系统往往无法提供精准可靠的感知能力。相比之下，人类驾驶员不仅可以解决过往遇到的困难，还能够应对新的突发问题。不过，人类的驾驶能力不具备复制性，不同司机的驾驶水平可能相差较大。而可靠的自动驾驶系统则可以任意复制，这是人工智能的优势所在。

自动驾驶车辆需要一系列的传感器来共同完成感知任务，不同传感器各司其职：激光雷达可以直接采集距离信息，实现三维环境匹配及盲点探测；视觉相机可以采集的色彩和外形等细节信息，实现物体的快速辨认和车道识别；毫米波雷达则可以进行速度和距离的测量，发出碰撞预警并进行紧急制动。

理论上，多传感器的融合可以获取到比人眼更多、更高维度的数据，可以感知到肉眼不可见的物体，这是现阶段自动驾驶中唯一确定的机器可以超越人的环节，也是影响自动驾驶安全提升的决定性因素。使用单一的视觉传感器容易受到光照和天气等因素影响，因此导致自动驾驶系统产生误判的例子屡见不鲜。特斯拉就曾把白色大货车误判为白云，毫不犹豫地撞了上去。在这种情况下，配合采用激光雷达等传感器可以最大限度提升自动驾驶安全。

目前，部分混合固态式激光雷达的价格已经在1000美金以内。未来，随着技术更新迭代和大规模量产，激光雷达的价格会继续下探，甚至有机会成为汽车的一种标配。

近年来，随着智能网联逐步上升为国家战略，车路协同技术得到了快速发展。相较于单车智能缺乏全局视角、感知能力有限等问题，车路协同具备获取全局交通信息、感知范围更全面等优势，能够为单车智能提供互补与冗余信息，进而提高自动驾驶的安全性。

为进一步探索车路协同自动驾驶的落地，我们联合国内顶尖自动驾驶企业百度，发布了Apollo Air计划。该计划有三大特点：依靠纯路侧感知实现自动驾驶、持续降维反哺车路协同产品、标准开源开放实现业界共享。Apollo Air技术的创新之处在于，在不使用车载传感器，仅依靠路侧轻量感知的前提下，利用V2X、5G等无线通信技术就可以实现车-路-云协同的L4级自动驾驶。经过不断研究反复测试，目前团队已经完成对北京亦庄、广州黄埔、沧州等若干路口进行智能化改造，实现了Apollo Air纯路侧感知技术在L4真实场景的测试。

而在此过程中，我们更关注自动驾驶过程中涉及的AI算法，例如：

• 通过研究点云数据压缩算法提升处理自动驾驶海量三维数据的效率；

• 通过研究目标检测算法提升车辆、行人等目标的位置感知精度；

• 通过研究场景补全算法改善远距离点云数据稀疏的问题；

• 通过研究对抗学习算法算法在仿真环境中模拟生成极端场景，提升自动驾驶测试效率；

• 通过研究动态环境下的SLAM算法提升车辆在复杂环境下的定位精度；

• 通过研究全景分割算法提升场景理解与物体追踪的可靠性；

• 通过研究多模态信息融合算法最大化发挥多模态数据的优势；

• 通过研究模型压缩算法提升车载、路端等计算平台的利用效率。

在理论方面，AIR的研究团队将感知不确定性加入到驾驶安全评价框架中，在全球范围内率先针对车路协同自动驾驶的安全提升进行了量化计算与分析，系统地阐述了车路协同自动驾驶的必要性。

关于AIR

下面我简单介绍一下清华大学智能产业研究院（AIR）：我们的使命是用人工智能技术创新赋能产业，推动社会进步；我们的定位是面向第四次工业革命的国际化、智能化、产业化应用研究机构；我们的战略很清晰：一是培养技术领军人才，特别是具备国际视野的CTO和具备系统思维的架构师；二是推动关键核心技术的突破；三是打造产业技术战略的智囊团。

以ABCD，也就是人工智能（AI）、大数据（Big Data）、云计算（Cloud）和装置（Device）为技术基础，AIR锁定了智慧交通、工业互联网和智慧医疗为起步阶段的三个研究方向，同时搭建了两个横向支撑的实验室。这三个方向的共同点是：都面对着巨大的商业空间和发展机遇；人工智能在探索过程中发挥着特别重要的作用，甚至是决定性、颠覆性的作用；相关研发成果实用化、普及化之后，将产生可观的社会效益。

研究院目前引进了美国、欧洲、澳洲院士、ACM/IEEE Fellow、国家杰青、长江等杰出人才，初步形成了“国际顶尖人才-杰出行业领军-优秀青年学者”人才梯队布局。

过去的两个多世纪，相继爆发了三次工业革命，极大地加速了人类的历史进程，也深刻地改变了世界各国的竞争格局。但在前三次工业革命里，中国主要是旁观者和跟随者。今天国家的创新战略、人才优势、巨大市场和强大的国力，使得我们有机会成为第四次工业革命的领导者！