2035智能世界十大趋势：算力十万倍下的智能体与物理世界

简介：《智能世界2035》是华为面向人工智能、物联网、算力与能源融合趋势发布的展望报告PDF，适合技术决策者、研究人员及关注通用人工智能的读者系统了解未来十年智能世界图景。文件共1个PDF，约11.15MB，内容围绕AI从数字世界迈向物理世界，覆盖医疗健康生态、个性化教育、智能工厂与农场、自主交通、智能电网、智慧城市、智能家居及商业创新等场景，并讨论智能体组合、混合解决方案、系统韧性与可解释性、全球合作与监管等关键议题。报告还收录图灵奖得主Joseph Sifakis及戴琼海、郑志明等院士的序言与点评，梳理十大趋势，便于读者把握传感器、模型算法、算力芯片等潜在突破方向。已有991人学习下载，可作为洞察AI与ICT融合路径、研判产业机会的参考读本。

1. 一份面向2035年的报告：把人工智能从屏幕推向物理世界

"人工智能的下一站不在屏幕里，而在物理世界。"这句话过去多见于论文结尾，如今被写成了一份带数字的十年展望。某科技公司发布面向2035年的智能世界研究报告，用十大技术趋势把智能体、物联网、算力与能源串成一条线：全社会算力总量比2025年增长10万倍，智能存储需求增长500倍，联接规模增长100倍，网络要支撑九千亿个智能体。真正值得从业者留意的不是这些倍数，而是报告同时给出的天花板——2035年全球数据中心耗电预计达1.5万亿度，新能源发电占比要过半。数字越大，约束越硬，这才是这份材料的信息量所在。

2. 三个倍数与一条天花板：算力十万倍、存储五百倍、联接百倍

这份报告最容易传播的是三个倍数，最容易读丢的是一句约束。倍数写在前面，是因为它好记；约束写在后面，是因为它难解。上一版面向2030年的报告发布于2021年，当时谈的是联接普及和行业数字化转型；四年后的这一版，主语换成了智能体和物理世界。这个措辞变化本身就说明，报告方判断接下来的瓶颈不在"连不上"，而在"算不动、存不下、供不起"。

把三个倍数放在一张表里对照，会发现问题并不均质：算力涨得最猛，存储涨得最慢，联接涨得居中，而能源几乎没涨——它只是被要求换一种供给方式。

2.1 十万倍算力：四条腿同时动才成立的数字

十万倍是个什么概念？如果把2025年的算力总量记作1，那么2035年是100001。线性堆芯片做不到，靠制程微缩更做不到——报告给的路径是四条腿同时动：计算架构、材料器件、工程工艺、计算范式。任何一条腿停在原地，另外三条都会被拖住。

架构这一条最值得展开。当前主流计算仍是存算分离的结构，数据在处理器和存储器之间来回搬运，搬运本身消耗的时间和能量，在大模型推理场景里占比越来越高。报告把"突破经典计算架构"列为独立趋势，指向的是存算一体、光计算、量子计算这类新范式。注意这里的措辞是"范式",不是"产品"——它描述的是十年尺度上的技术路线切换，不是某一代芯片的迭代节奏。

器件和工艺这两条腿更朴素：材料体系要换，制造能力要跟上。真正难的是第四条，计算范式。范式的意思是你怎么组织一次计算，而不只是用什么算。同样一个推理任务，稠密模型和稀疏模型、集中调度和端边协同，能量账完全不同。

从行业角度看，十万倍这个数字的价值不在精度，而在它逼着人去看分母。算力增长的分母是能量，是机架功率密度，是变电站容量。很多团队在做三年规划时只算卡的数量，不算配电和散热，最后翻车的往往不是算法，是机房。这一点在后面第四节还会再提一次。

2.2 五百倍存储：瓶颈不在容量在带宽

存储需求增长500倍，AI相关存储占比超过70%，报告用了"尧字节时代"这个说法，并且强调"数据即智能"。这几个表述放在一起，容易被理解成"多买硬盘"。实际不是。

500倍和十万倍之间的差距，是这份报告里少见的、刻意保留的不对称。算力涨得更快，意味着单位算力对应的存储带宽需求同步上升；如果存储只扩容不提带宽，模型训练时数据供给跟不上，算力就是空转。报告里那句"应用与存储需求的紧耦合"，讲的正是这件事：存储不再是被动挂载的资源池，它要参与数据流水线的调度。

三个方向被明确点出——超高带宽、超大容量、超强智能。前两个是硬件指标，第三个是软件能力。所谓"超强智能"，落到工程上就是存储系统要能识别数据的热度、生命周期和访问模式，自己做分层。这在传统存储里靠人工配置规则，在智能体大规模并发写入的场景里，规则根本写不过来。

一个可以观察的信号是：未来几年，评价一套AI基础设施的指标，会从"多少PB"慢慢转向"每瓦能喂给GPU多少有效带宽"。容量是账面上的，带宽是实际跑起来才知道的。做容量规划时把带宽当二等公民的团队，通常会在训练任务跑到七成进度时发现问题，而那个时候，回滚成本已经很高。

2.3 百倍联接：从人联到物联，上行先扛不住

联接规模增长100倍，从"百亿人联"跨到"万亿物联"，网络要支撑九十亿人口口径下的九千亿个智能体。这三个数字里，最容易被忽略的是方向性变化：人联时代流量以下行为主，物联和智能体时代，上行和双向实时交互的占比会显著抬升。

感知类设备持续回传、智能体之间互相协商、端侧模型与云端模型来回对齐，这些都是上行重负载。传统接入网的上行带宽配置本来就偏紧，到了万亿联接的规模，先撑不住的大概率是上行，而不是下行。

可以用一段极简的估算把这件事说清楚，参数全部来自报告口径加上一行经验假设：

# 联接规模与流量方向的粗略估算 POPULATION = 9.0e9 # 2035年人口口径, 人 AGENTS_PER_PERSON = 100 # 9000亿智能体 / 90亿人口 CONNECT_GROWTH = 100 # 报告口径: 联接规模增长倍数 agents = POPULATION * AGENTS_PER_PERSON print(f"智能体规模: {agents/1e8:.0f} 亿") print(f"相对当前联接规模: {CONNECT_GROWTH}x") # 流量方向: 人联时代下行占主导, 物联/智能体时代上行占比抬升 # 下面两个比例是行业经验假设, 仅用于说明方向, 非报告数据 for era, downlink in (("人联为主", 0.85), ("智能体互联", 0.45)): print(f"{era}: 下行 {downlink:.0%} / 上行 {1-downlink:.0%}")

这段代码只有三个参数有信息量：AGENTS_PER_PERSON由报告的两个数字相除得到，不是行业通用值；CONNECT_GROWTH直接引用报告口径；downlink两个比例是经验假设，用来提示方向，不能当预测引用。逻辑上它只做了一件事——把"万亿物联"翻译成"上行压力"，因为在接入网规划里，上下行不对称是最容易被漏掉的一项。

报告因此提出"智能体互联网"这个说法，要求网络具备高实时、高智能的交互能力。落到协议层，意味着寻址对象从"设备"扩展到"智能体"，调度粒度从"连接"细化到"任务"。这不是一代设备能解决的事，是架构层面的事。

3. 走向物理世界：AGI的路线分歧与混合系统这道坎

报告开篇的判断相当克制：生成式AI取得了令人瞩目的成就，但AI的发展仍处于起步阶段，当前应用主要集中在问答型助手，这类系统通常被视为"黑盒子"，其属性难以像传统ICT系统那样被完全理解和保障。这段话的分量在于，它出自一份展望未来的材料，而不是一份批评材料。

3.1 大模型缺的不是数据，是对物理世界的推理

报告的判断是：AI在感知与生成上进步显著，却缺乏对复杂物理现象的深层抽象与推理能力，其认知模式仍困于多重线性统计关联的框架内。换成工程语言：模型知道"什么和什么经常一起出现"，不知道"什么导致什么"。

这个差别在数字世界里问题不大，在物理世界里代价不对称。推荐系统错一次，用户划走；机械臂错一次，产线停摆；调度系统错一次，可能是电网的局部失稳。报告说"走向物理世界是AGI形成的必由之路"，本质是在说：物理世界的数据分布不受人控制，物理世界的错误不可撤销。

"黑匣子"这个说法在这里用得恰当。传统ICT系统的可靠性，建立在"系统行为可以被完整建模、被形式化验证"之上；数据驱动的模型做不到这一点，它的行为是一组权重在特定输入下的涌现结果。你很难证明它不会在某个没见过的输入上给出危险输出，只能通过测试和监测去逼近这个信心。

所以报告把问题重新定义了：不是"如何造一个更大的模型"，而是"如何把不可完全信任的模块，组装成可信的系统"。这是一个系统工程问题，不是模型问题。

3.2 符号与非符号怎么拼：混合架构的三层切分

报告给出的答案是混合解决方案：把符号知识（模型、规则、领域本体）与非符号知识（感官信息、数据驱动的策略）结合起来，构建可扩展、可演进的系统，在设计的正确性和运行阶段的韧性之间取得平衡，并通过定期或针对性的更新实现持续演进。

这套说法在工程上可以切成三层，各层用不同的验证手段：

class HybridStack: """混合智能系统三层结构: 确定性内核 + 学习型策略 + 任务规划""" def __init__(self, kernel, policy, planner, monitor): self.kernel = kernel # 可形式化验证的确定性控制器 self.policy = policy # 数据驱动策略, 只出候选动作 self.planner = planner # 任务级规划, 支持回滚 self.monitor = monitor # 基于知识的运行时监测 def step(self, obs): plan = self.planner.plan(obs) # 慢回路: 任务意图 cand = self.policy.act(obs, plan) # 快回路: 候选动作 safe = self.kernel.guard(cand, obs) # 安全护栏: 约束校验 if not self.monitor.ok(safe, obs): return self.kernel.fallback(obs) # 越界则退回确定性策略 return safe

关键在两条：policy不直连执行器，中间必须过kernel.guard；monitor用的是知识规则而不是另一个模型，否则等于用黑匣子看黑匣子。参数上，planner走慢回路，频率可以是秒级到分钟级；policy走快回路，毫秒到百毫秒；kernel的校验必须是常数时间，否则实时性无从谈起。

报告里"可扩展、可演进"这六个字，对应的就是monitor的规则库要能持续加、policy要能定期换，而kernel尽量不动。很多团队的做法相反：内核频繁改，监测规则常年不更新，系统跑得越久越脆。

3.3 验证方式搬家：从"事前证明"到"事中守门"

报告里有一句技术判断值得单独拎出来：系统验证正在从理性主义向经验主义转变。传统的基于模型的技术能保证高可靠性，但由于系统固有的复杂性和异构性，已经不再完全适用；需要超越当前的随机测试和仿真方法，开发更严格的验证技术，同时通过基于知识的监测技术，弥补可靠性下降带来的影响。

这句话翻译过来是：可靠性保证的位置在移动。过去大部分保证放在"上线前"，靠建模和证明；现在一部分必须挪到"运行中"，靠监测和兜底。

这张表的意思是四类手段要配着用，不是替换关系。做智能体产品的团队最容易踩的坑，是把仿真覆盖率当成了安全证明，上线后才发现真实环境的输入分布和仿真差得很远。等保、功能安全这类合规口径目前还没跟上混合系统的形态，这也是接下来几年标准层面必然会动的部分。

4. 智能体从工具到决策伙伴：产业侧的三笔账

报告把智能体的演进讲得很明确：从执行工具到决策伙伴，从理解客观规律到侧重实践的行动系统，能够自主闭环执行多类任务，最终驱动产业智能化革命。这个描述很顺，但落地要算三笔账：替换哪一层、样本从哪来、电从哪来。

4.1 第一笔账：多智能体协同先替换哪一层

报告提到，移动互联网里的海量应用不再是信息孤岛，而是智能体相互连接的智能服务，形成多智能体协同的新生态；人机交互从图形界面迈向自然语言，并在视觉与听觉的基础上逐步融合五感；软件开发领域，人专注于系统架构与创新设计，智能体承担具体执行。

从行业角度看，最先被替换的不是底层系统，而是中间那层"信息搬运与事务编排"。查资料、填表单、比价、排期、走审批流——这些工作的共性是输入输出都是结构化或半结构化信息，错误可撤销，责任边界清晰。这一层被智能体接管的阻力最小，因为它不需要对物理世界负责。

最难的是责任边界。一个智能体替企业下了采购单，出问题谁担？现在的答案通常是"人复核"，但人一旦长期不复核，复核就变成了形式。报告在讲自主闭环时没有正面展开这一点，只说需要伦理与监管框架。这不算回避，因为技术文档确实解决不了责任分配。

开发范式的变化倒是可以观察：当执行环节被智能体承担，工程师的价值会更集中在接口设计、状态管理、失败处理上。写代码这件事的门槛在降，定义"什么叫做对了"的门槛在升。

4.2 第二笔账：行业AI的样本结构决定训练配方

报告里有一段判断，是整份材料中最接地气的部分：构建强大的行业AI应用与基于网络数据训练通用大语言模型有着根本区别。网络上几乎能找到所有常见主题的数据，但关键的行业事件通常是罕见的故障或异常——可能有十年的"正常运行"数据，却只有极少数灾难性故障事件，而行业模型必须从这些极为罕见的事件中学习。

这就是行业AI的真实处境：正样本泛滥，负样本稀缺。用通用大模型的配方去做行业模型，会得到一个"很懂正常、不懂异常"的系统，而行业付钱恰恰是为了后者。

所以报告强调协同效应要按应用领域收集和清理数据，强调开放的工具和平台推动互操作与集成。这两句听起来像呼吁，实际是工程前提：单家企业的故障样本量，往往不足以训练一个可用模型，只能靠行业级的样本池和仿真环境补。

4.3 第三笔账：能源约束迟早写进推理成本

报告预测，到2035年全球数据中心耗电将达1.5万亿度，能源供给需要发生大的变革，可再生能源加速替代，新能源发电量占比突破50%；同时人工智能将成为新能源系统的核心，通过Token管理瓦特，实时管理每一焦耳的能量。

"用Token管理瓦特"这个说法有点玄，但方向清楚：算力调度和电力调度要打通。风电光伏的出力曲线不由人定，推理任务却可以排队。把非实时的训练任务挪到绿电富余时段，把实时推理留在靠近负荷中心的位置，这在工程上完全可行，缺的是电价信号和调度接口。

对从业者的直接影响是成本结构变了。过去算推理成本，算的是卡时；以后要算的是卡时加电费加配电容量占用，而且后两项的波动比第一项大。选址、供电合同、峰谷策略，这些原本属于基建部门的事，会逐渐进入算法团队的决策视野。

5. 常见误判：这份报告最容易被读歪的四个地方

一份展望型报告的价值，一半在它说了什么，一半在它没说什么。下面四条是读这类材料时最常见的偏航，每一条都在实际讨论里反复出现。

5.1 误判一：把2035当成产品路线图

误判点：把十大趋势当成排期表，认为某项技术在2035年前必然落地，据此安排研发投入。

为什么：报告的写法本身容易造成这种错觉——它给出年份、给出倍数、给出场景，读起来像里程碑。但展望型研究的因果链是反的：它先假设终局成立，再倒推需要哪些条件；不是先有条件，再承诺终局。十万倍算力依赖四条技术路线同时突破，任何一条延迟，整条曲线就平移。

怎么看：把年份当方向，把倍数当量级，把趋势当约束条件。真正可以拿来排期的，是那些不依赖单点突破的事——验证工具链、数据治理、接口标准化。这些做早了不会浪费，做晚了必然补课。

5.2 误判二：把十万倍算力读成采购清单

误判点：用十万倍去反推芯片需求，得出"算力缺口巨大、抓紧囤卡"的结论。

为什么：这个数字是全社会的口径，包含训练、推理、端侧、行业专有算力，且建立在架构切换的前提上。如果架构不变，十万倍需要的电力根本无法支撑；正因为架构要变，单位算力的能效才会同步提升，缺口不能简单用今天的卡去填。

怎么看：关注能效比和利用率，而不是绝对规模。同样一批算力，调度得好和调度得差，有效产出差好几倍。多数团队的瓶颈不在卡不够，在排队策略和数据处理流水线。先把利用率从三成提到六成，比多买三成卡更划算。

5.3 误判三：把"AI向善"当成一句公关话术

误判点：读到伦理、公平、可解释、监管这些词就跳过，认为与技术无关。

为什么：这些词在营销材料里确实常常空转，但在这份报告里，它们和技术判断是绑在一起的——混合架构之所以必要，正是因为纯数据驱动模块的行为不可完全解释；运行时监测之所以必要，正是因为事前验证覆盖不了异构系统。治理需求在这里是技术需求的另一种表述。

怎么看：把合规要求翻译成工程约束。可解释对应的是可追溯的决策日志，公平对应的是分场景的评测集，问责对应的是回滚机制。这些做出来，既是合规，也是排障工具。

5.4 误判四：把行业AI当成通用模型加行业数据

误判点：认为行业模型的路径是"拿一个通用大模型，喂进本行业数据做微调"。

为什么：这条路在正样本充足的任务上有效，在异常检测类任务上失效。报告说得很直白：行业事件通常是罕见的故障或异常，十年正常运行数据里只有极少数灾难性事件。微调改变的是输出分布，改变不了样本结构。

怎么看：行业AI的重心要放在样本生成侧——仿真环境、故障注入、机理模型、专家规则。数据量不是关键，负样本的代表性是关键。谁的仿真环境更接近真实工况，谁的行业模型就更可用。

6. 接下来十年：三个可以盯住的观察点

趋势判断容易写成愿望清单，所以这里只留三个能被验证的观察点，每个都配一个"什么时候该重新评估"的触发条件。

6.1 看验证工具链什么时候成熟

混合系统要落地，前提是有人能证明它安全。目前形式化验证覆盖不了学习型模块，仿真覆盖率又不等于安全证明，中间这块空白由运行时监测临时补着。接下来几年，谁能把"监测规则的可维护性"这件事做好，谁就握住了行业AI的入场券。触发条件：当某个行业出现被监管明确接受的混合系统验证方法时，这个行业的智能化节奏会突然加速。

6.2 看能源合同什么时候变成算力合同的一部分

1.5万亿度的用电展望，意味着算力扩张的瓶颈会从芯片挪到配电。当数据中心的选址决策开始由绿电出力曲线主导，而不是由网络时延主导时，说明这件事真的发生了。触发条件：当训练任务的调度开始按电价分时排期，而不是按队列先后排期。

三年前我参与过一个内部智能体项目，上线前把大部分精力放在模型效果上，监测规则只写了十几条，觉得够用。结果第一次线上异常，系统没有任何告警，是靠用户投诉才发现的——模型没错，错的是它调用了一个已被下线的外部接口，而监测规则里没有这一条。从那以后，我每次做类似系统，都强制先写监测规则再写业务逻辑，规则数量不够就不允许进入联调。这个习惯不好看，但省下了不少后悔药。希望帮到你。

本文还有配套的精品资源，点击获取