传统数字基础设施技术发展路径面临哪些挑战？

通信算法已经逼近香农极限。

从 19 世纪后期到 20 世纪中叶，人类在电磁学、量子力学、信息论等数理理论的突破，是现代信息通信技术的基础。信息通信技术三大要素，连接、算力、智能，既有各自的发展路径，又呈现相互支撑、协同并进的态势。 香农信息论从理论上证明了，带宽恒定的信道在有噪声情况下存在传输容量上界，即香农极限。通信带宽的提升，一方面是研发更优的传输信道（无线、电缆、光纤等），另一方面是用不断演进的算法（调制解调、整形补偿、前向纠错等）逼近香农极限。先进的算法带来了计算复杂度的增加，必须依赖微电子技术的进步，以更强的数字信号处理能力满足通信算法的需求。

计算机出现之后，对算力的需求成为微电子技术进步的最大驱动力。著名的摩尔定律最初就是对微处理器发展的预测，即，每隔 18 或 24 个月，单位面积的芯片上所集成的晶体管数量翻一番，微处理器性能提升一倍，价格减半。 按摩尔定律发展的微处理器在过去 50 年来性能提升了 10 亿倍以上，其带来的半导体工艺技术的进步也同时带动了其他芯片的发展，包括用于通信的数字信号处理器（DSP）、网络处理器、交换芯片等。芯片技术的进步使得更加复杂的通信算法得以实现。

人工智能算法对于算力的需求前所未有，除了研发性能越来越强大的AI 算力芯片之外，分布式计算也是解决大算力需求的必由之路。分布式 AI 计算对于连接带宽、时延提出了很高的要求，连接技术的进步使得跨地域的云-边高效协同的分布式 AI 计算成为可能。反过来，连接带宽的提升也需要人工智能技术的支撑。目前 AI 算法已经在网络物理层优化、无损网络参数优化、神经网络视频编码等各层面发挥作用。 由此看出，连接、算力、智能这三大技术要素，每个要素的发展都依赖其他要素的支撑，反之，任一个技术方向的受阻，都会影响其他技术方向的演进。

目前看，这三个技术要素的未来发展路径均面临各自的困难。 （一）通信算法已经逼近香农极限 。香农定理，即 C/W=log2（1+S/N），揭示了谱效（单位频谱宽度能传送的最大信息速率）与信噪比的关系。在通信实践中，经常根据信息速率（不含冗余信息）、通道宽度，来确定最小信噪比容限。这个信噪比容限代表可实现无误码传输时所需信号质量的极限值。早在 2001 年就有研究论文指出 [10]，目前无线通信中使用的 LDPC 编码算法，在白噪声信道中达到 10 -6 误码率的信噪比容限，是 0.31dB，而此场景下的香农理论极限是0.18dB，两者只差 0.13dB，也就是实际信噪比容限比香农限只多了 3%（10 0.013≈1.03）。另外，据中兴通讯实测数据，目前光传输算法在 4~16QAM 调制达到的信噪比容限，距离香农限约为 1dB 左右，只能等效提高 25%的传输距离，或提高0.33bps/Hz 的谱效。越接近极限，提升算法复杂度所带来的性能收益越低，往往用数倍的计算量，才能带来几个百分点的性能提升。因此未来的算法即使能够继续逼近香农极限，其对于算力效能的需求（单位功耗的算力）也大大超过了摩尔定律能达到的水平。

（二）微电子技术逐渐逼近物理学设定的边界 代表微电子技术进步的摩尔定律也逐渐遇到越来越大的困难。 在 28nm 工艺之前，业界通过缩小晶体管尺寸（如栅长）来增加单位面积的晶体管数量。但晶体管尺寸小到一定程度就会因为量子隧穿效应、寄生电容等问题而难以为继(一个硅原子的直径为 0.2 nm， 20 nm 的栅极长度大约只有 100 个硅原子)。因此从22nm开始，主要靠晶体管结构创新来增加单位面积的晶体管数量，从鳍式结构FinFET（预计可以支撑到 3nm）到全环结构 GAA（预计可再支撑 2~3 代）。但是复杂的结构创新所需要的成本和功耗很高，因此继续提升工艺节点的经济性越来越成为限制因素。

目前看来，人类在微观世界的基础理论进展（量子力学）所带来的技术红利已经接近用尽。从二十世纪五十年代开始，以量子力学为基础的现代光学、电子学和凝聚态物理迅速发展，诞生了激光器、半导体和原子能等重大科技突破。但这次技术革命还只是从宏观统计的角度认识和利用量子现象，例如能级跃迁、受激辐射和链式反应，对于物理介质的观测和操控依然是宏观的手段和方法，例如电流、电压、光强等。 微电子技术的物理学基础是基于电荷数量的电平检测，随着电荷团持续缩微，带来了静态泄漏电流增大等难以解决的问题。业内在研究将“电荷团迁移”改为“材料的阻变”、或“量子自旋”等新物理机制来降低功耗，但操控的仍然是宏观物理量，仍将面临尺寸缩微的极限。

要全面展示量子态的特性，充分释放量子的潜力，就必须通过对光子、电子和冷原子等微观粒子系统及其量子态进行精确的人工调控和观测。科学界在这方面的研究尚处于起步阶段，未来的发展路线、方式、目标都存在很大的不确定性。

（三）智能的发展，缺少认知科学理论的指导 。人工智能是对人类思维过程和智能行为的模拟。对人工智能的研究从计算机诞生不久的20 世纪 50 年代就已经开始，真正在应用上取得突破是在 2006 年深度神经网络取得成功之后。但基于神经网络的人工智能算法是对人脑生理结构的浅层模拟，对于其深层工作机理的研究属于认知科学的范畴，目前尚未取得突破。 目前人工智能算法已经在多个难以用数学模型描述的复杂问题域取得应用，包括人类智能相关领域，和非人类智能相关领域。在人类智能相关领域，比如机器视觉、自然语言处理、自动驾驶等，虽然在某些场景下已经非常逼近甚至超过人类的水平，但在通用性方面离人类智能仍然有差距。业界逐渐认识到，人工智能算法要真正达到人类智能的水平，需要在认知科学基础理论有突破性的进展。在非人类智能相关领域，比如通信物理层的神经网络建模和补偿算法，虽然取得了一些学术研究成果，但由于缺少对其内在物理机理的了解，使得业界对于这种模型的适应性和可靠性存疑，阻碍了其真正在工程上的大规模应用。

目前的深度学习技术路线是靠算力和数据的大规模堆积来实现的，但在摩尔定律放缓，节能减排约束的背景下，这种技术路线从长期看是难以持续的。目前人工智能算法对算力需求增速远大于摩尔定律增速，特别是进入 Transformer 大模型时代后，训练模型所需的算力增速提升到平均每两年增长 275 倍，大幅超越摩尔定律每两年增长2 倍的增速[11]。这种增速背离带来的直接结果，就是 AI 计算成本和对环境的压力快速上升。目前，全世界1%的发电量被用于 AI 计算。全球 AI 计算能耗年增长率为 37%。据此估算，下一个10 年，AI 计算将消耗全世界发电量的 15%左右，将为环境带来沉重的负担。总的来说，信息通信技术的发展已经逼近数学（香农定理）、物理（量子力学）、认知科学三大基础理论所设定的边界。往前每走一步都要付出比以往更大的代价。而节能降耗的要求、技术效用的边际递减又给技术演进的经济可行性设置了更高的障碍。浅层的矿藏已经挖完，深层的矿藏是否具有技术经济性尚属疑问。这是目前的技术演进路线面临的主要问题。