AI for Engineering：驱动数字生态系统网络发展范式转型

邬江兴; 邹宏; 张帆; 刘勤让; 高彦钊; 尚玉婷; 祁晓峰

doi:10.3981/j.issn.1000-7857.2025.04.00041

科技导报 >

2025 , Vol. 43 >Issue 12: 19 - 28

DOI: https://doi.org/10.3981/j.issn.1000-7857.2025.04.00041

本刊专稿

AI for Engineering：驱动数字生态系统网络发展范式转型

邬江兴 ^,¹^,² ,
邹宏 ¹ ,
张帆 ¹^,² ,
刘勤让 ¹^,² ,
高彦钊 ² ,
尚玉婷 ^,¹^,* ,
祁晓峰 ²

展开

1. 复旦大学大数据研究院, 上海 200433
2. 国家数字交换系统工程技术研究中心, 郑州 450002

尚玉婷（通信作者），助理研究员，研究方向为网络空间治理，电子信箱: shangyuting@fudan.edu.cn

邬江兴，教授，中国工程院院士，研究方向为通信与信息系统、计算机与网络技术、网络空间安全技术，电子信箱: ndscwjx@126.com

收稿日期: 2025-04-09

网络出版日期: 2025-07-03

基金资助

国家重点研发计划项目(2022YFB4500900)

版权

收起

AI for Engineering: Driving a new paradigm for digital ecosystem network development

Jiangxing WU ^,¹^,² ,
Hong ZOU ¹ ,
Fan ZHANG ¹^,² ,
Qinrang LIU ¹^,² ,
Yanzhao GAO ² ,
Yuting SHANG ^,¹^,* ,
Xiaofeng QI ²

Expand

1. Institute of Big Data, Fudan University, Shanghai 200433, China
2. National Digital Switching System Engineering & Technological R & D Center, Zhengzhou 450002, China

Received date: 2025-04-09

Online published: 2025-07-03

Copyright

Fold

摘要

系统阐述了AI for Engineering（AI4E）驱动数字生态系统网络发展范式的转型动因、机理与实践路径，指出传统数字生态系统网络发展范式面临“刚性架构与场景多样化”的根本矛盾，亟需以“超融合、高可信、一体化”为目标进行重构。介绍了AI4E驱动数字生态系统网络发展范式转型的重要基础、技术支撑、运作方式，从思维视角、方法论、实践规范、发展路径等方面阐述了新范式的主要特征；同时，介绍了AI4E赋能转型的实践探索，提出基于生成式AI的多模态网络环境（PINE），开辟网络技术体制“第二曲线”；提出晶上生成式变结构计算，打造智能算力“芯物种”；推动内生安全赋能数字系统网络弹性工程，提升人工智能应用系统内生安全能力；呼吁建设"超融合网络与智能计算实验床"大科学装置，验证“结构决定效能/安全/多样性”的科学猜想，为构建自主知识体系、推动科技自主创新、深化人才自主培养改革提供支撑。

关键词： 数字生态系统; 超融合网络; 生成式变结构计算; 内生安全; 生成式人工智能

本文引用格式

邬江兴 , 邹宏 , 张帆 , 刘勤让 , 高彦钊 , 尚玉婷 , 祁晓峰 . AI for Engineering：驱动数字生态系统网络发展范式转型[J]. 科技导报, 2025 , 43(12) : 19 -28 . DOI: 10.3981/j.issn.1000-7857.2025.04.00041

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	Simon H A. The Sciences of the Artificial[M]. Cambridge, Massachusetts: MIT Press, 1996.

2	Harari Y N. Homo Deus: A brief history of tomorrow[M]. New York: HarperCollins, 2016.

3	Ashby W R. Cybernetics: Or control and communication in the animal and the machine[M]. London: Chapman & Hall, 1956.

4	Prohaska T, Irrgeher J, Benefield J, et al. Standard atomic weights of the elements 2021(IUPAC Technical Report)[J]. Pure and Applied Chemistry, 2022, 94(5): 573- 600. DOI

5	Castells M. The rise of the network society[M]. Oxford: Wiley-Blackwell, 2010.

6	Zorzi M, Zanella A, Testolin A, et al. Cognition-based networks: A new perspective on network optimization using learning and distributed intelligence[J]. IEEE Access, 2015, 3: 1512- 1530. DOI

7	Xiao S H, He D D, Gong Z B. Deep-Q: Traffic-driven QoS inference using deep generative network[C]//Proceedings of the 2018 Workshop on Network Meets AI & ML. New York: Association for Computing Machinery, 2018.

8	Wang L Y, Jajodia S, Singhal A, et al. k-zero day safety: A network security metric for measuring the risk of unknown vulnerabilities[J]. IEEE Transactions on Dependable and Secure Computing, 2014, 11(1): 30- 44. DOI

9	Hennessy J L, Patterson D A. A new golden age for computer architecture[J]. Communications of the ACM, 2019, 62(2): 48- 60. DOI

10	Software Defined System on Wafer. 2024 Annual development report on software-defined system-on-wafer (SDSoW) [R]. Tianjin: Software Defined System on Wafer, 2024.

11	邹宏, 张帆, 尚玉婷, 等. 全球数字生态系统底层驱动范式转型特征及研究启示[J]. 中国工程科学, 2025, 27(1): 98- 110.

12	钱学森. 论系统工程[M]. 上海: 上海交通大学出版社, 2007.

13	邬江兴, 邹宏, 薛向阳, 等. 内生安全赋能网络弹性的构想、方法与策略[J]. 中国工程科学, 2023, 25(6): 106- 115.

14	ATLAS Collaboration. Observation of a new particle in the search for the Standard Model Higgs boson with the ATLAS detector at the LHC[J]. Physics Letters B, 2012, 716(1): 1- 29.

15	Geoff H. Will digital intelligence replace biological intelligence?[R]. Toronto: Vector Institute for Artificial Intelligence, 2024.

16	Friston K J, Ramstead M J, Kiefer A B, et al. Designing ecosystems of intelligence from first principles[J]. Collective Intelligence, 2024, 3(1): 1- 19.

17	邬江兴, 邹宏, 陆杰青. 新兴发展学科高层次人才培养探究: 以网络空间安全学科为例[J]. 学位与研究生教育, 2018(4): 38- 44.

Options

文章导航

摘要

本文引用格式

参考文献

联系我们

访问统计

模态框（Modal）标题

摘要

本文引用格式

参考文献

联系我们

访问统计