4.3　关键前沿技术及其发展趋势

新一代人工智能技术引领下的软件发展关键前沿技术包括面向新形态计算机的操作系统软件技术、自适应嵌入式操作系统软件技术、基于多处理模型融合架构的数据库管理系统软件技术、虚拟资源动态自适应和自调整软件技术、巨量数据实时智能处理/存储与调用软件技术、跨领域知识抽取及表示软件技术、跨领域知识融合引擎服务软件技术、类脑智能引擎服务软件技术、多模态人机交互引擎服务软件技术、工业知识图谱软件技术、工业可视化编程软件技术、工业模型库构建软件技术、知识驱动的产品设计软件技术及基于语义推理的制造供需资源匹配软件技术等。对以上软件发展重点方向可归纳为系统软件、平台软件及智能制造应用软件3个大的技术方向。软件系统技术体系如图4-1所示。

4.3.1　系统软件关键技术

在系统软件中，主要从面向新形态计算机的操作系统软件技术、自适应嵌入式操作系统软件技术、基于多处理模型融合架构的数据库管理系统软件技术3个方向对系统软件进行研究。

（1）面向新形态计算机的操作系统软件技术。目前传统的操作系统软件，如针对服务器、桌面和智能手机等应用形态的通用操作系统软件，已被如微软、谷歌、苹果等公司牢牢把握，并且围绕Windows、MacOS、Android等的生态系统已相当成熟。操作系统独立自主可控的前提是掌握应用编程接口，以此为基础逐步形成生态系统。因此，面向新形态计算机的操作系统软件应该作为国产自主可控操作系统发展的主要方向。

（2）自适应嵌入式操作系统软件技术。随着边缘计算的发展，设备端的作用日趋突显，业界对设备端的安全性、响应及时性、数据处理高效性等性能均提出新的要求。因此，把提高嵌入式操作系统的通用性、灵活性、安全性等作为研究的主要方向，研究发展能够适应物联网和人工智能时代计算架构下的自适应嵌入式操作系统软件。

（3）基于多处理模型融合架构的数据库管理系统软件技术。随着大数据时代的到来，数据的重要性提到了前所未有的高度。目前，数据库管理系统软件中主要包括传统的数据库和关系型数据库管理软件，面向大数据、边缘计算、人工智能等技术的发展而产生的不同需求，使数据的管理方式也不同，较难开发一种可支撑不同应用场景、不同计算模式和性能需求的通用管理方式。因此，提出基于多处理模型融合架构的数据库管理系统软件，将人工智能技术中的统计、学习等能力应用到数据库管理中，对资源进行自适应调度优化，满足不同处理模型的需求，提高多模态数据处理模型的时效性和可扩展性。

4.3.2　平台软件关键技术

平台软件关键技术主要包括虚拟资源的动态自适应和自调整软件技术、巨量数据实时智能处理/存储与调用软件技术、跨领域知识抽取及表示软件技术，以及跨领域的知识融合引擎服务软件技术、类脑智能引擎服务软件技术、多模态人机交互引擎服务软件技术。

（1）虚拟资源的动态自适应和自调整软件技术。随着云计算、大数据、物联网、边缘计算、人工智能技术的发展，软件运行环境需求面对各类复杂的应用程序与实时变化的工作负载，如何提高动态场景下虚拟资源的管理效率成为一项挑战性的任务。目前过度配置是保证服务水平的常用做法，但极有可能造成资源和能源的浪费。对于不断增长的资源需求和有限资源间的关系，需要对于资源进行动态而准确的预测，实时根据预测进行调整，从而能够减少资源过少或过剩情况的发生。因此，基于深度增强机器学习，提出虚拟资源的动态自适应和自调整软件技术，以满足未来发展所需要的资源。

（2）巨量数据实时智能处理/存储与调用软件技术。通过对异构多模态海量数据进行处理和分析挖掘，找到未知的、可能有用的、隐藏的规则，再通过关联分析、聚类分析、时序分析等各种算法，发现一些无法通过观察图表得出的深层次原因。目前大数据技术不断发展，但主要集中在企业或消费领域，在工业、农业、医疗和城市领域中缺乏跨业务系统、跨企业、跨领域等面向多源异构海量数据的管理、分析与挖掘软件。因此，通过对多源异构的海量数据进行实时智能处理、分析与挖掘，可形成丰富的业务数据规则库，使异构数据的接入快速转成标准统一的格式，并对多源异构数据的实时存储及调用规则进行研究，提高数据调用与处理的效率。

（3）跨领域知识抽取及表示软件技术。目前，知识抽取主要面向的对象为单领域的数据，但面对多元化场景发展需求，未来需要更多不同领域的知识融合来支撑应用。因此，需要优先研究跨领域知识抽取及表示技术，以支撑跨领域知识的融合。

（4）跨领域的知识融合引擎服务软件技术。知识图谱是一种挖掘分析各领域知识之间的关系与关键权重的图形化方法，能够有效地导引使用者在最短时间内发现目标知识，并帮助使用者延伸寻找与目标相关的知识经验。目前，知识图谱在搜索引擎与文献检索领域已有较多应用，但对跨模态、跨语言的知识应用不多，对于跨模态、跨领域的知识获取和融合等问题的研究尚未深入，因此提出跨领域的知识融合引擎服务软件技术。通过对知识融合引擎的研究，促进跨领域知识图谱的生成。

（5）类脑智能引擎服务软件技术。类脑计算融合了脑科学与计算机科学、信息科学和人工智能等领域技术，借鉴人脑存储和处理信息的方式［10］，通过与计算机、软件的结合，以类脑智能引擎服务软件技术为形态，并把它作为通用人工智能的基础，使其智能处理能力更趋向于人脑，促进新一代人工智能向高人工智能（High AI）发展。

（6）多模态人机交互引擎服务软件技术。多模态就是多种感官融合，即通过文字、语音、视觉、动作、环境等多种方式进行人机交互，充分模拟人与人之间的交互方式。目前所涉及的语义还只是文本，视频、图片、运动数据等更多元的素材采集比较困难。从多模态交互的角度来看，在目前的智能语音技术上，若想扩展视频、图片、运动数据等素材的采集，只能通过语义处理语义、视频处理视频等方式。通过多模态人机交互引擎服务软件技术，集合多模态交互方式，融合多模态信号，打破传统键盘输入和智能手机的点触式交互模式，开发基于多模态人机自然交互的、能在各领域的应用软件。

4.3.3　智能制造应用软件关键技术

智能制造应用软件关键技术主要包括基于语义推理的制造供需资源匹配软件技术、工业知识图谱软件技术、工业模型库构建软件技术、工业可视化编程软件技术以及由知识驱动的产品设计软件技术。

（1）基于语义推理的制造供需资源匹配软件技术。随着工业互联网的发展，制造领域各类资源需求通过工业互联网提出，但由于种类资源需求数量众多，并且需求方的语言描述习惯不同，因此匹配到合适的供应资源需要花费大量的时间。通过语义推理技术，提取资源供需的特征，智能匹配合适的供需资源，提高工作效率。

（2）工业知识图谱软件技术。工业知识图谱作为面向制造领域的知识图谱，存在行业领域碎片化严重的现象，使得工业领域知识图谱的构建缺乏高质量数据和先验知识［11］。并且，此前在消费领域盛行的相关关系也很可能不适用于工业领域，因果关系仍将是很长一段时间工业领域追求的目标。因此，将工业知识图谱软件技术作为智能制造领域未来研究的重点方向之一。

（3）工业模型库构建软件技术。在实现可视化编程前，需要对工业各领域的知识、模型进行系统化梳理、分类与整合，初步形成工业模型库的结构；并结合工业知识图谱细化形成分支明确的工业模型库，为提高工业可视化编程的效率提供支撑。因此，通过对工业模型库构建软件技术的研究，可提高工业可视化编程时模型的推荐效率。

（4）工业可视化编程软件技术。工业App作为工业软件的新形态，使工业知识的软件化应用更加面向具体的场景。但工业App的开发受限于以下因素：懂工业知识的人员不懂软件开发技术，懂软件开发技术的人员对工业应用场景了解不深刻。因此，通过对工业可视化编程软件技术的研究，可降低工业App的开发难度，使得工业领域技术人员以可视化形式实现工业App的设计与编程工作。

（5）由知识驱动的产品设计软件技术。建模作为制造工程设计的核心内容，决定产品质量是否达标。由于设计时相当一部分工作采取已有的模型，故需要根据现有需求进行调整，耗时且容易出错。提取模型中有区分意义的特征，对模型进行分类，形成产品设计知识库，通过深度学习技术的训练，使技术人员在设计产品时可根据用户需求实现对模型的调用，提高产品设计效率。