若要為普適計算構建生態系統并將計算融入日常萬物，大量試錯在所難免。

毋庸置疑，在未來數十年內數字化技術將愈發普遍。Exponential Group 等機構認為，數字化應是實現可持續發展的第一步，預計至2030 年及往后，硬件和軟件將通過對建筑、工廠及其他環境進行微調，幫助減少15% 的排放。

隨著電動汽車、優化ADAS 系統以及自動駕駛的發展，已搭載了大量處理器的汽車將成為車輪上的數據中心。通過新型可穿戴設備或醫療設備來提供醫療保健和遠程醫療往往被視為電子技術最大的機遇。

然而，若要為普適計算系統構建經濟有效的生態系統，則必須進行大量試錯。作為Arm 研發部門的未來學家，我的工作就是展望未來并制定未來的路線圖。以某些未來主義場景為方針，以下是我認為必須克服的一些關鍵障礙。

1.智能紋身

Neuralink 公司啟動了一項宏偉的計劃，他們欲利用腦部和神經脈沖將人與計算機相連。該項技術前景誘人——想象一下對于肢體殘疾或患有衰竭性疾病的人們而言，他們的世界將發生顯著改變，但同時也充滿了嚴重的隱憂。

將處理器直接植入大腦或神經元突觸會給患者帶來巨大的醫療風險，升級的復雜性不言而喻。另一方面，分析眼動或音色的計算機視覺系統存在固有的局限性——它們僅能夠利用少量且有限的外部數據。

智能紋身能夠將數據傳輸至云端進行分析或直接執行人工智能功能。它們還可充當數據進入大腦的網關。

數據完整性和系統安全是安全的關鍵。所需的技術包括用于抵御分布式拒絕服務(DDoS)攻擊，以及用于檢測輸入輸出數據或者防止異常脈沖的自動暫停按鈕。此外，設計人工智能算法和人機界面以確定用戶的真正意圖也必不可少，譬如，三次快速眨眼或其他簡單的身體動作通常不會與觸發鼠標點擊的微小動作相混淆。

另外，智能紋身還應該易于移除。Arm 近期發布了一款柔性處理器的原型以及可印制的柔性神經網絡。雖然這項技術尚處于試驗階段，但由技術組件、制造工具集以及軟件組成的生態系統很可能在未來數年內初步成型。

2.數字化監管鏈

正如加利福尼亞大學伯克利分校的Hany Farid 所展示的那樣，現下，視頻、圖像甚至人聲的深度偽造日益猖獗，檢測難度不斷提高，且手段也愈加狡猾。甚至在未來的選舉中，可能通過一些精選的假信息來制造懷疑，從而贏得或失去選舉。

試想在元宇宙中發生惡作劇的可能性。人工智能增強的視頻通話可能被轉化為完全偽造、令人信服的對話，并企圖影響我們的正常行為或決策過程。在現實世界中，工業設備可能發送消息，導致員工錯誤地停止生產，甚至造成他們無法針對嚴重故障采取行動。

對于智能工廠或汽車等自動化系統而言，遇有事故，人工智能決策流程所有級別上的每個元件需能夠告知用戶發生的情況以及因何做出某個決策（例如，紅燈發送錯誤信號，LIDAR 沒有檢測到目標等）。

無論是在現實還是數字世界中，我們需要能夠通過不可變的方式對信息進行跟蹤追溯，最終發掘真相。數據證明服務和區塊鏈功能將是必不可少，因為這些能輕松擴展，以對信息進行追溯直至找到原始數據。雖然此類系統可能無法證明事情的真實性，但可識別中間篡改并確保數據完整性。

3.可溶解的集成電路

2020 年，人類迎來了另一個充滿爭議的里程碑：人造材料的數量首次超過了天然生物料，且每20 年就翻一番。從搖籃到搖籃的制造，制造商可通過重新使用舊材料或部件，助力減少垃圾的產生。

但是，如何通過可持續和可擴展的方式來開發、部署并回收智能傳感器或系統呢？可溶解集成電路為生產商提供了一種回收利用元器件的可行方法。可編程的可溶解集成電路甚至讓我們能夠調整產品功能和美學設計，從而通過可持續和可擴展的方式實現批量定制。

4.空中數據中心

雖然數據中心和網絡的功耗在過去十年內相對平穩，但我們仍需要不斷創新來延續這一記錄。數字數據保持著每兩年翻番的增速，同時，人工智能和5G 也將擴大工作負載。

幸運的是，很多普遍的應用程序并不要求超短延時。冷（和微溫）數據存儲和一般計算負載轉移到納米衛星上是可以想見的。雖然這需要對總能耗進行復雜的計算，但相對于地面的數據中心，衛星數據中心具有系統性的優勢——無需冷卻成本。這毋庸置疑是一個浩大的工程問題，但其所需的大量相關基礎知識目前已經存在。

5.人工智能生成的硬件

所有行業都在經歷數字化轉型，電子行業也必須緊跟這個趨勢。在物聯網 (IoT) 領域，物聯網系統的設計已經從應用支持平臺中受益，從而可以更快、更輕松地設計物聯網設備和相關應用。未來七年內，大約有 10 到 20 個此類平臺達到合理的成熟度。我們也需要開發類似的支持技術與工具，協助電子行業的各個細分市場進行硬件與軟件及應用的協同設計。

對于半導體來說，通過此類半導體設計支持平臺，讓復雜智能系統設計得以簡化并實現自動化，以簡化開發人員的工作，這個目標將比我們預期的更早實現。一旦設計數據的龐大數據庫在云端投入使用，可進行人工智能分層，比人類更快更好地生成硬件和軟件，并且能夠隨時投入生產。

神經架構搜索機器學習工具可以自動創建硬件感知的訓練神經網絡，針對特定機器學習任務進行優化。同樣，對于特定的流程，若能夠以成本函數的方式表示硬件組件及其關系，我們應該能夠自動優化和合成適用于任務的硬件。

6.相變存儲器(PCM)大展身手

1970年，Gordon Moore在《電子》雜志中預測相變存儲器將在十年內進入市場。這一預測并未成真。事實證明，傳統內存和存儲器非常靈活和強大，甚至超出了其忠實支持者的預期，而閃存作為時下更新潮的概念，在傳統半導體存儲領域找到了用武之地。但與此同時，相變存儲器卻還停留在原型階段，難以投入生產。

然而普適應用的物聯網改變了這一狀況。歸功于混合電子系統，桌子、窗戶、門以及其他一些耐用或不耐用的物件將很快開始具備一些新功能，并將變成無處不在的人機界面或傳感器。但它們并不會始終保持連接或接入狀態，也不包含傳統計算機接口或電池。相反，它們包裹著智能的第二層皮膚，可對射頻電波、熱量或其他刺激做出響應。這必然需要低功耗且非易失性的存儲。你說相變存儲器能夠為其提供所需的容量、非易失性和功耗嗎？