今天很高興能和大家一起聊聊中國的數據分析與人工智能。AI在全球都很熱，但在中國，它的發展路徑和關注焦點確實有其獨特性。在我和Gartner團隊的日常研究與合作中，我們能清晰地感受到這一點。因此，我和團隊特意篩選了一些與中國市場緊密相關或備受國內業界關注的技術，為大家繪制了這份具有“中國特色”的技術成熟度曲線。
技術成熟度曲線，是Gartner最核心的分析工具之一。它的終極目的，其實是來糾正我們一個常見的認知偏差：人們總是會高估一項技術的短期影響力，卻又低估它的長期價值。這就像投資市場里的情緒波動，非常普遍。
2025年中國數據、分析和人工智能技術成熟度曲線
大家看上面這張圖，這條典型的曲線，其實是由兩條虛線疊加而成的：
- 較粗的虛線，代表的是“炒作聲量”：它通常會急速沖上一個頂峰，然后逐漸冷卻。比如三年前的ChatGPT和大語言模型，去年的生成式AI，以及眼下最熱的AI智能體（AI Agent），都經歷了或正在經歷這個過程。
- 淺藍色的線，代表的是“技術成熟度”：它涵蓋了技術、工程和業務應用的成熟程度，爬升得比較緩慢但持續。
- 這兩條線一結合，就形成了我們看到的這條“過山車”曲線。當一個技術（比如現在的AI智能體）處在曲線頂端的紅點時，就意味著它備受矚目，但成熟度還很低，形成了典型的“泡沫期”。
在我的解讀里，我們習慣給這個周期起幾個更形象的名字：
- 愚昧之巔：就像去年國內的“百模大戰”，幾百個模型涌現，投資火熱，期望值被拉滿，廠商眾多，大家都非常興奮。
- 絕望之谷：熱度退去，廠商開始洗牌，出現并購、價格戰，大家回歸理性，覺得這技術好像也沒那么神奇。
- 開悟之坡：技術開始真正沉淀下來，產生實際業務價值，市場上出現了成熟、穩定、易用的產品或解決方案。坦白說，目前很多熱門技術，還遠未到達這個階段。
接下來，結合我的觀察，重點為大家分享幾類在國內備受關注的技術趨勢。
首先是大語言模型。從我接觸的Gartner客戶和調研數據來看，它的熱度確實在從頂峰回落。從ChatGPT橫空出世，到“百模大戰”，再到現在大家越來越冷靜，這是一個必然的過程。我們預計，這種理性的回調還會持續。
那么，我們該如何看待大語言模型的現狀呢？GPT-5的發布就是一個很好的觀察點。之前業界對它的期待非常高，甚至有聲音說它將接近AGI。但實際發布后，大家發現它帶來的震撼不如預期。這表明，大語言模型的能力在經歷早期飛躍后，目前可能正觸及一個平臺期。從國外專業的模型評測網站數據也能看到，OpenAI雖然依然領先，但優勢不再那么懸殊，整個市場進入了一種“青蛙跳”式的混戰格局，你追我趕，但差距微小。
在國內，DeepSeek、通義千問、智譜GLM、Kimi等模型也呈現出類似態勢。對于大多數企業應用而言，頭部模型之間的性能差異已經不那么關鍵。正因為現實發展與早期的高預期產生了落差，市場才會回歸冷靜。同時，我們也觀察到一個新趨勢：模型正在向精細化、小型化發展，Gartner已經開始用“小語言模型”來定義這一新興趨勢。
第二個是AI智能體。這是當前當之無愧的“頂流”。它為什么潛力巨大？根據Gartner定義，一個真正的AI智能體需要完成三個核心動作：感知環境、自主決策、執行行動，并且能在這個過程中通過反饋持續學習，形成一個閉環。
舉個例子，如果一個制造企業的供應鏈由AI智能體管理，它就能7x24小時不停地去優化和調整，即使遇到突發問題，也能從中學習經驗，這個能力是非常強大的。但理想很豐滿，現實很骨感。為什么說AI智能體正處于“愚昧之巔”？因為目前市場上絕大多數標榜為“AIAgent”的應用，甚至算不上真正的智能體。我們觀察到了一種“Agent Washing”現象——就像以前的“Green Washing”一樣——很多廠商只是把原來的聊天機器人改個名字，就包裝成了AI智能體。
在我看來，AI智能體的進化路徑是：從聊天機器人，到能完成特定任務的智能助手，再到能應對復雜目標的自主智能體。目前，我們才剛剛踏入這個領域。雖然市場上有一些不錯的探索，但名不副實的居多。不過，我依然長期看好它的未來。
這里需要澄清一個概念：我們這里特指的是“基于大語言模型的智能體”。智能體這個概念本身在AI領域歷史悠久，像AlphaGo、推薦系統都是早期的智能體。而大語言模型的突破，在于它讓智能體有了更強的通用理解和推理潛力，能把我們生活中的各種元素串聯起來。當然，未來的智能體未必只依賴大語言模型，它很可能是一種混合架構。
如果給當前基于大語言的AI智能體打個分（1.0版本），它的語言理解能力可能達到4.5星，行動能力在良好提示下也能到4星，但它的復雜決策能力，尤其是在需要深諳企業業務背景的場景下，可能只有3星。所以企業在當前階段應用時需要非常謹慎。可以打個比方：大語言模型是發動機，而AI智能體是整車。發動機可以換，但整車的設計和制造是另一回事。
第三，我們來談談“AI就緒數據”。 這是我特別想向企業客戶強調的一點。無論是智能體還是大模型，都逃不過機器學習那句老話：“垃圾進，垃圾出”。對于企業級應用，你不可能只靠模型固有的知識，必須給它輸入企業自身的知識庫、歷史數據等上下文。如果這些數據質量不行，結果必然不理想。
“AI就緒數據”需要滿足幾個維度：
- 高質量與可訪問：數據本身要準確，架構要清晰，不同系統間的數據要能關聯打通。
- 良好的治理：要有數據標準、合規性保障和明確的責任主體。
- 持續改進：數據是流動的，必須建立起持續優化數據質量的機制。
現在業界常說的“上下文工程”，其基石就是高質量的“AI就緒數據”。越來越多的企業意識到，想用好AI，先管好數據。
第四點是AI治理。 我們的調研發現，2023到2024年，國內生成式AI在生產系統中的實際應用比例還不高，大約在6%-8%。但我們預測，到2025年，這個比例會飆升至40%以上。當AI真正深度融入業務，影響企業收入和品牌時，治理就變得至關重要。
比如，一個客服AI如果對客戶出言不遜，直接就是品牌危機。而隨著未來能自主行動并代做決策的AI智能體普及，治理的復雜性會指數級上升。
在我的分析框架里，AI治理主要圍繞三個主題展開：
- 戰略與政策：企業必須明確AI的使用規則、倫理邊界和控制方法。
- 治理與運營模式：要有專門的團隊、清晰的職責和順暢的協作流程。
- 監督系統：需要借助技術手段對AI進行監控和約束，比如進行全面測試、設置“安全護欄”，甚至用一個大模型去監督另一個大模型的行為。
這就好比飛機的自動巡航系統，既要有先進的技術保障，也離不開飛行員的監督和最終的操控。
第五分享的是“復合AI”,這也是我個人非常推崇的一個方向。它的核心理念是：大語言模型很強大，但它不是AI的全部。未來的AI系統，尤其是強大的AI智能體，必將是一個融合了多種AI技術的“混合體”。
比如：大語言模型擅長聊天、翻譯和總結。圖技術擅長處理實體關系，比如知識圖譜和路徑規劃。仿真技術在模擬復雜物理場景方面無可替代。優化求解器在做資源調配和排產計劃時，比大模型可靠得多。機器學習則長于基于歷史數據的預測。把這些技術像樂高積木一樣組合起來，取長補短，構建的混合AI系統，其能力和可靠性會遠遠超過單一依賴大模型的系統。
最后，總結一下我今天的分享：回過頭再看這張技術成熟度曲線，我的判斷是：大語言模型正在滑向“絕望之谷”，趨于理性。AI智能體正處于“愚昧之巔”，需要警惕泡沫。而AI就緒數據、AI治理和復合AI，正受到越來越多務實企業的關注，它們是為數年后真正收獲AI價值所必須打下的基礎。希望我的這些分析和觀察，能幫助大家在AI的浪潮中看得更清，走得更穩。謝謝大家！
