在经历了生成式AI引发的全球技术浪潮之后，AI正从实验室的模型创新，全面渗透到企业的生产、运营与决策中。无论是云计算厂商、制造企业还是互联网巨头，几乎都在用AI重新定义业务流程和组织结构。而在这场转型的背后，一个更值得关注的变化正在发生——AI不再只是一个工具，而正在成为新的基础设施。
在Gartner最新发布的《2026年重要战略技术趋势》中，Gartner研究副总裁高挺用“架构师、协调者、哨兵”三个主题，描绘了AI时代企业技术的演化方向。不仅揭示了AI技术的走向，更反映出企业在创新、风险与信任之间的平衡之道。
其中，AI原生开发平台已成为最先落地的现实场景。AI原生开发平台的崛起，标志着软件工程正进入一个全新的阶段——AI不再只是辅助工具，而成为编程过程的核心参与者。
过去，开发者依靠指令和规则完成代码编写，如今，AI能够根据自然语言提示，自动生成网站、应用甚至复杂的系统逻辑。从浏览器端的可视化生成，到传统IDE中集成的智能代码助手，再到命令行环境下的AI协作，AI正在全面融入软件开发的各个环节。
这背后的核心驱动力是大语言模型。凭借对自然语言的理解与生成能力，AI在编程场景中展现出高度的适配性和执行力，而且AI完成任务的时间正越来越长，表现出更高的独立性和持续性。据不完全统计，目前不少大型科技公司已有约20%至40%的代码由AI生成。“AI原生软件工程”的概念，正从实验室走向生产线，成为推动开发效率与创新方式变革的重要力量。
算力层面的变化同样深刻。第二个趋势“AI超级计算平台”实质上是未来AI发展的底座。模型规模越来越大、训练数据越来越多，对算力的需求正在指数级增长。
与此同时，AI超算平台正从单一架构走向“混合算力”和“算力调度”——在云端、终端、自建数据中心之间，CPU、GPU、NPU等多种芯片共同协作。英伟达的NVQLink技术已经将量子计算与经典计算连接在一起，而苹果的M5芯片则在终端设备中实现了多芯片协同。“无论是云还是边缘，混合算力与智能调度将成为新的计算范式。”高挺认为，这种趋势在中国尤为关键，因为它不仅关乎性能，也关乎自主可控的生态建设。
相比之下，多智能体系统则体现了AI在复杂任务中的组织形态。
2025年被称为“AI智能体元年”，但在AI应用不断深化的过程中，企业逐渐发现“单智能体”并非万能。
“单一智能体在执行复杂任务时的可靠性并不高。这源于大语言模型的固有限制——在面对冗长的上下文、多轮推理或复杂目标拆解时，模型容易混乱或出错。”高挺解释说，哪怕单次任务的成功率高达95%，连续执行二十步后的整体成功率也只有36%。
正因如此，AI正在从“单智能体”向“多智能体系统”演化。与其让一个AI独自承担全部工作，不如让多个AI分工协作，各司其职，再由一个协调智能体整合结果。这样的架构能将复杂问题拆解成可控任务，从而显著提升整体的执行稳定性与结果质量。
全球媒体集团贝塔斯曼就是典型案例。其庞大的业务体系涵盖出版、影视、教育等多元领域，内部信息形态各异。为了应对这种复杂性，企业为不同业务部门配置了专属智能体，让它们分别检索和分析各自的数据，再统一汇总结果。这种“分而治之”的方式，已成为AI智能体协作的有效范式。
不过，AI要真正“能干活”，还必须懂行业、懂业务。
MIT的一项研究曾揭示出一个令人警醒的现实——95%的企业AI投资未能带来预期回报。问题并不在于模型本身的质量或监管，而在于企业在AI实施方法上的误区。与此同时，90%的员工却在“偷偷”使用个人AI工具，且多用于简单、通用的任务。这意味着，在企业层面，AI往往“推不动”；而在个人层面，AI早已“活起来”。
这一反差的核心原因在于：企业用的AI不懂业务。当前的大语言模型在开放领域表现出色，却难以直接应用于专业行业场景。通用模型擅长生成文本，却无法理解一家银行的风控逻辑、一家医院的诊疗路径或一家律所的案件语料。因此，企业要想真正让AI“干活”，就必须让模型懂行业、懂场景、懂业务。
这便催生出了“特定领域语言模型”的趋势——以通用大模型为基础，引入企业自身的数据和知识，使其成为行业专用的智能系统。
他列举了几个鲜明的例子：法律AI初创公司Harvey通过法律文书训练模型，为律所提供智能法律助理；医疗AI企业OpenEvidence以权威期刊和指南作为训练数据，打造“医生版ChatGPT”，帮助医生快速查找疑难病症的治疗方案。
“这类特定领域模型的门槛很高，它需要真正的行业数据和再训练，而不是简单加个插件。”高挺强调，“只有让AI懂业务，它才能创造价值。”
当AI走出屏幕、进入现实世界，技术的边界被进一步拓宽。自动驾驶与机器人是“物理AI”的两大典型场景。
“我们今天讲的AI，多数还停留在数字世界，而物理AI是要让AI理解现实世界的物理规律。”高挺解释，VLA模型通过语言、图像与动作的结合让AI能“看懂并行动”；而“世界模型”则具备预测与规划能力，让AI能预判下一步的变化——这正是特斯拉、蔚来等厂商在自动驾驶中的关键路径。Gartner预测，到2028年，全球80%的仓库将采用机器人或自动化技术，而这正是物理AI落地的现实切口。
然而，当AI走得更深、更广，安全问题也随之而来。
“AI既能自动化生产，也能自动化攻击——它是一把双刃剑。”高挺表示，生成式模型把许多原本需要高超技巧的“黑客活”变成了可以规模化、自动化执行的“体力活”：从高度拟人的钓鱼邮件到千变万化的社会工程话术，乃至嵌入终端的生成式脚本即时构造勒索软件，攻击过程变得难以用传统静态特征检测来阻断。
更危险的是，攻击决策本身也可以被交给AI。例如所谓的“氛围黑客攻击”不是一个单点的入侵者在手工操作，而是把侦察、漏洞识别、权限收集、渗透路径规划、勒索文案撰写甚至勒索金额定制化都交给AI算法去自动化完成。
面对这种新型威胁，单靠被动检测与事后响应已经不够，必须把防守前移。为此，Gartner提出“前置式主动网络安全”的理念——用AI防AI，包括预测性威胁情报、自动移动目标防御、域名欺诈预警等技术，提前发现和阻断风险。与此同时，AI安全平台和机密计算成为新的安全基座，前者防止AI模型被提示词攻击，后者通过可信执行环境保护数据运行过程。“本地化部署的开源模型如果缺乏安全护栏，实际上是在裸奔。”
除了攻击面扩大，AI生态的开放性也让供应链风险成为焦点。
如今的软件并非每一行代码都由程序员手写完成，很多项目像整车装配一样，依赖大量来自GitHub、Hugging Face等开源社区和第三方供应商的组件与模型——一旦供应链某处被污染，后果会迅速放大。
高挺举例补充说：某个长期维护的Linux开源压缩工具被贡献者植入恶意代码，未经察觉就被全球开发者下载并使用，造成了广泛影响。这类事件说明，所谓“自主可控”并不等同于“每行代码都自己写”，而是要求对所用的每个外部模块能做到可追溯、可替换、可管控。
“把所有软件、加密组件和机器学习模型当作零部件列入物料清单——SBOM、CBOM、Model BOM——并以此为单位进行管理与监控。”高挺表示，有了清单，一旦某个组件被发现存在问题，就能快速定位并替换，避免“病灶”蔓延到整个系统。
另外，数字溯源还包括对AI生成内容的溯源与标识：对合成视频、合成文本打上来源水印或元数据，让使用者明确“这是AI生成的内容”，这在实践中已有若干行业标准与技术路径可用。
在全球政治与技术格局不断变化的背景下，“地缘回迁”正成为企业数字战略中的一个显著趋势。这一概念指的是当企业感受到地缘政治带来的不确定性时，会主动将关键数据和核心应用，从跨国公有云迁回本地的“主权云”环境，以降低潜在风险并确保数据主权的可控性。
这一趋势在欧洲尤为明显，许多企业在中美之间面临艰难抉择：既希望利用全球化的技术资源，又担心数据安全与合规问题带来的隐患。
相比之下，中国企业在这方面起步更早。中国多年前启动的“信创”与本土化替代进程，为当下的地缘回迁奠定了基础。无论是政务云、行业云还是企业自建云，都已形成较为成熟的体系。不过当前中国AI生态仍存在短板，尤其在软硬件协同层面，生态闭环尚未完全打通。
国内模型厂商DeepSeek在发布“DeepSeek-V3.1”时的一则技术声明，正是值得关注的信号。DeepSeek宣布其模型支持一种名为“UE8M0 FP8”的数据格式——这是专为适配下一代国产芯片设计的数据标准。换句话说，模型已经在为国产算力生态做前置适配。一旦国产AI芯片逐步完善，这样的兼容性将使得国产模型与硬件实现协同优化，形成自主可控的技术闭环。
谈及哪些趋势最值得中国企业关注时，高挺给出了四个方向：物理AI、AI原生开发平台、特定领域模型和多智能体系统。这四者，既涵盖了技术底座，也连接了业务应用。他特别提醒，企业领导者在面对AI创新时，最重要的是辨别“风口”与“价值”——风口看似热闹，但没有护城河；价值则来自技术与业务问题的真正结合。“判断标准很简单：它能不能嵌入业务流程，能不能改变商业模式。”
写在最后
AI的未来，不仅是更强的模型、更快的算力，更是更稳健、更安全、更能落地的智能体系。
我们看到AI正从一个被实验的技术，变成企业的新基础设施。那些能真正理解问题、并在创新与风险之间找到平衡的企业，才会在未来竞争中站稳脚跟。
京公网安备 11010202008829号