人工智能技术成熟度曲线

根据Gartner对2025年人工智能领域的分析，市场的焦点已从对生成式AI（GenAI）的狂热炒作，显著转向负责任地构建基础创新并实现规模化应用。曾经位于期望顶峰的GenAI，由于在证明商业投资回报、解决治理难题和应对人才短缺方面遇到现实挑战，现已滑入“幻灭的低谷”。取而代之的是，“AI-ready数据”和“AI智能体”成为新的热点，跃居“期望膨胀的顶峰”，这反映出市场已普遍认识到高质量数据是规模化AI的先决条件，而AI智能体则代表了下一波自动化的巨大潜力。为支撑这一转变，企业愈发重视如“AI工程化”和“模型运营化（ModelOps）”等基础赋能技术，将其视为确保AI项目能够可靠、可持续交付的关键。此外，报告还首次引入了“AI原生软件工程”的概念，预示着AI将深度融入并重塑软件开发的全过程。

每一年，全球领先的技术研究与咨询公司Gartner都会发布其备受瞩目的技术成熟度曲线（Hype Cycle）报告。这份报告，尤其是针对人工智能领域的版本，因其深刻的洞察力和前瞻性，已成为全球企业高管、技术领袖和投资者在制定战略时不可或缺的重要参考。它通过一个标准化的模型，帮助组织分辨技术的炒作与实质，从而做出更明智的技术投资决策。

该曲线将技术的发展划分为五个关键阶段：

1.创新触发期 (Innovation Trigger): 技术突破发生，概念原型吸引了媒体和行业的初步兴趣，但产品尚不成熟，商业可行性有待验证。

2.期望膨胀期 (Peak of Inflated Expectations): 在媒体的大量报道和早期成功案例的推动下，市场期望达到顶峰。此时，过度宣传与不切实际的预测共存，大量投资涌入，但失败的尝试也屡见不鲜。

3.幻灭的低谷期 (Trough of Disillusionment): 当技术无法兑现其被夸大的承诺时，期望泡沫破裂。缺点和挑战暴露无遗，公众兴趣减退，投资趋于谨慎。然而，这恰恰是技术挤出泡沫、走向成熟的转折点。

4.稳步爬升的光明期 (Slope of Enlightenment): 行业对技术的真正价值、应用场景和风险有了更深刻的理解。第二代、第三代产品应运而生，更多可复制的成功案例出现，最佳实践开始形成。

5.生产成熟期 (Plateau of Productivity): 技术的主流应用和价值获得市场公认。相关的工具和方法论趋于稳定，技术成为行业内可靠的基础设施，并被广泛采用。

尽管存在伦理和社会层面的担忧，去年的AI技术成熟度曲线仍将生成式AI（GenAI）标为一项具有深远商业影响的潜在变革性技术。今年，随着各组织对其潜力和局限性的理解加深，生成式AI进入了幻灭的低谷。

在向企业证明GenAI的价值方面，AI领导者仍然面临挑战。尽管2024年企业在GenAI项目上的平均支出达到190万美元，但只有不到30%的AI领导者表示其CEO对AI的投资回报感到满意。成熟度较低的组织难以识别合适的用例，并对项目抱有不切实际的期望。与此同时，成熟度较高的组织则在寻找专业技能人才和普及GenAI素养方面举步维艰。

更广泛地说，各组织面临着治理方面的挑战（例如：幻觉、偏见和公平性）以及政府法规，这些都可能阻碍GenAI在生产力、自动化和工作角色演变方面的应用。

随着各组织逐渐将GenAI从其AI项目的核心支柱位置移开，他们正专注于那些支持AI可持续交付的赋能技术。这些技术有助于简化AI系统的集成和管理，使其变得有效且可扩展。

例如，AI工程化（AI engineering），它使组织能够持续且安全地建立和发展高价值的AI解决方案组合，是企业大规模交付AI和GenAI解决方案的基础学科。

另一项关键的基础技术——并最终有望达到生产力成熟期的技术——是模型运营化（ModelOps）。通过专注于高级分析、AI和决策模型的端到端治理和生命周期管理，ModelOps有助于标准化、规模化和增强分析、AI及GenAI项目，并将其投入生产。

今年技术成熟度曲线上位置变动最大的两项技术是AI-ready数据（AI-ready data）和AI智能体（AI agents）。两者都位于期望膨胀的顶峰（Peak of Inflated Expectations）。

为了规模化AI，领导者必须改进数据管理实践和能力，以确保AI-ready数据——其适用性由数据证明其满足特定AI用例的能力来决定——能够满足现有和未来的业务需求。然而，57%的组织估计其数据尚未达到AI-ready状态。没有AI-ready数据的组织将无法实现业务目标，并会使自己面临不必要的风险。

AI智能体是自主或半自主的软件实体，它们使用AI技术在其数字或物理环境中感知、决策、采取行动并实现目标。AI技术的突破（例如，演进中的GenAI、多模态理解和复合AI）已使组织能够利用AI智能体来执行复杂任务。但是，AI智能体的复杂性使其在访问安全、数据安全和治理问题上显得脆弱。此外，各组织对AI智能体在无人监督下运行的能力缺乏真正的信任，并担忧潜在错误的重大影响。

短期布局 (未来2年内): 重点关注边缘AI (Edge AI)、复合AI (Composite AI)、负责任的AI (Responsible AI) 。这些技术即将进入主流，能快速带来商业回报。

中期核心 (未来2-5年): 战略投资的核心应围绕生成式AI、多模态AI、AI工程、AI TRiSM。这是构筑未来几年核心竞争力的主战场。

长期基石 (未来5-10年): 布局AI就绪数据、AI仿真 (AI Simulation) 。这些是更深层次的基础设施，将支撑下一代AI应用的爆发式增长。

未来远景 (10年以上): 对通用人工智能 (AGI)、量子AI (Quantum AI) 保持战略性关注。它们拥有改变游戏规则的潜力，但目前仍面临巨大的科学和伦理挑战。