講師 Gartner高級首席分析師 費天祺（Fay Fei）
大家好，我是費天祺（Fay Fei），Gartner的高級首席分析師。今天跟大家深入聊聊我們新鮮出爐的報告——《2025中國AI趨勢》。這是Gartner第一次專門聚焦中國發布的AI趨勢報告！因為中國AI市場的發展速度實在太驚人了，像DeepSeek-V3、R1、Manus這些創新，不僅快，而且震動了全球。這份報告凝聚了我們跨領域專家團隊的智慧。
本次報告的核心觀點是：生成式AI正在深刻改變中國企業，它大幅提升了員工的能力（非技術人員也能輕松用AI），催生了大量跨部門應用場景，同時也把AI治理推到了前所未有的高度。不過，挑戰也很明顯：很多企業對AI的投資回報率（ROI）心里沒底。我們的調研顯示，只有13%的人對算清AI的ROI“非常有信心”，36%甚至信心較低。問題不在于不相信AI本身，而是“說不清楚AI到底帶來了多少價值”。所以，如何衡量AI的價值，對企業至關重要。
好，接下來就是干貨滿滿的十大關鍵趨勢：
一、開放式生成式AI模型：要生態掌控，更要合規自立！
中國搞開源大模型，核心目標不是單純技術領先，而是追求合規、自主可控和產業安全。DeepSeek年初的開源就是標志性事件，它用優秀性能引領了全球開源浪潮，深刻改變了市場格局（以前主流模型都私有、貴）。
開源和私有模型的差距在快速縮小！過去靠堆芯片、拼規模的優勢在減弱，開源模型效果差不多，推理成本還更低。在文本生成、網頁開發、Copilot等任務上，開源模型表現非常棒（比如DeepSeek在Copilot場景全球領先）。企業現在會認真考慮：“我是不是直接用個偏開源的模型，自主性更高？”
二、自建（Build）策略：愛造輪子，為了掌握核心！
中國企業普遍更愿意自己動手（Build），這不是浪費，是為了在關鍵環節實現定制創新，掌握核心技術、保護數據主權、讓AI和業務深度結合。這在政企、大國企和工業領域特別明顯。特別說明，自研不是所有層面都自己干！而是：
基礎設施層：很難完全自研，主要靠大云服務或私有化部署，GPU算力也多是租。 大模型層：大部分企業不會從頭自研，頂多做微調或行業小模型，主要選市場上穩定的大模型。 工程工具層：自研傾向明顯了！比如選開源/商用數據庫，模型部署、API編排等工程環節自己團隊或外包做。 應用層：自研最廣泛！像智能客服、HR助理等，企業很愿意基于現有大模型和工具，定制開發自己的應用。最終形成一個組裝式平臺，但工程和應用層自研意愿很強。
三、代理式AI與AI智能體：從聊天到干活！
代理式AI不只是大模型，它強調能感知任務、執行、自主反饋、多輪交互的智能體架構。在中國，從客服機器人到數字員工，探索很活躍。它把生成式AI從“寫東西”升級到“干事情”，改變交付模式。
具體來說：代理式AI是方法論，核心是用生成式AI執行任務，能感知、學習、有一定自治性。AI智能體 (AI Agent)是更前沿的實體，自治性、學習進化能力更強，正從被動走向主動、獨立、持續進化（比如翻譯、寫作、編程等專業代理）。
而現實是，目前主要是聚焦型AI智能體 (Narrow AIAgent)，專精特定任務。調研顯示，中國企業AI智能體落地處于“試點”的最多（42%），但“生產落地”已占15%（比去年全球平均10%快）！
四、節儉型AI (Frugal AI)：性價比才是王道！
中國企業用AI，不是用不起，而是追求“用得值”！節儉型AI就是在資源有限下，不盲目追最高性能，而是追求合理性價比。強調輕量部署、本地推理、邊緣計算，降低門檻，對中小企業和垂直場景特別重要——小模型先跑起來就很棒！
尤其是要小心AI的“看不見的成本”！除了License、API費，還有算力投入遠超預期（比如卡越加越多）。為提升精度做的提示工程（PromptEngineering）投入（攢模板）。數據質量差引發的治理優化投入（讓數據AI Ready）。這些長期成本很影響性價比，所以控制初期成本很重要。
五、工程能力：AI落地的加速器！
工程能力是中國企業的隱藏王牌，決定了AI從PPT走進車間的速度。通過自動化微調平臺、數據流水線、多模態框架等，中國企業加速了AI原型到業務系統的轉化。技術力正轉向工程交付力！0到1靠創新，1到100靠工程力實現快迭代、低門檻。工程能力分三層：
模型側：像DeepSeek那樣，不靠堆芯片，靠工程化調優提性價比。 應用/數據側：讓數據平臺和大模型解耦，不同場景用不同模型但共享數據；管好數據。 基礎設施側：算力優化、租賃，AI一體機等合作打通環節。
在開放模型、節儉AI、工程能力推動下，中國生成式AI生產落地率正飆升：從2024年的8%躍升至2025年的43%！
六、協同式AI安全防御：大家一起守！
AI用多了，安全問題就冒頭了。尤其生成式AI，員工私下用（比如“豆包”）可能泄露數據，出現“影子AI”問題。這不是純技術問題，需要IT、法務、各業務部門一起構建端到端治理框架（企業普遍缺經驗）。
七、AI人才儲備：學術強，需求變！
中國AI人才儲備非常豐富！中國作者在頂級AI會議的論文占比從2019年29%躍升至2022年（ChatGPT前）的47%（現在更多）。同時，AI教育下沉到中小學（四五年級就有編程/AI課）。未來引領AI的人才，將大量來自中國！
企業需求在變：不光要學術人才，隨著生成式AI門檻降低，更需要懂業務、有場景創意的人才。所以企業正加大“提示工程（Prompt Engineering）”和“智能體（Agent）”培訓。
八、無處不在的AI (Ubiquitous AI)：從手機到供應鏈！
中國AI落地不一定從辦公室開始！發展最好的多在B2C場景、消費者導向，靠終端載體——車、穿戴設備、手機APP。中國在5G、數字生態、高效制造和供應鏈上的優勢，能快速把創新（如具身智能）變成產品。
實踐例子包含：數字人（旅游、博物館、直播）、演唱會增強、具身智能/機器人/無人機、全新AI手機銀行（全語音/文字界面，甚至適老化）、教育智能體（批作業、模擬對話）。
九、包容式AI生態系統：一站式服務！
中國廠商正從單一產品轉向“模型、平臺、工具、服務一站式生態”，一體機大量出現。平臺不只是托管模型，更強調場景適配、數據整合、工具對接，生態邊界模糊。“包容式”有兩層意思：
橫向包容：國內大廠（如阿里、騰訊）會積極集成同行模型（如DeepSeek），競爭中給客戶更多選擇。 縱向包容：硬件廠商（如華為）或數據平臺推一體機，整合硬件、軟件、模型、算力，方便企業快速部署。
用戶其實不太關心具體模型，最終看AI輸出效果好不好。廠商需加強合作，抹平技術銜接障礙。
十、數據到AI生態體系：數據是核心壁壘！
當大模型越來越便宜、好用、差距變小，企業的獨有數據就成了利用AI成功的核心壁壘和天然護城河。數據產業和AI產業本就相互影響，在生成式AI時代更密不可分（大模型訓練本身就需要海量數據）。這形成一個閉環演進：
數據管理側：治理非結構化數據、管好知識庫、增強語義層，讓企業數據和大模型更好結合。 大模型進化側：模型處理輸入數據和知識的能力在變強（如上下文更長、記憶更好）。 生成式AI賦能數據側：用AI能力（如自然語言界面）來管理、治理、編目數據，甚至生成數據處理建議。
費天祺最后總結，這十大趨勢并非孤立存在，而是相互影響、相互作用。它們在“在機遇中開展創新”、“利用成本可控的AI實現業務轉型”、“B2C驅動的AI生態系統”三大主題下匯聚力量，將賦能中國企業，在未來引領具有世界級影響力的顛覆性變革。
