讲师 Gartner高级首席分析师  费天祺（Fay Fei）

大家好，我是费天祺（Fay Fei），Gartner的高级首席分析师。今天跟大家深入聊聊我们新鲜出炉的报告——《2025中国AI趋势》。这是Gartner第一次专门聚焦中国发布的AI趋势报告！因为中国AI市场的发展速度实在太惊人了，像DeepSeek-V3、R1、Manus这些创新，不仅快，而且震动了全球。这份报告凝聚了我们跨领域专家团队的智慧。

本次报告的核心观点是：生成式AI正在深刻改变中国企业，它大幅提升了员工的能力（非技术人员也能轻松用AI），催生了大量跨部门应用场景，同时也把AI治理推到了前所未有的高度。不过，挑战也很明显：很多企业对AI的投资回报率（ROI）心里没底。我们的调研显示，只有13%的人对算清AI的ROI“非常有信心”，36%甚至信心较低。问题不在于不相信AI本身，而是“说不清楚AI到底带来了多少价值”。所以，如何衡量AI的价值，对企业至关重要。

好，接下来就是干货满满的十大关键趋势：

一、开放式生成式AI模型：要生态掌控，更要合规自立！

中国搞开源大模型，核心目标不是单纯技术领先，而是追求合规、自主可控和产业安全。DeepSeek年初的开源就是标志性事件，它用优秀性能引领了全球开源浪潮，深刻改变了市场格局（以前主流模型都私有、贵）。

开源和私有模型的差距在快速缩小！过去靠堆芯片、拼规模的优势在减弱，开源模型效果差不多，推理成本还更低。在文本生成、网页开发、Copilot等任务上，开源模型表现非常棒（比如DeepSeek在Copilot场景全球领先）。企业现在会认真考虑：“我是不是直接用个偏开源的模型，自主性更高？”

二、自建（Build）策略：爱造轮子，为了掌握核心！

中国企业普遍更愿意自己动手（Build），这不是浪费，是为了在关键环节实现定制创新，掌握核心技术、保护数据主权、让AI和业务深度结合。这在政企、大国企和工业领域特别明显。特别说明，自研不是所有层面都自己干！而是：

基础设施层：很难完全自研，主要靠大云服务或私有化部署，GPU算力也多是租。 大模型层：大部分企业不会从头自研，顶多做微调或行业小模型，主要选市场上稳定的大模型。 工程工具层：自研倾向明显了！比如选开源/商用数据库，模型部署、API编排等工程环节自己团队或外包做。 应用层：自研最广泛！像智能客服、HR助理等，企业很愿意基于现有大模型和工具，定制开发自己的应用。最终形成一个组装式平台，但工程和应用层自研意愿很强。

三、代理式AI与AI智能体：从聊天到干活！

代理式AI不只是大模型，它强调能感知任务、执行、自主反馈、多轮交互的智能体架构。在中国，从客服机器人到数字员工，探索很活跃。它把生成式AI从“写东西”升级到“干事情”，改变交付模式。

具体来说：代理式AI是方法论，核心是用生成式AI执行任务，能感知、学习、有一定自治性。AI智能体 (AI Agent)是更前沿的实体，自治性、学习进化能力更强，正从被动走向主动、独立、持续进化（比如翻译、写作、编程等专业代理）。

而现实是，目前主要是聚焦型AI智能体 (Narrow AIAgent)，专精特定任务。调研显示，中国企业AI智能体落地处于“试点”的最多（42%），但“生产落地”已占15%（比去年全球平均10%快）！

四、节俭型AI (Frugal AI)：性价比才是王道！

中国企业用AI，不是用不起，而是追求“用得值”！节俭型AI就是在资源有限下，不盲目追最高性能，而是追求合理性价比。强调轻量部署、本地推理、边缘计算，降低门槛，对中小企业和垂直场景特别重要——小模型先跑起来就很棒！

尤其是要小心AI的“看不见的成本”！除了License、API费，还有算力投入远超预期（比如卡越加越多）。为提升精度做的提示工程（PromptEngineering）投入（攒模板）。数据质量差引发的治理优化投入（让数据AI Ready）。这些长期成本很影响性价比，所以控制初期成本很重要。

五、工程能力：AI落地的加速器！

工程能力是中国企业的隐藏王牌，决定了AI从PPT走进车间的速度。通过自动化微调平台、数据流水线、多模态框架等，中国企业加速了AI原型到业务系统的转化。技术力正转向工程交付力！0到1靠创新，1到100靠工程力实现快迭代、低门槛。工程能力分三层：

模型侧：像DeepSeek那样，不靠堆芯片，靠工程化调优提性价比。 应用/数据侧：让数据平台和大模型解耦，不同场景用不同模型但共享数据；管好数据。 基础设施侧：算力优化、租赁，AI一体机等合作打通环节。

在开放模型、节俭AI、工程能力推动下，中国生成式AI生产落地率正飙升：从2024年的8%跃升至2025年的43%！

六、协同式AI安全防御：大家一起守！

AI用多了，安全问题就冒头了。尤其生成式AI，员工私下用（比如“豆包”）可能泄露数据，出现“影子AI”问题。这不是纯技术问题，需要IT、法务、各业务部门一起构建端到端治理框架（企业普遍缺经验）。

七、AI人才储备：学术强，需求变！

中国AI人才储备非常丰富！中国作者在顶级AI会议的论文占比从2019年29%跃升至2022年（ChatGPT前）的47%（现在更多）。同时，AI教育下沉到中小学（四五年级就有编程/AI课）。未来引领AI的人才，将大量来自中国！

企业需求在变：不光要学术人才，随着生成式AI门槛降低，更需要懂业务、有场景创意的人才。所以企业正加大“提示工程（Prompt Engineering）”和“智能体（Agent）”培训。

八、无处不在的AI (Ubiquitous AI)：从手机到供应链！

中国AI落地不一定从办公室开始！发展最好的多在B2C场景、消费者导向，靠终端载体——车、穿戴设备、手机APP。中国在5G、数字生态、高效制造和供应链上的优势，能快速把创新（如具身智能）变成产品。

实践例子包含：数字人（旅游、博物馆、直播）、演唱会增强、具身智能/机器人/无人机、全新AI手机银行（全语音/文字界面，甚至适老化）、教育智能体（批作业、模拟对话）。

九、包容式AI生态系统：一站式服务！

中国厂商正从单一产品转向“模型、平台、工具、服务一站式生态”，一体机大量出现。平台不只是托管模型，更强调场景适配、数据整合、工具对接，生态边界模糊。“包容式”有两层意思：

横向包容：国内大厂（如阿里、腾讯）会积极集成同行模型（如DeepSeek），竞争中给客户更多选择。 纵向包容：硬件厂商（如华为）或数据平台推一体机，整合硬件、软件、模型、算力，方便企业快速部署。

用户其实不太关心具体模型，最终看AI输出效果好不好。厂商需加强合作，抹平技术衔接障碍。

十、数据到AI生态体系：数据是核心壁垒！

当大模型越来越便宜、好用、差距变小，企业的独有数据就成了利用AI成功的核心壁垒和天然护城河。数据产业和AI产业本就相互影响，在生成式AI时代更密不可分（大模型训练本身就需要海量数据）。这形成一个闭环演进：

数据管理侧：治理非结构化数据、管好知识库、增强语义层，让企业数据和大模型更好结合。 大模型进化侧：模型处理输入数据和知识的能力在变强（如上下文更长、记忆更好）。 生成式AI赋能数据侧：用AI能力（如自然语言界面）来管理、治理、编目数据，甚至生成数据处理建议。

费天祺最后总结，这十大趋势并非孤立存在，而是相互影响、相互作用。它们在“在机遇中开展创新”、“利用成本可控的AI实现业务转型”、“B2C驱动的AI生态系统”三大主题下汇聚力量，将赋能中国企业，在未来引领具有世界级影响力的颠覆性变革。