图灵汇官网

过去一年，企业和技术领域经历了不少新动态。企业在描述自身战略时，常提到“降本增效”“拓展海外市场”以及“推动高质量发展”。与此同时，人工智能助手和智能体成为AI领域的热议话题。现在，就连体育赛事也越来越依赖高级数据分析。对企业来说，不论是业务转型还是借助AI技术，数据资源的高效利用都是不可或缺的一环。

在摒弃粗放式发展模式的过程中，企业更加关注效率提升，而非一味扩大人员规模或设备投入。技术创新在此过程中发挥了重要作用。比如，中国的制造企业正在向高技术含量和高附加值方向迈进，智能制造、自动化以及机器人技术成为重点发展方向。数据的角色也在发生变化，从单纯的生产环节记录转变为数据分析工具。这些数据会在公共云和私有云平台上分配，并通过软件即服务（SaaS）的形式服务于客户。

随着数据量持续增长，企业正从传统数据仓库转向数据湖仓一体化方案。以往的数据分析更多依赖报表系统和数据仓库，但随着业务需求的变化，数据的实时性、完整性和对多种数据类型的支持变得至关重要。数据管理的关注点逐渐集中在数据湖仓一体化上。

此外，数据网格或数据编织技术作为企业数据治理的重要手段，整合了不同格式和语言的数据，为企业创造了新的沟通与协作方式。尤其是那些股权结构复杂的公司，在跨部门、跨架构的数据协同方面，数据网格的理念尤其有效。

AI应用的效果很大程度上依赖于数据的信任程度。企业需要从头开始积累自己的数据资产和相关的文化氛围。例如，不少企业在大语言模型兴起之前就已经建立了成熟的光学字符识别（OCR）系统和智能客服系统。这些都是企业实现突破的关键基础。数据不仅是技术的基础，更是企业打造独特竞争力的核心要素。

展望未来一年，Cloudera预测，生成式AI的热度可能会有所下降，企业会采取更务实的AI策略。企业不会再盲目追随生成式AI的热潮，而是会聚焦于符合整体目标的技术投资规划。生成式AI的应用将从简单的内部知识库问答系统扩展到外部服务，这对准确性提出了更高要求。

AI智能体将在商业决策中发挥重要作用，尤其是在实时问题解决和决策制定方面。这将推动企业构建事件驱动型架构，以便AI能更快响应真实场景，从而影响电信和物流等行业的发展。

例如，一家制造业公司将电池信息采集频率从每小时一次提升至每几分钟一次，显著提升了数据的实时性和准确性。但这也导致了数据量的激增，给存储和分析带来了挑战。企业需要高效的存储解决方案，并优化算法和数据管理流程，以充分挖掘数据价值。

AI的大范围应用使企业面临处理海量AI生成数据的难题。如何从中提炼出有用信息成了亟待解决的问题。企业必须从快速增长且多样化的数据中获得洞见，避免因糟糕的数据管理而陷入信息过载的困境。

随着企业致力于生成式AI的全面生产与规模化应用，单一的混合云架构已难以满足需求。企业需要具备跨云访问数据能力的算法与分析工具，同时追求经济效益。由于数据传输成本较高，企业需在分布式算力和数据之间找到平衡，以构建高效的AI算法。

德勤的研究显示，合规风险和治理问题是企业采用生成式AI的主要障碍。混合数据管理平台因其灵活性和广泛的数据访问能力，越来越受企业欢迎。这类平台可以整合本地和云端数据源，提供更高的安全性和治理标准。

预计到2025年，私有大语言模型将逐渐取代公有大语言模型，成为企业的首选。这是因为私有大语言模型更能满足合规性和隐私保护的需求。越来越多的企业将采用企业级大语言模型，这对GPU性能提出了更高要求，以保障数据管理系统具备更强的安全性和隐私保护能力。检索增强生成（RAG）技术将得到更广泛应用，将通用大语言模型转化为针对特定行业或组织定制的数据仓库，从而为现场支持、人力资源和供应链等领域提供更精准、可靠的数据支撑。