2025 年企业数据与 AI 趋势：智能体、平台与登月计划

应用 AI：智能体的规模化部署

2025 年，应用 AI 的重点将转向智能体的规模化部署与应用。智能体不再仅仅是研究实验室中的原型，而将成为企业日常运营不可或缺的一部分。

智能体普及化：

• 自动化能力升级： 智能体将承担大量重复性、流程化的任务，例如数据录入、报表生成等，使员工从繁琐工作中解放出来，专注于更具创造性和战略性的工作。
• 增强决策能力： 智能体不仅能自动化简单任务，还能扩展到需要高阶认知、推理和复杂问题解决的任务，从而增强企业的整体决策能力。
• 多元应用场景： 智能体在企业中拥有广阔的应用前景，可执行市场研究、数据分析、全天候客户支持，甚至自动化复杂的跨部门工作流。

多智能体系统（MAS）：

• 协同工作范式： MAS 使多个自主智能体协同工作，通过高效的通信和协作，共同解决单个智能体无法独立完成的复杂问题，形成一种新的协同工作模式。
• 专业化分工： 在 MAS 中，每个智能体专注于特定的专业领域，提升整体系统的效率和专业性，实现系统性能的优化。
• 灵活的协作模式： MAS 可以采用多种协作模式，例如层级团队、点对点或基于订阅发布的群组协作，以适应不同的应用场景和需求。

智能体管理系统（AMS）：

• 智能体生命周期管理： AMS 的出现旨在解决智能体数量激增带来的管理挑战，它简化了智能体的开发、评估、部署和运维过程。
• 关键组件： 一个完善的 AMS 通常包括智能体构建器、注册表、游乐场、实验平台、部署与监控模块以及用户交互界面等核心组件，为企业提供全方位的智能体管理支持。
• 规模化部署支撑： AMS 将成为企业规模化部署与管理智能体的有力支撑，助力企业向“智能体企业”转型。

任务特定模型：

• 定制化 AI 模型： 企业将利用微调技术，针对特定任务和业务领域创建定制化的 AI 模型，以满足更精细化的业务需求，并提升模型的性能。
• 微调方法： 包括监督式微调（SFT）、强化学习微调（RLFT）和持续微调等多种微调方法，企业可以根据实际情况灵活选择合适的微调策略。
• 模型选择策略： 具备充足资本的企业可采用开源模型进行深度定制，而预算有限的企业可选择现成的预训练模型进行任务特定微调，以实现成本效益最大化。

数据与运营：AI 的基础设施支撑

数据是 AI 应用成功的基石，2025 年，数据管理将迎来深刻变革。企业不仅要关注数据的数量，更要注重数据的质量、可访问性和安全性，构建一个可信赖的数据生态系统。

智能数据平台（IDP）：

• 统一数据管理平台： IDP 旨在解决数据孤岛问题，它整合了数据存储、处理、分析和机器学习等环节，降低了对分散工具的依赖，为企业提供统一的数据管理平台。
• 核心功能： IDP 提供统一的数据平面、元数据平面、多引擎编排器和治理平面等核心功能，为 AI 应用提供稳定可靠的数据支持。
• 智能体运行基石： IDP 不仅提供数据存储和处理能力，还能为 AI 智能体和多智能体系统提供必要的上下文信息，例如用户画像、知识图谱等，是 AI 应用运行的基石。

AI 的 ETL：

• 扩展数据处理范围： 传统的 ETL 主要针对结构化数据，而 AI 的 ETL 则扩展到非结构化数据（例如文本、音频、视频和图像等），使 AI 可以处理更广泛的数据类型。
• AI 驱动的 ETL： ETL 过程本身可以利用 AI 技术，从异构数据源中提取数据，提升数据处理的效率和准确性。
• 下游应用价值： ETL 处理后的数据将用于 AI 驱动的洞察分析、信息检索、流程自动化以及模型微调，是构建 AI 应用的必要环节。

AI 的数据准备：

• AI 成功的关键： 数据准备是 AI 项目成功的必要前提，数据质量直接影响 AI 模型的性能，因此需高度重视。
• 关键维度： 数据准备的关键维度包括数据质量、可观测性以及各种 AI 数据产品，例如训练数据、思维链数据集、蒸馏数据集等。
• AI 数据产品构建： 企业需要构建高质量的 AI 数据产品，例如高质量的标注数据、符合 AI 训练要求的知识图谱等，这些是训练高性能 AI 模型的基石。

“登月计划”代表着对 AI 未来边界的探索，旨在通过创新解决方案解决重大挑战，推动技术进步，并为人类社会带来深远的影响。

认知智能体：

• 持续学习与适应： 认知智能体具备持续学习能力，能够从经验中不断学习、适应并改进自身，而不是静态的 AI 模型。
• 独特认知能力： 认知智能体具有更强的记忆保留、自我意识、自我修复和自我升级等独特能力，使其更加智能、灵活且可靠。
• 类人认知模式： 认知智能体更接近人类的认知模式，能够进行更复杂的推理和决策，是未来 AI 的重要发展方向。

具身智能体：

• 物理形态： 具身智能体是具有物理形态的人工智能智能体，例如机器人，它们能够与现实物理世界进行交互，而非仅限于虚拟环境。
• 环境感知与交互： 具身智能体能够像人类一样感知和作用于物理环境，更有效地执行任务，例如在物理空间中移动、操作物体。
• 多元应用场景： 具身智能体将在零售、制造业、物流、医疗等需要物理交互的领域发挥重要作用，重塑这些行业的运作模式。

• 高效智能体间通信： 智能体网络旨在建立智能体之间高效通信的标准，使智能体能够协同工作、共享知识、高效完成复杂任务。
• 关键要素： 智能体网络需要标准化的消息格式、协议、冲突解决机制，以及可扩展、低延迟和安全的通信网络等关键要素。
• 未来发展潜力： 智能体网络将彻底改变智能体之间的协作和学习方式，加速 AI 技术的进步和应用，并将推动 AI 的生态化发展。

小结

Sanjeev Mohan的预测和之前我们提到的趋势判断主线是一致的，2025是AI从验证将走向规模化落地之年，而在这个转变过程中，如何将AI实际落地适配和重塑业务流程，如何进行有效运营和管理将是关键命题。

2025，新趋势！AI编排及资源管理或将成为舞台主角

2025 年，不同于传统的过去以人为主体既有业务过程的的工具提效，Agent将会迎来企业运营的模式转变，这不仅仅是技术问题，这对于劳动力和企业运营模式都将是新的挑战。

参考：https://sanjmo.medium.com/2025-enterprise-data-ai-trends-agents-platforms-and-moonshots-0010c8b4d1f3