近年來，業界總是在談論著AI改變一切，將其又一次奉為“工業革命”級別的技術。不久前，在Gartner發布的2026年十大戰略技術趨勢中，與AI直接相關或以AI為核心的技術，達到了至少6項，包括：AI原生開發平臺、AI超級計算平臺、多智能體系統、特定領域語言模型、物理AI、AI安全平臺。
Gartner研究副總裁高挺表示：“2026年的各項重要戰略技術趨勢將密切交織，折射出一個由人工智能（AI）驅動的高度互聯化世界的現實圖景。在這樣一個世界，企業機構必須推動負責任的創新、卓越運營和數字信任。”
圖片
對于今年的Gartner重要戰略技術，Gartner研究副總裁高挺還將其歸類為三位新“英雄”，分別是：架構者、協調者、哨兵。可謂構成了企業運營中的三個維度，架構者構建安全、可擴展的AI平臺和基礎設施；協調者命令多智能體系統、專用模型和物理AI實現自適應、特定領域的解決方案；哨兵提供主動網絡安全、數字來源和治理，確保信任、合規性和數字完整性。
新基礎設施：架構者
關乎架構者的兩項重要技術是AI超級計算平臺和AI原生開發平臺。AI不僅正在成為從云到邊的超級大腦，思考分析各種問題，也越來越落地在實際工作之中，成為重要的生產助手。
AI超級計算平臺本質上就是未來AI的算力底座。通過整合CPU、GPU、AI ASIC、神經網絡計算和替代性計算范式，使企業能夠統籌復雜工作負載，同時釋放更大的性能、效率與創新潛力。這些系統融合了強大的處理器、海量存儲、專用硬件及編排軟件，可處理機器學習、仿真模擬和分析等領域的數據密集型工作負載。
從對于不同算力單元的整合不難看出，混合AI算力正在成為關鍵詞，GPU、CPU、NPU在AI計算中各揮所長，無論是云端的AI DC還是端側的PC與智能手機均采用此種運算邏輯。另一方面，算力調度也在成為加速超級計算的關鍵，例如英偉達剛剛發布的NVQLink和CUDA-Q技術，能夠讓傳統算力幫助量子計算進行糾錯，或是將不同任務發送給不同計算架構去執行。
AI原生開發平臺正在成為一種全新的工作生產方式，例如在目前的社交媒體中，就經常能夠看到開發者們對于AI開發在日常工作中的贊許，這類AI開發工具在工作方式上可以通過在瀏覽器中輸入提示詞后，便能支持生成前后端一體的網頁，或是在已有開發環境中指揮AI來幫助撰寫代碼。
據不完整統計顯示，目前一些科技公司使用AI寫代碼的替代率在20%-40%之間。同時，AI執行任務的時間也正在指數級增長，一條比較完整清晰的命令，就能讓AI自己工作很長時間。Gartner預測，到2030年，80%的企業將通過AI原生開發平臺將大型軟件工程團隊轉變為更小、更敏捷的團隊并通過AI賦能這些團隊。
新應用架構：協調者
特定領域語言模型、物理AI、多智能體系統正在成為協調者。AI正在學習理解更多專業領域的知識，并發揮自身價值，同時也在更深入的理解這個世界。甚至擅長不同事務的AI還能構建起一個團隊，來更加精準的解決實際工作需求。
今年8月，美國麻省理工學院發布的一份報告顯示，盡管企業在生成式AI上已花費了300至400億美元，但95%的公司迄今并未能獲得商業回報。企業雖在試點生成式AI工具，但是極少能夠推進至部署階段，其中在行業層面的轉型推進中尤為明顯。
若想獲得成功的途徑正在于需要用特定領域的語言模型來進行訓練，讓模型能夠理解特定行業知識與企業業務。Gartner預測，到2028年，企業使用的生成式AI（GenAI）模型中將有超過半數屬于特定領域模型。特定領域語言模型（DSLM）憑借更高的準確性、更低的成本和更好的合規性填補了這一空白。DSLM是在針對特定行業、功能或流程的專用數據上訓練或微調的語言模型。不同于通用模型，DSLM能更加精準、可靠且合規地滿足特定業務需求。
目前，已經呈現出一些AI時代特定領域模型的成功案例，像是面向法律行業的Harvey，或是有著醫生版ChatGPT之稱的OpenEvidence，例如，后者的數據源全部來自非常著名的相關醫療文獻、期刊、指南，面向醫生助力解決遇到的疑難雜癥治療問題，提升文獻資料查找的效率。
不同于最先學會扔東西來了解萬有引力現象的嬰兒，AI的成長正在經歷先語言學習，再理解物理世界的過程。物理AI通過賦能具有感知、決策和行動能力的機器與設備（例如機器人、無人機和智能設備），將智能帶入到現實世界。它能為自動化、適應性和安全性至關重要的行業帶來可觀的收益。
目前物理AI主要分為兩個主要技術方向。其一是VLA模型，它通過類似訓練語言模型的方式去訓練AI理解圖片和視頻。其二是世界模型，它能夠理解物理世界里面的物理規律，包括對時空的認知。例如，一些具備輔助駕駛功能的汽車正在通過世界模型的路徑，來處理物理世界中的狀況，使駕駛具備更高的預判與規劃能力。
讓AI能夠做事更專業的方法還有一個便是組建多智能體系統，Github的開源項目TredingAgents就是一個很好的案例，作為一個股票分析項目，通過四個智能體來扮演四個分析師角色，分別來承擔技術面報告、基礎面報告、風險評估、投資建議等任務，最終還有一個智能體來負責決策建議。這個結構，解決了單一智能體的能力局限性問題，提升了目標任務的執行成功率。
高挺表示：“通過使用多智能體系統，企業可實現復雜業務流程的自動化、提升團隊技能并開創人類與AI智能體的新協作方式。采用模塊化設計的專業智能體通過在各工作流中重復使用成熟解決方案提升效率、加快交付速度和降低風險。這種方案還便于擴展運營規模和快速適應需求變化