近年来，业界总是在谈论着AI改变一切，将其又一次奉为“工业革命”级别的技术。不久前，在Gartner发布的2026年十大战略技术趋势中，与AI直接相关或以AI为核心的技术，达到了至少6项，包括：AI原生开发平台、AI超级计算平台、多智能体系统、特定领域语言模型、物理AI、AI安全平台。
Gartner研究副总裁高挺表示：“2026年的各项重要战略技术趋势将密切交织，折射出一个由人工智能（AI）驱动的高度互联化世界的现实图景。在这样一个世界，企业机构必须推动负责任的创新、卓越运营和数字信任。”
图片
对于今年的Gartner重要战略技术，Gartner研究副总裁高挺还将其归类为三位新“英雄”，分别是：架构者、协调者、哨兵。可谓构成了企业运营中的三个维度，架构者构建安全、可扩展的AI平台和基础设施；协调者命令多智能体系统、专用模型和物理AI实现自适应、特定领域的解决方案；哨兵提供主动网络安全、数字来源和治理，确保信任、合规性和数字完整性。
新基础设施：架构者
关乎架构者的两项重要技术是AI超级计算平台和AI原生开发平台。AI不仅正在成为从云到边的超级大脑，思考分析各种问题，也越来越落地在实际工作之中，成为重要的生产助手。
AI超级计算平台本质上就是未来AI的算力底座。通过整合CPU、GPU、AI ASIC、神经网络计算和替代性计算范式，使企业能够统筹复杂工作负载，同时释放更大的性能、效率与创新潜力。这些系统融合了强大的处理器、海量存储、专用硬件及编排软件，可处理机器学习、仿真模拟和分析等领域的数据密集型工作负载。
从对于不同算力单元的整合不难看出，混合AI算力正在成为关键词，GPU、CPU、NPU在AI计算中各挥所长，无论是云端的AI DC还是端侧的PC与智能手机均采用此种运算逻辑。另一方面，算力调度也在成为加速超级计算的关键，例如英伟达刚刚发布的NVQLink和CUDA-Q技术，能够让传统算力帮助量子计算进行纠错，或是将不同任务发送给不同计算架构去执行。
AI原生开发平台正在成为一种全新的工作生产方式，例如在目前的社交媒体中，就经常能够看到开发者们对于AI开发在日常工作中的赞许，这类AI开发工具在工作方式上可以通过在浏览器中输入提示词后，便能支持生成前后端一体的网页，或是在已有开发环境中指挥AI来帮助撰写代码。
据不完整统计显示，目前一些科技公司使用AI写代码的替代率在20%-40%之间。同时，AI执行任务的时间也正在指数级增长，一条比较完整清晰的命令，就能让AI自己工作很长时间。Gartner预测，到2030年，80%的企业将通过AI原生开发平台将大型软件工程团队转变为更小、更敏捷的团队并通过AI赋能这些团队。
新应用架构：协调者
特定领域语言模型、物理AI、多智能体系统正在成为协调者。AI正在学习理解更多专业领域的知识，并发挥自身价值，同时也在更深入的理解这个世界。甚至擅长不同事务的AI还能构建起一个团队，来更加精准的解决实际工作需求。
今年8月，美国麻省理工学院发布的一份报告显示，尽管企业在生成式AI上已花费了300至400亿美元，但95%的公司迄今并未能获得商业回报。企业虽在试点生成式AI工具，但是极少能够推进至部署阶段，其中在行业层面的转型推进中尤为明显。
若想获得成功的途径正在于需要用特定领域的语言模型来进行训练，让模型能够理解特定行业知识与企业业务。Gartner预测，到2028年，企业使用的生成式AI（GenAI）模型中将有超过半数属于特定领域模型。特定领域语言模型（DSLM）凭借更高的准确性、更低的成本和更好的合规性填补了这一空白。DSLM是在针对特定行业、功能或流程的专用数据上训练或微调的语言模型。不同于通用模型，DSLM能更加精准、可靠且合规地满足特定业务需求。
目前，已经呈现出一些AI时代特定领域模型的成功案例，像是面向法律行业的Harvey，或是有着医生版ChatGPT之称的OpenEvidence，例如，后者的数据源全部来自非常著名的相关医疗文献、期刊、指南，面向医生助力解决遇到的疑难杂症治疗问题，提升文献资料查找的效率。
不同于最先学会扔东西来了解万有引力现象的婴儿，AI的成长正在经历先语言学习，再理解物理世界的过程。物理AI通过赋能具有感知、决策和行动能力的机器与设备（例如机器人、无人机和智能设备），将智能带入到现实世界。它能为自动化、适应性和安全性至关重要的行业带来可观的收益。
目前物理AI主要分为两个主要技术方向。其一是VLA模型，它通过类似训练语言模型的方式去训练AI理解图片和视频。其二是世界模型，它能够理解物理世界里面的物理规律，包括对时空的认知。例如，一些具备辅助驾驶功能的汽车正在通过世界模型的路径，来处理物理世界中的状况，使驾驶具备更高的预判与规划能力。
让AI能够做事更专业的方法还有一个便是组建多智能体系统，Github的开源项目TredingAgents就是一个很好的案例，作为一个股票分析项目，通过四个智能体来扮演四个分析师角色，分别来承担技术面报告、基础面报告、风险评估、投资建议等任务，最终还有一个智能体来负责决策建议。这个结构，解决了单一智能体的能力局限性问题，提升了目标任务的执行成功率。
高挺表示：“通过使用多智能体系统，企业可实现复杂业务流程的自动化、提升团队技能并开创人类与AI智能体的新协作方式。采用模块化设计的专业智能体通过在各工作流中重复使用成熟解决方案提升效率、加快交付速度和降低风险。这种方案还便于扩展运营规模和快速适应需求变化