9月4日消息，Gartner近期发布了《中国数据分析与人工智能技术成熟度曲线》，报告中指出，“到2026年，中国将有超过30%的白领工作被重新定义，生成式人工智能的应用将成为一项日益重要的技能。”
这是Gartner首次推出针对中国市场的数据、分析和人工智能技术成熟度曲线，报告总结了与中国相关的四个核心主题：以业务成果为导向的数据战略、区域数据与分析及人工智能生态系统、数据中台的崩溃，以及人工智能作为国家实力的新标志。
报告中提到，进入期望膨胀期的技术数量最多。Gartner高级研究总监张桐表示：“创新常被视为解决传统瓶颈问题的方案，它有望缓解中国CIO所担忧的硬件资源不足、可扩展性、可持续运营、安全风险和AI模型的多域适用性等问题，进而带来明确的业务价值。然而，终端用户更看重的是实际影响，而非抽象的战略理念。”
数据编织
数据编织是一种设计框架，旨在创建灵活且可重用的数据管道、服务和语义，涵盖数据集成、主动元数据、知识图谱、数据剖析、机器学习和数据分类。与传统的数据管理方法不同，数据编织不再按需“量身定制”，而是采取“先观察再使用”的策略。
张桐指出：“随着数据、分析和AI用例的增多，以及数据安全法规快速变化，中国的数据管理变得更加复杂和不确定。数据编织能够充分利用已有资源，同时为新支出提供优先级排序和成本控制指导。”
Gartner预计，数据编织作为新兴的数据管理框架，尚处于初期阶段，预计在未来十年内将被市场主流接受。
数据资产管理
数据资产管理是一个涉及管理、处理和利用对企业运营具有重要价值的数据的过程。它适用于多种数据形式，例如图像、视频、文件和交易数据，涵盖整个数据生命周期，从数据获取到销毁，目的是以资产管理的方式来提升数据的价值。
数据作为新的生产要素，已成为企业的竞争优势。由于数据的快速、多样和大量特性，企业必须整合流程以生成数据洞察。
报告指出，数据资产管理被视为一种具有转型效益的创新，预计在两年内将实现主流采用。在未来两到五年内，值得关注的技术包括公民数据科学、决策智能、生成式人工智能和实时数据管理。早期采用这些技术的企业将获得显著的竞争优势，并能够缓解因缺乏业务技术人员而面临的挑战。
张桐表示：“数据资产不仅提升运营质量和决策水平，还能创造更多业务价值，构建新的商业模式，实现数据的直接变现。然而，尽管价值创造在加速，企业仍需谨慎管理数据资产，以避免监管违规和数据泄漏的风险。”
组装式数据和分析
组装式数据和分析（D&aMp;A）利用基于容器或微服务的架构和数据编织理念，将现有资产整合为灵活、模块化且用户友好的数据分析和人工智能能力。这项技术在低代码和无代码的支持下，可以将数据管理和分析转变为分析和AI组件或应用模块，支持自适应和智能决策。
在快速变化的商业环境中，中国企业需要提升敏捷性，加快洞察生成的速度。组装式D&aMp;A帮助企业使用模块化的数据和分析能力，将多个洞察和信息融合在一起，避免孤立开发。企业通过组装或重组D&aMp;A能力可以提高交付的灵活性，以适应不同的使用场景。
大模型
大模型是指在大规模数据集上以自监督方式训练的大参数模型，通常基于TRansfoRMeR或深度神经网络架构，并有望在未来实现多模态能力。大模型之所以称为“大”，是因为其在多种下游应用场景中的重要性和广泛适用性，这得益于模型的充分预训练。
目前，大模型已成为自然语言处理的主流架构，并广泛应用于计算机视觉、音视频处理、软件工程、化学、金融和法律等领域。大模型衍生出的一个热门概念是基于文本训练的大语言模型。
张桐指出：“大模型具有增强各类自然语言应用的潜力，因此将在不同行业和业务职能中产生深远的影响。它们能够提高员工生产力，自动化和增强客户体验，以经济高效的方式创造新产品和服务，从而加速数字化转型。”
然而，张桐也强调：“大模型的门槛很高，并非每个企业都能参与。”他提到，“从可用数据量、资金投入和算力等方面来看，中国能做到的大模型企业可能不超过十家。”
此外，张桐建议初创公司不应在大模型的底层进行开发，因为其预算和能力有限，可以专注于应用层的组件和小工具。如果初创公司能在这一领域有所突破，比如目前流行的“妙鸭”，将会有很大的潜力。
数据中台
数据中台（DMO）是一种战略和技术实践，使得不同业务线的用户可以基于单一数据源高效决策。构建数据中台可以为企业提供可组装和可复用的数据和分析能力，这些能力有助于数字运营贯穿整个价值链。
许多中国企业采用数据中台实践，旨在减少数据和分析架构中的技术冗余，打破数据孤岛，推动可复用的数据和分析能力。然而，在许多情况下，数据中台未能兑现其承诺，因此在市场中的接受度下降，导致许多企业和供应商不愿在内部采用这一概念，甚至将其从宣传中删除。
