Tendencias en datos empresariales e IA para 2025: Inteligencia, plataformas y perspectivas de futuro

Hacer predicciones, sobre todo en un campo tan cambiante como el de los datos y la IA, es notoriamente difícil. No obstante.Rajesh Parikh responder cantando Sanjeev MohanEl año pasado publicamos nuestro Previsiones de tendencias para 2024. Ahora que 2024 llega a su fin, nos complace confirmar que nuestras predicciones fueron acertadas. Este éxito es aún más notable si tenemos en cuenta el ritmo sin precedentes de la IA, un ritmo de cambio poco habitual en el sector de las TI.

En nuestras cuatro predicciones principales, destacamos el auge de las plataformas de datos inteligentes y las inteligencias de IA. Aunque estas tendencias son menos evidentes en 2023, el impulso de las inteligencias de IA es ahora innegable, lo que anuncia una mayor aceleración. la generalización de la IA y las inteligencias de IA continúa.

En cuanto a las plataformas de datos, estamos observando un fuerte cambio hacia plataformas inteligentes y unificadas, impulsado por la necesidad de simplificar la experiencia del usuario y acelerar el desarrollo de productos de datos e IA. Se espera que esta tendencia se intensifique a medida que más proveedores entren en el mercado y amplíen la gama de opciones disponibles para las empresas.

Expectativas para 2025

A medida que nos acercamos a 2025, el panorama de los datos empresariales y la IA experimentará una gran transformación, remodelando las industrias y redefiniendo la forma en que los seres humanos interactúan con la tecnología. En lugar de llamar a esto una predicción, queremos utilizar este documento para explorar estas tendencias transformadoras que creemos que requieren una gran atención por parte de los ejecutivos de las empresas y los directores de tecnología. Por tanto, los lectores deberían utilizarlo como guía para establecer prioridades y preparar a sus organizaciones para elegir la dirección correcta.

Sin más preámbulos, vamos a sumergirnos en las tendencias que creemos que probablemente dominarán el panorama de los datos empresariales y la IA. La figura 1 ilustra las tendencias clasificadas como IA aplicada, datos y operaciones, y programa lunar.

Figura 1: El panorama de los datos y la IA de 2025 se caracteriza por el auge de las inteligencias, la evolución de las plataformas de datos y la persecución de ambiciosos planes de alunizaje que tienen el potencial de transformar el mundo que nos rodea.

• IA aplicadaEstas tendencias tendrán un impacto significativo en la forma en que las organizaciones aprovechan los modelos de IA para la transformación, en particular en términos de cómo las inteligencias automatizan las tareas y funciones cotidianas. A medida que los modelos sigan avanzando en sus capacidades de razonamiento, estas inteligencias evolucionarán para gestionar tareas cada vez más complejas y colaborar sin problemas.
• Datos y tendencias de las plataformas:Los planos convergentes de datos y metadatos que soportan datos estructurados y no estructurados impulsarán la IA y servirán de base para las aplicaciones de la inteligencia y la IA. Una serie de tendencias clave están convergiendo para apoyar esta visión, incluidos los avances en la gestión de plataformas de datos y el desarrollo de middleware robusto para aplicaciones de cuerpos inteligentes.
• Programa de alunizaje:Estos ambiciosos intentos de alto riesgo amplían los límites de la tecnología actual y exploran áreas que hoy pueden parecer punteras. Aunque existe un alto riesgo de fracaso, los avances en estas áreas tienen el potencial de revolucionar la industria y redefinir la interacción persona-ordenador.

IA aplicada

2025IA aplicada Las tendencias se centran en las aplicaciones prácticas y la adopción generalizada de las inteligencias. Como se muestra en la Figura 2, hemos identificado cuatro subtemas clave que se espera que tengan el impacto más significativo en esta categoría.

Figura 2: Al igual que el aprendizaje automático, la democratización de la IA se logrará a través de un próspero ecosistema de inteligencias capaces de abordar diversas tareas y retos específicos de cada dominio.

A continuación, repasemos las tendencias de cada aplicación de IA/AI.

Los cuerpos inteligentes están por todas partes

En 2025, entraremos en la era de la inteligencia artificial corporal.

He aquí algunos extractos de las tendencias del año pasado sobre las inteligencias de IA y nuestros consejos para las empresas.

Consideramos que las inteligencias informadas por IA son una tendencia que puede tardar años en hacerse realidad; sin embargo, dadas sus promesas, esperamos que 2024 sea un año de avances significativos en la infraestructura/herramientas de las inteligencias, así como de adopción temprana. Cabe señalar que gran parte de nuestra comprensión del potencial de las actuales arquitecturas de IA para asumir tareas más complejas sigue siendo en gran medida potencial, y existen considerables cuestiones sin resolver.

Dicho esto, las organizaciones deben comprometerse a adoptar un enfoque pragmático a la hora de crear aplicaciones corporales inteligentes y, en cierta medida, esperar que la diferencia entre las tecnologías de IA actuales a la hora de asumir automatizaciones cada vez más complejas se reduzca año tras año. También debe considerar en qué medida puede realizarse la automatización caso por caso en los próximos 12 meses. La trayectoria/trayectoria evolutiva de estos proyectos puede resultar más fructífera en tales empeños.

En 2025, se espera que se acelere la adopción de inteligencias autónomas de IA en la empresa debido a la creciente necesidad de automatizar tareas repetitivas y mejorar la experiencia del cliente. Estas inteligencias aumentarán las capacidades humanas y nos permitirán centrarnos en trabajos creativos, estratégicos y complejos.

Amplían la automatización a tareas que exigen altos niveles de pensamiento, razonamiento y resolución de problemas, tareas que actualmente requieren una importante participación humana. Por ejemplo, las inteligencias pueden realizar estudios de mercado, analizar datos o responder a consultas de atención al cliente. También pueden automatizar flujos de trabajo complejos y de varios pasos que antes se consideraban impracticables por su complejidad, su coste o ambas cosas.

Una Inteligencia Artificial es un programa o sistema que percibe su entorno, razona, descompone una tarea determinada en una serie de pasos, toma decisiones y emprende acciones para completar de forma autónoma esas tareas concretas, igual que un trabajador humano.

Actualmente estamos asistiendo a la aparición de herramientas impulsadas por la IA, como los copilotos para desarrolladores que pueden utilizarse por unos 20 dólares al mes, y herramientas como el Devin Las inteligencias de nivel 2 son las que pueden realizar ciertas tareas de forma autónoma, pero siguen requiriendo una supervisión e intervención humanas significativas.

Sin embargo, en 2025, esperamos ver inteligencias más avanzadas con precios correspondientemente más altos para reflejar el valor que aportan. Por ejemplo, un cuerpo inteligente especializado que pueda superar a un vendedor junior en el desarrollo de la estrategia de marketing de entrada y salida de la parte superior del embudo de un departamento podría costar hasta 20.000 dólares.

sistema de inteligencia múltiple

Sistemas multiinteligencia (MAS) permite que varias inteligencias autónomas trabajen juntas, comunicándose y colaborando para resolver retos complejos que no pueden ser superados por una sola inteligencia. Esta especialización dentro del MAS permite a cada inteligencia centrarse en su área de especialización, aumentando así la eficiencia global del sistema, ya que las inteligencias aportan sus habilidades y conocimientos únicos para resolver problemas complejos. Estas inteligencias interactúan entre sí, a menudo utilizando diferentes modos y canales de comunicación, para alcanzar sus objetivos individuales o los objetivos generales del sistema.

La figura 3 ilustra cómo las inteligencias múltiples pueden colaborar para mejorar la generación de contenidos dentro de una organización.

Figura 3: Un sistema multiinteligencia formado por tres inteligencias que se centran en tareas de investigación, creación y distribución de contenidos, trabajando en colaboración para satisfacer las necesidades del departamento de marketing.

Los MAS pueden demostrar diferentes niveles de control y diferentes patrones arquitectónicos para la comunicación y la coordinación a través de patrones arquitectónicos comunes:

1. Equipos por capas:Este tipo de MAS suele utilizar un gestor central o un delegado de tareas para mediar en la comunicación. Las inteligencias de los trabajadores del sistema sólo se comunican a través de esta inteligencia central, lo que impide la comunicación directa entre inteligencias.
2. Paridad:En los MAS entre iguales, las inteligencias se comunican directamente entre sí sin depender de una agencia centralizada.
3. Colaboración en grupo:Este tipo de MAS es similar a los chats de grupo (por ejemplo, Slack, Microsoft Teams) en los que las inteligencias se suscriben a canales relevantes y se coordinan a través de una arquitectura de publicación-suscripción.

A diferencia de los sistemas de un solo cuerpo inteligente, en los que un cuerpo inteligente se encarga de múltiples funciones, los MAS permiten una especialización eficiente, lo que mejora el rendimiento de una amplia gama de aplicaciones.Los MAS son esenciales para ampliar la automatización de cuerpos inteligentes complejos; cargar demasiadas tareas en un solo cuerpo inteligente introduce complejidad y problemas de escalabilidad/fiabilidad.

Prevemos una tendencia de las empresas a desarrollar inteligencias más especializadas. Estas inteligencias deben operar en configuraciones de equipo, colaborando y coordinándose para permitir flujos de trabajo más amplios y complejos. En consecuencia, las MAS desempeñarán un papel clave en el éxito general de las iniciativas de automatización de flujos de trabajo basadas en la inteligencia.

Sistema inteligente de gestión de la carrocería (IBMS)

Un sistema de gestión de inteligencia (AMS) facilita el desarrollo, la evaluación, el despliegue y la supervisión posterior al despliegue de las inteligencias de IA. Al simplificar la creación y el perfeccionamiento de estas inteligencias, el AMS permite una iteración más rápida y simplifica la gestión del ciclo de vida. También garantiza que las inteligencias cumplan las expectativas mediante pruebas exhaustivas previas a la implantación y una supervisión continua de la producción.

La figura 4 muestra los componentes de una MGA representativa.

Figura 4: Componentes de un sistema inteligente de gestión de carrocerías (AMS) representativo

Una MGA representativa contiene los siguientes componentes:

1. Culturista inteligente:Los creadores de cuerpos inteligentes, a menudo denominados marcos de cuerpos inteligentes, ayudan a crear rápidamente nuevos cuerpos inteligentes y a mejorar iterativamente los existentes.
2. Registro del Cuerpo Inteligente:El Registro de Intelligentsia mantiene un catálogo de los Intelligentsia disponibles y facilita el control de acceso y la gobernanza, que abarca el control de versiones para garantizar un acceso adecuado al público destinatario.
3. Smart Body Playground:Parque infantil del cuerpo inteligente para accionamiento manual Probar el rendimiento de las inteligencias en una variedad de tareas y consultas de usuario proporciona una interfaz plug-and-play de fácil uso. Este entorno permite evaluar rápidamente el rendimiento de las inteligencias.
4. Experimentos corporales inteligentes:Soporte experimental Smart Body automatización Realizar una evaluación previa al despliegue de las inteligencias. Este enfoque estructurado evalúa el rendimiento de las inteligencias definiendo el conjunto de datos, seleccionando las métricas adecuadas, configurando el entorno, analizando los resultados y generando un informe de evaluación. A menudo también se dispone de registros de experimentos realizados con anterioridad.
5. Despliegue y supervisión:El despliegue de un organismo inteligente implica configurar los recursos necesarios para el organismo inteligente en un entorno de ensayo o producción, al tiempo que se realiza un seguimiento de las métricas de tiempo de ejecución pertinentes. Esto garantiza la fiabilidad y eficacia de las inteligencias.
6. Chat UI:El Chat UI proporciona la interfaz de usuario necesaria para interactuar con las inteligencias desplegadas en un entorno de producción.

Anticipamos que las organizaciones desplegarán un gran número de inteligencias creadas a propósito para abordar una amplia gama de tareas específicas de cada dominio. AMS desempeñará un papel clave a la hora de ayudar a las organizaciones a crear, desplegar y gestionar estas inteligencias a lo largo de todo el ciclo de vida, lo que conducirá a la empresa inteligente habilitada para el cuerpo.

modelo de tarea específica

(adelante, hazlo) sin dudarlo Antrópico Claude, la familia GPT de OpenAI, Google Géminis y modelos líderes como Nova de AWS dominen en 2024, pero hay algunas tendencias dignas de mención en el desarrollo de modelos específicos de tareas y dominios que son particularmente relevantes para los casos de uso empresarial.

La figura 5 ilustra las etapas de este proceso de creación de modelos. Este proceso suele denominarse alineación posterior a la formación.

Figura 5: Técnicas utilizadas para crear el modelo de dominio

1. Ajuste fino supervisado

El ajuste fino supervisado (SFT) consiste en entrenar un modelo base (normalmente un modelo base preentrenado o una variante ajustada por comandos) utilizando un conjunto de datos de preferencias. En el cadena de pensamiento (CoT), cada registro de este conjunto de datos suele contener un triple (solicitud, CoT, resultado) en el que el CoT hace referencia explícita a la especificación de seguridad pertinente.

El proceso de perfeccionamiento contextual crea un conjunto de datos, partiendo de un modelo entrenado sólo para la utilidad e incitándolo con una especificación de seguridad y pistas relevantes. El resultado de este proceso es Modelo SFT.

2. Perfeccionamiento del aprendizaje

La segunda fase utiliza el aprendizaje por refuerzo (RL) de alta computación. Esta fase utiliza el LLM de juicio para recompensar las señales basadas en la adhesión del modelo a la especificación de seguridad, mejorando así aún más la capacidad del modelo para razonar con seguridad. Y lo que es más importante, todo el proceso requiere una intervención humana mínima más allá de la creación de la especificación inicial y la evaluación de alto nivel.

El razonamiento CoT permite al LLM expresar explícitamente su proceso de razonamiento, haciendo sus decisiones más transparentes e interpretables. En la alineación de la fase RL, el CoT incluye referencias a la especificación de seguridad que describen cómo ha llegado el modelo a su respuesta. Esto permite al modelo considerar cuidadosamente las cuestiones relacionadas con la seguridad antes de generar una respuesta. La inclusión de la CoT en los datos de entrenamiento permite al modelo aprender a utilizar esta forma de razonamiento para obtener una respuesta más segura, mejorando así la seguridad y la interpretabilidad. El resultado de esta fase suele denominarse "Modelos de razonamiento"

3. Ajuste continuo

El ajuste continuo permite a los ingenieros de IA y a los científicos de datos adaptar los modelos a casos de uso específicos. Los ingenieros de aprendizaje profundo y los científicos de datos ahora pueden ajustar modelos de vanguardia y de código abierto utilizando entre 10 y 1000 ejemplos, lo que mejora significativamente la calidad del modelo para aplicaciones específicas. Esto es fundamental para las organizaciones que buscan mejorar la fiabilidad de sus modelos para casos de uso específicos sin tener que invertir en una amplia infraestructura de postentrenamiento.

La mayoría de los modelos más avanzados ofrecen ahora API de ajuste fino continuo para el ajuste de preferencias y el ajuste fino del aprendizaje por refuerzo (RLFT), lo que reduce el umbral para crear modelos específicos de tareas o dominios.

La salida de esta etapa puede denominarse "Modelización de tareas o dominios específicos"..

Los marcos de ajuste de código abierto (por ejemplo, Hugging Face Transformers Reinforcement Learning (TRL), Unsloth, etc.) ofrecen capacidades similares de ajuste continuo para modelos OSS. Por ejemplo, los primeros usuarios del modelo Llama lo han ajustado más de 85.000 veces desde su lanzamiento.

A medida que seguimos desplegando la adopción de la IA en la empresa, observamos dos tendencias distintas:

1. Las organizaciones con importantes recursos de capital (que denominamos "Fronteras") pueden adoptar una estrategia de postentrenamiento de modelos de código abierto, personalizándolos ampliamente para dominios y casos de uso específicos mediante una puesta a punto continua.
2. Para los que tienen un presupuesto limitado pero se centran mucho en casos de uso fiablesAspirantes a empresariosUna estrategia rentable consiste en elegir LLM estándar y dar prioridad a la alineación de tareas específicas mediante un ajuste continuo.

Tendencias en datos y operaciones y mantenimiento

Los datos son fundamentales para implantar con éxito la IA y requieren mejores prácticas de gestión de datos. La figura 6 ilustra las tendencias clave en materia de datos y O&M para 2025.

Figura 6: Datos clave y tendencias de O&M

Analicemos cada tendencia.

Plataforma de datos inteligente

Para acelerar la innovación en datos e IA y reducir la sobrecarga operativa, proponemos una Plataforma Inteligente de Datos e IA (IDP) unificada en 2024. Este esfuerzo de unificación y simplificación ha ganado una tracción significativa entre los principales proveedores de software, dando lugar a la arquitectura que se muestra en la Figura 7.

Figura 7: Arquitectura de la plataforma de datos inteligentes

IDP agiliza la integración del ciclo de vida de los datos (almacenamiento, procesamiento, análisis y aprendizaje automático), reduciendo así la necesidad de herramientas y mano de obra fragmentadas. También proporciona un marco centralizado para la estrategia y ejecución de la gobernanza de datos.

Aunque las principales ofertas de empresas tecnológicas consolidadas y de nuevas empresas siguen mejorando la funcionalidad en 2024, la adopción generalizada de plataformas de datos y de IA para inteligencias de IA sigue siendo un trabajo en curso.

En 2025, los proveedores de plataformas de datos seguirán integrando sus servicios para crear una base fundamental para las inteligencias de IA y los sistemas multiinteligencia, proporcionando a estas aplicaciones la información que necesitan para operar y tomar decisiones. Estas plataformas extraen tres funciones clave:

1. Armonización de los planos de datos:El Plano Unificado de Datos admite la carga, el almacenamiento, la gestión y la gobernanza de diversos formatos de datos, como texto (por ejemplo, PDF), imágenes (por ejemplo, PNG, JPEG) y audio/vídeo (por ejemplo, MP3). Una subtendencia clave en este Plano Unificado de Datos es la adopción de formatos abiertos de tablas como Apache Iceberg, Delta Lake y Apache Hudi.
2. Plano de metadatos unificado:Los metadatos proporcionan a las aplicaciones de IA información contextual básica sobre los datos que procesan. Por ejemplo, si los datos contienen un documento de política de RRHH, los metadatos relevantes podrían incluir el número de versión del documento, la fecha de la última revisión y el autor. Sin metadatos ricos que proporcionen estos matices, será difícil que las inteligencias establezcan un contexto suficiente y proporcionen la funcionalidad prevista.
3. Orquestador multimotor:IDP también proporciona una capa de orquestación extensible diseñada para gestionar y orquestar varios motores informáticos, incluidos los utilizados para el procesamiento analítico, la transformación de datos y la ejecución de modelos de IA.
4. Plano de gobernanza: IDP también actúa como middleware de control de acceso, gobernanza y personalización, lo que permite a las inteligencias comprender mejor las funciones de los usuarios (incluidas las funciones, el acceso a los datos y el historial de consultas) y personalizar las respuestas.

ETL para IA

ETL (Extraer, Transformar y Cargar) es un proceso clave de integración de datos utilizado para preparar datos sin procesar para modelos de IA y aprendizaje automático. El proceso consiste en extraer datos de diversas fuentes, transformarlos mediante limpieza y formateo y, a continuación, cargarlos en un sistema de gestión o almacenamiento de datos, como un IDP, un almacén de datos o un almacén vectorial, como se ha descrito anteriormente.

Aunque las organizaciones ya están familiarizadas con el ETL para datos estructurados (extracción, transformación y carga de datos de bases de datos operativas en almacenes o lagos de datos), el ETL para IA amplía este proceso para abarcar una amplia gama de formatos de datos, incluidos texto (.pdf, .md, .docx), audio/vídeo (mp3, mpeg) e imágenes (jpeg, png).

Estas fuentes de datos no estructurados pueden incluir una variedad de repositorios de contenido, aplicaciones y recursos web utilizados por la empresa. De hecho, el propio proceso ETL puede aprovechar la IA para tareas de extracción, como la extracción de entidades (imágenes, tablas y entidades con nombre) de archivos PDF utilizando modelos multimodales de lenguaje amplio (LLM) o modelos de reconocimiento óptico de caracteres (OCR).

ETL para datos no estructurados Soporte para varios casos de uso posteriores:

• Información basada en IA:Buscar generación mejorada (RAG) permite a las aplicaciones facilitar la interacción del usuario con los documentos, extraer resúmenes clave y dar soporte a casos de uso similares. La extracción y transformación de datos de fuentes tan diversas como SharePoint, Dropbox, Notion y diversos repositorios y aplicaciones en la nube será un factor clave para la obtención de conocimientos basados en IA. Prevemos que los proveedores seguirán extrayendo RAG e integrándolos como una función de fácil acceso en plataformas unificadas de datos, análisis e IA.
• Búsqueda AIMejora de la accesibilidad y la inteligencia de los contenidos empresariales en comparación con las búsquedas tradicionales por palabras clave.
• Automatización basada en IA: Proporcionar la capa de conocimiento necesaria a partir de datos no estructurados para proporcionar información contextual básica a las inteligencias.
• Alineación posterior a la formación y ajuste continuoFacilitar la disponibilidad de datos nuevos y actualizados para permitir una personalización continua y sin fisuras de los modelos para diversos casos de uso departamental.

Preparación de datos para la IA

La preparación de los datos es fundamental para implantar con éxito modelos de tareas específicas e inteligencias de IA.

Esta es la clave del éxito de estos programas".condición previa".

Para que los datos estén disponibles para la IA, es necesario prepararlos exhaustivamente en múltiples dimensiones. Aunque la IA puede consumir casi todos los datos disponibles de una organización, el enfoque correcto es derivar los requisitos de preparación de datos de los casos de uso prioritarios.

La figura 8 ilustra algunas de las dimensiones clave de la preparación de datos para la IA

Figura 8: Preparación de datos para la IA

Calidad y observabilidad de los datos

¿Estos datos superan los indicadores de calidad establecidos? Esto podría significar una o más de las siguientes cosas:

1. confíe en
2. frescura
3. corrección
4. Integridad de los metadatos
5. descensos
6. Legalidad/desviación
7. pertinencia
8. versionado

¿Cómo se gestionan, controlan y presentan en tiempo real las métricas anteriores?

1. Datos de observabilidad
2. Linaje de datos
3. historial de revisiones (de un documento, página web, etc.)

Productos de datos para la IA

Los productos de datos son fundamentales para el éxito de los modelos de tareas específicas, la evaluación comparativa y las pruebas de los modelos de IA y las aplicaciones de inteligencia. Algunos productos de datos de IA importantes son:

1. Conjuntos de datos disponibles para la formación：标记数据成为有价值的数据产品，可以立即用于 AI 训练。

2.链 (CoT) 数据集：与传统数据集（通常为训练提供输入和输出）不同，CoT 数据集还包括中间推理步骤，这些步骤解释了答案的得出方式。这种逐步推理方法与人类解决复杂问题的方式密切相关，使 CoT 数据集对于训练 AI 模型执行需要逻辑推理、计划和可解释性的任务非常有价值。

3.提炼的数据集：提供数据集的较小代表性子集，该子集捕获完整数据集的多样性和可变性。以下是提炼数据集的几个示例：

a. 一个捕获不同情感水平和产品类别的客户评论子集。

b. 创建的高质量任务特定数据集，用于训练较小的模型（学生模型）来模仿更大、更复杂的模型（教师模型）的性能。

c. 为微调技术问答模型而提炼的技术文档子集。

4. 合成数据集：用于生成模仿原始数据集核心属性的合成数据集的提炼数据。它们通常用于增强数据稀缺或不平衡的真实数据集。通过生成变体，可以在更多样化的数据集上训练模型。

5. 知识图谱数据集：由 GraphRAG 提供支持的数据产品利用了基于图的数据检索和生成功能。例如，连接医学术语、诊断、治疗和患者结果的医疗保健知识图谱数据集可用于提供个性化的医疗建议、建议可能的治疗方案并帮助医生做出数据驱动的决策。

6. 用户数据：用户数据在构建更智能、个性化的 AI 应用程序方面至关重要。此数据通常包括有关用户角色的任何信息以及 AI 智能体或应用程序用来理解用户角色（智能体可以利用这些信息来提供有意义的输出或响应）的用户交互或输入。以下是一些用户数据示例：

a. 具有用户角色和用户数据集/查询/仪表板交互历史记录信息的数据分析师智能体可以通过过滤和选择适当的数据集访问历史记录和查询运行来个性化查询响应。

b. 了解用户客户状态（例如，高级或普通）和过去支持请求性质的客户支持智能体可以使用过去的工单、问题和解决方案来优先响应、提供更快的解决方案或推荐特定的知识库文章。

c. 通过分析过去与潜在客户和客户的沟通历史和参与模式，销售智能体可以个性化后续策略、推荐特定产品或服务，并根据其历史行为优先考虑潜在客户。

登月计划

登月计划是雄心勃勃的探索性尝试，旨在通过突破性的解决方案来解决重大挑战。这些项目通常会突破当前技术的界限，在创新的前沿运行。虽然它们本身具有很高的失败风险，但其变革性结果的潜力是巨大的。

虽然本节是创造性探索的空间，但我们想探讨图 9 中突出显示的更多推测性概念。

图 9：登月计划

认知智能体

认知智能体积极地、持续地从其经验中学习，并不断地适应和改进。图 10 描述了认知智能体的决定性特征。

图 10：认知智能体的五个关键特征：学习、记忆、自我意识、自我改进、自我升级

除了 AI 智能体的通用功能之外，认知智能体通常还具有以下几个其他能力：

1.记忆保留

更长的记忆保留能力是认知智能体的关键特征之一。记忆保留能力使智能体能够回忆起之前的对话，通常会记住特定的事件，包括何时何地发生，并经常从中学习。

因此，认知智能体具有复杂的记忆架构，其中包括用于保留的长期存储和特定形式的记忆（例如情景记忆），这使智能体能够及时回溯并回忆起特定的事件，包括何时何地发生。

情景记忆的一个使用示例可以是回忆之前事件中成功完成任务的步骤。如果智能体再次面临相同的任务，它可以回忆起之前成功实例中采取的确切步骤，并在此次更有效地执行该任务。

2. 从过去的互动中学习

这些智能体从过去的互动中学习，并利用这些学习在未来做出更好的决策。

3. 自我意识

这些智能体可能还会意识到它们自己的构造细节和功能。

它们可以潜在地从用户交互中学习并更新其知识库以获得新的学习内容。

4. 自我修复

自我修复使智能体能够通过添加新功能来扩展其功能，例如工具，从最近的交互中创建偏好数据集，并触发下一个微调作业。它还可以进一步评估新模型，并在模型注册表中注册新模型修订，同时生成详细的模型报告供 AI 工程师审查。

5. 自我升级

（可选）智能体可能会自我升级到上面创建的新模型修订。

具身智能体

具身智能体是具有物理存在（如机器人）的 AI 智能体类型。这种“具身”至关重要，因为它允许智能体像人类一样感知和作用于物理世界，使其能够学习和执行需要智能体对物理空间形成深刻理解并执行分配的任务的任务。生成式 AI 有望通过超越传统的基于规则的编程，在更复杂和动态的环境中运行，从而彻底改变机器人技术。

图 11 描述了企业如何将这些新型智能体用于各种应用。

图 11：企业使用嵌入式智能体的示例。

让我们探讨一下银行如何使用具身智能体。他们分行的具身客户支持智能体可以启动步行客户的首次互动、提供个性化的财务建议并帮助处理交易。

在零售业中，具身智能体可以采取店内购物助理的形式，提供产品信息并在店内进行引导。在制造业中，这些智能体可以处理需要移动性和灵巧性的任务，这些任务对于人类安全来说是危险的。

智能体网络

由于缺乏标准化的消息格式、协议和冲突解决机制，多个 AI 智能体为实现共同目标或解决复杂问题而进行的有效通信目前受到阻碍。未来的网络方法必须具有可扩展性、低延迟性和安全性，在智能体之间建立信任并保护通信网络免受恶意攻击。

这将我们带到关于智能体网络改进的最后一个预期趋势。

有效的智能体网络可以彻底改变智能体在企业内部和外部进行通信、协作、协调、完成工作和学习的方式。这种趋势与早期互联网和互联网协议的标准化以及 web 2.0 时代社区和论坛的演变类似。这些趋势显著增强了物理界限之外的人与人之间的协作。

图 12 显示了建立有效智能体网络的四种选择。

图 12：可能的智能体网络标准示例

所有登月计划趋势的好处是巨大的。认知智能体可以通过分析交换数据、更新自己的知识库、分析交换数据、改进与人类类似的通信方式以及加速企业边界内的创新，从而通过这些互动来学习。

llegar a un veredicto

总而言之，应用 AI 趋势是加速 AI 智能体和应用程序在企业中得到有意义采用的趋势，而数据和运维趋势则为支持和加速这些智能体应用程序提供了坚实的基础。此外，登月计划涵盖了今天可能看起来很激进，但可能带来下一个变革性影响的主题。

与往常一样，这项研究的目的是关注技术解决方案，而不是组织影响。自主智能体自然会引起人们对工作岗位流失的担忧，因为 AI 智能体有望接管重复性任务。企业需要通过批判性地重新定义工作角色并围绕创建、管理 AI 并与之协作来创建新的工作角色，从而重新发现人与 AI 智能体之间的协同/协调作用。因此，这种转型创造了另一项重要任务，因为大多数企业都需要在 AI 转型的同时批判性地提高和重新培训其员工队伍。

最后，LLM 模型架构的任何突破，能够以经济高效的方式引入自适应知识注入的解决方案，或在理解和推理能力方面的显著改进，都有可能进一步影响 AI 应用程序的潜在现实。