2025年，生成式人工智能正在從“技術突破”走向“產業震蕩”。中國AI市場正以前所未有的速度重構應用格局，從大模型開源潮涌，到企業自研趨勢增強，再到智能體在各行各業的試點加速落地，AI不再只是實驗室里的模型，而成為企業數字化轉型的關鍵動力。算力受限、生態碎片、治理挑戰、ROI難以量化等現實問題，反而在中國這個特殊市場中孕育出具有“適配性”的創新路徑。

在這一背景下，Gartner首次發布《2025中國AI趨勢》研究報告，從三個維度系統性地解析了中國AI發展的十大趨勢：其一是在機遇中開展創新，在受限條件下的技術突圍與系統性重塑；其二是利用成本可控的AI實現業務轉型，聚焦AI如何從生產力工具演化為企業差異化優勢的核心驅動；其三是B2C驅動的AI生態系統，通過中國在C端市場的敏捷試錯、產品落地與供應鏈優勢，進一步夯實AI普惠化基礎。

這是Gartner首次聚焦中國本地市場的AI趨勢研究，報告從宏觀政策到微觀實踐，從開源模型到行業落地，從工程化能力到智能體試點，全面勾勒出中國AI的技術演進路線與應用版圖。

在機遇中開展創新

“這是我們第一次針對中國市場發布專屬的AI趨勢研究，不僅僅是一次嘗試，更是對技術與市場劇變的深度回應?！盙artner高級首席分析師費天褀表示，中國AI在近幾年經歷了資源限制與技術躍遷交織的復雜局面，從芯片、算力的現實掣肘，到地緣政治的外部挑戰，再到國內政策與產業資本的持續加碼，中國AI生態正處于“挑戰與機遇并存”的關鍵轉折點。

為此，企業與機構開始更主動地通過開放式生成式模型、自建技術體系以及代理式AI等方式探索創新路徑?！皼]有算力、沒有芯片，你沒有別的辦法。創新不再是一個選項，而是必須之路?！?/p>

具體來看，開放式生成式AI模型成為最具代表性的技術趨勢之一。以DeepSeek為代表的國產開源大模型，不僅在技術指標上表現亮眼，也引發了全球對“開源模型是否能縮小與專有模型性能差距”的廣泛討論?！拔覀兛吹介_源模型在性能、推理成本和易用性方面，已經逼近專有模型，甚至在某些任務上已經超越?！辟M天褀透露，在Copilot等場景下，DeepSeek的表現曾一度登頂Leaderboard，這種趨勢正改變著企業選型邏輯。

與此同時，自研趨勢在中國企業中愈發顯著。特別是在大型國企、政企及制造業等對數據安全與系統耦合有高要求的行業，企業更傾向于掌握核心能力，實現差異化與深度定制。這不僅出于成本考慮，更是確保業務敏捷性與技術自主權的戰略選擇?！安槐孛恳粚佣甲匝?，但在基于大模型的應用開發與工程化部署上，企業展現出更強的主導意愿?！?/p>

代理式AI的崛起亦不容忽視。它標志著AI正從“內容生成”邁向“任務執行”，是生成式AI能力結構的一次重構。

“代理式AI強調的不僅是大模型，而是具備任務感知、執行能力、自主反饋和多輪交互的系統。”費天褀認為，代理式AI是一種方法論，而AI Agent是其實踐落地的形式。兩者高度關聯，甚至存在涵蓋與被涵蓋的關系。

盡管當前市場對通用智能體的期待較高，但現實仍是“窄域智能體”占主導——它們聚焦具體任務，如翻譯、編程、內容撰寫、作業批改等，完成度較高卻局限于單一場景。這也折射出代理式AI邁向規模化落地的現實路徑仍需時間與技術積累。

利用成本可控的AI實現業務轉型

在生成式AI快速滲透產業的過程中，中國企業展現出一種獨特的務實傾向：AI不是“用不起”，而是必須“用得值”。

這種“節儉型AI”思路，在當前資源受限、算力緊張的環境下更顯重要。企業更看重性價比，而不是極限性能，輕量部署、本地推理、邊緣計算成為主流。尤其是在中小企業中，算力受限、預算有限的現實倒逼技術方案更貼地氣。“別忘了，AI真正的成本往往是看不見的，比如提示語工程、數據治理、隱藏的算力開銷，這些都需要企業從源頭上做更好規劃?！?/p>

此外，AI部署所帶來的“隱性成本”也日益成為企業無法忽視的現實。除了模型調用、算力租賃等顯性支出，企業還面臨大量隱性投入：算力規模往往會在部署過程中不斷膨脹，模型調優和提示工程對人力資源的要求高于預期，數據治理與質量優化也成為AI系統能否長期運行的關鍵環節。

“這些隱藏成本在后期反而成為影響AI項目成敗的關鍵變量?！辟M天褀強調，正因如此，越來越多的中國企業在一開始就傾向于控制成本路徑，在落地節奏、系統架構與人員配比上實現“低起點、穩步走”，以確保AI真正帶來可持續的業務價值。

支撐這一趨勢演化的，是中國企業長期積累下的“工程交付力”。從模型調優到數據平臺接入，從Agent部署到多模態集成，中國企業憑借扎實的工程化基礎設施，加快了AI從概念驗證到生產部署的路徑轉化。

這種能力不僅體現在底層的算力與平臺集成，也涵蓋了模型工程、推理優化、數據流水線等關鍵環節。“很多時候決定AI能否真正用起來的，不是你買了多少卡，而是工程實現的能力?！?/p>

而在AI應用普及過程中，安全風險也日益成為企業關注焦點。員工私下使用AI工具、數據泄露、Shadow AI等問題層出不窮，使得傳統安全體系面臨挑戰。

為此，企業急需構建端到端的AI安全治理框架。這不僅是技術問題，更是IT、安全、法務與業務部門協同的系統性任務。未來，跨部門協作、協同治理機制，將成為構建AI防火墻的重要支點。

B2C驅動的AI生態系統

從人才結構來看，中國在AI領域的研究力量已躋身全球第一梯隊。據統計，2019年中國研究者在AI頂會論文中的占比為29%，而到2022年已增至47%，并在此后持續增長。

更重要的是，AI教育已滲透至中小學基礎教育階段，未來人才儲備規模龐大。但對企業而言，更關鍵的是具備業務理解能力與AI應用經驗的復合型人才。因此，越來越多的企業開始加強提示詞工程、Agent開發等實戰型培訓，以提升團隊整體AI素養。

中國的AI應用路徑也呈現出獨特的“終端驅動型”邏輯。與歐美市場優先在辦公場景中落地AI不同，中國AI應用往往從消費者場景與端側設備率先爆發，推動B2C場景快速普及。

從數字人在文旅導覽、演唱會互動中的廣泛應用，到AI銀行App的語音操作與適老設計，從教育智能體自動批改，到工業領域的具身智能、機器人協作，中國AI正在終端率先實現“觸手可及”。

這種現象背后，是中國完整的數字基礎設施與供應鏈支撐——從5G覆蓋、互聯網生態，到智能硬件制造與產品快速迭代能力，中國形成了完整的從設計到交付的AI產品閉環。

值得一提的是，越來越多的中國廠商已經從單一的產品轉向了一體化的生態布局，提供“模型、平臺、工具、服務”一站式的能力。

例如，當前大量涌現的一體機產品就是這種生態演進的一個代表。這些一體機不僅集成了硬件與算力資源，更預裝了模型、平臺、推理工具及常用的企業AI應用服務，企業部署AI不再需要自行組裝、調試各類工具，而是可以“開箱即用”。

隨著大模型的快速發展，其成本和能耗持續下降，模型間的性能差異正在逐步縮小，觸達門檻也顯著降低。在這樣的背景下，企業在生成式AI上的核心競爭力，逐漸從“選用哪個模型”轉移到“擁有什么數據”。

也就是說，當模型的區別越來越小，真正能拉開差距的，就是企業自己的數據。這些獨有的數據，成為企業通過AI實現突破和構建壁壘的關鍵。

“大模型本身的進化就是在數據上‘大力出奇跡’的結果。”費天褀強調，模型的訓練、微調都離不開高質量的數據；而模型在應用過程中，為了實現更貼近場景的響應，也依賴于企業自己的非結構化數據、知識庫、語義系統等底層能力的加持。

寫在最后

AI并不遙遠，它正在快速穿透各行各業，從手機銀行的語音界面，到教育中的批改代理，從直播中的數字人，到制造業的具身智能，中國市場正以獨有的方式讓AI變得“無處不在”。

對于中國企業而言，這十個趨勢代表了當下的分水嶺，既是挑戰，也是轉機。那些能夠快速吸收趨勢、因地制宜落地的企業，才是真正有可能在AI時代脫穎而出的未來玩家。