技术能力 · 产品形态 · 基础设施与治理
描述「AI 能做什么」：模型侧的能力边界与供给方式，不涉及具体产品形态或部署环境。
推理型模型（test-time compute、链式推理）成为高端能力标配； scaling 从纯参数扩展转向数据质量、混合架构与推理时计算并重；持续学习与记忆机制缓解遗忘，支撑长期对话与个性化。
多模态（文本、图像、语音、视频）从「拼接」走向原生统一表示；长上下文与 RAG 结合，成为企业知识应用的基础能力；端侧与边缘小模型在特定任务上逼近大模型体验。
闭源主导高端能力与 API 生态，开源主导可定制、本地化与合规敏感场景；二者在能力与成本之间的权衡持续演化，厂商锁定与多模型策略并存。
描述「AI 以何种形态交付」：从通用能力到具体产品形态，不涉及底层算力或治理细节。
对话式与任务型智能体（规划、工具调用、多步执行）从演示走向生产；工作流编排与低代码/无代码成为企业标配；客服、销售、运营等垂直场景率先规模化。
AI 编程助手（补全、解释、重构、测试）与代理式编码（多文件、执行、调试）深度嵌入 IDE 与 CI/CD；代码与自然语言混合成为主流交互方式，开发者体验成为差异化要素。
企业侧：办公套件、CRM、ERP 等内置任务型智能体；消费侧：个人助理、创作与搜索深度融合。B 端重可观测与合规，C 端重体验与留存。
描述「AI 在何种环境下运行、受何种规则约束」：算力、工程与合规，与前两类无交集。
推理成本与延迟成为规模化瓶颈；专用芯片、量化、蒸馏与批处理持续优化；云与自建混合、边缘推理与缓存策略影响选型与成本结构。
智能体与工作流的可观测性、评估指标与 A/B 测试成为生产刚需；监控、追踪与归因工具成熟，推动从「能用」到「可运维、可迭代」。
输出安全、幻觉控制与对齐要求贯穿训练与推理；数据隐私、地域合规与审计可追溯性影响架构与供应商选择；责任归属与伦理框架持续成型。