从 Pre-AI 发展到 Agentic AI 应用程序：4 步模型
快速阅读: 据《新堆栈》最新报道，本文介绍了一个四阶段的企业AI成熟度模型，帮助企业逐步实现从预AI到自主AI应用的转变。该模型分为预AI应用、添加机器学习、生成式AI和自主AI应用四个阶段。文章强调，借助现有资源和工具，企业可以逐步实现智能化应用，而无需巨额投入。VMware Tanzu提供了简化路径，助力企业高效开发和部署AI应用。
人工智能/AI代理从预AI到自主AI应用的演变：四步模型
AI代理迈向AI应用交付意味着以智能化方式快速前进，而这个AI企业成熟度模型可以帮助您规划路径。2025年3月3日 9:44 由迈克尔·科特和卡米莉·克罗韦尔-李撰写。插图由伊利亚·卢基切夫在Shutterstock上提供。VMware Tanzu赞助了这篇文章。
我们正处在一个“要么用AI，要么出局”的时代。每个组织似乎都急于弄清楚AI如何融入他们的业务战略。在过去的一年里，我们与各行各业的大企业团队进行了交谈——从全球金融服务到受严格监管的传统汽车制造商——看看他们是如何实际使用和管理他们的AI应用程序的。目前，关于什么使应用程序“智能”有各种各样的定义，但只有少数几个用例、最佳实践和模式已经被确立。
当我们特别谈论企业应用程序时，有两个障碍经常出现。首先是合规性：我们看到团队忙于更新长期的安全和治理框架，仅仅是为了适应AI模型，甚至做出临时的例外以保持项目进展。更糟糕的是，他们可能干脆忽视这些规定，实行所谓的“影子AI”。
其次是执行障碍——团队需要新的AI技能和工具化，再加上一个明确的ROI的坚实商业案例。否则，任何试点项目都有可能变成一次性实验，而不是可持续的做法。
通过企业AI成熟度模型清除障碍
一种可以帮助您的组织避免陷入这些障碍的方法是企业AI成熟度模型。将您的方法框架化，以向应用程序添加“智能”，可以帮助您朝着目标前进。此框架明确了向应用程序添加AI的意义，更重要的是，展示了如何确保您获得真正的回报。换句话说，这是您通向那些我们都在追逐的难以捉摸的“业务成果”的路径。
通过企业AI成熟度模型清除障碍
将成熟度模型作为新兴技术的工具一开始可能会显得有些陈旧。但我们将它视为预期的路线图和“默认”计划。它还澄清了如何应对技能和ROI挑战。这个AI应用交付成熟度模型概述了四个阶段，以实现更“智能”的应用：
1. 遵循三层模型的预AI应用。
2. 添加机器学习（ML）。
3. 添加生成式AI（GenAI）。
4. 创建自主AI应用和工作流程。
然而，这些阶段依赖于相同的基础设施：服务器、框架和明确的业务需求。随着您在模型中向上移动，实际上是在增加应用程序的自主性。让我们来看看。
第一阶段：三层应用
在您开始使用AI之前，您会从这里开始：一个经典的三层架构，包括用户界面（UI）、应用框架和服务以及数据库。想象一个简单的预订应用，它可以显示空闲的桌子，允许人们根据餐厅类型和距离进行筛选和排序，并让人们预订桌子。这个应用对人们和企业来说是有用且功能性的，但并不“智能”。这些可能是当今大多数应用的现状，而且，真的，它们已经足够好了。由于数字转型十年的成果，组织一直在顺利运行。这种应用类型的ROI早已得到证实，我们知道如何为持续投资制定商业模式。开发人员和运维人员具备构建和运行这类应用的技能。这为我们提供了操作基础，并帮助我们判断什么是“更好”，以及是否值得这个价格。
第二阶段：添加机器学习智能
在生成式AI之前，机器学习是下一个阶段。这种智能依赖于数据科学家通过查看过去用户行为来创建预测系统。你可以预测简单的事情，比如人们会点什么食物或他们取消预订的可能性。但是，你可能希望针对高价值任务，如预测性维护和欺诈检测，因为添加机器学习既昂贵又耗时。
原因之一是机器学习所需的技能与标准应用程序开发不同。数据科学家拥有的技能集不同于应用程序开发人员。他们更加专注于将统计建模和计算应用于大数据集。他们倾向于使用自己的语言和工具集，比如Python。数据科学家还需要处理数据收集和清洗，这在大型组织中可能是一项繁琐的政治活动。
这种技能差异使得向应用程序添加机器学习既困难又成本高昂。这不像让应用程序开发人员学习如何添加新的UI元素或整合新框架那么简单。这种分离造成了瓶颈，限制了机器学习（ML）被嵌入企业应用的频率。
第三阶段：添加生成式AI
传统ML在企业应用中普及困难重重，而生成式AI迅速找到了立足之地，因为它减少了多年来阻碍ML发展的复杂性和成本障碍。企业可以突然生成文本、代码甚至图像，而无需雇佣专门的团队或添加新的基础设施、员工和流程。实施的简便性使其比早期的ML方法更加可及和实用。
第四阶段：自主应用程序
生成式AI之后还有什么呢？目前，AI社区已经确定了一个概念叫做“自主AI”，或者能够自主“做事”的AI。虽然生成式AI功能强大，但它们更像是“只读”的，通过回答、建议和预测来响应您的提示。相比之下，自主AI不仅会回答查询；它还会自主执行这些操作。这是通过给生成式AI引入一种新模式实现的。当您提出请求时，自主AI应用将执行以下步骤：
1. 将请求分解为计划。
2. 执行每个步骤（调用API，运行微服务，执行代码）。
3. 分析结果并根据需要进行调整。
回想一下餐厅预订应用。首先，自主应用程序会推理出它需要找到您对餐厅的偏好。这可能意味着直接询问您，但也可能意味着查看您过去的预订和您给出的评价。也许您喜欢坐在室外，但下雨了？智能应用程序会查询您所在地区的天气。等等。一旦构建了这些“研究”，自主AI将使用其工具查找匹配餐厅的可用桌子，如果找到一个好的匹配项，将通过再次调用API为您预订。当然，人类（也就是你！）可以在任何时候介入以推进或修改工作流程。
要做到这一点，除了基础级别的生成式AI工具集外，还需要一组额外的服务。您需要管理这个持续过程的“上下文”和“记忆”，您需要一个框架来进行那些API调用等等。好消息是，您的应用程序开发人员不需要学习像机器学习这样的全新技能。他们可以使用现有的工具和技能开始使用自主AI为他们的应用程序添加智能。这个自主AI的概念在过去一年左右的时间里不断发展，已开发出许多框架。我们一直在思考所需的服务堆栈：数据存储，执行框架，以及我们在Spring AI和Tanzu堆栈中的AI经纪人基础知识。
我们的建议是确保您已经具备了生成式AI应用的基础（如上所述）。有了这些，您可以开始学习和试验自主AI应用。例如，您可以查看我们与Anthropic的模型上下文协议在Spring AI方面的工作。智能地摆脱机会的迷雾
希望这个成熟度模型能突出一点：您不必从头开始——也不必花费巨额资金——就能为现有的应用程序添加AI。您现在就可以利用现有人员和工具开始。事实上，我们最近允许所有Tanzu平台（和Tanzu应用程序服务）客户使用GenAI服务作为其现有许可证的一部分，以便您可以立即开始为应用程序添加AI模型！
最后还有一个要点需要考虑。到目前为止，我们一直关注应用程序开发人员。显然，他们是构建应用程序的关键。但运营团队也同样重要。好消息是，由于核心构建模块相同，他们已经知道如何运行、管理和保护这些应用程序的大部分内容。当然，有一些细微之处和一些新东西要学习，但从运营角度看，AI基本上只是一个需要监督的新服务。有了正确的平台，他们不需要重新装备一切或打破预算。您可以简单地继续改进您的应用程序，让它们更智能。
如果您想与Tanzu团队讨论您的AI应用案例，请联系我们。在过去的几十年里，基础设施取得了巨大的进步；现在是时候构建应用程序，充分利用这些新工具了。VMware Tanzu解决方案通过简化的生产路径、自动化平台操作以及成本、性能和安全性的改进，加快了应用程序的开发和交付。
(以上内容均由Ai生成)
