正文
“接下来，会有更多企业加速部署 AI。我们看到不少企业在过去一两年里已经在诸如知识库、智能助手等场景做了一些试点，但这还不够，未来大家会进一步进入深水区，通过把企业数据、流程、业务系统打通，实现降本增效。”IBM 大中华区科技事业部技术销售总经理、首席技术官翟峰表示。
此外，他还强调，企业级 AI 应用不是装一个 DeepSeek 一体机就完了，在这背后还有很多关键的因素要考虑，比如高价值、高质量的数据，开放、灵活的模型选择，全链路的安全治理，以及 AI 助手、智能体等 AI 应用。
“当这一系列因素叠加在一起，挑战就会成倍增加。和试点的时候不同，一旦 AI 要进入生产环境，其中的供应链怎么优化？决策怎么做？库存如何管理？在这些核心的业务节点，AI 系统的稳定性、安全性、可靠性就会变得越来越重要。”翟峰表示。
对于绝大多数企业而言，AI 的部署不是从零开始，过去他们已经积累了大量信息化系统、大量的基础建设、大量的应用等等，究竟如何通过 AI 把这些“历史积累”连接起来，并实现赋能，这是企业接下来要着重突破的难题。
IBM 正在试图通过从基础设施、混合云 AI 工具到数据服务、AI 中间件、AI 助手 & 智能体的企业级的全栈 AI 能力帮企业解决这些问题。
比如，在数据层面，watsonx.data 针对企业中海量且复杂的数据，可以通过集中治理和本地自动化策略实施来确保数据的安全性和合规性，帮助企业把数据信息以最高效且合规的方式连接和管理起来，从而为 AI 应用赋能。
再比如，在模型层面，watsonx.ai 平台提供了至少四类模型供企业选择：第一，IBM 自研的 Granite 模型；第二，IBM 与合作伙伴合作提供的模型，包括 Meta 的 Llama 和欧洲的 Mistral AI；第三，与 Hugging Face 社区合作的开源模型，包括 DeepSeek 等；第四，行业垂直领域的小模型。
“在这个过程中，我们会跟企业一起根据业务的需要选择一个最适用的模型和场景进行落地。比如在 DeepSeek 出来之后，我们就迅速帮国内一个制造企业客户把 DeepSeek 跑在了 watsonx 本地版平台上，主要场景是通过大模型对供应商合同进行管理，基于供应商的财务数据等信息对其进行风险评估。”翟峰举例。
再看 AI 应用层面，除了普及度较高的 AI 助手之外，watsonx 平台还于近期上新了 AI 智能体相关的解决方案 watsonx Orchestrate，这也是 IBM 目前的研发投入重点。
