复合人工智能：企业使用AI成功的关键

Dynatrace 最近发布的一份全球报告，揭示了一个很有意思的趋势：随着企业对 AI 的投资持续加码，“复合人工智能”（Composite AI）正在成为决定成败的关键。报告指出，虽然 83% 的技术负责人已经把 AI 看作必需品，但 95% 的人同时认为——如果能有其他类型的 AI 来搭把手，生成式 AI（GenAI）的表现会出色得多。

换句话说，光靠一种 AI 单打独斗，已经很难应对现实世界里的复杂局面。报告给出的建议是：企业需要采取一种“复合人工智能”的路线，也就是把多种类型的人工智能技术——比如生成式 AI、预测性 AI、因果性 AI——和来自不同源头的数据（可观测性数据、安全数据、业务事件数据）整合到一起。这样做的目的，是为了实现更高层次的推理能力，让 AI 的输出更准确、更有上下文感、也更具实际价值。

从报告的数据来看，企业正在全面加码 AI 投资，覆盖几乎每一个业务环节。但这里面有一个关键的认知需要厘清：人工智能从来不是一项单一技术。它涵盖多种类型、多种方法、多个数据源和多种应用场景，每一种都有各自的强项和短板。要想把 AI 的潜力真正释放出来，就必须把它们组合起来用——这就是复合 AI 的核心思路。它不只是简单的“1+1”，而是一种系统性的协同，用来解决单一技术无法独立应对的复杂问题，同时让输出结果更可靠、更具可解释性。

接下来，我们围绕 Dynatrace 这份报告，聊聊复合 AI 到底是什么、具体怎么落地、以及它带来的实际价值和挑战。

01 复合人工智能的概念

首先得说清楚，人工智能本身是一个横跨计算机科学、数学、统计学、心理学甚至哲学的交叉学科。它的目标，是让机器具备类似人类的感知、理解、学习、推理、决策和创造能力。经过几十年的发展，AI 内部已经分化出许多不同的技术路线。

最近风头最劲的，显然是生成式人工智能。它依靠深度学习等技术，可以从已有数据中生成全新的内容，比如文字、图像、音频。优势很明显：可以帮企业创造全新的产品和服务，比如虚拟助手、个性化推荐、智能内容生成。但缺陷也同样突出：生成的内容可能不准确、不合逻辑，甚至引发伦理问题——比如内容与事实不符、违反常识或无意中冒犯到用户。

预测性人工智能的历史可以追溯到上世纪 50 年代。它通过统计学习和机器学习算法，从数据中寻找规律和趋势，用于分类、回归或聚类。在企业的实际应用中，它主要用来优化现有产品和服务，比如系统性能监控、故障预测和异常检测。难点在于，预测结果可能受噪声干扰、与实际情况脱节，而且往往缺乏足够的可解释性。

因果性人工智能则更进一步。它试图通过数据和算法，直接推断变量之间的因果关系。你可能会问：为什么要费劲去判断“因果关系”而不是“相关性”？因为只有理解了因果逻辑，企业才能做出真正有效的干预。比如在医疗领域，因果 AI 可以帮助回答“如果用了这个药，患者会发生什么变化？”这类问题。它的核心工具是“因果图”——一种用节点和箭头来描述变量间因果关系的图形化模型。可以用来解释数据背后的机制，也能通过模拟干预来预测结果的变化。

除了不同种类的 AI 技术，数据源的多样性同样不可忽视。可观测性数据覆盖了应用性能、软件开发实践、IT 基础设施和用户体验；安全数据则聚焦于网络安全、数据保护和隐私合规；业务事件数据则是关于业务流程、交易、客户行为和满意度的。这三类数据各有侧重，各自的质控、安全、隐私要求也不一样。

复合人工智能，就是把上面这些不同类型的技术和数据源组合起来，提供更高级的推理能力，让 AI 的输出更准确、更有上下文、也更有意义。它本质上是一种“取长补短”的策略：利用各自优势，弥补彼此不足，最终实现协同效应。

02 复合人工智能的集成和调整

要把复合 AI 真正落地，不是简单地把几种技术堆在一起就完事了。集成和调整的过程需要考虑多个维度，包括目标设定、范围界定、方法选择、数据质量、安全隐私，以及持续的评估和监督。

先说目标。目标决定了 AI 输出什么内容、什么格式、以及最终能产生什么价值。一个合格的目标，应该明确、具体、可量化、可达成。不然设计、实现和评估都会变得很模糊。

然后是范围。范围指的是 AI 要解决的领域或场景——是医疗、教育、金融还是制造业？范围不同，输入输出的来源、复杂度和要求也会不同。范围定义得越合理、越可行，后续的数据获取和处理就越有底气。

接下来是方法。用生成式、预测式还是因果式？选什么样的深度学习、统计学习或因果推理算法？这直接决定了输出的质量、可靠性和可解释性。选对了方向，优化和迭代才能走得更顺。

数据质量是不可绕开的硬门槛。准确、完整、一致、及时、相关——这些都是基础要求。数据质量不行，后续的 AI 输出就很难让人信任。安全与隐私则是另一条红线。加密、授权、审计、备份、删除……这些都是必须做到的合规操作。否则，AI 带来的风险可能远远超过收益。

最后一个关键环节是评估和监督。AI 的输出需要不断地测试、评价、反馈、监控。这不是一次性的工作，而是一个持续、全面、客观的循环。只有通过不断的调整和优化，AI 才能真正适应业务环境的变化。

总的来说，复合 AI 的集成调整是一个涉及多层面的系统工程，需要大量的时间、资源、专业知识和团队协作。

03 复合人工智能的应用

复合 AI 的应用领域非常广泛。说到底，它是为了解决复杂问题而生的——当单一 AI 技术搞不定时，组合方案往往能够带来突破。

在自然语言处理领域，复合 AI 可以同时调用生成式、预测式和因果式技术，来完成文本生成、理解和翻译任务。

在医疗领域，复合 AI 的潜力尤其突出。生成式 AI 可以从医学影像、基因序列、病例中生成新的诊断信息；预测式 AI 可以从监测数据中发现病情走向和治疗风险；因果式 AI 则能帮助医生理解药物、手术、生活方式变化之间的因果关系。再结合可观测性数据（监控设备和系统）、安全数据（保护隐私）、业务事件数据（衡量患者满意度），整套系统就能提供远超人脑的信息整合能力和决策支撑能力。

在教育领域，复合 AI 可以把教学内容和学习者的行为数据、能力偏好结合起来。生成式 AI 可以自动生成习题、答案和案例；预测式 AI 可以判断学生的学习进度和潜在困难；因果式 AI 则能通过分析教学策略的效果，帮助优化教学方案。数据层面，学习者的行为数据让系统更了解个体需求，从而实现真正的个性化学习。

金融领域也是一个典型的高价值场景。生成式 AI 可以输出投资建议、报价策略；预测式 AI 可以分析市场价格趋势、客户行为；因果式 AI 能够追踪不同因素对风险和收益的实际影响。加上市场数据、客户数据和风险数据，复合 AI 可以为金融机构提供更精确的决策支持。

04 复合人工智能的价值

复合 AI 最直接的价值，是提升了系统的可靠性和适用性。通过取长补短，它能够输出更全面、更准确、更合理、更符合伦理的结果。这对于那些需要精准判断、容错率低的业务场景来说，意义重大。

Dynatrace 的首席技术官 Bernd Greifeneder 在报告中说了这样一段话：“要让 GenAI 生成用户真正信任且有实际意义的内容，是一件很困难的事。团队需要花费大量时间和精力去设计合适的提示词，还要反复验证生成内容的正确性。”他进一步强调：“关键在于，要认识到不是所有 AI 都一回事。GenAI 的很多复杂用例，比如优化代码或修复安全漏洞，都需要复合人工智能——也就是把因果 AI（找出系统行为的原因和影响）和预测式 AI（根据历史数据预测未来）结合起来，为 GenAI 提供必要的上下文背景。”

Bernd Greifeneder 最后总结：“如果企业能制定正确的策略，把不同类型的 AI 和高质量数据有效结合起来，他们就能显著提升开发、运营和安全团队的生产力——最终带来持久的业务价值。”

这正是复合 AI 的价值所在。它不是一种锦上添花的技术点缀，而是一套能够真正驱动业务增长的底层能力。企业如果能在正确的策略引导下，把生成式、预测式、因果式 AI 以及可观测性、安全、业务事件等数据源有机组合起来，就能实现从“能用 AI”到“用好 AI”的关键跳跃。

从数据来看，行业共识正在明确形成：复合 AI 是企业走向智能化未来的必选项。而那些率先完成整合的企业，很可能在新一轮竞争中占据明显的先发优势。