作者：Stephanie Simone，《数据库趋势与应用》和 《大数据季刊》主编。
原文：www.dbta.com/Editorial/N... Jan 5, 2026
爱可生开源社区翻译，本文约 1700 字，预计阅读需要 5 分钟。
现在已经是 2026 年了，AI 已经成为众多行业的日常组成部分。所有的高管都在考虑是否要搭上这趟 "炒作列车"。
目前，市场充斥着大量生产 "AI 垃圾"（包括抄袭的艺术和写作）的公司，GPU 等硬件设备的价格也在被持续推高，数据中心电力消耗巨大，围绕 AI 行业的泡沫似乎迟早会破。
以下是八位行业专家在 2026 年初对 AI 发展的预测：
预测一：幻觉影响持续扩大，促使监管的制定
AI 引发的幻觉对企业和消费者都造成了影响。捏造的内容、虚构的信息来源、歪曲或误导事实、明显的错误以及 AI 基于数据生成的虚假推导，都对企业的信誉和用户的决策构成威胁，并可能造成数百万乃至数十亿美元的风险。AI 的幻觉风险将成为多个行业的监管关注点，并将催生新的监管机制。
Jim King，IndagoAI 首席执行官兼联合创始人
预测二：AI 治理将成为企业新的 DevOps
AI 的采用将从建模挑战转变为运维挑战。企业将规范 AI 的选型、审批、安全和监控方式，使 AI 治理成为像 DevOps 一样的核心技术。
Yuval Fernbach，JFrog 副总裁兼 MLOps 首席技术官
预测三：AI 将从根本上使"下一代大型人工智能平台"的概念过时
AI 正在瓦解单体应用数据平台的概念。AI Agent 正在赋能以用户角色为导向的应用，这些应用利用微软、AWS 和 Databricks 等超大规模基础设施进行数据存储，但这种转变使得"下一代大型人工智能平台"的概念过时。
获取干净、可用且具有上下文有关联性的数据将成为关键的推动因素，企业能够从特定组件构建解决方案，而不是被锁定在单一供应商。
John Harrington，HighByte 联合创始人兼首席产品官
预测四：成本开始累积
多年来，AI 行业经历了过高的期望和不可持续的支出，如今已陷入泡沫之中，企业不假思索地试图用大语言模型（LLM）来解决每一个问题，导致成本飙升，却几乎没有任何回报。
能够摆脱这种支出循环的企业，是那些明白需要将逻辑层级模型的响应建立在真实数据之上，并从过去的错误中吸取教训的企业。我们相信，实现这一目标的最佳途径是使用高精度的嵌入模型和重排序，从而获得可靠的数据检索结果。
Frank Liu，MongoDB 产品经理
预测五：AI 将减少网络安全对客户数据的依赖
从去年开始，网络安全领域最重要的转变之一并非新的攻击技术，而是 AI 如何帮助团队在无法访问真实客户数据的情况下构建和测试防御措施 ------ AI 最终正在帮助克服这一长期存在的限制。
安全团队一直处于劣势，因为他们训练和测试系统所需的数据是他们无法获取的数据。正在改变的是，新型大模型无需直接训练即可理解陌生的企业数据。这远比追逐通用人工智能（AGI）这类不切实际的新闻标题重要得多。
Mike Rinehart，Securiti AI 副总裁
预测六：电网基础设施投资成为关键路径
从今年开始，能源行业将面临一个严峻的现实：主要瓶颈不再是清洁能源的生产能力，而是输送能力。
数据传输能力的限制将成为大规模能源部署的最大制约因素。主要经济体的电网已经不堪重负，一方面是数据中心呈指数级增长，另一方面是新型可再生能源技术的间歇性。这种紧张局势需要巨额投资；据估计，仅欧盟就需要近万亿美元的电网基础设施投资来应对这些复合需求。此外，除非迅速对高压骨干网进行现代化改造和扩建，否则建设更多的风能和太阳能发电场也无能为力。当下，需要建设必要的数字和物理高速公路，将能源从生产地输送到超大规模数据中心和消费者最需要的地方。
Jason Eichenholz, Relativity Networks 首席执行官/创始人
预测七：ChatGPT 将推出广告和全新的无广告付费版
预计 OpenAI 将于今年上半年推出广告业务，同时推出价格更高的无广告版本。这将对现有的市场营销预算造成影响，并催生两个新的需要去掌握的市场渠道。
ChatGPT 的广告将成为重要的营销平台，"付费 SEO" 将在无广告的产品中出现，让我们能够接触到 ChatGPT 中那些高收入、高参与度的高级用户群体，而这些用户群体无法通过广告触达。
Alex Halliday，AirOps 联合创始人兼首席执行官
预测八：企业将面临扩增 GPU 的严峻现实
到 2026 年，企业的 AI 硬件部署将遭遇严峻的考验，AI 目标与基础设施能力之间的差距将迫使企业对 AI 战略进行重大调整。大多数企业目前基于公有云服务来规划 AI 部署，但 AI 工作负载的运行方式与传统应用截然不同。虽然基于 CPU 的应用程序可以动态扩展，但 AI 系统需要 GPU 资源，而 GPU 资源的配置可能需要 20-30 分钟，并且通常需要预先静态分配。当企业面临意料之外的用户激增，并发现云服务商并未真正为 AI 工作负载提供"云模型"时，真正的挑战将会出现。
当 10,000 名员工突然想要使用企业 AI 工具时，基础设施根本无法满足需求。这将导致大型企业出现令人意外的 AI 服务中断（如，千问奶茶事件）。企业将被迫大幅缩减规模或在复杂的 GPU 资源管理方面投入巨资，而大多数企业缺乏这类技术能力。
Gil Spencer, WitnessAI 首席技术官