Dynatrace 最新发布的全球调研报告揭示了一个显著趋势：随着企业对人工智能投资持续加大，“复合人工智能”（Composite AI）正成为决定成败的核心要素。报告显示，尽管 83% 的技术负责人已将 AI 视为必需品，但 95% 的受访者同时认为——若能有其他类型的 AI 技术协同配合，生成式 AI（GenAI）的表现将大幅提升。

换言之，仅依赖单一 AI 技术，已经难以应对现实世界日益复杂的业务挑战。报告建议，企业应推动一种“复合人工智能”的发展路径，即把多种人工智能技术——如生成式 AI、预测性 AI、因果性 AI——与来自不同来源的数据（可观测性数据、安全数据、业务事件数据）进行有机整合。这样做的主要目标，是实现更高层次的推理能力，让 AI 的输出结果更加精准、更具上下文相关性，也更有实际应用价值。

报告数据表明，企业正在全面加码 AI 投资，覆盖几乎所有业务环节。然而，有一个关键认知亟待澄清：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，每种技术都有各自的优势与局限。要真正释放 AI 的潜力，就必须将它们组合起来使用——这就是复合 AI 的核心思想。这不仅是一种简单的功能叠加，更是一种系统性的协同策略，用以解决单一技术无法独立应对的复杂难题，同时使输出结果更可靠、更具可解释性。

接下来，我们将围绕 Dynatrace 的这份报告，深入探讨复合 AI 是什么、具体如何落地、以及它所带来的实际价值与潜在挑战。

01 复合人工智能的概念

首先需要明确，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。其核心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。经过数十年的演进，AI 内部分化出了多种不同的技术路线。

近期最受关注的，无疑是生成式人工智能。它依托深度学习等前沿技术，可以从已有数据中生成全新的内容，包括文字、图像、音频等。其优势十分显著：能够帮助企业创造全新的产品与服务，例如虚拟助手、个性化推荐、智能内容生成等。但缺点同样突出：生成的内容可能不够准确、缺乏逻辑，甚至引发伦理问题——例如内容与事实不符、违背常识或无意中冒犯用户。

预测性人工智能的历史可追溯至上世纪 50 年代。它通过统计学习与机器学习算法，从数据中寻找规律与趋势，用于分类、回归或聚类等任务。在企业实际应用中，它主要用于优化现有产品与服务，如系统性能监控、故障预测和异常检测。其难点在于，预测结果可能受到噪声干扰、与实际情况脱节，并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。或许你会问：为什么非要判断“因果关系”而非“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。例如在医疗领域，因果 AI 可以帮助回答“如果使用这种药物，患者的病情会如何变化？”这类关键问题。其核心工具是“因果图”——一种用节点和箭头描述变量间因果关系的图形化模型。它既能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。

除了不同类型的 AI 技术，数据源的多样性同样不可忽视。可观测性数据涵盖应用性能、软件开发实践、IT 基础设施和用户体验；安全数据聚焦于网络安全、数据保护和隐私合规；业务事件数据则涉及业务流程、交易、客户行为及满意度。这三类数据各有侧重，各自的质控、安全和隐私要求也各不相同。

复合人工智能，正是将上述不同类型的技术与数据源合理组合，提供更高级的推理能力，使 AI 的产出更准确、更有上下文相关性，也更具实际意义。它本质上是一种“取长补短”的策略：利用各自的优势，弥补彼此的不足，最终实现协同效应。

02 复合人工智能的集成与调整

要将复合 AI 真正落地，绝非简单地将几种技术堆砌就可以。集成与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，以及持续的评估与监督。

首先是目标设定。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。一个合格的目标应当明确、具体、可量化、可达成，否则设计、实现和评估都会变得模糊不清。

接着是范围界定。范围指 AI 要解决的领域或场景——是医疗、教育、金融还是制造业？不同范围决定了输入输出的来源、复杂度和要求。范围定义得越合理、越可行，后续的数据获取与处理就越有底气。

然后是方法选择。采用生成式、预测式还是因果式？选用何种深度学习、统计学习或因果推理算法？这直接影响输出结果的质量、可靠性和可解释性。选对了方向，优化与迭代才能更顺畅。

数据质量是不可绕开的硬性门槛。准确性、完整性、一致性、及时性、相关性——这些都是基本要求。数据质量若不过关，后续的 AI 输出就很难让人信服。安全与隐私则是另一条红线。加密、授权、审计、备份、删除等操作必须合规执行。否则，AI 带来的风险可能远超收益。

最后一个关键环节是评估与监督。AI 的输出需要不断测试、评价、反馈、监控。这不是一次性的任务，而是一个持续、全面、客观的循环。只有通过不断的调整与优化，AI 才能真正适应业务环境的变化。

整体来看，复合 AI 的集成与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 的应用领域十分广泛。归根结底，它是为解决复杂问题而生的——当单一 AI 技术难以应对时，组合方案往往能带来突破性进展。

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，完成文本生成、理解和翻译等任务。

在医疗领域，复合 AI 的潜力尤为突出。生成式 AI 可从医学影像、基因序列、病例中生成新的诊断建议；预测式 AI 能从监测数据中发现病情走向与治疗风险；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）以及业务事件数据（衡量患者满意度），整套系统能提供远超人类的信息整合能力与决策支撑能力。

在教育领域，复合 AI 可将教学内容与学习者的行为数据、能力偏好相结合。生成式 AI 能自动生成习题、答案和案例；预测式 AI 可判断学生的学习进度与潜在困难；因果式 AI 则通过分析教学策略的效果，帮助优化教学方案。数据层面，学习者的行为数据使系统更加了解个体需求，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 可输出投资建议、报价策略；预测式 AI 能分析市场价格趋势与客户行为；因果式 AI 能追踪不同因素对风险和收益的实际影响。结合市场数据、客户数据和风险数据，复合 AI 可以为金融机构提供更精准的决策支持。

04 复合人工智能的价值

复合 AI 最直接的价值，在于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。这一点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 首席技术官 Bernd Greifeneder 在报告中指出：“要让 GenAI 生成用户真正信任且具备实际意义的内容，非常困难。团队需要花费大量时间和精力设计合适的提示词，还要反复验证生成内容的正确性。”他进一步强调：“关键在于，要认识到并非所有 AI 都一样。GenAI 的许多复杂用例，例如优化代码或修复安全漏洞，都需要复合人工智能——即把因果 AI（找出系统行为的原因与影响）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 最后总结道：“如果企业能制定正确的策略，将不同类型的 AI 与高质量数据有效结合，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。它并非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。企业在正确策略引导下，将生成式、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，就能实现从“能用 AI”到“用好 AI”的关键跃升。

从行业数据来看，共识正在逐步明确：复合 AI 是企业迈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。