阿里云

阿里云是这个魔力象限中的挑战者。阿里云人工智能平台 (PAI) 提供高性能计算资源和基础设施，数据科学团队可以使用它们来构建、部署、利用和管理机器学习 (ML) 和生成式人工智能 (GenAI) 模型。其业务主要集中在中国、东南亚、中东和澳大利亚，其客户往往是各个行业各种规模的企业。阿里云在图形处理单元 (GPU) 可用性方面进行了大量投资，用于 GenAI 训练，以及访问第一方和第三方模型以进行定制和特定领域的用例。

优势
  • 关注数据治理。DataWorks 是阿里云的平台即服务 (PaaS)，为整个 ML 生命周期的数据质量治理和管理提供了领先的平台。
  • 成本控制能力。高性能计算创新和成本管理工具使用户能够通过优化资源利用率来降低AI训练成本。
  • 基础模型可用性。阿里云拥有自己的一套大型语言模型 (LLM)，以及来自合作伙伴的社区和开源模型，为客户提供各种多模式基础模型。
警告
  • 复杂。由于阿里云仍在不断发展其 PAI 用于模型开发的低代码功能​​，因此需要很高的技术能力才能利用所有平台功能。
  • 中国境外的存在有限。中国以外的企业在实施过程中可能会遇到有限的支持、社区和合作伙伴难以提供帮助。
  • 企业重组。阿里巴巴集团正在进行组织和管理变革，这增加了阿里云服务未来方向的不确定性。
Altair

Altair 是该魔力象限的领导者。其 RapidMiner 平台包括 AI Hub、AI Studio 和其他 Altair 产品，这些产品专注于通过实现数据科学和业务团队之间的协作来增加和加速对数据洞察和预测模型的访问。其业务遍布各地，其客户往往是汽车、航空航天、国防和医疗保健等行业的中型到大型企业。Altair 计划通过投资提供使用其专有分析翻译语言进行工作流创作的对话界面来提高数据的民主化。它还通过与其他 Altair 产品集成来加强 AI、物联网 (IoT) 和高性能计算 (HPC) 融合，从而解决企业级 AI 问题。

优势
  • 市场了解。Altair 的 RapidMiner 平台解决了企业采用 GenAI 和 ML 的痛点，通过完成的项目部署而不是平台使用情况来衡量成功。
  • 行业焦点。RapidMiner 于 2022 年被 Altair 收购，这为其开辟了新的机遇，尤其是在以资产为中心的行业和科学应用领域。
  • 价钱。Altair 的定价结构非常灵活，不是基于指定用户许可或消费级别，而是基于与 Altair 软件产品组合的使用相关的单位。
警告
  • 市场吸引力。Altair 在 Gartner 客户兴趣指标中处于较低的四分位，表明最终用户对其功能缺乏认识。
  • 产品一致性。Altair RapidMiner 平台中具有重叠功能的新品牌产品和传统产品之间的集成仍在继续，并且需要随着时间的推移而完成。
  • 收购摩擦。RapidMiner 嵌入 Altair 生态系统可以增加最终用户对支持的需求，这可能会导致客户互动水平降低。
Alteryx

Alteryx 是这个魔力象限中的利基市场参与者。其 Alteryx Designer、Alteryx Server 和 Alteryx Analytics Cloud 产品为企业分析提供了 AI 平台，使分析师、数据科学家和业务用户能够使用数据进行决策。其业务遍布各地，客户往往是各个行业各种规模的企业。Alteryx 正在开发一套 AI 工具，以 AiDIN 品牌为品牌，满足所有角色的需求。2024 年 3 月，该公司被 Clearlake Capital Group 和 Insight Partners 收购。

优势
  • 洞察驱动的愿景。Alteryx 平台面向涉及数据科学的所有角色，旨在通过增强来提高效率。
  • 用户情绪。Alteryx 拥有庞大且热情的用户社区和悠久的客户满意度历史。
  • 自动化和增强。Alteryx 通过 AI 生成的增强关键任务和端到端流程的自动化来简化复杂的分析流程和数据准备。
警告
  • 最近的收购。2024 年 3 月，Alteryx 被两家私募股权公司收购。此次收购对公司现有合作伙伴关系和未来发展方向的影响尚待确定。
  • 竞争差异化。Alteryx 努力在拥挤的市场中脱颖而出，因为许多为其带来最初成功的功能已被复制或增强。
  • 专家数据科学家重点关注。Alteryx 以其低代码平台而闻名，最近它添加了以代码为中心的功能。数据科学家需要确信该平台可以满足他们的需求。
亚马逊网络服务

亚马逊网络服务 (AWS) 是该魔力象限的领导者。其 SageMaker、Bedrock、SageMaker Canvas 和 SageMaker Data Wrangler 产品主要专注于通过基于代码和低代码的工具帮助企业开发、训练和托管 DSML 和 GenAI 模型。其业务遍布各地，客户包括各种规模和行业的企业，并针对公共部门和初创公司制定了具体计划。AWS 致力于通过提供专用计算基础设施（包括专用 Trainium 和 Inferentia 芯片）、增加对商业和开源模型的访问以及改进安全性、治理和隐私控制，使 GenAI 为企业做好准备。

优势
  • 安全合规。AWS 提供对各种 GenAI 基础模型提供商的访问权限，并增强其隐私和安全保障，包括微调和检索增强生成 (RAG) 用例。
  • 定制AI 基础设施。AWS 在提供定制硬件和服务方面投入了大量资金，例如用于大规模训练和提供大型模型的 SageMaker HyperPod。
  • 培训和社区。AWS 针对不同的用户群体提供多种现场和虚拟活动，包括 re:Invent、峰会和 Dev Days。
警告
  • 核心数据科学。与基于决策增强的数据科学相比，AWS 更加关注机器学习工程，这促使最终用户探索其他服务来提供核心功能。
  • 复杂。AWS 在数据科学、ML 和 GenAI 方面的庞大产品组合可能会导致难以找到适合业务问题的产品。
  • GenAI 市场情绪。AWS 自己的 Titan 基础模型品牌认知度有限，削弱了其作为创新模型提供商的地位。
Anaconda

Anaconda 是这个魔力象限中的利基市场参与者。其 Anaconda 数据科学平台使企业能够在单一平台上使用开源 Python 库和工具。其业务遍布各地，客户往往是各个行业的小型、中型和大型企业。Anaconda 支持其自己的产品，并与其他 DSML 平台（包括 IBM、Databricks 和 Domino Data Lab）集成。它最近将其由 GenAI 驱动的 Anaconda 助手引入了该平台的云和本地部署。

Anaconda 未回应补充信息或审查本文件草稿内容的请求。因此，Gartner 的分析基于其他可靠来源。

优势
  • 庞大的用户社区。开源的 Anaconda Python Distribution 和 conda 包和环境管理工具广为人知并被成千上万的数据科学家使用。
  • 工具。Anaconda 提供专业数据科学家需要的开源工具，以提供核心数据科学和机器学习工程能力。
  • 进入门槛低。Anaconda 提供其平台的免费版本，该版本使用良好、维护良好且受到许多不同团体的支持，大大降低了新从业者的进入门槛。
警告
  • 视野范围。Anaconda 在为数据科学任务提供开箱即用功能方面缺乏远见，而是倾向于依赖开源组件。
  • 目标人物角色。Anaconda 的目标客户是专业数据科学家，而没有满足数据工程师、MLOps 工程师和团队负责人的需求。
  • 差异化。该平台的商业产品并未为用户带来显著的利益，因为市场上其他供应商也提供包管理和 DSML 库。
Cloudera

Cloudera 是这个魔力象限中的远见者。其 Cloudera 数据平台和 Cloudera 机器学习产品为数据工程和机器学习工作负载提供了统一、可扩展且开放的数据、分析和 AI 平台，具有端到端治理和模型托管功能。其业务遍布各地，客户往往是各个行业的大型企业。Cloudera 专注于通过 AI 助手将 GenAI 功能嵌入其平台，用于代码和数据可视化生成，并让用户能够从各种模型提供商构建和部署 GenAI 应用程序。

优势
  • 混合和多云。Cloudera 提供专为混合云、多云和本地环境以及复杂工作负载构建的集成数据和 DSML 平台。
  • 安全开源。Cloudera 利用数据科学家熟悉的流行开源组件，以及最大限度减少锁定的企业级安全性。
  • 用例模板。Cloudera 为各种基础模型和技术提供了多种预构建的 GenAI 和 DSML 用例模板。
警告
  • 复杂。虽然低代码功能​​（例如增强辅助和针对业务和领域中心角色的可视化工作流）正在改进，但与此魔力象限中的其他供应商相比还是有限的。
  • 合作伙伴关系。与该魔力象限中的供应商相比，Cloudera 与系统集成商建立的稳定合作伙伴关系较少，这些系统集成商拥有专门的资源来帮助企业部署。
  • 市场地位。Cloudera 仍在开发其平台的愿景，使公司从一家数据供应商转变为一家人工智能供应商。
Databricks

Databricks 是该魔力象限的领导者。其 Databricks 数据智能平台将数据管理、数据仓库、治理和工程与数据科学、机器学习和人工智能开发相结合，以处理数据和人工智能工作负载。其业务遍布各地，客户往往是各个行业的中型和大型企业。该公司最近收购了 MosaicML（2023 年 7 月）和 Einblick（2024 年 1 月），以推动其平台中的 GenAI 功能并改善对低代码开发的支持。

优势
  • 统一平台。Databricks 平台将 Lakehouse 平台和集中治理与 DSML 功能相结合，以简化数据和 ML 工程团队的流程和管理。
  • 收购。最近的收购，包括 MosaicML，使 Databricks 的用户能够比竞争对手更快、更低成本地利用大型语言模型。
  • 面向未来的战略。Databricks 通过将 GenAI 和低代码功能​​引入其平台，投资于其对未来用户需求的愿景。
警告
  • 表现。Gartner Peer Insights 的评论显示，一些用户对开发和部署 DSML 工作负载时所需的性能调整和集群管理感到不满意。
  • 升级摩擦。Databricks 的快速产品扩展导致新的产品版本出现，这可能需要客户跟上更新并确保现有工作负载的稳定性。
  • 解决方案对齐。Databricks 的一体化解决方案和 Lakehouse 架构在与可组合混合数据架构一起使用时需要额外的设计考虑。
Dataiku

Dataiku 是该魔力象限的领导者。其 Dataiku 产品专注于为数据科学家和业务用户提供低代码和基于代码的开发的协作体验，并通过增强洞察力来加速模型构建和部署。其业务遍布各地，客户往往是各个行业的中型和大型企业。Dataiku 领导 LLM Mesh 计划，以使 GenAI 开发民主化，并有望与其他合作伙伴一起扩大生态系统。

优势
  • 合作。Dataiku 的平台旨在通过整合代码和低代码开发，使不同角色能够共同努力来实现 AI 的运作。
  • GenAI 愿景。Dataiku 与合作伙伴共同创立了 LLM Mesh 计划，致力于在企业范围内使用 GenAI 模型，以消除管理成本和性能的复杂性。
  • 人们集中注意力。Dataiku 专注于通过变革管理实现人工智能对人类和企业的影响，这让人工智能领导者有信心在整个企业范围内运用这项技术。
警告
  • 用户社区。Dataiku 的用户社区并不像该魔力象限中的其他供应商那样庞大、易于访问或互动程度相同，从而限制了可供用户使用的支持渠道数量。
  • 价钱。Dataiku 拥有基于平台费用和每用户许可证的复杂定价模型，围绕四种类型的角色形成。
  • 行政。维护平台的内部部署服务可能会耗费大量资源，尤其是升级和资源管理。
DataRobot

DataRobot 是该魔力象限的领导者。其 DataRobot AI 平台专注于通过先进的自动化 ML 功能、基于代码的开发和治理以及 ML 模型监控来加速数据科学和 ML 项目的价值实现。除中国外，其业务遍布各地，其客户包括各种规模和行业的企业。该公司通过增强平台功能和参与美国商务部的美国 AI 安全研究所联盟，更加注重 ML 和 GenAI 模型的治理和保证。

优势
  • 使用方便。DataRobot 对 GenAI 和预测模型构建的抽象简化了数据科学家和商业用户的流程。
  • 注重价值创造。DataRobot 使用有针对性的面向客户的团队进行客户工程并应用人工智能来加速价值交付。
  • 市场了解。DataRobot 的策略专注于端到端 DSML 活动中多个参与者之间的协作，使以业务为中心的人物能够确保满足他们的需求。
警告
  • 操作实践。DataRobot 的领导团队经历了变动，员工流动率也很高，这可能会妨碍公司维持客户满意度的努力。
  • 价钱。DataRobot 的定价模式和许可证成本是本报告中最高的。
  • 产品策略。DataRobot 将自己宣传为一个人工智能平台，但其对数据管理、可视化、探索、注释和标记的关注度落后于市场上的同行。
Domino Data Lab

Domino Data Lab 是这个魔力象限中的远见者。其 Domino 企业 AI 平台专注于灵活性，允许数据科学家使用本地和云基础设施以及各种开发环境和语言来开发、部署和管理 DSML 模型。其业务遍布各地，其客户往往是生命科学、金融服务、公共部门和受监管行业的全球企业。该供应商继续扩大其吸引力，通过添加 GenAI 功能并通过负责任的 AI 功能提高可信度，以吸引更广泛的最终用户。

优势
  • 安全。Domino Data Lab 通过专注于需要更高安全级别的垂直行业，在市场上脱颖而出。
  • 治理。Domino Data Lab 对数据科学和机器学习资产的管理使供应商能够专注于受监管的垂直行业。
  • 灵活性。与开发人员工具、语言和开发环境的广泛兼容性使 Domino Data Lab 平台成为企业范围 DSML 部署的一个选择。
警告
  • 市场渗透。Domino Data Lab 的三分之二的客户集中在四个行业，这限制了其吸引广泛企业的潜力。
  • 复杂。Domino Data Lab 专注于为大型专业数据科学团队提供服务，是纯业务线 (LOB) 用户需求企业的最佳选择。
  • 低代码。Domino Data Lab 提供低代码选项，但落后于该魔力象限中其他供应商的产品。
谷歌Google

Google 是该魔力象限的领导者。其 Vertex AI 平台专注于让数据科学家、机器学习工程师和业务用户能够使用 Google Cloud Platform (GCP) 基础架构构建和部署 DSML 模型。除中国外，其业务遍布全球，客户包括各行各业各种规模的企业。Google 致力于利用 Google DeepMind 制作的 Gemini 系列基础模型推进 GenAI 研发。

优势
  • 基础模型。Google 内部研发部门和第三方提供商提供的基础模型可供商业和开放使用，确保最终用户受益于尖端创新。
  • 平衡的投资组合。对 GenAI 的投资并没有分散谷歌对增强其 Vertex AI 平台中现有 DSML 方法和功能的注意力。
  • 送货。谷歌在 2023 年推出了 500 多项 Vertex AI 更新，进一步增强了其以创新为中心、满足最终用户需求的平台定位。
警告
  • 数据和人工智能治理。数据统一和AI治理能力落后于竞争对手。
  • 平台生态系统。对于已经投资或将投资 Google Cloud Platform 作为其首选数据存储和处理平台的企业来说，Vertex AI 作为 DSML 平台是有意义的。
  • 核心数据科学。与对机器学习的关注相比，谷歌对核心数据科学用例的关注度较低。
H2O.ai

H2O.ai 是这个魔力象限中的远见者。其 H2O Driverless AI、H2O Hydrogen Torch、H2O Document AI、H2O AI Feature Store 和 H2O MLOps 产品专注于通过开源产品和 AI 增强工具实现 AI 的民主化。其业务遍布各地，其客户往往是规模各异的企业，主要来自金融服务、电信和消费品包装行业。H2O.ai 计划投资扩大其产品线和功能集，以利用 GenAI 模型和技术，并使用其自己的开源基础模型与客户共同创造创新。

优势
  • 客户合作。H2O.ai 与客户密切合作，以识别、修复和共同创造产品功能。
  • 生成式人工智能。H2O.ai 训练了自己的开源基础模型，并为不同的基础模型、矢量数据库、硬件和托管创建了 GenAI 生态系统。
  • 开源社区。大量数据科学家社区使用开源 H2O.ai，增强了供应商对数据科学家的需求以及关键趋势和痛点的理解。
警告
  • 对合作伙伴的依赖。H2O.ai 利用合作伙伴关系实现一些 DSML 功能，例如数据管理、数据准备和治理。
  • 在主要市场之外的存在有限。H2O.ai 在电信和消费包装商品行业占有一席之地，但大多数客户集中在银行、金融服务和公共部门。
  • 产品组合的一致性。产品之间的功能划分意味着多个角色和利益相关者之间的合作能力受到限制。
IBM

IBM 是这个魔力象限中的挑战者。其 watsonx 产品套件提供了一个开放平台，为数据科学家和开发人员提供集成数据管理、治理和 GenAI 端到端工具的商业 AI 用例。其业务遍布各地，客户包括各种规模和行业的企业。该公司提供 Granite 系列基础模型，包括通用和特定领域版本，为大型商业模型提供经济高效的替代方案。

优势
  • 对负责任的人工智能的投资。IBM 与 Meta 合作共同发起成立人工智能联盟，支持人工智能领域的开放科学和开放创新。
  • 开放性和灵活性。IBM 与 Red Hat OpenShift 和合作伙伴生态系统的紧密集成，为多种部署场景中的企业需求提供了适应性和灵活性。
  • 市场了解。IBM 将人工智能治理作为市场需求，以满足企业对安全性和合规性要求日益增长的需求。
警告
  • 市场吸引力。采用 watsonx 的典型客户是那些已经在其他 IBM 产品上进行了大量投资的客户。
  • 产品一致性。watsonx 是 Watson 品牌的最新营销名称。watsonx 本身由三个核心部分组成，这可能会让买家感到困惑。
  • 定价结构。Gartner 客户表示，他们难以适应 IBM 和 Watsonx 复杂的定价。

KNIME

KNIME是这个魔力象限中的利基市场参与者。其 KNIME 分析平台和 KNIME 商业中心为业务用户、领域专家、分析师和数据科学家提供灵活且可扩展的开源平台，用于端到端 DSML 任务。其业务集中在欧洲和美国，并通过其合作伙伴网络在其他地区开展业务。其客户包括各种规模和行业的企业。该供应商已提供基于 GenAI 的助手（称为 K-AI），用于数据探索和低代码及基于代码的活动。它最近还提供了其软件的社区中心版本（免费版和付费版），作为完全托管的 SaaS 平台。

优势
  • 民主化。KNIME 的桌面分析平台可以免费且不受限制地下载，它支持具有一系列分析技能的用户以及刚开始从事数据科学领域的用户。
  • 数据科学深度。KNIME 的一系列开箱即用节点和组件涵盖了 DSML 技术的整个范围，从模拟到计量经济学和深度学习。
  • 用例。KNIME 的社区拥有超过 400,000 名用户，除了来自 KNIME 及其合作伙伴的解决方案之外，还贡献了各种行业和横向解决方案。
警告
  • 全球范围。KNIME 在欧洲和美国有直接业务，并利用合作伙伴为其他地区的客户提供服务。
  • 市场吸引力。KNIME 在 Gartner 客户兴趣指标中处于下四分位，表明最终用户对其功能缺乏认识。
  • 目标人物角色。KNIME 的策略专注于通过低代码开发来支持所有类型的用户，但代码优先开发需求尚未得到充分满足。
MathWorks

MathWorks 是这个魔力象限中的利基市场参与者。其 MATLAB 和 Simulink 产品为工程团队提供了一个可扩展的 DSML 模型构建和部署平台，以及一套用于工业应用的仿真工具。其业务遍布各地，客户往往是制造业、电信业和生命科学等工业领域各种规模的企业。MathWorks 目前专注于 AI Chat Playground，用于测试和评估不同 LLM 的自然语言指令输出的 MATLAB 代码响应。MathWorks 为多个工程角色提供了特定的工具箱。

优势
  • 长寿。MathWorks 是一家长期供应商，提供一套稳定的核心 DSML 工具，并随着市场趋势不断发展。
  • 嵌入式人工智能。MathWorks 允许工程师将 AI 嵌入到工业设备、家用电器和物联网资产中，而无需专业的部署知识。
  • 安全关键系统。MathWorks 在安全至关重要的领域无处不在，例如航空航天和汽车工业，它提供了一套用于强大的 DSML 开发的工具。
警告
  • 创新。MathWorks 并未处于 GenAI 的最前沿，并且资产中心行业之外的许多用例可能无法得到很好的服务。
  • 复杂。尽管存在一些低代码工具，但 MathWorks 并不是适合 DSML 开发新手的工具集。
  • 视觉的轨迹。MathWorks 继续以工程师等技术 LOB 用户为目标，限制其在其他业务领域的使用。
微软

微软是这个魔力象限的领导者。其 Azure 机器学习 (Azure ML) 产品为数据科学家和 LOB、低代码开发人员提供基础设施、模型和工具，以构建可在整个企业范围内扩展的预测和 GenAI 模型。其业务遍布各地，其客户包括各种规模和行业的企业。微软专注​​于提供来自其内部研究小组以及与 OpenAI 和其他提供商的合作伙伴关系的基础模型。它还投资了先进的数据中心，为 GenAI 使用定制硬件和芯片。

优势
  • 企业GenAI。微软通过其 Azure ML 模型目录提供一系列模型、部署选项和定价选项，不断创新基础模型。
  • 提升技能。微软制作了广泛的培训资源，面向 DSML 领域的初学者、专家和高管，包括新的基于 Azure 的 GenAI 认证。
  • 研究与开发。微软自己的研究小组贡献了自己的较小基础模型、快速工程框架和用于检索增强生成 (RAG) 实现的新架构。
警告
  • 独立的产品线。Azure ML 中组件的频繁品牌重塑和单独的产品线给寻求支持协作的统一平台的数据科学团队带来了摩擦。
  • 数据探索和可视化。Azure ML 中的探索性数据可视化功能通过 Power BI 提供。Power BI 通过 Microsoft Fabric 提供的功能将引发许多企业的重新评估。
  • 副驾驶一体化。GitHub Copilot 需要进行额外评估才能在 Azure ML 计算实例中实现完整功能。
Posit

Posit 是这个魔力象限中的利基市场参与者。其 Posit Workbench、Posit Connect、Posit Package Manager 和 Posit Cloud 产品为数据科学家提供了一个开放平台，用于构建预测和规范模型，从而为业务用户和决策者提供见解。其业务主要集中在美国，其他地区的业务则通过合作伙伴提供，其客户往往是各行各业的小型、中型和大型企业。Posit 专注于添加功能以支持数据科学家，例如简化代码和应用程​​序的管理。该公司最近宣布与 Databricks 建立合作伙伴关系，以增强集成。

优势
  • 企业公民。Posit 的企业社会责任承诺包括写入其章程的社区倡议和公共利益计划，与许多企业的 ESG 目标相一致。
  • 合作伙伴关系。扩大与主要云和数据平台的合作伙伴关系将使企业数据与其平台的集成和使用变得更加容易。
  • 双重用途。Posit 的产品可以作为低成本的 DSML、分析和商业智能 (ABI) 平台，而不是为数据科学团队和分析师提供单独的解决方案。
警告
  • 机器学习工程。Posit 的重点是洞察力的传递，而不是机器学习工程的元素，例如部署、监控和治理功能。
  • 低代码。Posit 平台的低代码功能​​有限，主要面向数据科学家，而业务分析师的使用仅限于仪表板或应用程序使用。
  • 人工智能。Posit 在基础模型开发、微调 LLM 和代理开发等领域缺乏 GenAI 的明确路线图。
SAS

SAS 是该魔力象限的领导者。其 SAS Viya 产品专注于提供适用于广泛行业用例的可扩展 DSML 平台，具有专有算法、编码语言和模型以及开源集成。其业务遍布各地，客户往往是各行各业的中型到大型企业。SAS 计划利用与微软的关系，将更多 GenAI 功能引入产品中，从而增强其行业和价值重点。

优势
  • 合作伙伴网络。SAS 拥有超过 1,700 个技术、经销商和服务合作伙伴网络，其平台的采用率更高，覆盖全球。
  • 强烈的行业关注度。SAS 的定制模型、工作流程和解决方案缩短了各种客户部门和业务单位的价值实现时间。
  • 决策操作。SAS 是少数专注于决策和模型操作化的提供商之一，通过流程优化来加速业务价值。
警告
  • 成本。与 Gartner 客户咨询服务用户的讨论以及 Gartner Peer Insights 的证据均表明，与竞争对手的产品相比，SAS 平台的价格被认为比较昂贵。随着该公司准备进行首次公开募股 (IPO)，可以预期价格将进一步调整。
  • SAS 语言。SAS 增加了开源支持，但 SAS 作为编程语言的使用率下降降低了该产品与其他平台相比的吸引力。
  • GenAI 功能。SAS 并不是 GenAI 的先行者，平台中嵌入的许多 GenAI 功能都处于预览形式。