OpenAI 剛發布 Sora 2，用幾句話就能(neng)生成一(yi)段電影(ying)級的視頻。趁著(zhu)國慶(qing)假期，我也體驗了一(yi)下(xia)，效果(guo)確實震撼。但不知道你有沒有想過一(yi)個問(wen)題：為什么你公司的可視化看板和報表，至今還得靠(kao)IT團隊(dui)手動拉(la)數據、熬夜整理？
首先我(wo)要回答的(de)是，AI工具，比如市(shi)場上有很多(duo)Chat BI工具，你只(zhi)要輸入(ru)自(zi)然(ran)語言(yan)，他們是能幫你生(sheng)成業務報表(biao)的(de)。而且像(xiang)我(wo)們濤思數據(ju)7月底推(tui)出的(de)“無問智推(tui)”，更是連提問都不用，它就(jiu)能基于采集的(de)數據(ju)，自(zi)動把實時(shi)(shi)面板、報表(biao)、實時(shi)(shi)分析任務推(tui)薦給(gei)你。
但現實是，你周圍(wei)真正用AI直接從(cong)企業數據平臺(tai)生成看板和報表的公司，少之(zhi)又少。TDengine 推出“無問智(zhi)推”功(gong)能，發布兩(liang)個多(duo)月，大(da)家(jia)基本還是處于好(hao)奇嘗鮮的狀態。說(shuo)到(dao)底，問題出在哪兒？主要(yao)有兩(liang)個原因：
- 任務本質不同： Sora 是“創造性生成”，追求驚艷，不求100%準確；而業務報表是“精確性還原”，追求100%可信，決策無法容忍AI的“幻覺”。大家對于需要生成的報表總是半信半疑，自然就難一下火爆起來。
- 數據基礎不同： Sora 訓練使用的是公開、標準的互聯網數據；而企業數據卻深陷“孤島化、不標準、語義缺失、質量低下”的泥潭。更關鍵的是，這些數據都在內網里，AI 想用也用不了。
第二個原因，才是(shi)真正卡住(zhu)AI在企(qi)業(ye)落(luo)地的(de)“脖子(zi)”。它不僅讓AI做不出報表和看板，更無法滲透到運營的(de)每(mei)個環節(jie)去提效。那有沒(mei)有解決(jue)辦法？至少在我(wo)所熟悉的(de)物(wu)聯網(wang)和工業(ye)數據領域，答(da)案(an)是(shi)肯定的(de)。
企業數據平臺的幾大問題
絕大部(bu)分企業都看(kan)到了數(shu)據(ju)的(de)(de)價(jia)值，把(ba)數(shu)據(ju)作(zuo)為重要(yao)的(de)(de)生產要(yao)素，因此搭建了各式各樣的(de)(de)數(shu)據(ju)平臺。但這些平臺在AI時代暴露出一系列問題：
- 數據規模空前，分析滯后: 物聯網、網絡技術的普及大幅降低了數據采集與傳輸的成本和技術門檻，企業得以采集更多設備、更多流程、更高頻次的數據，導致數據量呈指數級增長。傳統的工業數據平臺，實時數據庫，乃至當前流行的數據湖、數據倉庫，都難以高效處理和實時分析如此龐大的數據體量。當前普遍做法僅是“先存起來”，至于這些數據到底要解決什么業務問題、挖掘什么價值，很多人心里并沒數。
- 多源異構數據難以整合：SCADA、DCS、PLC、IoT平臺等系統往往來自不同廠商，采用各異的數據協議（如Modbus、OPC-UA、MQTT）和存儲格式。這導致數據分散在孤立的系統中，難以統一標準，阻礙了跨部門、跨廠區的數據流動。例如，供應鏈的數據、銷售數據、設備運行數據、工藝參數與質檢記錄常分處不同平臺，形成“數據煙囪”，企業難以獲得全局運營視圖。
- 語義和上下文丟失：采集的原始數據（如溫度值、電壓值）往往缺乏必要的上下文信息（如“智能電表A的實時溫電壓”）、計量單位（如瓦, 千瓦）及有效范圍定義。當這些數據傳輸至IT系統（如ERP、MES）時，關鍵元數據容易丟失，導致難以進行后續的分析預警。例如，儲罐溫度數據若無法區分是罐體溫度還是內部液體溫度，且無合理范圍界定，其價值大打折扣。
- 數據質量參差不齊: 工業數據普遍存在采集頻率不一致、信號噪聲大、字段缺失等問題。傳感器漂移造成的數據失真、通訊中斷導致的數據斷層，都直接影響預測性維護等模型的準確性。此外，受限于存儲與計算成本，企業常被迫降低采集頻率，丟失關鍵的數據變化特征，進而影響各類分析的精準度。目前絕大部分企業對數據質量的監測手段都不具備，因此提升數據質量還僅僅是一句口號。
數(shu)據規(gui)模(mo)的(de)(de)問題，可以通過選用(yong)更高性能的(de)(de)數(shu)據平(ping)臺或增加(jia)存(cun)儲、計(ji)算(suan)資源來解決，原則上不構成使用(yong)AI的(de)(de)根本障礙(ai)。但后面幾個(ge)問題，就不是光靠“砸錢擴容”能搞定(ding)的(de)(de)了。我們必須老(lao)老(lao)實(shi)實(shi)做好(hao)數(shu)據目錄、標準化、情景化這些基礎性的(de)(de)“臟(zang)活累活”。而且，從(cong)建(jian)平(ping)臺的(de)(de)第(di)一天起，就要(yao)想清楚(chu)：你要(yao)解決什么業(ye)務痛點？挖掘什么數(shu)據價值？而不是為(wei)了建(jian)平(ping)臺而建(jian)平(ping)臺。
數據目錄 – AI 需要的數據導航系統
企業的設備、流程很多，大型企業甚至有超過千萬個智能設備，因此數據源十分龐大。怎么快速找到這些設備、找到這些設備之間的關系，不是簡單的依靠搜索來解決的。就像人找地方需要地圖，AI 找數據，也需要一張“地圖”——也就是數據目錄。沒有它，AI 在(zai)企業(ye)的(de)數據迷宮里寸步難(nan)行(xing)。
怎么(me)建數(shu)據(ju)目(mu)錄呢(ni)？最簡單(dan)直觀的(de)方式就是(shi)仿照計(ji)(ji)算(suan)機文件(jian)系(xi)統，一層一層的(de)建樹(shu)狀(zhuang)(zhuang)結構(gou)。這(zhe)樣數(shu)據(ju)源(yuan)之間的(de)層級關(guan)系(xi)就有了。但這(zhe)種(zhong)目(mu)錄結構(gou)，有個(ge)缺點，就是(shi)樹(shu)狀(zhuang)(zhuang)結構(gou)里一個(ge)節(jie)點永遠只有一個(ge)父(fu)節(jie)點，無(wu)法描(miao)述現實世界的(de)復雜(za)關(guan)系(xi)。因此這(zhe)類樹(shu)狀(zhuang)(zhuang)結構(gou)的(de)設(she)計(ji)(ji)，一定要引(yin)(yin)入“引(yin)(yin)用”的(de)概念。一個(ge)設(she)備(bei)或一個(ge)數(shu)據(ju)源(yuan)可以存在于多個(ge)樹(shu)狀(zhuang)(zhuang)結構(gou)里，但數(shu)據(ju)本身并不拷貝，只是(shi)存在一個(ge)“引(yin)(yin)用”，與計(ji)(ji)算(suan)機文件(jian)系(xi)統里的(de)”link”一致。
除樹狀結構(gou)之外，圖也是一種不錯的(de)方(fang)式來描述物體之間(jian)的(de)關(guan)系。但工程(cheng)實(shi)(shi)現難度大，而且不符合(he)企業的(de)層級管理結構(gou)，讓數據的(de)訪問控制難以實(shi)(shi)現，因此采用這種方(fang)式的(de)工具很少。
數據標準化 – 對齊數據結構與口徑
在實(shi)際場景中，即使(shi)(shi)是同(tong)一(yi)類數據，不同(tong)系統之間也會存在命(ming)名不統一(yi)、單(dan)位(wei)不一(yi)致、結構(gou)不規范(fan)等問(wen)題。例如，有(you)的(de)(de)系統記錄功(gong)率字(zi)段(duan)為(wei)(wei) GL，有(you)的(de)(de)命(ming)名為(wei)(wei) power, 有(you)的(de)(de)命(ming)名為(wei)(wei)“功(gong)率”；有(you)的(de)(de)設備以瓦(wa)做(zuo)計量(liang)單(dan)位(wei)，有(you)的(de)(de)則使(shi)(shi)用千瓦(wa)。有(you)的(de)(de)設備上報了10個物(wu)理量(liang)，有(you)的(de)(de)上報了20個物(wu)理量(liang)。
對于業務分析和 AI 算法來說，這類不統一的數據是無法直接使用的，你必須進行數據標準化，說白了就是讓所有系統說同一種“語言”。
那(nei)么(me)怎么(me)標準(zhun)化呢？你需要有個虛(xu)擬層，將實際(ji)存儲的(de)的(de)數據(ju)的(de)表的(de)結構映射(she)到一(yi)個虛(xu)擬表或(huo)視圖，這樣解決(jue)命名統一(yi)的(de)問題；你需要記錄每列數據(ju)的(de)計量單(dan)位(wei)，然(ran)后提供計量單(dan)位(wei)的(de)自動轉換，這樣解決(jue)單(dan)位(wei)統一(yi)的(de)問題；你需要建立(li)模(mo)(mo)版，對于同(tong)類的(de)設備或(huo)流(liu)程，必須(xu)按照(zhao)模(mo)(mo)版上報數據(ju)。
數據情景化 – 讓 AI 讀懂你的數據
你需要為每個數(shu)據(ju)源配置豐富的(de)業務語義信(xin)息，構建帶有(you)上下文的(de)數(shu)據(ju)體系(xi)。比如(ru)：
- 為每個數據點和采集量添加描述，說明其業務含義；
- 靈活打上標簽，方便分類和篩選；
- 配置靜態屬性，如設備型號、安裝位置、規格參數等，增強資產識別能力；
- 為每個采集量設置計量單位、合理上下限、目標值等關鍵指標，為分析和告警提供判斷基準；
- 血緣感知，確定數據之間的上下游衍生關系
- 使用模式，系統要記錄用戶到底對哪些數據感興趣，哪些數據更重要
這一套機制，能讓數據不再是冰冷的數字，而是帶有背景、語義和業務價值的 “可用信息”——只有這樣，AI 才能讀懂它。這正是目前逐漸興起的 Context Engineering（上下文工程），也是 TDengine IDMP 重(zhong)點(dian)構建的(de)能力之一(yi)。
這些臟活、累活能靠 AI 解決嗎？
很遺憾，目前還不能。
建數(shu)據(ju)目錄、做數(shu)據(ju)標(biao)準化(hua)、補數(shu)據(ju)情景……這些基礎工作，就像AI模(mo)型訓練之前的(de)數(shu)據(ju)標(biao)注，仍然高度依賴人工。你別指望(wang)把企業數(shu)據(ju)直接丟給(gei)大模(mo)型，它(ta)就能自動(dong)把這些事搞定。
大模型(xing)訓練(lian)所用的數(shu)據集，一般(ban)在1–10T之間(jian)；而一家大型(xing)企業的數(shu)據量動輒達到PB級別。把(ba)這么多數(shu)據“喂”給大模型(xing)，算力消耗(hao)將是(shi)天文數(shu)字(zi)，投入產出完(wan)全(quan)不成正比——對絕大多數(shu)中小企業來說，根(gen)本(ben)負擔不起。再加(jia)上每家企業數(shu)據結(jie)構(gou)千(qian)差萬別，缺乏通用訓練(lian)工具，強行上馬，結(jie)果只能是(shi) “垃圾進，垃圾出”。
正因如此，TDengine 在7月底發布了 AI原(yuan)生的工(gong)業數據管理(li)平臺(tai) IDMP，就是想為企業提供一個(ge)高效的數據管理(li)工(gong)具，幫你低成本、高效率地完成數據目錄(lu)建(jian)設(she)、標(biao)準化(hua)與情景化(hua)的工(gong)作。
AI-Ready：讓數據自己說話
一(yi)旦你做好(hao)數(shu)據目錄、數(shu)據標準(zhun)化(hua)、數(shu)據情景化(hua)的(de)工作，你的(de)數(shu)據平臺(tai)就(jiu)成為了一(yi)個AI Ready的(de)數(shu)據平臺(tai)，AI就(jiu)能(neng)輕松的(de)找到你的(de)數(shu)據，讀(du)懂你的(de)數(shu)據，AI自(zi)然能(neng)生成你需要的(de)可(ke)視化(hua)看板和報表了。
那(nei)能(neng)不能(neng)直(zhi)接(jie)把企業的(de)生產數(shu)據喂給大模(mo)型？
絕對不行——不僅是出(chu)于安全考慮，哪(na)怕是私(si)有(you)化部署的大模型(xing)也不行。生產數(shu)據是實(shi)時的，體量也很大。我(wo)們有(you)個新能源客戶，一(yi)天就產生超(chao)過3TB的實(shi)時數(shu)據，目前沒有(you)任何(he)算力平臺能直接處理。
TDengine 的(de)做法是：只(zhi)把數(shu)據(ju)平(ping)臺的(de)元(yuan)數(shu)據(ju)（比如(ru)層次結(jie)構、設備名稱、屬性、單位等）喂給大(da)模(mo)(mo)型，由(you)大(da)模(mo)(mo)型生成看(kan)板(ban)(ban)和報表(biao)的(de)建議。看(kan)板(ban)(ban)、報表(biao)的(de)數(shu)據(ju)本身都是從數(shu)據(ju)庫(ku)里獲(huo)取的(de)，而不是大(da)模(mo)(mo)型生成的(de)，因(yin)此絕對可(ke)信。大(da)模(mo)(mo)型產生的(de)幻覺只(zhi)在看(kan)板(ban)(ban)、報表(biao)的(de)模(mo)(mo)版(ban)和樣式。
比起一般的 Chat BI 產品，TDengine 的 “無問智推” 更進一步：它能基于實時采集的數據，自動感知業務場景，主動推薦你需要的可視化面板、報表和實時分析任務，真正做到 “讓數據自己說話”，讓數(shu)據(ju)分(fen)析進入(ru)“抖音(yin)”時代(dai)。這(zhe)大大降低了對IT和數(shu)據(ju)分(fen)析師的(de)依(yi)賴，讓業務(wu)人員也(ye)能(neng)實時挖掘數(shu)據(ju)價值。這(zhe)是一(yi)種數(shu)據(ju)消費方式的(de)變(bian)革，也(ye)讓全(quan)球數(shu)百(bai)萬請不(bu)起數(shu)據(ju)分(fen)析團隊(dui)的(de)中小企業，第(di)一(yi)次擁(yong)有了數(shu)據(ju)洞察的(de)能(neng)力。
目前，TDengine 這個 AI 原生(sheng)的(de)物聯網、工業大數據平(ping)臺，主要解決(jue)的(de)是 “data to insight”（從數據到洞(dong)察） 的(de)問題。我(wo)們下一步(bu)將發力 “data to execution”（從數據到執行），目標是直接從數據中(zhong)給出實時(shi)決(jue)策建(jian)議，包括根因分析、能(neng)效提升策略等。
AI?不是魔法。
AI 技術(shu)還在飛速發展，但AI 能否(fou)在企(qi)業(ye)中真正落地，發揮作用，不取決于模型多強、算力多大，而取決于企(qi)業(ye)是(shi)否(fou)愿意扎(zha)扎(zha)實(shi)實(shi)把數(shu)據(ju)底層(ceng)建設(she)好(hao)，打造一(yi)個 AI Ready 的數(shu)據(ju)平臺。這(zhe)是(shi)一(yi)堆“臟(zang)活累(lei)活”，但誰(shui)先做好(hao)，誰(shui)就能在AI時代領先一(yi)步，真正讓(rang)數(shu)據(ju)成為(wei)生產力。
陶建輝
2025年國慶中(zhong)秋長假(jia)寫于北京(jing)望(wang)京(jing)
