工业 AI 的关键战场，正在从模型转向数据基础设施

如果说过去十年，制造业数字化解决的是“看得见”的问题，那么今天工业人工智能正在解决的，是“看得懂、能判断、会行动”。这看似只是从数字化迈向智能化的一步，背后却是一场底层基础设施的重构。

过去，企业建设数据平台，核心是汇聚、治理和管理数据，让人能够查询和分析；随着大模型和智能体进入工业生产，数据的“消费者”正在从人转向机器。机器不仅需要读取数据，更需要理解数据背后的业务含义；不仅需要获取设备信息，更需要融合设备状态、工艺参数、历史经验和实时环境，形成判断并执行行动。

因此，工业 AI 的核心挑战已不只是拥有更多数据，而是能否构建让数据被 AI 理解、调用和持续利用的能力。面向智能生产，企业需要的不再是传统数据平台，而是支撑 AI 规模化落地的新一代 AI 数据基础设施。

让 AI 真正理解工业物理世界

当 AI 真正走进工厂，一个关键问题正在浮现：AI 如何真正理解工业世界？

工业世界与消费互联网有着完全不同的数据逻辑。在互联网场景中，文本、图片、行为数据相对标准化，大模型可以通过海量数据学习人类语言和行为规律。但在工业场景中，数据来自复杂的生产系统，包括 PLC、SCADA、MES、ERP、DCS、设备传感器、质量检测系统等，同时涵盖结构化数据、时序数据、图像、视频、声音、工艺文档等多种类型。

这些数据并不是简单的信息记录，而是蕴含着生产过程中的知识和规律。一个设备温度变化、一条报警信息、一段振动曲线，如果脱离设备状态、工艺参数、运行环境和历史经验，很难被准确理解。对于工业 AI 而言，真正有价值的问题并不是“看到了什么数据”，而是“知道这些数据意味着什么”。

让 AI 理解工业，关键在于让工业数据具备 AI 能够理解和使用的能力。因此，工业 AI 的落地需要一套面向 AI 时代的新型数据基础设施。这套基础设施需要连接生产现场的数据、企业知识体系和 AI 模型能力，通过数据治理、语义理解、高质量数据集建设和持续反馈，让原本分散的数据资源转化为 AI 可用的智能资产。

未来的工业智能化，将形成这样的闭环：

工业数据沉淀 → 高质量数据加工 → 模型理解与推理 → 智能体执行任务 → 业务反馈持续优化。

在这个过程中，数据基础设施不再只是数据存储和管理的平台，而成为 AI能力持续产生和演进的底座。工业 AI 的竞争，最终将落在谁能让 AI 更懂工业、让数据真正服务生产。只有构建强大的 AI 数据基础设施，企业才能把几十年积累的工业数据转化为可持续创造价值的智能生产力。

全球信号：AI数据基础设施成为新增长赛道

随着 AI 从技术探索走向产业应用，数据基础设施的价值正在被重新定义。过去，数据平台主要解决数据汇聚、治理和分析问题；进入大模型和智能体时代，数据基础设施开始承担连接数据、模型与智能应用的关键角色，成为 AI 能力规模化落地的基础。

全球市场已经释放出明确信号。以 Databricks 为代表的数据与 AI 平台企业持续获得资本青睐——从 2025 年末融资时的 1340 亿美元估值，到 2026 年 8 月完成 50 亿美元战略融资后估值飙升至 1900 亿美元，半年涨幅约 42%。同期，其年化收入运行率突破 70 亿美元，同比增长超过 80%。资本追捧的背后，是市场对 Data & AI 基础设施长期空间的认可。据 QYResearch 数据，全球湖仓一体市场规模预计从 2025 年的 140 亿美元增长至2032 年的 603 亿美元，年复合增长率达 23.2%。

这一趋势在工业领域更加明显。据 Stratistics MRC 数据，全球工业 AI 市场规模 2026 年预计达到 445 亿美元，到 2034 年将增至 1903 亿美元，年复合增长率 19.2%。制造、能源等行业积累了海量生产数据，但这些数据长期分散在不同系统中。对于工业 AI 而言，真正的挑战不是缺少数据，而是如何让数据被理解、被调用，并转化为模型和智能体可用的生产资料。

因此，工业 AI 的竞争正在从模型能力延伸到数据基础设施能力。

中国路径：从数据底座到智能底座

作为中国 AI 数据基础设施领域的重要力量，科杰科技正在推动企业数据从“可管理资源”向“AI 可用资产”演进。

人工智能正在推动全球技术架构进入新的演进阶段。过去，企业建设数据平台，主要解决数据汇聚、治理和分析问题；随着大模型和智能体快速发展，数据基础设施正在进一步支撑 AI 训练、推理和智能应用，成为释放 AI 价值的关键底座。

这一趋势在全球已经形成清晰路径。以 Databricks 为代表的新一代数据与 AI 平台，推动 Lakehouse 从数据管理架构向 Data + AI 一体化平台演进，将数据工程、治理、机器学习和生成式 AI 能力融合到统一体系，让企业数据真正成为 AI 可利用的智能资产。

在中国工业场景中，这一演进面临更复杂的挑战。制造、能源、交通等行业长期积累了大量生产数据，这些数据分布在不同系统中，既包含业务数据，也包括设备时序、工业视觉、语音、文档和专业知识。如何让这些数据被 AI 理解、调用并持续产生价值，成为工业智能化落地的关键。

科杰科技基于工业场景需求，探索 AI-in-Lakehouse 智能原生架构，将湖仓一体、多模态数据处理、高质量数据集建设以及 AI 训推能力融合到统一底座中，推动工业数据基础设施从传统数据管理向 AI 原生演进。

围绕这一架构，科杰科技构建了从数据到智能的产品体系：以 KeenData Lakehouse 多模态湖仓平台为核心，提供多模态数据治理、计算和 AI 数据支撑能力；进一步延伸至 KeenData Agentic Lakehouse Platform 智能底座，连接高质量数据集、AI 开发与智能体运行能力；并通过 Keen Agentic OS 智能体开发操作系统，支撑企业构建面向业务场景的智能体应用。

这一体系的核心价值，在于打通企业数据、知识、模型与业务之间的连接，让长期沉淀的数据资产真正转化为 AI 能够理解、调用和持续优化的生产资料。

在能源领域，科杰科技已将这一技术路径应用于大型工业场景。

以石化行业为例，企业长期积累了设备、工艺、生产、质量等海量数据，但数据分散、知识难沉淀，限制了 AI 在生产环节的深入应用。科杰科技通过 KeenData Lakehouse 多模态湖仓平台，对工业数据进行统一治理和智能加工，并进一步连接 KeenData Agentic Lakehouse Platform 与 Keen Agentic OS，支撑从数据治理、高质量数据集建设到智能体运行的完整链路。

这一实践的核心价值在于：让沉淀多年的工业数据真正成为 AI 可理解、可调用、可持续优化的智能资产。

从 Databricks 推动 Lakehouse 向 Data + AI 平台演进，到科杰科技基于 AI-in-Lakehouse 打造 AI 数据基础设施，两条路径最终指向同一个方向：

让数据成为 AI 的生产资料，让基础设施成为释放 AI 价值的核心底座。

结 语

因此，工业 AI 的下一场竞争，并不只是“谁拥有更强的模型”，也不只是“谁部署更多 Agent”。

真正决定企业智能化能力上限的，是能否构建一套让数据、知识、模型与业务深度融合的基础体系。

科杰科技正在探索的，正是这一方向。从湖仓一体，到 AI-in-Lakehouse 智能原生架构；从数据治理，到高质量数据集构建；从数据底座，到 Agent 运行支撑；从“管理数据”，到“生产智能”。

这背后，是企业数据基础设施的一次升级。未来，AI 不只是一个应用工具，而将成为深入生产流程、持续学习优化、创造业务价值的智能生产力。而支撑这一切的关键，就是面向 AI 时代的新一代数据基础设施。