共计 1204 个字符，预计需要花费 4 分钟才能阅读完成。
随着大模型从参数竞赛进入落地深水区,一个共识愈发清晰:AI 应用的瓶颈不在模型本身, 而在数据。2026 年的企业, 关心的已不是“AI 能做什么”, 而是“AI 凭什么能给出准确回答和可信决策”。答案只有一个: 数据。
然而, 绝大多数企业数据尚未做好准备。Gartner 预测, 到 2025 年 80% 的数据与分析计划将无法大规模创造业务价值, 数据孤岛和质量问题是核心障碍。企业在实际落地 AI 时, 模型训练和推理框架都就绪, 但一接上真实数据便问题频发。
📌 数据困境: 孤岛、语义混乱与实时性挑战
一家车企在推进 AI 问数项目时,尽管所有数据存放在同一云数据仓库, 但同一问题两次查询结果迥异。原因在于数据定义混乱: 不同部门对“订单”的理解不同——销售签合同算订单, 财务收款才算, 售后开始服务才算。AI 若不知用哪个定义, 结果自然不可信。
更棘手的是,数据量指数级增长 。IDC 预测 2026 年全球数据将超 220ZB。传统 ETL(抽取 - 转换 - 加载) 方式需将数据物理复制到集中仓库, 成本高、效率低。一家制造企业 IT 负责人算过账: 每复制一份数据, 存储、计算、运维成本叠加。而 AI 对实时性要求极高, 传统 T + 1 的数据搬运无法满足“即问即答”需求。
🔍 数据虚拟化: 不搬家也能用上全公司数据
在此背景下,数据虚拟化技术成为破局关键。与 ETL 不同, 它不物理复制数据, 而是在分散数据源上建立“逻辑层”。Denodo 大中华区总裁何巍比喻: 传统做法是把所有食材搬到一个中央厨房; 数据虚拟化则是保留食材在各自仓库, 只给厨师一张“地图”, 标明每种食材的位置和取用方法。
- 降低成本与延迟: 无需迁移数据, 避免复制带来的开销。Denodo 案例显示, 数据准备时间平均减少 67%, 处理整月数据从 8 小时缩至不到 30 分钟。
- 统一语义: 通过逻辑层预定义业务术语, 如明确财务订单与销售订单的区别,AI 在接收自然语言提问时, 语义层将其翻译为数据语言, 再由虚拟化层从各源获取正确数据。
- 精细安全与合规: 支持行级、列级权限控制; 原始数据可留原地不出境, 仅通过查询接口调用, 这对出海企业尤为重要。
数据虚拟化并非新概念,但近年才受关注, 根源在于企业数据环境复杂到传统方法无法承受。一家企业的数据可能分布在本地、多个公有云、SaaS、IoT 等数十个来源, 全部物理集中成本高昂且跟不上变化。
💡 行业观察:AI 时代的数据基础设施竞赛
AI 对数据的调用已从“一次一问”变为智能体自主发起数十次查询。数据的“可发现性”变得关键——智能体需要标准化的数据目录。Denodo 推出的 AI SDK 提供标准接口(如 MCP 协议), 让 AI 像调用 API 一样调用数据。
📊 总结: 数据中台不是敌人, 而是互补
围绕“AI 应用的“最后一公里”, 模型再强也绕不开数据困境丨 To”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
