工业AI为何难以落地?时序数据库给出新答案

工业 AI 的落地远比想象中复杂。 尽管企业积累了海量数据 , 但 AI 却常常“没饭吃”。天谋科技 CTO 乔嘉林指出, 问题不仅在于数据存储, 更在于如何让 AI 高效获取并理解这些数据。从多模态数据统一管理到 AI Ready 架构, 时序数据库正在成为工业智能化的关键一环。

📌 数据管理: 从数值到多模态的跨越

• 重点: 在工业领域, 数据库要做的事, 就是听懂这个世界每一台机器说的话。
• 重点: 当前公开信息主要集中在产品、策略或节奏变化上。
• 重点: 后续仍需关注官方更新、落地范围以及实际反馈。

传统时序数据库主要处理数值数据, 如温度、压力、电流等 。然而, 现代工业场景中, 语音、图片、视频等非结构化数据同样重要。例如, 分析飞机飞行姿态时, 需要同步对齐飞参数据、驾驶舱语音和机载视频。但数据分散在不同系统中, 导致分析前需大量人工搬运和拼装。

天谋科技提出 OBJECT 数据类型, 让数据库能够理解对象的内部结构 , 支持在库内直接提取特征, 避免了大对象传输的高昂成本。这一方案已在航空、气象、具身智能等领域落地, 实现了多模态数据的统一管理。

🔍 AI 的数据困境: 从“存得下”到“用得上”

过去, 时序数据库的核心任务是“存得下、查得到”。但如今, 企业希望数据能直接用于 AI 训练 。传统数据库支持点查询和少量统计分析, 而 AI 需要全量扫描和随机扫描, 负载量级完全不同。此外, 生产环境数据库通常隔离在内网, 限制数据导出和计算负载, 进一步阻碍了 AI 应用。

具身智能领域也不例外。 企业缺乏的并非正常行走数据 , 而是异常场景下的“稀有样本”, 如机器人摔倒、碰撞时的传感器记录。这些问题揭示了 AI 时代的数据挑战: 如何在不影响生产系统的前提下, 高效交付数据。

💡 行业观察: 数据规模≠AI 价值

Apache IoTDB 下载量超 1350 万次 , 管理数据超 100PB, 但数据规模和 AI 工具成熟度并不等同于模型效果。工业数据具有独特性, 每套装备都有其专属工况特征, 这些“独家记忆”是通用模型无法覆盖的。因此, 乔嘉林将时序模型分为三个层级: 基础模型、领域模型和场景模型, 通过后训练和场景适配, 逐步提升专业度。

📊 时序数据库的边界: 垂直还是全能?

面对时序数据库的未来, 乔嘉林强调应围绕场景需求 。有的场景需要高性能的数值吞吐, 有的则需多模态管理能力。关键在于控制复杂度, 不做多余功能, 这考验团队的判断力。从“存得下”到“查得快”, 再到“智能化”, 时序数据库正沿着清晰路径演进, 助力工业 AI 真正落地。