来源：   中国通信标准化协会大数据技术标准推进委员会（CCSA TC601,简称：数标委/BDC）

一、 数据平台智能化升级产业背景与发展动因

当前全球数字经济持续深化发展，人工智能技术逐步融入产业各环节，成为驱动产业提质增效的重要力量。数据平台作为企业数据汇聚、治理、加工与价值释放的核心基础设施，其对人工智能应用的支撑能力、技术软硬件适配兼容水平与安全合规能力，直接关系企业智能化转型的实际成效与数字竞争力构建。

在人工智能应用从试点验证逐步向规模化场景延伸、数据要素市场化改革纵深推进、信息技术应用创新与数据安全监管体系持续完善的多重背景下，智能化升级已成为数据平台长期发展的重要方向：对人工智能应用需求迫切、相关应用已融入核心生产流程的头部企业，数据平台智能化升级正从可选项转变为重点建设任务；对处于不同数字化阶段的广大企业而言，全栈式重构并非刚性要求，可结合自身发展基础，通过架构优化、功能扩展、轻量化订阅等多种方式，循序渐进提升平台对AI应用的支撑能力。

总体来看，企业数据平台正进入以智能适配为核心、以数据安全为底线、以支撑业务智能化为目标、以价值释放为导向的差异化升级阶段。

本章立足行业宏观发展环境，分析企业数据平台智能化建设面临的主要问题，研判产业发展趋势，为不同类型企业推进数据平台升级、探索适配自身的实施路径提供参考。

（一）人工智能技术演进推动能力升级，算力算法普惠凸显数据核心价值

人工智能技术迭代与产业竞争逻辑变化，共同推动数据平台的定位与能力边界持续演进。一方面，人工智能应用从辅助对话工具向具备自主执行能力的生产工具延伸，对数据平台提出全链路的新要求；另一方面，算力与算法逐步呈现普惠化、通用化特征，高质量的业务数据与行业数据日益成为企业构建AI差异化能力的核心要素，双重因素驱动数据平台从支撑人工分析决策，向同步支撑AI应用自动化处理的方向发展。

人工智能技术形态正在持续演进，应用模式从被动响应的对话工具，逐步向具备自主规划、工具调用与流程执行能力的方向升级。根据Gartner最新技术成熟度曲线，代理型人工智能（Agentic AI）正处于期望膨胀期顶峰，预计未来2-5年将逐步进入规模化生产应用阶段。随着人工智能应用成为企业智能化建设的核心载体，其对数据平台的实时多模态数据供给、向量检索、上下文信息管理、全流程自动化调度等能力提出了更高要求，也在深刻影响数据平台的设计思路与功能定位。传统数据平台以支撑人工报表查询、离线分析为主要设计目标，以结构化数据处理为主，缺少向量存储、多模态解析、自动化任务交互等专用能力，在人工智能规模化生产应用场景下存在明显的适配短板，这一问题在AI应用深入核心业务的企业中已逐步显现。

与此同时，人工智能三大核心要素中，算力与算法逐步呈现普惠化、通用化发展特征，产业竞争的侧重点逐步发生变化。算力层面，国内算力供给规模保持较快增长，“东数西算”工程与国产芯片技术持续迭代，推动算力从企业专属资源向标准化公共服务演进，企业无需自建大规模算力中心即可按需获取算力资源；算法层面，国内外基础大模型的通用能力差距逐步收窄，算法基座从企业专属核心壁垒向通用化工具转变，能力差异更多体现在垂直场景的深度适配与工程化落地上。当参数规模、算力投入带来的边际优势逐步收窄，高质量、高价值密度的企业私域数据与行业专属数据，成为企业构建AI核心竞争力的重要差异化要素。

（二）政策产业需求提升，数据平台智能化升级需求持续释放

从政策要求层面看，近年来国家先后出台《关于深入实施“人工智能+”行动的意见》《“人工智能+制造”专项行动实施意见》等一系列政策文件，明确提出培育智能原生新业态、推广人工智能应用、构建智能化基础设施的发展方向，提出加快人工智能在重点行业普及应用，明确到2027年重点领域新一代智能终端、智能化应用普及率超70%的发展目标。这些发展要求为数据平台的升级建设提供了方向指引与政策支撑。从顶层设计层面引导数据平台加快适配人工智能应用需求。

从产业发展层面看，随着人工智能在金融、政务、能源、制造、医疗等行业的应用不断深入，企业处理的数据形态从传统结构化数据，逐步扩展至文本、图像、音视频、向量、特征、模型等多种类型，数据处理规模与供给需求呈显著增长态势。但传统数据平台普遍缺少多模态数据统一管理、向量实时检索、特征统一调度等能力，行业内AI团队大量工作时间消耗在数据采集、清洗、标注等前置环节，拉长了模型训练与应用落地周期，“模型可用但高质量数据供给不足、智能化应用缺稳定数据支撑”成为产业推进AI规模化落地中较为突出的共性问题。

从企业转型层面看，智能化转型已成为企业提升核心竞争力的重要路径，数据平台作为数据供给、模型运行、智能化应用执行的核心枢纽，其架构适配性直接影响AI应用的落地效率与实际效果。传统企业数据平台围绕人工操作流程设计，与大模型、智能化应用的运行逻辑适配性不足，在AI应用逐步深入业务流程后，数据供给能力不匹配的问题逐步凸显。在此背景下，头部企业已率先启动数据平台的深度智能化升级；更多企业则结合自身发展阶段与业务需求，选择渐进式的能力补强路径，通过架构优化、功能扩展、旁路补充等多种方式逐步提升平台支撑能力，为智能化业务落地夯实数据基础。

二、 AI原生数据平台架构

（一）数据平台向AI原生演进

数据平台的发展历经数据仓库、大数据平台、湖仓一体阶段，当前正迈向面向AI应用的“AI原生数据平台”阶段。其演进并非单一技术的线性升级，而是围绕计算、供给、治理、消费四大核心维度的系统性能力迭代。

图 1 数据平台四大维度演进对比

数据仓库时代，以结构化事务处理为核心。以传统关系型数据库、企业级数据仓库为代表，解决了结构化业务数据集中存储与基础查询统计问题，支撑业务台账、固定报表等基础应用场景。关键技术包含关系型数据库、规范化数据建模等，计算层面采用单机CPU架构，无GPU、NPU等加速算力，仅可运行联机事务处理任务；供给层面仅管理结构化表单数据，数据类型单一，形成结构化数据孤岛；治理层面以字段定义为主要内容，仅满足机器解析需求，未建立统一业务语义；消费层面依靠SQL命令驱动查询，交互门槛较高。该阶段使用者以传统数据工程师、业务运维人员为主，交互方式以客户端手动编写查询语句为主，暂不具备复杂分析与AI场景支撑能力。

大数据平台时代，以海量数据离线分析为核心。以Hadoop生态为代表的大数据平台，以及后来的云数据仓库（如Snowflake），解决了海量数据（从TB到PB级）的存储和离线分析（OLAP）问题，支持商业智能（BI）报表、数据仓库等场景，从数据中提炼信息辅助人类决策。关键技术包括分布式文件系统（HDFS）、MapReduce计算模型、列式存储、MPP架构，计算层面升级为分布式CPU集群，但批处理与流处理相互隔离，无法统一调度；供给层面可承载半结构化数据，但数据仓库与数据湖架构分离，资产难以统一管控；治理层面转向业务指标管理，各系统指标口径不一，治理孤岛问题突出；消费层面以拖拽式BI工具、可视化看板为载体，用户仍需主动完成数据检索分析，属于被动式消费。用户主要是数据分析师、工程师和产品经理，交互方式为web操作和拖拽编排，整体架构仍存在明显割裂问题。

湖仓一体时代，以多源数据融合分析为核心。以湖仓融合架构为代表，打通数据湖与数据仓库的技术壁垒，兼顾海量多模态数据存储、离线与实时混合计算需求，支撑全域数据分析、实时业务监控、复杂多维报表等场景。关键技术涵盖统一元数据管理、实时计算引擎、混合存储架构等，计算层面开始并行部署CPU与GPU，但两类算力相互独立、缺乏统一调度，模型训练与推理流程割裂；供给层面拓展了文本、图像等多模态数据存储能力，但非结构化数据未纳入核心资产体系，湖仓底层壁垒尚未破除；治理层面实现数据表、视图的统一管理，但治理工作仍局限于数据本身，未搭建业务语义体系；消费层面搭建起统一数据视图，但依旧依赖用户主动查询，无法响应复杂业务意图。使用者以数据分析师、算法工程师、业务运营人员为主，交互方式以统一门户浏览、可视化拖拽分析为主，是向AI架构过渡的中间形态。

AI原生数据平台时代，以AI全链路应用赋能为核心。以新一代AI原生数据底座为代表，全面适配大模型训练推理、多智能体协同、智能决策等AI场景，为各类智能化应用提供全流程支撑。关键技术包括异构算力调度、向量数据库、知识图谱、语义治理、Agent编排引擎等，计算层面整合CPU、GPU、NPU等各类算力，实现异构资源统一调度、批流处理融合与训推流程一体化，打造弹性高效的算力底座；供给层面将数据、特征、向量、模型、Agent等统一列为核心资产，搭建全模态资产供给体系；治理层面依托知识图谱、本体引擎构建标准化业务语义层，实现人机、多智能体认知协同，有效规避AI幻觉等问题；消费层面以自然语言交互、AI Agent为核心，由智能体自主完成检索、分析、决策等工作，实现数据从被动检索向主动服务转变。平台服务对象覆盖技术人员、业务人员及各类AI智能体，交互方式以自然语言对话、智能体自动调度执行为主，真正建成AI就绪的数据底座。

数据平台的演进，本质上是从“面向数据处理”向“面向AI应用”的范式迁移。

各阶段的升级均围绕计算、供给、治理、消费四大维度协同推进：从单机算力走向异构协同调度，从结构化数据孤岛走向全模态资产融合，从基础字段管理走向业务语义协同治理，从传统命令操作走向意图与智能体驱动交互。

四大维度的同步升级，共同构建起面向AI时代的全链路支撑体系，为大模型、AI Agent等新一代AI应用落地筑牢核心数据底座。

（二）数据平台智能化升级的四大演进维度

1.计算维度：从CPU主导的静态算力配置向异构协同智能调度演进

计算模式正从传统以CPU为核心的批流分离、静态算力分配模式，向面向智能化应用的异构协同智能调度方向升级，实现从“CPU主导、静态分配”到“异构协同、智能调度”的重要演进。算力支撑的覆盖范围从传统数据处理延伸至模型训练、推理全流程，CPU+GPU+NPU异构资源池化，成为支撑智能化应用的核心算力底座。

传统数据平台的计算模式存在明显短板，难以充分适配智能化应用的算力需求。传统模式以CPU为核心算力载体，GPU、NPU等加速算力分散部署、各自独立，难以实现统一调度；计算架构采用批流分离设计，离线处理与实时计算脱节，数据处理、模型训练、推理部署各环节相互割裂，缺少特征工程、向量生成、检索增强等智能化计算算子；算力采用静态分配方式，数据处理脚本多依赖人工编写，业务响应效率偏低，难以满足智能化应用对大规模并行计算、训练推理一体化的算力要求。

AI原生数据平台的计算范式主要呈现三方面演进特征：

一是算力底座异构池化。构建CPU、GPU、NPU统一资源池，实现异构算力的融合调度与统一纳管，通过拓扑感知、显存池化等技术打破不同类型算力的资源孤岛，实现各类算力资源的协同调用，有效缓解传统模式下加速算力分散、协同效率偏低的问题，为智能化应用提供统一、弹性的算力资源支撑。

二是计算链路训推一体化。打造端到端的多范式统一执行流水线，实现训练推理一体与批流一体的协同执行。构建从数据预处理、向量生成、向量检索到模型推理的全链路流水线编排，打破离线处理、实时计算与模型训练推理的架构壁垒；同时集成特征工程、向量处理、检索增强等智能化计算算子，覆盖从数据加工到模型推理的全流程计算需求。

三是调度体系智能弹性化。建立负载驱动的弹性调度体系，实现算力资源的动态调整与自动扩缩容，同时支持跨云、跨集群、跨厂商的跨域资源协同调度。有效改善传统静态算力分配模式下资源利用率偏低、业务响应偏慢的问题，通过负载感知的弹性调度，兼顾算力资源的性能与成本，为智能化应用提供高效、全域协同的算力支撑。

2.供给维度：从结构化数据供给向全模态AI资产供给演进

供给维度是数据平台的核心资产承载层，决定了数据资源的存储范围、组织方式与供给效率，是支撑上层计算处理与业务应用的数据底座。供给模式正从传统湖仓一体架构下以结构化数据为主的供给形态，逐步向面向智能化应用的全品类资产一体化供给升级，实现从“被动批量同步”到“按需主动供给”的重要演进。存储管理对象从单一业务数据，扩展至数据、特征、向量、模型等全链路数据资产，为智能化应用提供更体系化的数据支撑。

传统湖仓一体架构的供给模式存在较为突出的局限性，难以充分适配智能化应用的全链路数据需求。一是资产覆盖范围有限，传统模式以结构化数据为核心管理对象，文本、图像、音视频等非结构化数据及向量、特征数据多依赖外挂系统存储，各类资产分散管理、重复存储，数据口径难以统一。二是供给能力适配不足，现有存储架构难以支撑检索增强类应用的高性能检索需求，也无法匹配训练推理一体化的存储要求；同时资产质量标准仅聚焦“准确、一致”，未形成统一的业务语义标准，难以支撑智能化应用的高效调用。三是供给模式相对被动，传统数据供给以人工触发的批量同步为主，响应周期长、灵活性不足，且服务对象仅面向人工用户，无法适配智能化应用自动调用、按需获取的运行特点。

AI原生数据平台供给范式，主要呈现三方面演进特征：

一是供给对象全域化。将数据、特征、向量、模型等各类数据资产全部纳入统一管理体系，依托统一存储引擎，融合主流开放表格式存储、向量索引与特征仓库能力，实现结构化数据、非结构化数据、向量数据的统一纳管，有效解决传统模式下多模态数据外挂部署、资产分散重复存储的问题，为智能化应用提供全类型资产供给支撑。

二是供给形态标准化。构建适配智能化应用的标准化资产供给体系，一方面通过智能分层存储技术实现热、温、冷数据的自动调度，兼顾运行性能与存储成本；另一方面支持实时数据同步、流式接入、事件驱动接口等多种接入方式，保障数据资产的实时更新与即时访问。同时资产质量要求在“准确、一致”的基础上，新增业务语义可理解标准，为智能化应用提供口径统一、语义清晰、可直接调用的高质量数据资产。

三是供给模式主动化。供给模式从传统被动式批量同步，向需求驱动的按需供给调度升级，支持智能化应用根据业务规则自动触发数据加工、查询与更新流程，实现资产供给的主动化、自动化。服务对象从仅面向人工用户，扩展为人工用户与智能化应用双主体，为业务人员数据分析、模型训练推理、智能化应用协同运行提供差异化的资产供给服务，打通从数据资产到智能化应用的全链路供给通道。

3.治理维度：从字段级格式治理向全域语义协同与内生安全治理演进

治理维度是数据平台的规则与安全保障体系，覆盖数据资产全生命周期管理，决定了平台运行的规范性、一致性与安全可控水平。治理模式正从传统以机器适配为核心的字段级、事后式治理，向以语义统一为核心的全资产、内生式治理方向演进，实现从“格式统一+边界防御”到“语义协同+内生安全”的重要升级，为解决跨系统业务语义偏差、提升全域协同效率与安全保障能力提供支撑。

传统数据平台的治理模式存在较为突出的局限性，难以充分适配智能化应用场景下的协同与安全保障需求。一是语义治理深度不足，传统治理聚焦数据格式标准化与字段级规范，语义标准仅关注格式层面的统一，跨系统间对业务含义的理解存在偏差，难以支撑跨体系的协同应用。二是治理覆盖与机制滞后，治理范围主要集中在结构化数据，未将特征、向量、模型等新型数据资产纳入统一治理范畴；治理流程以人工脚本、事后补救为主，缺乏自动化、前置化管控能力；同时业务知识多以文档形式沉淀，未实现结构化转化，难以被系统自动识别与复用。三是安全防护模式被动，传统安全体系以边界防御为核心，难以有效应对恶意指令注入、模型资产窃取、自动化应用越权操作等新型安全风险，无法形成覆盖全链路的纵深防护能力。

AI原生数据平台治理范式，主要呈现三方面演进特征：

一是语义体系统一构建。搭建统一的业务语义规范体系，建立覆盖数据、模型、业务场景的标准化语义口径，实现跨系统、跨应用的业务语义对齐，有效缓解跨主体认知偏差问题。治理范围从结构化数据拓展至特征、向量、模型、交互规则等全类型资产，通过人机协同的自动化治理模式，实现资产自动标注、问题自动检测与合规审计，从源头减少语义理解偏差。

二是协同机制规范统一。构建标准化的人机交互语义规范与多系统交互协议，明确人工用户、数据系统与智能化应用之间的交互规则与信息传递标准，支持多类智能化应用之间的任务分工、信息共享与流程协同，打通人机交互的语义壁垒，让人工与系统在统一的业务语言体系下开展协作，实现全域协同治理。

三是安全防护内生升级。以业务知识图谱与语义体系为核心，构建输出内容校验机制，通过标准化业务知识的结构化沉淀与关联校验，减少模型生成内容与业务事实的偏差；同时建立全域内生安全防护体系，形成数据层动态脱敏、模型层流程可信、应用层行为闭环的三层纵深防御，有效应对恶意指令注入、模型资产窃取、智能化应用越权操作等新型安全风险，实现全链路的安全可信治理。

4.消费维度：从指令驱动查询向意图驱动服务演进

消费维度聚焦数据资产从取用分析到价值转化的全链路环节，是数据平台价值输出的核心体现。数据消费模式正从以人工查询为核心的被动响应形态，逐步向以业务意图为核心的主动服务形态升级，实现从业务驱动、被动取用向意图驱动、主动服务的转变，有效打通数据价值从洞察到落地的完整链路。

传统数据平台的消费模式存在较为突出的局限性，制约了数据价值的深度释放与业务赋能。一方面，传统模式以人工为核心消费主体，依赖用户主动发起查询、检索与分析操作，要求使用者熟知数据口径、存储位置与分析逻辑，高度依赖技术人员与专业分析师，普通业务人员自主完成数据消费的门槛较高。另一方面，传统被动消费模式仅能响应用户明确、具象的查询需求，交互形式以结构化指令为主，难以感知潜在业务场景与隐性诉求，数据消费基本停留在被动辅助决策层面，大量数据资产价值长期未能充分释放，普遍存在数据存量持续增长、价值落地效率偏低的问题。

AI原生数据平台在数据消费模式上，围绕交互方式、取用主体、价值链路三个方向持续升级，核心变化体现为三点：

一是交互入口自然化。以自然语言为核心交互入口，依托语义理解技术，支持用户通过日常表述发起数据查询、报表生成、业务分析等各类数据取用需求，无需手动编写代码或SQL语句。同时平台支持多轮连续对话，具备上下文记忆能力，可留存历史查询条件与业务背景信息，用户无需重复补充前提，即可基于对话脉络逐步细化分析维度。例如用户依次查询“本月全国销售情况”“去年同期数据对比及差异原因分析”，平台可连贯承接需求，持续输出对应分析结果。

二是消费主体多元化。数据消费的主体从单一人工用户，拓展为“人工用户+智能化应用”双主体并行模式，智能化应用成为数据取用的重要参与方。平台可为各类业务智能化应用提供标准化的数据调用、权限管控与任务调度能力，支撑其根据既定业务规则，自主完成数据检索、趋势分析、风险研判等常态化工作。例如在供应链场景中，智能化分析应用可自动调取库存、销售、物流、生产等多维度数据，预判缺货风险并生成补货方案，大幅减少人工重复操作，提升业务响应效率。

三是价值链路闭环化。数据价值从单一辅助人工决策，向意图驱动、主动服务的全链路闭环延伸。平台可结合业务场景与运行规则，主动识别数据异常、业务趋势与潜在风险，自动生成分析结论与预警信息并定向推送；同时打破数据仅停留在决策参考层面的局限，推动数据洞察直接联动业务流程，转化为自动化执行动作。例如在客户运营场景中，智能化应用可依托多源数据识别高流失风险客户，自动生成挽留策略，并触发客户触达、任务派发等后续操作，推动数据价值直接落地到业务执行环节。

（三）AI原生数据平台概念定义与技术架构

 AI原生数据平台是一个以“人+AI”为核心用户，通过自然语言交互理解用户意图，将数据资产封装为可调用的业务技能，并围绕具体任务自动编排执行路径，最终实现从数据到结果闭环的智能基础设施。

图 2 AI原生数据平台技术架构图

AI原生数据平台不再是传统数据湖+数仓+BI的简单堆叠，而是以统一语义为底座、以异构算力为引擎、以多模态资产同源存储为载体、以智能治理和数据服务为中枢、面向大模型与Agent原生适配的新一代分层技术架构。各层级协同联动实现数据到智能应用的全流程闭环，图2展示了典型的AI原生数据平台架构，纵向6层+横向2层。具体分层介绍如下：

一是支撑层：为AI原生数据平台提供算力与云原生基础保障，是平台运行的底层底座。算力资源实现CPU/GPU/NPU统一调度与弹性扩缩容，云基础设施提供容器编排、存算分离等云原生能力，为上层所有组件提供稳定、弹性的运行支撑。

二是存储接入层：以多模态资产同源存储为载体，构建适配AI场景的异构数据存储体系。提供湖仓一体、数据湖、向量数据库、特征仓库、模型仓库等多元存储形态，实现结构化数据、非结构化数据、向量数据及模型资产的统一存储与管理，为多模态数据处理和大模型应用提供高效、灵活的数据底座。

三是计算处理层：以异构算力为引擎，提供面向AI原生场景的统一计算与多模态处理能力。统一计算引擎整合批流处理、实时计算、向量检索及大模型训练推理能力，多模态处理引擎实现语义解析、智能清洗、信息抽取与多模态融合加工，支撑从数据处理到模型推理的全链路计算需求。

四是开发层：以低代码与AI协同开发为核心，面向AI原生数据应用提供全链路开发、编排与交互支撑能力。低代码工具集成NL指令、可视化拖拽能力，简化数据应用构建流程；Agent编排框架整合任务规划、上下文装配、Prompt编排、DAG调度及A2A路由，实现多智能体协同；自然语言交互入口支持NL2SQL、问答与对话式分析，打通业务意图到数据操作链路；数据IDE提供一体化开发环境，支撑从应用构建到Agent调试的全流程开发运维。

五是服务层：以标准化接口与组件化服务为核心，为AI原生数据平台提供统一访问、运行支撑与协同调度能力。数据查询API支持多协议查询，模型推理网关实现模型服务统一路由，知识检索API支撑检索生成与图谱查询，开发者接口提供CLI/SDK工具链；Agent Runtime保障任务安全执行与状态管理，工具中心MCP实现工具注册调用，事件总线同步资产变更，数据集/标注API支撑训练推理标注流程，构建全栈服务体系，为上层提供稳定标准化底层支撑。

六是应用层：面向“人+AI”核心用户，提供从数据到结果闭环的智能数据应用。覆盖BI/ChatBI、报表、Copilot、多模态检索、智能知识图谱、智能客服等场景，通过自然语言交互降低数据使用门槛，为用户提供直观、智能的数据消费与决策支持服务。

七是治理层：作为平台准则规范与智能治理中枢，统筹全局语义定义与资产管控工作。依托业务本体、术语规范搭建统一语义体系，形成标准化交互协议，统一全域认知口径。同时开展多模态数据资产全生命周期可信管理，具备分类分级、数据血缘、语义溯源、多模态元数据管控能力，借助元数据自动同步、跨引擎协同治理方式，确保数据准确一致、流转全程可追溯，为AI应用夯实高质量可信数据底座。

八是安全运营体系：为平台提供全链路安全管控与智能运维保障。包含细粒度权限控制、智能诊断与Agent行为审计能力，实现数据访问的权限管控、平台运行状态的智能监控及Agent行为的全程审计，保障平台数据安全、运行稳定与行为可追溯。

AI原生数据平台标准方面，已初步构建覆盖平台建设、成熟评估、多模态与非结构化数据的五项标准体系，并基于五项标准同步开展测评。

联系人：

刘老师 18513676848 liuyanmei@caict.ac.cn

相关链接：AI原生数据平台研究报告：提出“计算、供给、治理、消费”四大演进维度，构建“纵向六层+横向两层”的分层技术架构，总结海外3类典型范式与国内本土化建设特色 

关注 中国通信标准化协会大数据技术标准推进委员会（CCSA TC601,简称：数标委/BDC）公众号”大数据技术标准推进委员会“或“智慧城市行业分析”公众号输入关键词“AI原生数据平台”，下载报告