以下文章來源於第一新聲，作者第一新聲
十多年前，寧海元還是阿里巴巴內部負責天貓雙十一數據庫保障的技術負責人。零點流量洪峯之下，他和團隊要確保每一筆訂單、每一筆支付都能被系統準確接住——背後依賴的，是一整套可信、可流轉的數據體系。
從搭建當時亞洲最大的 Oracle RAC 集羣，到主導參與淘寶“去 IOE”，再到把分佈式數據平台對外商業化，這段經歷在很大程度上塑造了他今天對 AI 的判斷：
真正決定智能應用上限的，不是模型本身，而是它腳下的數據地基。
2015 年，他離開阿里，聯合創立袋鼠雲，選擇從“數據基礎設施”切入。十年時間，袋鼠雲從一家做數據中台的技術公司，演化為圍繞“多模態數據智能中台”的“一體兩翼”格局：
“一體”：多模態數據智能中台（由大數據底座平台+多模態數據中台 構成），負責把數據變成穩定、統一、可調用的生產要素；
“兩翼”：數據智能引擎與空間智能引擎，一翼落在經營與決策，一翼伸向物理空間與數字孿生。
在 AI Agent 被視為新一輪產業窗口的時間點上，本期第一新聲專訪袋鼠雲 CEO 寧海元 ，這家成立十年的大數據基礎軟件公司，正在給出自己的答案。
01 AI 熱潮之後，回到“數據 + 智能”的長期結構
當前 ，從內容生成到行業解決方案 ，全球AI 生態正迎來爆發式增長。據第一新聲智庫報告預測 ，2025 年企業級 AI Agent 應用市場規模將達到 232 億元 ，2023-2027 年複合增長率高達 120%。各行各業對 AI的關注度與投入規模呈指數級攀升 ，但在“熱度”之外，一個殘酷的事實是：真正落地到業務、形成穩定產出的 AI 項目，並沒有想象中那麼多。
寧海元在訪談中提到，今年不少 CIO 都向他表達類似的焦慮：一方面，業務高層對 AI 抱有極高期待，希望“接入一個大模型，就能盤活一批難題”；另一方面，當部門把幾百條 AI 場景寫進 Excel 後，技術團隊會很快意識到——大部分場景卡的不是模型能力，而是數據基礎。
在他看來，這一輪企業級 AI 應用的瓶頸，與十年前數據中台剛興起時的情況有相似之處：
- 企業 IT 建設長期遵循“按部門/項目上系統”的邏輯，ERP、CRM、SCM、MES 各自為政，形成一個個“數據煙囱”；
- 不同系統背後，對同一個業務事實往往有不同的口徑和算法，一個簡單的 GMV 指標，在市場、財務等不同部門眼裏有不同的理解；
- 大量文本、圖片、語音、視頻等非結構化數據，要麼從未被採集，要麼只是“堆在存儲裏”，沒有進入經營分析和決策鏈路。
在傳統 BI 階段，這些問題往往還“勉強可用”——頂多是報表口徑對不上、溝通成本上升。但當企業希望把 AI 用在客户經營等核心決策時，數據的分散、口徑的混亂、流轉的高成本，再疊加信創環境下複雜的技術棧，迅速抬高了 AI 落地門檻。
“很多老闆會天然認為，大模型出來了，是否可以順便把原來信息化、數字化沒解決的問題一併解決掉。”寧海元説，“但如果數據本身不規範，也不能實時反映業務現狀，再強的模型也只能停留在演示層面。”
在他給出的框架中，企業要真正進入“AI 應用期”，至少要先回答一個問題：自己的數據是不是已經達到了 AI Ready 的狀態。
所謂 AI Ready 數據，在寧海元看來至少有兩點：
- 規範性——也就是業務語義層面的統一。企業內部要有一套相對穩定的指標與數據標準體系，明確“同一件事在不同系統裏是什麼含義”；
-
實時性——數據能夠儘量及時地反映業務狀態，而不是始終滯後一個結算週期、一個賬期甚至更久。“有足夠豐富的原始數據，再加上一套統一語義的業務數據，在這個基礎之上去用 AI 做推理，才有可能支撐穩健的企業級應用。”寧海元總結道。
02 “數據地基”只是起點：從結構化到多模態的 AI Ready
如果把 AI 看作一座“塔”，那數據地基只是基礎層。而對許多中國企業來説，這塊地基的建設還處在不同階段。
寧海元的觀察是：
對一些傳統制造、能源礦產企業來説，第一步仍然是完成結構化數據的“上雲和入庫”——把散落在紙質單據、Excel、局部系統裏的經營數據，統一採集和存儲；
對於頭部製造業、金融業、互聯網等數字化程度更高的企業，結構化數據平台已經相對成熟，新的挑戰更集中在：如何把會議紀要、郵件、客服對話、設備圖片、文檔規範等非結構化數據納入治理與分析體系。
“結構化數據這條線，中國市場其實已經教育了二十多年，從數據倉庫到數據中台，技術能力和人才體系都比較成熟。難的反而是非結構化數據。”寧海元説。
在 AI 視角下，“數據地基”的內涵也在發生變化：
從對象上看，從單一結構化數據擴展到結構化 + 半結構化 + 非結構化的全模態數據；
從能力上看，從採集-存儲-計算，擴展到採集-治理-語義建模-安全合規-多模態融合；
從目標上看，從“為 BI 報表供數”，轉向“為 AI 推理與 Agent 應用持續供給高質量語料”。
因此，袋鼠雲在對外表述中，把“數據地基”視為 AI Ready 的前提，而不是終點——真正支撐企業未來十年智能化演進的，是建立在其上的多模態數據智能中台。
03 站在 Data+AI 交匯點上 ，袋鼠雲是怎麼做的？
袋鼠雲的產品路徑可以概括為：從數據中台走向多模態數據智能中台。
2016 年，袋鼠雲正式推出自研數據中台產品“數棧”，基於開源技術棧構建分佈式存儲、離線與實時計算、元數據管理等能力。與不少“從平台起步”的創業路徑不同，袋鼠雲在早期就做了兩個決定：
- 底層堅持開放生態，基於 Spark、Flink 等主流開源框架演進，不鎖定在某個私有技術棧；
- 把主要研發資源壓在“中間層”，也就是數據中台本身，而非把精力過多投入到底層引擎“重複造輪子”。
這一選擇，使得它在後續幾年裏，能更快適配不同行業、不同規模客户的異構環境——包括國產大數據平台、金融行業的專有集羣、大型互聯網公司的混合架構等，在實踐中逐步形成了“模塊化、插件化”的產品形態。
進入大模型時代後，袋鼠雲在原有中台之上，明確提出了“多模態數據智能中台”的產品方向：
從產品結構看，它由多模態數據中台 + 大數據底座平台構成，前者解決“管什麼、怎麼管”，後者解決“放在哪裏、怎麼算”；
從能力邊界看，它不僅要承接企業所有結構化數據，還要統一接入 IoT 時序數據、日誌、文本、音視頻等多模態數據，並通過統一元數據體系打通；
從位置上看，它面向的不只是 BI 報表和傳統分析，而是主動對接大模型平台、Agent 平台，成為 Data+AI 的“中樞層”。
圍繞這個“中樞層”，寧海元給出了三層協同路徑：
- Data for AI：通過數棧多模態數據智能中台，把企業內多源數據整合為統一、規範、帶語義標籤的數據資產；為大模型的精調、RAG 以及企業場景推理提供可控、可追溯的數據供給。
- AI for Data：利用大模型能力輔助數據開發與治理，包括自動生成數據任務、輔助排查數據質量問題、自動梳理血緣等；通過內置的“靈瞳”智能體，提供 SQL 編程助手、任務調度助手、運維助手、治理助手等，提高數據團隊生產力。
- AI for Agent / AI for Business：在上層對接 AI Works 等 Agent 開發應用平台，把中台能力以 API、數據服務、特徵服務等形式暴露給各類智能體；支撐企業圍繞運營分析、經營監控、流程協同等場景構建業務 Agent。
寧海元認為，多模態數據智能中台的價值，不在於重新包裝“數據中台”概念，而在於為 AI 時代重構數據基礎設施。
從銀行、證券到製造、零售，再到能源和礦業，數棧已經在上千家客户中經過驗證——這既是袋鼠雲接下來十年戰略的底氣，也是一體兩翼能夠展開的前提。
04 “兩翼”：數據智能 + 空間智能，與企業未來十年同行
如果説“多模態數據智能中台”是一體，那麼“兩翼”則是袋鼠雲回答“基礎軟件如何體現應用價值”的方式。
數據智能：從“看報表”到“對話數據”
在數據智能方向，袋鼠雲主要通過 AIWorks（智能體開發應用平台） 和 AIMetrics（智能指標平台） 兩條產品線展開。
AIWorks 作為企業級 Agent 平台，提供多模型接入、知識庫管理、工作流編排、監控與治理等通用能力，幫助客户在一個統一環境中構建和管理各類業務智能體；
AIMetrics 則聚焦“數據+指標”這一經典企業場景，通過自然語言問答、自動圖表與結論生成、異常波動監測與歸因、權限與多端協同等能力，讓管理者可以“直接向指標提問”，降低數據分析門檻。
在寧海元的設想中，數據智能引擎既是多模態數據智能中台的“前台展示”，也是未來企業 Data Agent 形態的實驗場。它不會替代所有 BI 和分析工具，但會在越來越多的場景中承擔“第一交互界面”的角色。
空間智能：從經營管理走向物理空間治理
相比數據智能，空間智能是袋鼠雲這幾年推動得更早也更“前沿”的方向之一。
通過易知微旗下的EasyModel、EasyTwin、EasyV 等產品，他們在城市治理、園區運營、工業現場、文旅景區等領域積累了大量數字孿生實踐。
在寧海元看來，企業要解決的從來不只是“經營問題”，很多時候也是“物理空間的治理問題”。傳統數字孿生的最大障礙在於建模成本高。過去要做一套 3D 場景，往往需要大量人工建模與數據採集投入，很難規模複製。隨着 3D Gaussian（3D高斯） 等新一代空間重建技術成熟，基於照片、激光點雲即可自動重建 3D 場景，成本和週期大幅下降，也為空間智能帶來了新的可能性。
在產品層面，袋鼠雲將 3DGS 能力集成到 EasyModel 和 EasyTwin 中：
前者聚焦數字空間底座生產，實現多源空間數據的統一生產、管理與版本控制；
後者聚焦仿真與渲染，將空間數據與業務數據結合，支持運行監控、應急演練、能耗管理等場景。
當多模態數據智能中台與空間智能引擎打通後，“數據智能”與“空間智能”開始形成互補：經營數據可以映射到空間對象，空間事件又能迴流為經營指標，這也是袋鼠雲近兩年在城市、能源、製造等行業頻繁佈局的方向。
05 從本土深耕到全球化佈局，袋鼠雲的出海“三步走”
無論是數據中台還是多模態數據智能中台，本質上都屬於“重投入、長週期”的基礎軟件賽道。
如何在保證產品路線足夠長期的同時，找到可持續的商業路徑，是所有廠商必須回答的問題。
在國內，袋鼠雲經歷了從與阿里雲 OEM 合作，到深耕金融、能源、製造等行業，再到形成“產品 + 夥伴生態”的路徑；
在全球化上，它則選擇了一條相對務實的“三步走”：
- 服務中國企業出海——圍繞數據合規、本地化部署、多雲環境適配等剛需，幫助中國企業在東南亞、中東、歐洲等地搭建本地數據與 AI 基礎設施；
- 服務海外華人企業——利用對中國供應鏈、產業鏈的理解，支持跨境業務中對數據流轉與風控的需求；
-
逐步拓展本地客户——在關鍵節點市場形成交付與產品支撐能力，走向真正意義上的全球化基礎軟件公司。目前，袋鼠雲已經在香港設立公司，作為承接中國市場與海外市場的重要支點：既為中國企業出海提供更靈活的合規與部署選項，也為面向本地客户的服務打下基礎。
06 從“做產品”到“做長期基礎設施”
縱觀袋鼠雲這一輪戰略升級，可以看到一條清晰的軌跡：
從“做某一代技術產品”，轉向“做 Data+AI 時代長期需要的基礎設施”。
多模態數據智能中台 回答的是：在未來十年裏，企業如何把越來越多元的業務數據，持續沉澱為面向 AI 的、可治理的資產；
數據智能引擎與空間智能引擎 回答的是：企業如何在報表分析、Agent 應用、數字孿生和空間智能等場景中，把 Data+AI 變成可感知、可複用的生產力；
出海三步走則試圖回答：當 AI 成為新的“通用技術”時，中國的基礎軟件公司如何參與構建全球產業的底層範式。
在很多人眼裏，2025 年是企業 Agent 的“元年”；
但在寧海元的視角里，“元年”意味着至少十年的長跑週期，而不是一波風口。
他的邏輯很樸素：
每一輪生產力技術要真正改變生產關係，週期都不會短；
今天的 Agent 更像是“新物種剛剛孵化”，要經歷從單點場景、部門級試點，到組織級、集團級的漫長進化。
在這場漫長的技術與產業共振中，袋鼠雲選擇了一條不算“短平快”的路：
把自己定位為產業智能化的基礎設施提供方。至於這條路能走多遠，最終會交給時間和市場去檢驗。但至少在圍繞 Data+AI 重構基礎設施這件事上，袋鼠雲已經把自己的位置和路線，畫得足夠清晰。
