近日，AI“頂流”學者李飛飛的最新長文《從語言到世界：空間智能是人工智能的下一個前沿》刷屏時，整個科技圈再次被“升維”的焦慮擊中。她指出，AI的下一個前沿是“空間智能”——讓AI真正理解和交互物理世界。她將其稱為“世界模型”（World Models），並強調了其三大核心能力：生成性、交互性，以及至關重要的多模態性。
而在企業數字化與智能化落地的場景中，這種多模態能力正是實現AI價值的關鍵前提。企業的數據不僅限於文本或結構化報表，還包括圖像、視頻、傳感器數據等多種形式，呈現出天然的多模態特徵。傳統的數據平台往往難以統一管理和高效利用這些異構數據，限制了AI應用的深度和廣度。本文將深入探討企業在AI時代面臨的數據挑戰，並結合袋鼠雲的實踐，解析如何通過構建從大數據底座平台到多模態數據中台，真正激活企業的數據應用業務價值。
企業級 AI 應用挑戰
大模型時代的到來，推動了AI應用的百花齊放，從生成視頻、圖片、PPT到智能會議和Chatbot等場景，都依賴數據作為底層支撐。然而，企業級AI應用面臨多重挑戰，這些問題源於數據從結構化向多模態的演變，以及傳統數據平台的侷限性。
首先，數據規模與模態的爆炸式變化是核心痛點。傳統數據主要以結構化形式存在（如表格、數據庫），但AI時代要求數據從穩定增長轉向爆炸增長，從單模態轉向多模態（包括圖片、視頻、音頻、文檔等）。例如，在汽車行業，車輛信息表、傳感器日誌和高精地圖矢量等數據並存；在電商領域，用户評論、商品圖片和直播視頻混合使用。這種多模態數據導致數據關聯性從獨立轉向結構化關聯，實時性從離線處理轉向動態實時，安全性從弱管控轉向強管控。同時，數據質量要求從準確完整轉向真實高覆蓋，企業需處理海量非結構化數據，但傳統平台難以統一採集和存儲，導致數據孤島問題加劇。
其次，隱性知識未沉澱和效率瓶頸制約AI落地。企業內部存在大量“Know-how”，如資深工程師的故障排查經驗或銷售專家的溝通技巧，這些知識往往未被系統記錄，導致AI訓練數據不完整。傳統BI工具依賴固定報表，無法滿足敏捷、即時洞察需求，用户需跨系統調取數據，分析效率低下。此外，資源管理挑戰突出：數據分散在關係型數據庫、文件服務器和對象存儲中，開發平台分離（結構化用離線/實時平台，非結構化用算法平台），上手門檻高，權限管理不統一，引發安全風險。
最後，政策與技術兼容性問題凸顯。國家政策如《“數據要素×”三年行動計劃》強調數據要素的放大作用，但企業面臨國產信創要求（如兼容麒麟、統信OS和達夢數據庫），原有Hadoop集羣遷移複雜，AI算法與國產硬件適配難。這些挑戰如果未解決，將阻礙AI從模型訓練上半場轉向真實場景評估下半場，企業難以實現數據驅動的智能化轉型。
袋鼠雲多模態數據智能中台設計理念與架構
面對挑戰，袋鼠雲的解法是構建一個“Data + Compute + Intelligence 一體化” 的AI Ready數據底座 。這個底座的演進分為兩個核心階段：首先是構建堅實的新一代國產化大數據底座平台（EasyMR），其次是實現AI的數據全面Ready的DataZen多模態數據中台。
EasyMR： 新一代國產化大數據底座平台
EasyMR是袋鼠雲構建的面向未來的國產化AI數據底座平台 ，其核心是“1+4”全新產品矩陣 ，旨在解決最基礎的存算、運維和國產化適配問題。
（1）1個管理平台：EasyManager，提供從安裝部署、集羣運維、監控告警到集羣遷移的全棧式大數據運維管理 。
（2）4大核心能力：
- EasyMR for AI Storage：提供湖倉一體智能存儲 ，包含HDFS分佈式文件系統 和Hbase高併發查詢等 。
- EasyMR for MQ (Kafka)：提供實時流式數據能力 ，支持高吞吐、低延遲的數據傳輸 。
- EasyMR for MPP：提供高性能實時分析 ，集成了StarRocks 和Doris等引擎。
- 大數據基礎平台：包含Hive 、Spark 、Flink 等批計算和流計算引擎。
EasyMR的突出優勢在於其自主可控和全面的信創兼容。它全面適配國產處理器（如鯤鵬、飛騰、海光） ，國產操作系統（如麒麟、統信UOS、龍蜥、openEuler） 及國產數據庫（如達夢、人大金倉） 。
在安全體系上，EasyMR構建了可信、可控、可審計的底座 ，採用零信任防護層 ，基於Ranger實現庫、表、行、列級的細粒度權限管控 ，並支持多級加密體系，全面兼容國密算法 。
階段二：DataZen多模態數據中台 - 實現AI的數據全面Ready
EasyMR解決了“地基”問題，而多模態數據中台則是在此之上構建的“大廈”，其核心理念是實現所有模態數據的三大統一 ：
- 統一數據集成
- 統一數據開發
- 統一數據資產管理
其產品架構涵蓋了從多模態數據源 （結構化 、半結構化 、非結構化 ），經過統一的數據存儲（HDFS 、MinIO S3 、Milvus ）和多算力引擎（Spark 、Flink 、PyTorch/Ray ），到統一的數據開發層 、數據資產層 和最終的智能應用 。
從EasyMR大數據底座平台到DataZen多模態數據中台的關鍵能力
從EasyMR演進到DataZen多模態數據中台，袋鼠雲構建了三大核心能力，以滿足AI時代的需求。
關鍵能力一：多模態數據統一對接採集存儲
平台具備對接全域數據源的能力，無論是關係型數據庫（RDB）、文檔（PDF, Word）、圖片、視頻還是網頁 和IoT設備 。
數據入庫流程被統一重構：通過離線同步、實時採集或本地上傳後，平台自動進行文件解析 、文件拆分和向量化 ，最終存入對應的向量數據庫（Milvus）、對象存儲（MinIO）或數據存儲（HDFS）中。
關鍵能力二：多模態數據統一融合處理
這是平台的核心亮點 。袋鼠雲實現了在一個平台、一個工作流中，完成跨模態任務的關聯及數據融合開發 。
① 一站式開發：如圖所示，用户可以在一個DAG（有向無環圖）中，將處理結構化數據的Spark SQL節點、處理文檔的PDF解析節點、處理圖像的圖片解析節點和處理視頻的視頻解析節點進行混編 。
② 豐富算子內置：平台內置了大量針對多模態數據的處理算子（Operator） 。例如：
- Document/Text：
doc_normalizer(文本規範化),language_filter(語言過濾),minhash_deduplicator(MinHash近鄰去重)。 - Image：image_face_blur_mapper (人臉模糊隱私保護),
image_aesthetics_filter(低美學評分圖片過濾),image_deduplicator(感知哈希去重)。 - Video：
video_duration_filter(過濾過長或過短視頻),video_captioning_from_frames_mapper(視頻幀抽幀生成文字描述)。
③ CPU+GPU混合調度：傳統的結構化數據處理（如Spark SQL）使用CPU，而文檔解析、圖像識別、視頻抽幀等AI任務則需要GPU。平台支持單個任務按需同時指定CPU和GPU的用量，實現異構資源的靈活調度 。
關鍵能力三：統一數據資產管理與安全保障
數據入庫和開發後，平台會形成統一的多模態數據資產 。
- 統一元數據：對結構化（庫、表）和非結構化（文件、目錄）的元數據進行統一存儲 、統一向量化 、統一編目打標和統一血緣追溯 。
- 統一安全：實現統一的數據安全保障 。支持租户級的數據隔離 ，並能對結構化數據的“表/行/列” 和非結構化數據的“文件/目錄” 進行統一的、細粒度的權限管控。
多模態數據智能中台主要應用場景與案例分析
“EMR大數據底座平台+DataZen多模態數據中台”，為上層AI應用提供了堅實的支撐。
場景一：製造業 - 電池質量追溯與用户畫像
某大型製造業企業擁有20+PB數據，其中非結構化數據（車載傳感器視頻圖像、技術文檔等）佔比高達74% 。
①痛點：數據彼此不互通，跨系統調取導致分析效率低下 ；用户營銷分析僅依賴結構化數據，維度單一 。
②解決方案：構建多模態數據智能中台 ，打通了MES、ERP等結構化數據 ，與車輛傳感器的時序數據 、視頻圖像 以及社媒數據 、產品文檔等。
③業務價值：
- 效率提升：質量問題追溯時效從6小時/案例縮短至15分鐘/案例，效率提升96%。數據關聯分析耗時從3天（跨5個系統）縮短至30分鐘（一站式平台） 。
- 業務增收：通過視頻+時序數據關聯分析，發現某型號電芯的裝配壓力參數異常，使電池生產良率提升2.3%（年節省成本900萬） 。通過語音情緒分析識別高焦慮用户，客訴率下降40%。
場景二：銀行業 - 貸款風控多模態審核
在銀行貸款風控場景中 ，多模態中台發揮了關鍵作用：
- 合同(PDF)：通過文本抽取（OCR） 和結構化提取 ，解析出借款人姓名、金額、利率等 。
- 身份證(Image)：通過OCR識別姓名、身份證號 。
- 現場視頻(Video)：通過語音識別（ASR）轉錄客户回答 ；通過關鍵幀抽取和人臉對比 ，驗證“人證合一”。
- 徵信(DB)：調用Python節點，按身份證號查詢徵信數據 。 最終，所有模態的數據被整合成一份統一的客户風險畫像 ，實現高效、精準的風控。
場景三：高校 - “AIMetrics智能指標”實現數據驅動決策
某高校通過建設數據治理、指標體系與AI智能問數能力 ，實現了管理模式的轉型。
業務價值：
- 管理效能：實現了從“經驗驅動”到“數據驅動”的轉型 ，跨部門協作效率提升50%，管理人員工作效率提升30%以上 。
- 服務體驗：服務響應時間縮短40%，自助服務比例提升45%。
- 資源配置：教學資源利用率提升20%，科研經費效益提升15%。
場景四：AI 輔助數據開發與報告生成
平台還提供AI Copilot能力，直接賦能數據開發者和分析師。
- AI輔助開發：在開發平台中 ，AI可基於元數據和知識庫 ，提供智能SQL生成、SQL解釋、SQL優化和日誌智能診斷 。
- AI文檔助手：提升報告生成效率 。用户只需上傳一份歷史文檔（如月報）作為模板 ，AI會自動將其中的指標內容標記 ，歸檔為模板並構建指標SQL ，分析師下載新文檔時，AI會自動取數並重新生成最新的文檔 。
數據賦能 AI數智應用：利用AIWorks打造智能體應用
如果説多模態數據中台是“備料”，那麼袋鼠雲自研的AIWorks智能體應用平台 則是“烹飪”的過程，它負責將數據激活為智能應用 。AIWorks的核心是重構產品交互邏輯，推動產品從“點擊式界面”向“自然語言交互” 、從“單向工具”向“人機協同” 、從“硬編碼規則”向“智能決策” 轉變。
AIWorks 平台重點功能
AIWorks 是一個低代碼與模型編排平台 ，其核心功能包括：
- 可視化與低代碼編排：用户無需編寫複雜代碼，通過拖拽、連接組件的方式，即可像搭積木一樣構建複雜的AI工作流 。
- 靈活的模型與數據源集成：平台內置插件，可無縫對接多種大模型（如GPT、DeepSeek、通義千問 ）和企業內部數據源（數據庫、數據湖等） 。
- 強大的工作流調度與管理：內置工作流引擎，負責任務調度、編排 ，支持出錯重試 、並行執行 、條件判斷 等複雜邏輯。
- 可觀測性與持續迭代：平台提供全面的可觀測性能力，包括日誌記錄 、指標監控 和鏈路追蹤 ，確保應用穩定和持續優化。
智能體應用：AIMetrics智能指標問數與分析場景
智能問數與分析作為企業級AI應用的標杆場景，助力企業重新定義數據使用體驗！
①功能特性：
- 精準識別：藉助大模型理解自然語言提問，支持上下文追問與修正。
- 自動分析：自動生成可視化圖表，並一鍵生成數據解讀、特徵洞察和異常校驗。
- 隨處訪問：支持PC、移動端及釘釘、企微等多平台。
- 企業級安全：支持私有化部署，數據不出域，並複用數據平台的權限管控。
②原理解析：
- 用户發起查詢（Query）。
- 系統進行Query改寫（Query Rewrite） ，並進行意圖識別。
- RAG檢索：系統從“指標元信息知識庫” 和“資料知識庫” 中檢索相關信息。
- 參數解析：AI解析出“指標名稱”、“時間維度”、“維度字段”和“維度值” 。
- 數據查詢：調用數據引擎 ，執行數據查詢 （經過權限校驗 ）。
- 結果生成：根據需要展示圖表 或進行歸因分析 ，最終返回Result 。
③四大核心場景：
- 智能問數與秒級響應：用户以自然語言提問，系統基於指標語義層快速識別意圖，生成可視化分析結果，真正實現“所想即所得”。相比傳統的數據排隊分析，業務決策響應效率提升一個量級。
- 指標波動監測與根因分析：指標波動自動觸發預警，通過AI與知識圖譜輔助識別異常原因。平台支持時間序列與多維歸因能力，實現問題定位從“被動響應”向“主動識別”演進。
- 趨勢預測與智能目標管理：平台支持結合結構化數據與非結構化語料進行多粒度、多模型的指標預測，並與目標管理閉環結合，實現動態評估、策略調優、結果跟蹤。
- 智能指標知識庫管理：融合指標定義與多模態的業務知識構建知識圖譜，支持AI在回答時同步調取組織語義與歷史策略，不僅提升理解準確率，也實現知識經驗的持續沉澱與複用。
在AI時代的浪潮下，企業構建智能應用已不是“是否要做”的問題，而是“如何做好”的挑戰。袋鼠雲提供的“Data+AI”融合架構 給出了一條清晰的路徑：
- 以 EasyMR 為基石 ，解決大數據底座平台的自主可控、國產信創兼容和穩定運維問題。
- DataZen多模態數據中台，通過“三大統一” 將結構化、半結構化乃至視頻、圖像、文檔等非結構化數據全面“AI-Ready”。
- 利用 AIWorks 智能體開發應用平台作為“激活器”，通過低代碼編排和模型調度能力 ，將沉睡的數據轉化為智能問數、風控審核、AI Copilot等高價值智能體應用。
- 垂直應用深耕例如AIMetrics智能指標應用平台，“指標+AI”將不僅是一個抽象概念，更是一套具備工程落地路徑、行業Know-how、智能協同能力的完整體系。它打通了數據治理與智能應用的閉環，將“指標”作為AI理解企業業務的語義底座，將“AI”作為指標能力釋放與組織協同的加速器，從實踐中可以看到“指標+AI”都已經展現出其穿透式、結構化的解決力。
從堅實的數據底座，到包羅萬象的多模態中台，再到敏捷的智能體應用，這一整套解決方案正在幫助企業構築AI時代的真正護城河 ，驅動業務實現智能躍遷。
