全文約6500字 閲讀時間約15分鐘。
當前，人工智能正處於高速發展階段，以前所未有的深度與廣度重塑商業規則，推動企業數字化轉型從規模化擴張邁入精細化深耕。面對這場洶涌而來的智能變革，運維領域正面臨一道核心命題：AI究竟是提升效率的輔助工具，還是重構運維邏輯的顛覆性革命？
國內金融、製造等關鍵行業已步入數字化深水區，卻普遍陷入運維複雜度激增、故障定位滯後、數據價值難以轉化等行業焦慮。如何讓AI技術真正落地運維場景？如何通過可觀測性打通全鏈路數據孤島？如何平衡技術創新與業務實用價值？這些痛點，正成為企業突破增長瓶頸的迫切訴求。
近日，在博睿數據“Bonree ONE 2025秋季版全球產品發佈會”的圓桌論壇環節，業界技術領袖齊聚一堂，圍繞以上行業痛點以及“AI + 可觀測的探索、實踐和展望”這一話題展開深度對話。圓桌論壇由博睿數據CTO程捷主持，特邀四位來自金融、製造等關鍵領域的技術領袖，共同探討了AI+可觀測性在實戰中的應用價值與未來圖景。
論壇嘉賓：
黃保慶：華為數字金融軍團運維負責人
王澤峯：深圳農商銀行運維大模型架構師
賀佔湘：豪鵬科技信息部運維負責人
權寧升：國投證券全鏈路可觀測負責人
下文為“AI + 可觀測的探索、實踐和展望”圓桌論壇精華實錄。
議題一：當前 AI+可觀測性面臨的挑戰
從監控到可觀測，數據與技術的跨越融合
程捷：在當前數字化浪潮中，系統複雜性呈指數級增長，傳統監控手段已力不從心。可觀測性讓我們能夠洞察系統內部的真實狀態，AI則賦予我們預測和自主行動的能力，兩者的結合正在重新定義運維的邊界和價值。今天我們將聚焦三個核心話題與大家共同探討：第一，當前AI+可觀測性面臨的挑戰；第二，AI+可觀測性的落地場景；第三，AI+可觀測性對運維組織文化、協作方式帶來的重大變革。當前，系統複雜性、故障定位、體驗保障是我們共同的挑戰，而解決這些問題的第一步，必然是獲取高質量數據並建立統一的可觀測體系。Bonree ONE在過去兩年持續完善可觀測統一全域數據模型，核心目標就是解決數據質量問題。想請教各位，在構建企業級可觀測性平台的過程中，遇到最大的挑戰是什麼？
黃保慶：我認為可觀測性領域主要面臨兩大挑戰。第一，從全域數據層面來看，日誌、鏈路、拓撲告警、指標等多維數據的融合，如何高效實現數據集成，是實際案例中遇到的一大挑戰。第二，以銀行為例，核心系統完成分佈式架構轉型後，運維對象和監控數據規模大幅增長。某股份制銀行每天產生約100TB日誌，如此龐大的數據量，對數據接入性能和處理效率提出了極高要求。
王澤峯：我們前期研究和調研發現，數據割裂是推進可觀測性建設的最大阻礙。告警信息分佈在各個系統中，很難將其有效串聯起來，這是我們實際面臨的核心問題。
賀佔湘：結合豪鵬科技的發展歷程，我們的監控體系構建和大部分企業類似，初期依賴手工腳本及Zabbix、Prometheus等工具。這些工具能告知某台機器CPU滿負荷或數據庫反應慢，但無法應對複雜故障。豪鵬科技是新能源鋰電池製造企業，與金融等行業存在差異，比如惠州工廠的自動化設備有複雜鏈路，會跨地域調用深圳工廠的資源。當產線出現業務停擺時，Zabbix顯示服務器資源正常，Prometheus提示數據庫無異常，問題可能出在網絡波動、微服務接口超時等方面，此前複雜故障的排查往往需要小時級別，引入博睿數據全鏈路可觀測後，能夠精準定位複雜鏈路調度中的問題接口，排查效率大幅提升，為運維工作帶來了質的飛躍。
權寧升：國投證券在數據分析初期整合了所有運維數據，但數據間的串聯難度極大。這並非技術問題，更多需要各開發部門配合，技術層面反而相對簡單，數據串聯卻耗費了大量時間。我認為，提前做好數據標準化及處理加工，對後續整體鏈路串聯至關重要。這一經驗也應用到了新一代架構建設中，提前設定好所有需要的ID，為項目推進奠定了良好基礎。
程捷：我今年接觸了很多券商客户，他們都想推進數據融合，但普遍存在顧慮：博睿數據能否幫助他們實現全量數據融合？正如您調研，國投證券是證券行業真正落地全鏈路可觀測的首家機構，具有開創性意義，對整個行業都有借鑑和鼓舞作用。想請教您，在眾多券商想做而不敢做的情況下，國投證券是如何規劃體系，打通從券商前台業務到後台核心交易的每一個環節？過程中是否存在一些外行難以想象的數據盲區？
權寧升：核心前提是我們已經搭建好了運維數據底座，在此基礎上自然要推進全鏈路建設。初期我們只是想找到一條完整通路，嘗試金融商店等場景後，最終在手機證券委託場景中實現了突破。數據串聯和標準化過程中，每一條數據都有其特性，會基於時間戳、業務邏輯架構生成，串聯時需要考慮當日唯一性、標準性、位數一致性等多個問題。這個過程中遇到了諸多挑戰，真正實現數據串聯後，確實令人振奮。很多人覺得 “把數據串起來就行”，但實際操作遠非如此簡單。核心問題不在技術，而在數據標準化和處理，這涉及Kafka、ES等各類組件的索引構建、存儲週期、調用方式等細節。數據孤島確實存在，但只要保持耐心和對數據嚴謹的態度，就能找到數據間的關聯。我們在處理APM數據調用時，面對80種數據類型，最終找到了能串聯所有數據的方式。因此，做好全鏈路可觀測，技術是基礎，更重要的是嚴謹態度和足夠耐心。
程捷：您的分享背後隱含兩個關鍵前提：一是國投證券的原有數據基礎打得非常紮實；二是國投證券的主動推進，讓廠商和合作夥伴的助力變得更高效。僅靠廠商的力量，很難完成這樣的項目，需要甲乙方默契配合、分工協作才能達到最佳效果。接下來想請教王總，今天的主題圍繞AI展開，您作為運維大模型架構師，從您的視角來看，當前的可觀測數據是否足夠餵養運維大模型？如果想讓AI在可觀測領域和運維領域更好發揮作用，現有可觀測數據需要進行哪些預處理或增強？
王澤峯：目前我們主要基於開源大模型，探索微調與預訓練的應用方式，相關實踐仍在推進中。開源大模型的現有能力已經很強，自主訓練的模型未必能達到同等效果，在微調及垂直領域賦能方面，我們可以讓模型更貼合自身需求，彌補垂直領域的知識盲點。我非常期待運維領域專有大模型的出現。
程捷：從各位專家的分享中，能看出大家對數據質量的重要性已形成明確共識。我認為高質量數據至少要滿足三個條件：結構化、標準化、語義化。只有達到這三點，才能讓AI大模型更好地理解數據語義，只有做好數據基礎工作，AI才能更便捷地調用和消費數據，真正發揮價值。AI話題已討論多年，眾多廠商和甲方都推出過相關解決方案，但至今仍缺乏成熟的商業產品落地。我認為核心問題在於方法論層面：過於關注上層場景，而忽視了底層基礎建設，這需要我們進行方法論的切換和改革。
議題二：AI+可觀測性的落地場景
AI的賦能時刻——從“被動”到“主動”
程捷：接下來我們進入第二個議題：AI在可觀測分析方面的落地場景。AI賦能可觀測與運維的場景十分豐富，AI應成為運維團隊的夥伴或數字員工，核心是思考人類與機器的協作模式。想請教各位專家，除了根因分析、告警異常檢測、告警收斂等常見場景，從實踐來看，AI在可觀測領域未來最令人興奮或期待的場景是什麼？它對業務的真實價值體現在哪裏？
黃保慶：從我們的實踐及服務金融行業客户的經驗來看，最具價值的場景是通過大模型實現全鏈路故障定界與根因分析。今天發佈的 Bonree ONE 2025秋季版的產品能力，讓我們看到了這類優質產品和能力的落地，我們期望通過這種能力，幫助銀行等金融客户實現5分鐘故障定級定位的運維目標，這是我們非常期待解決的價值場景。
王澤峯：大模型的出現，讓我多年前的一個設想有了實現的可能。當時做災備切換時，能否實現 “一句話切換”，出現問題後AI通過語音告知問題、詢問是否需要處理和授權。我理想中的最終狀態是，AI能支持聲紋識別，通過自然語言交互完成操作，成為真正的夥伴，與人類交互無差異。人類負責提出業務需求、監督決策，AI負責執行。當前AI在根因定位分析、語音判斷、聲紋識別等方面還有很大發展空間，運維領域的AI應用前景廣闊。
賀佔湘：結合我們當前的落地場景，不談未來，只説當下：AI+可觀測性基於歷史數據的異常檢測。此前普通告警依賴人為設置固定閾值，但生產線場景複雜多變，不同時間段可能生產不同客户的產品。即便當前運行狀態值在正常範圍，AI也能通過歷史數據預判趨勢，告知未來一週可能出現的偏離，為我們預留充足的預防時間。
權寧升：我更關注運維故障的提前發現。故障發生後再進行根因分析或解決，始終不夠理想。如果能在故障發生前實現預測，價值會更大。我們之前已做過相關嘗試，通過趨勢分析、調用鏈情況、日誌數據等，判斷故障可能出現的時間。比如面對大量行情涌入時，提前預測並及時擴縮容，保障業務穩定。
程捷：我非常認同權總的觀點，無論故障發現速度是1分鐘還是5秒鐘，故障已經發生並對業務造成了損失，只是損失大小不同。業內常説“1-5-10”原則，本質上仍是故障發生後的應對。因此，博睿數據在這一方法論前增加了一個“0”，即“0-1-5-10”，核心目標是讓80%的故障在發生前被識別、被處置。這也是我們接下來的發力重點。
回到話題，想請教黃總，華為自身業務及服務的客户場景都極為複雜，尤其是金融行業客户，場景更復雜、壓力更大。當前通用大模型存在幻覺這個關鍵問題 ，而運維是嚴肅且實時性要求極高的場景，運維故障處置的實時性要求極高，部分客户已不滿足“1-5-10”，而是追求“0.5-3-5”的更快響應。如果大模型的幻覺問題無法解決或有效避免，大模型驅動的故障預測與分析，離金融等高壓行業的大規模應用還有多遠？達到何種程度，金融機構的運維團隊才敢採信其結果並採取行動？
黃保慶：目前基於大模型構建運維場景，行業內都在進行探索和實踐。最基礎的場景是運維問答，用於沉澱案例和知識庫。但要解決故障發現、預測等核心問題，確實面臨諸多挑戰，幻覺就是常見問題——同一問題可能得到不同反饋，這是運維大模型在故障定位等場景中需要重點探索的方向。
從實踐來看，華為在計算、網絡、存儲等單領域的故障定界與分析，結合行業實踐經驗和專家經驗，已形成一定探索成果。這類場景的故障模型相對容易沉澱，成熟度較高，離大規模商用可能更近。但我們的目標是從應用或業務視角出發，解決從應用到雲、網絡的全鏈路故障定界與定位問題，這一領域目前難度較大，仍需行業共同探索。關於可信度，運維對準確性要求極高，目前沒有統一標準答案。但我們認為，根因分析結論的準確率至少要達到90%，甚至追求100%的準確性。只有達到這樣的技術要求，大模型驅動的運維應用大規模商用才未來可期。
程捷：我認為當前通用模型的獎勵函數需要修正，要做到“知之為知之，不知為不知”，避免在沒有數據支撐的情況下一本正經地錯誤回答，運維領域需要更嚴肅的大模型。
接下來想請教賀總，我們大多來自金融或IT行業，而您是製造業代表。豪鵬科技作為高科技製造業，運維對象包括物聯網設備、生產系統等。AI+可觀測性在保障生產連續性、提升產品品質方面，與其他行業相比有何不同？是否有獨特場景？
賀佔湘：目前我們的落地場景主要集中在IT系統，包括生產系統、資金系統、ERP決策系統等的業務連續性保障。這些系統一旦發生故障，生產將直接停擺，造成慘重損失。我們主要通過三個方面保障業務連續性：一是AI+可觀測性的容量預測，根據排程計劃預判服務器資源負載，提前做好擴容或預防；二是快速故障定位，通過全鏈路監控實現分鐘級排查；三是我們下一步正在探索的IT與OT融合，將電芯生產全鏈路涉及的IT系統數據，與車間生產線物聯網設備數據按時間線綁定，為每個電芯建立完整的數據履歷，最終實現數字孿生。通過數字孿生，可追溯電芯生產全流程及後續安全等相關問題。
程捷：數字孿生也是我們的重要規劃。在設計3.0版本數據模型時，我曾向研發和產品團隊分享，可觀測模型應實現數字孿生——將物理世界中的所有監控對象模型化，還原所有對象之間的靜態關係和運行狀態關係，這樣才能真正實現“可觀測”。這一目標目前仍有較長的路要走，但值得專業可觀測廠商持續加大投入。
議題三：AI + 可觀測性對運維組織文化、
協作方式帶來的重大變革
程捷：前面我們探討了挑戰和場景，接下來聊聊AI+可觀測性對組織、文化的變革展望。任何革命性新技術的推廣落地，最終都會推動人與組織的變革。想請教各位，引入AI和可觀測性後，對運維團隊的技能結構、協作流程、組織文化會帶來哪些衝擊和改變？作為團隊負責人，你們如何帶領團隊適應這場變革？
黃保慶：從華為的角度來看，最大的改變在於技能要求的轉變。比如需要掌握基於workflow的運維場景編排能力，以及MCP服務封裝等相關技能，這對團隊提出了新的挑戰。從服務的客户來看，金融機構的組織架構也發生了明顯變化，不少機構專門成立了智算中心或AI部門，負責AI平台能力建設。未來，AI應用的問題分析與定位，包括大模型調用、智能體運行等相關問題的排查，也將成為新的挑戰。
王澤峯：我們公司自上而下都非常重視AI，在考核上對AI相關工作有所傾斜，同時組織了大量培訓和交流活動。我們深刻認識到AI的重要性，積極擁抱AI變革，通過技術骨幹帶動其他成員，讓大家主動適應並掌握相關技能。
賀佔湘：我們團隊的變革是循序漸進的賦能，主要體現在三個方面：一是技能轉變，從以往擅長被動故障處理，轉向主動分析，需要學習APM相關指標的使用和配置等專業知識；二是協作模式升級，打破部門壁壘，以數據驅動構建協同機制，將所有數據整合至大屏，IT、工藝、生產等部門人員共同觀測數據、協同決策；三是文化理念轉變，從“救火英雄”的認知，轉向“預防專家”的理念，引導團隊聚焦故障預防。
權寧升：我更多從用户角度考慮AI的應用價值。我負責ES平台和ClickHouse平台，用户使用過程中面臨兩個核心需求：一是ES基於Lucene開發，語法複雜、學習成本高，用户希望通過自然語言處理，用中文描述查詢需求就能自動生成對應查詢語句，提升使用便捷性；二是全鏈路串聯後涉及大量指標和日誌數據，用户希望通過簡單提問就能獲取數據是否存在問題的分析結果。這需要AI充分了解公司內部業務數據，因此我們在部署AI時，更注重業務數據的全面性，將內部所有數據納入訓練，構建內部模型，更好地為用户解決複雜數據分析問題。所以我認為AI的價值主要體現在兩方面：一是讓用户使用更便捷；二是幫助用户解決複雜數據分析問題。
程捷：我也分享一下博睿數據的實踐。我們對產研組織架構進行了較大調整，核心思路是以AI為中心重構組織邏輯。軟件領域的康威定律指出，組織架構決定最終的軟件形態，要打造以AI為中心的新一代產品，首先需要調整組織架構。我們將團隊拆分為兩大板塊：一是AI底座團隊，負責數據底座和AI基礎能力建設；二是AI上層應用團隊，推動所有應用AI化。不同於以往按業務場景劃分團隊，現在按AI分層重構架構。短期內可能看不到明顯變化，但運行一段時間後，團隊的行為模式和認知會隨之轉變。
最後想請教王總，我非常期待運維領域出現更嚴肅的專有大模型。作為行業前沿探索者，您能否展望一下，未來3年AI+可觀測性會演化成何種形態？屆時運維團隊或運維工程師的工作方式會發生哪些較大改變？
王澤峯：當前AI+可觀測性處於發展初級階段，相信3年後將進入成熟期，行業會呈現優勝劣汰的格局。隨着AI技術的快速發展，AI+可觀測性將更加智能、高效，運維層面會實現大幅提升。
程捷：最後我來做一個簡單總結：
從華為的實踐中，我們學到了複雜嚴苛環境下構建可觀測性的戰略定力和全局視角；
從深圳農商行、國投證券的探索中，看到了金融行業在核心領域推動技術深度創新、實現業務全鏈路融合的勇氣；
從豪鵬科技的經驗中，感受到了AI+可觀測性在實體經濟中煥發出的強大生命力。
過程中我們也談到了諸多挑戰，比如數據質量問題、組織架構適配 AI 時代的問題等，但共識十分明確：AI與可觀測性的結合已不是選擇題，而是通往未來智能運維的必由之路。我們興奮地看到，AI+可觀測性讓Bonree ONE的產品戰略從可觀測平台升級為運維團隊的智能夥伴。2025年是Bonree ONE真正的AI元年，此前我們談到的AI更多是機器學習，並非真正的通用型AI。如今，我們推出了小睿助理，通過類人交互的方式與用户溝通，這標誌着我們正式邁入AI新時代。
再次感謝四位嘉賓的真知灼見，也感謝在場各位聽眾的參與，希望今天的論壇能給大家帶來啓發。
