當(dāng)我們談?wù)?AI Infra 的時(shí)候，我們在談?wù)撌裁矗?/strong>

年初，DeepSeek 前腳帶來模型在推理能力上的大幅提升，Manus 后腳就在全球范圍內(nèi)描繪了一幅通用 Agent 的藍(lán)圖。新的范本里，Agent 不再止步于答疑解惑的「鑲邊」角色，開始變得主動，拆解分析需求、調(diào)用工具、執(zhí)行任務(wù)，最終解決問題……

這質(zhì)的變化引起的效應(yīng)如投石入水，激起的漣漪不斷向外蔓延……Agent 成為 2025 年 AI 的主流敘事，國內(nèi)外 AI 廠商紛紛布局 Agent。數(shù)據(jù)顯示，全球 Agent 市場規(guī)模已突破 50 億美元，預(yù)計(jì)到 2030 年這一數(shù)據(jù)將達(dá)到 500 億美元規(guī)模，「百 Agent」混戰(zhàn)時(shí)代開啟。

而對于萬千具體場景中的企業(yè)而言，Agent「自主執(zhí)行并管理各類任務(wù)」的角色轉(zhuǎn)變，意味著一場新的生產(chǎn)力變革，沒有人想被時(shí)代落下，于是都開始轟轟烈烈構(gòu)建起屬于自己的 Agent。

然而，事情沒那么簡單。很多企業(yè)部署了 Agent 之后，發(fā)現(xiàn)并沒有達(dá)到預(yù)期效果，現(xiàn)實(shí)與理想之間的巨大落差開始讓他們疑惑：難道 Agent 只是一場夸大的「紙上談兵」？

無疑，技術(shù)的進(jìn)步肉眼可見，Agent 的實(shí)用也并非虛假宣傳，這是出現(xiàn)這種情況更深層的原因在于，業(yè)界對 Agent 平臺的狂熱追捧下陷入一個(gè)誤區(qū)：把 Agent 平臺、Bot 框架等當(dāng)作 AI Infra。

怎么理解？

Agent 平臺其實(shí)屬于應(yīng)用層，核心在于任務(wù)的調(diào)度與交互，它本身并不具備底層的支撐能力。而對于真正的 AI Infra，核心則應(yīng)該是驅(qū)動模型持續(xù)優(yōu)化的數(shù)據(jù)閉環(huán)。打個(gè)比方，企業(yè)投入巨量資源打造和部署的 Agent 就像是一輛 F1 賽車，而企業(yè)自身的基礎(chǔ)設(shè)施卻還是一條泥濘不平的土路；縱然性能再強(qiáng)，F(xiàn)1 賽車也無法在這條路上正常地跑起來。

因此，Agent 想要發(fā)揮出強(qiáng)大的功能，必需可靠的 AI Infra！也因此，當(dāng) Agent 火爆的時(shí)候，AI Infra 的身價(jià)也隨之水漲船高。

賽迪《2025 中國 AI Infra 平臺市場發(fā)展研究報(bào)告》顯示，在 Agent 市場急速擴(kuò)大的同時(shí)，中國 AI Infra 平臺市場規(guī)模預(yù)計(jì) 2025 年達(dá) 36.1 億元，同比增長超 86%。

AI Infra 的重要程度可見一斑。

而當(dāng)前企業(yè)在部署搭建 Agent 的時(shí)候，其實(shí)是做了很多準(zhǔn)備的，花心思大手筆購買 GPU，選擇性能更好、更適用自身的大模型，仔細(xì)對比各家的 Agent 產(chǎn)品，認(rèn)為把這些基礎(chǔ)層的準(zhǔn)備工作做到這種程度，部署的 Agent 功能一定特別強(qiáng)大。

但顯然，Agent 平臺無法單獨(dú)構(gòu)成 AI Infra。Agent 平臺所體現(xiàn)的核心價(jià)值在于任務(wù)的理解、規(guī)劃、調(diào)度、工具調(diào)用，以及人機(jī)、機(jī)機(jī)交互等，并不具備底層基礎(chǔ)支撐能力。

那當(dāng)我們在談?wù)?AI Infra 的時(shí)候，我們到底在談?wù)撌裁矗?/p>

AI Infra 的核心在于結(jié)構(gòu)層能力的構(gòu)建，包括分布式計(jì)算、數(shù)據(jù)調(diào)度、模型服務(wù)、特征處理與部署編排。這些能力為上層的模型訓(xùn)練、推理與交互提供算力、彈性與資源調(diào)度基礎(chǔ)。

更進(jìn)一步講，AI Infra 的核心運(yùn)行邏輯是：以數(shù)據(jù)驅(qū)動模型優(yōu)化，通過數(shù)據(jù)的「采集 — 處理 — 應(yīng)用 — 反饋 — 優(yōu)化」閉環(huán)，形成持續(xù)迭代的正向增長循環(huán)，最終實(shí)現(xiàn)「數(shù)據(jù) — 模型 — 應(yīng)用」螺旋式上升。

從這個(gè)層面來看，數(shù)據(jù)，是 AI Infra 運(yùn)行的「靈魂」般存在，而很多企業(yè)在部署 Agent 的時(shí)候，其實(shí)是沒有將自身內(nèi)部數(shù)據(jù)價(jià)值發(fā)揮出來，只是一味強(qiáng)調(diào) Agent 功能。未能觸及「靈魂」的變革后果就是部署后的 Agent 功能往往「流于表面」，無法與企業(yè)自身的業(yè)務(wù)相契合，發(fā)揮真正作用。

因此，在 AI 技術(shù)落地成主流的當(dāng)下，企業(yè)要想構(gòu)建自己的 AI 能力，不能忽視數(shù)據(jù)的重要性，正如著名 AI 學(xué)者吳恩達(dá)所言：「AI 正在從以模型為中心轉(zhuǎn)向以數(shù)據(jù)為中心」。數(shù)據(jù)往往是企業(yè)取得差異化競爭的關(guān)鍵所在。而面對 Agent 時(shí)代，數(shù)據(jù)基礎(chǔ)設(shè)施的范式也發(fā)生了新變化。

Data&AI 數(shù)據(jù)基礎(chǔ)設(shè)施，才是 AI 時(shí)代 Infra 新范式

在大模型落地千行百業(yè)的當(dāng)下，數(shù)據(jù)對于企業(yè)的重要性不亞于模型的重要性。因?yàn)槠髽I(yè)級 AI 需要的不是數(shù)據(jù)規(guī)模的大小，而是專業(yè)、深入核心業(yè)務(wù)環(huán)節(jié)的高質(zhì)量數(shù)據(jù)，這樣「喂養(yǎng)」出來的大模型，才能給企業(yè)帶來優(yōu)質(zhì)生產(chǎn)力。事實(shí)上，正如甲骨文聯(lián)合創(chuàng)始人和董事長 Larry Ellison 說的那樣：「我們正在進(jìn)入數(shù)據(jù)驅(qū)動的自動化企業(yè)時(shí)代。」

因此，當(dāng)前企業(yè)的核心競爭力正從數(shù)據(jù)資產(chǎn)規(guī)模向數(shù)據(jù)價(jià)值轉(zhuǎn)化效率遷移。誰能快速完成遷移，誰就掌握了發(fā)展的主動權(quán)。

但是對于企業(yè)來說，這并不容易。

首先，在傳統(tǒng)的互聯(lián)網(wǎng)敘事下，企業(yè)的數(shù)據(jù)價(jià)值更多是一種靜態(tài)「資產(chǎn)」。換句話說，那時(shí)候的數(shù)據(jù)大都是結(jié)構(gòu)化數(shù)據(jù)，就像是存放于倉庫中的貨物，只要做到不用的時(shí)候存儲妥善，需要的時(shí)候調(diào)取方便，就滿足了基本的業(yè)務(wù)需求。

基于此，彼時(shí)的數(shù)據(jù)庫或數(shù)據(jù)平臺的核心作用也僅僅局限于「存好、取快」，通過結(jié)構(gòu)化存儲架構(gòu)確保數(shù)據(jù)不丟失、不損壞，通過優(yōu)化索引和查詢邏輯讓數(shù)據(jù)調(diào)取更高效。

但隨著 AI 技術(shù)發(fā)展，尤其是大模型時(shí)代的到來，從大語言模型到多模態(tài)模型，模型模態(tài)的變化也帶動對訓(xùn)練數(shù)據(jù)需求的變化：數(shù)據(jù)規(guī)模呈現(xiàn)海量級，數(shù)據(jù)類型從單一結(jié)構(gòu)化轉(zhuǎn)向結(jié)構(gòu)化、非結(jié)構(gòu)化、半結(jié)構(gòu)化的復(fù)雜多樣，對實(shí)時(shí)性要求高。

很明顯，傳統(tǒng)數(shù)據(jù)基礎(chǔ)設(shè)施根本無法滿足這一需求。

而最為突出的問題在于「數(shù)據(jù)孤島」，在早期，企業(yè)內(nèi)部針對具體的業(yè)務(wù)需求，往往選擇特定的工具或平臺來管理數(shù)據(jù)，長此以往，企業(yè)的業(yè)務(wù)系統(tǒng)、用戶端數(shù)據(jù)、供應(yīng)鏈數(shù)據(jù)往往分散在不同的數(shù)據(jù)庫中，格式不統(tǒng)一、標(biāo)準(zhǔn)不兼容，就像是「煙囪」式存在，互為「孤島」，系統(tǒng)集成難題顯著，數(shù)據(jù)處理過程艱難且漫長。正如 Databricks 支持的一份報(bào)告中指出的：「數(shù)據(jù)孤島依然是 AI 的重要組織性障礙。受訪者將消除數(shù)據(jù)孤島和數(shù)據(jù)集成不足列為管理 AI 數(shù)據(jù)時(shí)面臨的兩大挑戰(zhàn)之一?！?/p>

這也就意味著模型與數(shù)據(jù)的前進(jìn)步伐不協(xié)調(diào)，就像是齒輪錯(cuò)位，整臺機(jī)器無法正常運(yùn)轉(zhuǎn)。

另外，還有一個(gè)容易被忽視的問題，就是傳統(tǒng)數(shù)據(jù)平臺與 AI 工具的「割裂」，進(jìn)一步加劇了企業(yè) AI 落地的困境。

怎么理解？在大多數(shù)企業(yè)中，數(shù)據(jù)平臺與 AI 往往是兩個(gè)團(tuán)隊(duì)或沿著兩條各自的技術(shù)路徑發(fā)展，前者在 AI 介入不足的情況下，對多模態(tài)數(shù)據(jù)的處理效率極低，甚至還依賴手動標(biāo)注、規(guī)則校驗(yàn)等「人工數(shù)據(jù)治理模式」，耗時(shí)長、成本高、易出錯(cuò)且響應(yīng)慢…… 數(shù)據(jù)價(jià)值始終難以被充分激活，長期以往讓企業(yè)陷入「有數(shù)據(jù)無智能」、「有智能難落地」的雙重困境?？梢哉f，數(shù)據(jù)系統(tǒng)脫節(jié)仍然是企業(yè) AI 面臨的最持久且成本最高的障礙之一。

基于此，企業(yè)需要重新構(gòu)建新一代 AI Infra。

新一代 Data&AI 數(shù)據(jù)基礎(chǔ)設(shè)施與傳統(tǒng)大數(shù)據(jù)平臺 / 數(shù)據(jù)基礎(chǔ)設(shè)施的代際差異

一方面，數(shù)據(jù)與平臺要協(xié)同起來。數(shù)據(jù)平臺的定位必須從「被動的容器」 升級為「主動的生產(chǎn)力載體」，數(shù)據(jù)平臺的核心作用不再局限于存儲數(shù)據(jù)，更要能生產(chǎn)、處理面向 AI-Native 的數(shù)據(jù)，成為數(shù)據(jù)的 「產(chǎn)地」與 「工藝」。

具體來說，「產(chǎn)地」要求平臺需具備主動生成數(shù)據(jù)的能力，例如通過合成數(shù)據(jù)技術(shù)補(bǔ)充稀缺場景樣本；通過數(shù)據(jù)增強(qiáng)技術(shù)擴(kuò)展數(shù)據(jù)多樣性（如對圖像進(jìn)行旋轉(zhuǎn)、裁剪以豐富訓(xùn)練樣本）。而「工藝」則要求平臺能夠建立起一套動態(tài)的質(zhì)量控制體系，從數(shù)據(jù)采集、清洗、標(biāo)注到迭代優(yōu)化，形成全流程的自動化治理能力，讓數(shù)據(jù)在流轉(zhuǎn)中持續(xù)提升質(zhì)量。

而從這一層面上來看，高質(zhì)量數(shù)據(jù)已突破「靜態(tài)資產(chǎn)」的限制，進(jìn)入「流動資產(chǎn)」范疇，會隨著模型訓(xùn)練、反饋，不斷更新，隨著業(yè)務(wù)場景變化實(shí)時(shí)調(diào)整，是會依托數(shù)據(jù)平臺能力持續(xù)產(chǎn)出與驗(yàn)證的動態(tài)過程。

另一方面，Data 與 AI 的割裂局面必須破冰、走向融合、共生。數(shù)據(jù)在為 AI 發(fā)展提供「養(yǎng)料」的同時(shí)，AI 技術(shù)也在促進(jìn)數(shù)據(jù)平臺的能力提升。數(shù)據(jù)與 AI 不再是分離的兩套系統(tǒng)，而是基礎(chǔ)設(shè)施的一體兩面，更準(zhǔn)確地說，Data&AI 數(shù)據(jù)基礎(chǔ)設(shè)施，才是 AI 時(shí)代 Infra 新范式。

在這一新的語境中，Data&AI 數(shù)據(jù)基礎(chǔ)設(shè)施是為支撐 AI 規(guī)模化落地而構(gòu)建的一體化基礎(chǔ)軟件平臺，核心目標(biāo)是打通數(shù)據(jù)存儲、治理、計(jì)算與 AI 模型開發(fā)的全鏈路，實(shí)現(xiàn)「Data for AI」和「AI for Data」的雙向賦能。

其本質(zhì)可以說是傳統(tǒng)大數(shù)據(jù)平臺的升級形態(tài)，但在 AI 原生架構(gòu)重構(gòu)數(shù)據(jù)處理范式的時(shí)代要求下，技術(shù)架構(gòu)與實(shí)際價(jià)值均有了代際的提升，該基礎(chǔ)設(shè)施是滿足企業(yè)智能化轉(zhuǎn)型的底層需要，是核心數(shù)字底座。

賽道玩家眾多，誰能破局？

其實(shí)，隨著 Agent 的火爆，在全球范圍內(nèi)，一場圍繞 Infra 的智能升級與重構(gòu)在轟轟烈烈地展開。

云數(shù)據(jù)平臺 Snowflake 通過收購 Informatica、 推出 AI Apps 平臺等操作，持續(xù)加大在 Data&AI 基礎(chǔ)設(shè)施上的布局；Databricks 從 2023 年起開始陸續(xù)收并購 Okera、MosaicML、Arcion、Einblick 等數(shù)據(jù)基礎(chǔ)設(shè)施企業(yè)，來強(qiáng)化自身的 Data&AI 基礎(chǔ)設(shè)施屬性；國內(nèi)華為、字節(jié)跳動、百度等廠商也在推出「模型 - 數(shù)據(jù)一體」的工程平臺……

其實(shí)不難看出，當(dāng)前整個(gè)市場上面向 AI 原生的 Data&AI 技術(shù)融合基礎(chǔ)設(shè)施軟件產(chǎn)品尚在探索期，賽道仍處于早期爆發(fā)階段，玩家眾多，但更多的數(shù)據(jù)廠商或 AI 廠商更多還是圍繞過去自身在原有賽道和自有產(chǎn)品功能，來加速 Data&AI 基礎(chǔ)設(shè)施的融合。

具體來看，這一賽道玩家主要分為四大類。

*類 AI 工具新興廠商。這類主要是指圍繞 AI 場景化做定制化 Agent 服務(wù)，以及 AI Agent 開發(fā)工具的新興廠商，比如以愛數(shù)、數(shù)新智能等為代表的 AI 工具鏈廠商；以 Dify 為代表的 AI Agent 服務(wù)商等，都屬于這一類。

這些廠商主要業(yè)務(wù)目標(biāo)是服務(wù)客戶 AI 場景的快速落地，沒有數(shù)據(jù)底座能力支撐，場景定制難以規(guī)?；?，長期會成為數(shù)據(jù)應(yīng)用層核心競爭廠商，但不會形成 Data&AI 一體化基礎(chǔ)軟件產(chǎn)品。

第二類是傳統(tǒng)大數(shù)據(jù)平臺廠商。這類是以聚焦在國產(chǎn) CDH 替換類業(yè)務(wù)為主營業(yè)務(wù)的傳統(tǒng)大數(shù)據(jù)平臺廠商，比如星環(huán)、明略、東方金信等，這些廠商在行業(yè)內(nèi)深耕多年，經(jīng)驗(yàn)豐富，有一定的大數(shù)據(jù)平臺項(xiàng)目和客戶積累，可同時(shí)自身也正處于轉(zhuǎn)型期，目前在 Data&AI 數(shù)據(jù)基礎(chǔ)設(shè)施一體化建設(shè)的實(shí)施經(jīng)驗(yàn)和案例上相對較少。

第三類是平臺型綜合廠商。這類玩家主要是指阿里、華為、騰訊等平臺型綜合廠商，基于其豐富的產(chǎn)品線整合后具備 Data&AI 基礎(chǔ)設(shè)施軟件產(chǎn)品基礎(chǔ)能力，品牌影響力大。但是問題在于，由于體系龐大、業(yè)務(wù)多，內(nèi)部產(chǎn)品分屬不同團(tuán)隊(duì)，架構(gòu)上仍然割裂。前面說到，目前這類玩家也在基于已有的模塊化產(chǎn)品進(jìn)行整合、協(xié)同，有較好的品牌力。

第四類是專業(yè)垂直廠商。這一類玩家是指像 Databricks 這樣的專業(yè)型廠商，他們基于在這一方向的長期深耕，累積了經(jīng)典頭部客戶的落地實(shí)踐，同時(shí)也打磨了技術(shù)，率先實(shí)現(xiàn)了面向 AI-Native 的 Data&AI 一體化基礎(chǔ)設(shè)施軟件成熟產(chǎn)品，并形成了一套自己的成熟打法?？梢哉f，這類廠商在 AI 時(shí)代 Data&AI 一體化基礎(chǔ)設(shè)施賽道取得先發(fā)優(yōu)勢，隨著在客戶側(cè)的逐漸落地，優(yōu)勢會愈發(fā)明顯。

其實(shí)，從各類玩家所具備的能力不難看出，當(dāng)前企業(yè)在構(gòu)建 AI 能力時(shí)，最為需要的就是一體化、低代碼、AI 與數(shù)據(jù)原生融合的一體化基礎(chǔ)軟件平臺工具，允許企業(yè)開發(fā)者以更加靈活的方式來進(jìn)行對存儲在數(shù)據(jù)庫、數(shù)據(jù)湖中的多模態(tài)數(shù)據(jù)進(jìn)行實(shí)時(shí)提取、治理標(biāo)注、以及高質(zhì)量數(shù)據(jù)集的管理進(jìn)行面向業(yè)務(wù)場景的模型訓(xùn)練和智能體開發(fā)。

因此，像 Databricks 這樣的專業(yè)垂直廠商的核心特征是要基于 AI-Native 架構(gòu)驅(qū)動下，具備三大能力：

一是多模態(tài)數(shù)據(jù)融合處理，支持對數(shù)據(jù)庫、數(shù)據(jù)湖中的結(jié)構(gòu)化 / 非結(jié)構(gòu)化數(shù)據(jù)（文本、圖像、音視頻）進(jìn)行實(shí)時(shí)提取、治理與標(biāo)注，生成高質(zhì)量訓(xùn)練數(shù)據(jù)集；突破傳統(tǒng)平臺僅支持單一數(shù)據(jù)類型的局限，適配大模型多模態(tài)輸入需求。

二是形成 Data&AI 一體化閉環(huán)，支持低代碼開發(fā)，允許企業(yè)開發(fā)者靈活調(diào)用數(shù)據(jù)與 AI 工具鏈（如標(biāo)注、訓(xùn)練、Agent 開發(fā)）；支持端到端工作流，覆蓋數(shù)據(jù)治理 → 模型訓(xùn)練 → 智能體部署 → 業(yè)務(wù)反饋全流程，消除數(shù)據(jù)與 AI 割裂痛點(diǎn)。

三是具有動態(tài)異構(gòu)智能調(diào)度能力，按需分配 CPU/GPU 資源；模型訓(xùn)推一體化，降低推理延遲；可快速生成場景化智能體。

只有這樣，才是符合當(dāng)下 Agent 時(shí)代，企業(yè)加快構(gòu)建 AI 能力的數(shù)字新基建 。

而圍繞這些核心特征與能力，國內(nèi)正在興起一股構(gòu)建 Data&AI 一體化數(shù)據(jù)基礎(chǔ)設(shè)施的浪潮，市面上也有相應(yīng)的產(chǎn)品或平臺涌現(xiàn)。

其中，一種名為「AI-in-Lakehouse」（Lakehouse 意為湖倉一體）的技術(shù)路徑頗具代表性。該思路的核心是將 AI 能力深度融入并內(nèi)嵌于湖倉一體架構(gòu)中，而不是將 AI 能力從外部接入進(jìn)去。如此一來，便能將湖倉一體引擎、OLAP 數(shù)據(jù)治理和 AI 技術(shù)統(tǒng)一，形成精簡高效的「All-in-One」技術(shù)解決方案，從而破解了讓很多企業(yè)「頭大」的傳統(tǒng)數(shù)據(jù)與 AI 割裂難題。

國內(nèi)廠商科杰科技率先踐行了這一思路，并將其應(yīng)用在了剛剛完成升級的 Data&AI 一體化平臺 KeenData Lakehouse2.0 中。

KeenData Lakehouse2.0 采用 AI-Native 智能驅(qū)動架構(gòu)，實(shí)現(xiàn) Data&AI 工程一體化能力。平臺面向大型組織進(jìn)行數(shù)據(jù)與 AI 體系化落地，提供數(shù)據(jù)集成、離線實(shí)時(shí)開發(fā)、多模態(tài)計(jì)算、數(shù)據(jù)治理、數(shù)據(jù)集管理、AI 模型構(gòu)建、訓(xùn)推一體至 Agent 開發(fā)全鏈路閉環(huán)的基礎(chǔ)設(shè)施產(chǎn)品。

為此，科杰科技一方面以 AI-Native 為核心設(shè)計(jì)理念，將智能化能力深度植入系統(tǒng)基因，構(gòu)建了具備自主進(jìn)化能力的智能數(shù)據(jù)基礎(chǔ)底座 —— 其技術(shù)架構(gòu)與核心能力均圍繞 AI 高效處理數(shù)據(jù)、數(shù)據(jù)智能支撐 AI 的雙向驅(qū)動展開，涵蓋了 MaaS 自推理、Agent 自迭代、數(shù)據(jù)全生命周期智能化三大核心能力。

另一方面，科杰科技產(chǎn)品定位 Data&AI 一體化數(shù)據(jù)智能平臺，面向大型組織提供完備的 Data&AI 數(shù)智基礎(chǔ)設(shè)施能力， 讓數(shù)據(jù)與 AI 的融合成為了驅(qū)動企業(yè)發(fā)展和創(chuàng)新的關(guān)鍵引擎。

由此可見，科杰科技屬于賽道中的第四類玩家，是一家典型的面向 AI 原生的 Data&AI 數(shù)據(jù)基礎(chǔ)設(shè)施服務(wù)商。

科杰科技構(gòu)建的企業(yè)級湖倉一體數(shù)據(jù)智能平臺 KeenData Lakehouse，通過架構(gòu)創(chuàng)新與技術(shù)突破，無縫覆蓋數(shù)據(jù)治理、資產(chǎn)管理、分析建模到 AI 開發(fā)與服務(wù)全周期，貫通數(shù)據(jù)匯聚、融合、管理與智能應(yīng)用的全流程閉環(huán)?；诖耍髽I(yè)可以大幅簡化管理數(shù)據(jù)與應(yīng)用數(shù)據(jù)的難度，實(shí)現(xiàn)體系化的數(shù)據(jù)開放賦能與規(guī)模化的數(shù)據(jù)智能落地。

這種一體化模式的實(shí)際價(jià)值，已在多個(gè)行業(yè)的頭部企業(yè)的業(yè)務(wù)中得到了驗(yàn)證。

比如，中國石化依托科杰科技 Data&AI 一體化平臺，構(gòu)建統(tǒng)一數(shù)據(jù)中心與治理體系，完成對新增的大數(shù)據(jù)進(jìn)行高效存儲和計(jì)算，并且進(jìn)一步結(jié)合業(yè)務(wù)場景，面向規(guī)劃、工程決策、工程一體化平臺提供數(shù)百個(gè)服務(wù)支撐。以 AI 驅(qū)動全量業(yè)務(wù)及科研數(shù)據(jù)管理共享，加速數(shù)據(jù)向資源、資產(chǎn)的數(shù)智化轉(zhuǎn)變，提升運(yùn)營效率，實(shí)現(xiàn)鏈條一體化運(yùn)營，是集團(tuán)數(shù)智化運(yùn)營邁入高效協(xié)同新階段重要標(biāo)志。

中國一汽基于科杰科技Data&AI 一體化平臺，零代碼 / 低代碼實(shí)現(xiàn)一站式數(shù)據(jù)開發(fā)，支持可視化編排、多端查詢、資產(chǎn)開放及跨平臺智能調(diào)度；賦能業(yè)務(wù)場景智能應(yīng)用，如機(jī)器人客服、AI 驅(qū)動的實(shí)地驗(yàn)證等功能及實(shí)時(shí)數(shù)字孿生；構(gòu)建行業(yè)智能數(shù)據(jù)畫像，結(jié)合車輛與經(jīng)銷商 / 服務(wù)商數(shù)據(jù)，刻畫多維度指標(biāo)，支撐銷售分配等各類場景。

隨著模型技術(shù)不斷發(fā)展，Agent 市場持續(xù)爆發(fā)，數(shù)據(jù)與 AI 進(jìn)一步深度融合，Data&AI Infra 將成為智能時(shí)代的數(shù)字基建已是大勢所趨，諸如此類的案例還會越來越多，而科杰科技一直在堅(jiān)持的就是遵循著面向 AI-Native 的 Data&AI 一體化路徑，為行業(yè)驗(yàn)證這條路的可行性。

結(jié)語

智能時(shí)代的浪潮已經(jīng)來臨，而 Agent 僅僅是拍打在岸邊的*朵浪花。真正的深層力量，源于海面之下那座由數(shù)據(jù)與 AI 共同構(gòu)筑的龐大基座。

對于今天的企業(yè)決策者而言，最關(guān)鍵的問題已不再是「是否要擁抱 AI」，而是如何為 AI 構(gòu)建一條真正暢通無阻的超級公路。選擇繼續(xù)在割裂的「土路」上艱難前行，還是投資于面向未來的「一體化賽道」，這個(gè)戰(zhàn)略決策的價(jià)值，將在未來幾年內(nèi)被無限放大。

而誠如科杰科技，已在這一方向深耕多年。

畢竟，當(dāng)所有人都擁有了 F1 賽車，那條路，就是*的勝負(fù)手。