当 AI 成为工业系统的“新用户”，基础设施应该如何演进

导言AI 在工业场景的渗透并非止步于应用层的辅助工具而是正在向更深处延伸——成为数据调度、逻辑推理、生产决策链路中的核心一环。然而这一过程并非一蹴而就。AI 能力的边界始终被其所依赖的底层基础设施所约束数据如何存储、业务逻辑如何封装、系统接口如何开放决定了 AI 能看见什么、能调用什么、能做到什么。传统工业软件架构诞生于 AI 普及之前从未为此而设计如今必须正视这一差距主动迎合 AI 时代的新要求。本文将从数据层、逻辑层两个维度拆解传统工业基础设施对 AI 落地的结构性制约并探讨 DolphinDB 如何以一体化能力底座重新定义工业 AI 时代的基础设施标准。旧基础设施正在成为 AI 落地的天花板国内工业软件历经 SCADA、MES、工业互联网平台三代演进但传统架构大都诞生于 AI 大模型普及之前设计初衷从未适配 AI 自主调用、智能推理与动态决策的需求。当 AI 成为工业系统的新用户传统基础设施的结构性短板开始暴露。数据层架构割裂AI 无法高效获取完整数据传统工业数据架构往往是多套异构数据库长期叠加演进的结果。以常见的 HBase Oracle 组合为例HBase 承载设备高频时序数据的海量写入Oracle 存储生产业务的结构化统计数据两套系统各司其职中间依赖复杂的 ETL 管道维系数据流转。随着业务深化向量检索、文本分析等需求出现往往还要再引入独立的向量库与全文检索引擎系统复杂度持续叠加。这种复合架构在传统业务模式下尚可运转但对 AI 智能决策而言却是根本性的障碍。AI 在执行推理时需要同时调取历史时序基线、实时工况流数据、设备档案、工艺文档等多类型数据构建完整的上下文。而在割裂的多库架构中每一次推理都意味着跨库查询、数据拼接、格式转换链路冗长、延迟高、维护成本极大AI 根本无法高效获取可即时用于推理的完整数据。逻辑层封装过深AI 触达不到真正的业务逻辑传统工业软件的设计逻辑本质上是为人服务的平台架构。无论是 SCADA 系统、MES 平台还是各类工业 SaaS对外暴露的是一套面向业务流程的平台级接口——“查询设备状态”、“获取报警记录”、“下发工单”——这类接口有完整的文档调用规范清晰但粒度极粗AI 调用后拿到的只是平台封装好的结论。而真正有价值的业务逻辑藏在更深处设备报警阈值如何判定、健康度模型如何计算、能效公式如何核算、故障诊断规则如何推理——这些行业专属的领域知识与物理约束分散固化在 PLC 底层程序、Python 运维脚本、Java 业务服务的代码深处平台接口根本没有将其暴露出来。AI 触达不到这一层就无法真正理解工业逻辑、参与智能决策只能依赖人工将规则二次翻译为自然语言后再行调用效率低下且极易在转译过程中引入语义偏差导致 AI 幻觉与逻辑漂移。不只是存储而是工业智能的地基面对传统工业基础设施的层层瓶颈DolphinDB 跳出了传统数据库的定位以高性能时序数据库为核心底座向上延伸构建多模存储、复杂分析、生态互联、AI 调度等一体化能力旨在解决传统工业基础设施的核心痛点助力 AI 落地让大模型真正读懂、用好、管控工业现场。多模存储引擎传统多库复合架构下AI 推理每次都需要跨库查询、数据拼接链路冗长、延迟高无法高效获取完整数据上下文。DolphinDB 以多模存储引擎一体化架构直接解决这一问题TSDB处理高频传感器数据每秒百万级写入面向振动监测、电流波形、温控曲线等典型时序场景OLAP承载大规模离线分析如季度能效统计、设备全生命周期性能回溯IOTDB以 IOTANY 可变类型列实现单表管理全量异构测点内置最新值缓存百万点位毫秒级查询OLTP管理设备台账、阈值配置、维保记录等低频但强一致性要求的结构化数据四种引擎在同一平台内协同运行AI 发起调用时无需跨越多套系统在统一查询接口下即可一次性获取所需数据从根本上消除跨库拼数的链路损耗。可组合算子传统工业软件平台封装层级过深对外只暴露粗粒度的业务流程接口AI 调用后拿到的只是封装好的结论真正的业务逻辑——阈值判定、健康度计算、能效核算——深埋底层无从触达。DolphinDB 以原子化函数库的形式重新定义了这一问题的解法将 2000 内置函数直接对外暴露涵盖基础算子与工业业务算子每一个函数都有清晰的语义定义与标准调用规范AI 可直接识别与理解。在此基础上用户可以用脚本自定义函数将特定产线的业务规则、物理约束、计算模型封装为具名的可复用模块这些模块进一步通过 MCP 协议注册为标准工具LLM 可在推理过程中自主选择、组合调用真正触达工业逻辑的执行层。这意味着工业领域知识不再以黑箱形式沉睡在平台底层而是以可调用函数的形态直接暴露给 AI 智能体。业务逻辑由企业自己定义、自己掌控不依赖软件厂商的封装与迭代在实现 AI 原生调用的同时也真正做到了自主可控。插件体系开放生态存储和算子解决了数据用的问题但工业现场数据能否完整汇聚进来同样是 AI 落地的前置条件。工业现场设备品牌分散、协议繁杂大量设备数据因接口不互通而无法接入统一平台AI 的数据上下文从源头就是残缺的。依托完善的开放插件生态DolphinDB 打通了全品类工业设备与第三方系统。平台原生适配 OPC、OPC UA、MQTT 等主流工业协议覆盖制造、电力、油气、冶金等全行业设备通信场景同时支持数据库对接、边缘网关适配、工业互联网平台对接、第三方算法插件拓展构建了完整的工业数据集成生态。由此DolphinDB 成为工业数据的统一汇聚、治理、交互入口实现全域工业数据的标准化接入与统一治理为 AI 提供完整、规整、互通的数据基础。Agent 平台数据、算子、生态打通之后DolphinDB 致力于将这些能力统一纳入 Agent 开发平台为工业 Agent 的构建与运行提供统一底座。在此之上DolphinDB 正逐步推进业务逻辑的 Agent 化面向工业数据开发人才稀缺、业务人员无法自主用数的现实痛点规划围绕数据规划、数据洞察、数据建模三类核心场景构建基础智能体并与核电、电力交易、工艺制造等重点行业合作探索垂直领域 Agent让业务人员只需用自然语言描述需求即可完成过去依赖专业开发的数据任务。DolphinDB AI 产品全景图业务规则以结构化函数的形式硬性约束 LLM 的推理边界AI 输出从自由生成变为有据可查的结构化执行从机制上收窄幻觉与逻辑漂移的发生空间。从数据底座到 Agent 框架DolphinDB 已不再只是一个数据库而是逐步构建起工业 AI 时代的完整能力底座。AI × DolphinDB重新定义工业开发范式在 DolphinDB 的支撑下AI 不再是脱离现场的独立上层应用而是深度融入数据治理、物理计算、业务调度与现场执行的一体化生产力工具构建起安全可控、高效极简、实时闭环的新一代工业智能开发范式。更可靠幻觉被关在笼子里AI 在推理与决策过程中直接调用平台封装好的算子与业务模块工业物理约束、生产工艺规则、安全阈值已内嵌于底层业务逻辑之中AI 的每一步计算都在合规边界内运行。即便模型输出存在偏差也无法触达违规逻辑的实际执行。同时平台完整留存每一次 Agent 决策、算子执行、数据读写的全链路日志所有异常均可精准追溯、实时拦截。更高效自然语言成为新的编程语言工程师无需掌握复杂代码只需用自然语言描述业务需求平台自动完成语义解析、算子编排、任务部署。配置报警策略、搭建数据清洗流水线、定制能耗模型均可通过对话式操作快速完成。成熟业务逻辑封装为可复用的业务算子通过 MCP 协议注册为标准工具供 Agent 跨场景调用实现一次封装、全域复用。更一体化全链路在同一平台内闭环数据采集、特征计算、模型推理、决策下发、落地执行全链路在同一平台内完成无需跨系统数据跳转毫秒级响应。可覆盖预测性维护、能耗优化、质量实时管控等核心工业场景真正实现工业实时智能决策。基础设施即战略工业 AI 的落地上限从不取决于大模型的算法能力而是由工业数据基础设施的能力下限决定。缺少适配 AI 的底层底座再先进的大模型也无法适配工业严苛的物理场景、无法落地真实生产流程。DolphinDB 的持续迭代与价值落地本质上是推动工业领域知识、生产经验与业务逻辑从碎片化代码中释放出来以标准化、可调用的形态真正流通于 AI 决策链路之中打破传统工业软件的架构桎梏填补 AI 与工业现场之间的适配鸿沟。工业智能的终极形态不是用 AI 替代人工与产线而是通过重构底层数据基础设施让每一条产线、每一台设备、每一个生产场景都能沉淀自己的领域知识、运行自己的业务规则最终让工业生产真正迈入自主感知、实时决策、持续进化的全新时代。