DeepSeek們，正在“反向定義”數(shù)據(jù)系統(tǒng)？
原創(chuàng) 一蓑煙雨 | 2025-05-09 22:08
【數(shù)據(jù)猿導讀】 這一輪AI浪潮真正帶來的沖擊，不止在“AI能做什么”，而是在“數(shù)據(jù)系統(tǒng)應該怎樣為AI而變”。它讓我們不得不重新思考一個被忽視已久的問題——我們構(gòu)建的這些數(shù)據(jù)平臺，真的準備好迎接智能時代了嗎？
也許，在某些情況下，我們會面臨這樣一種情況——模型越來越強，效果反而越來越“失控”？
這是個聽起來違背常識的技術困境。模型參數(shù)量從幾億級躍升到千億級，算法架構(gòu)從Transformer到MoE、RAG不斷突破，推理能力和生成能力突飛猛進。但現(xiàn)實中，真正落地到企業(yè)場景里的模型，卻頻頻出現(xiàn)“幻覺”、響應慢、無法追蹤結(jié)果來源等問題。很多時候，模型不是“不智能”，而是被數(shù)據(jù)“困”住了。
讓我們來看一個案例：某大型零售集團，在構(gòu)建自己的AI客服大模型時，訓練使用了大量歷史對話與產(chǎn)品知識庫數(shù)據(jù)，部署上線后卻屢屢出現(xiàn)答非所問、信息滯后等現(xiàn)象。工程團隊排查模型結(jié)構(gòu)、調(diào)整算法參數(shù)無果，最終發(fā)現(xiàn)，問題根源在于：底層數(shù)據(jù)平臺仍是傳統(tǒng)BI系統(tǒng)演化而來，數(shù)據(jù)更新周期長、接口脫節(jié)、缺乏語義組織能力，導致模型根本無法調(diào)動“最新、最相關”的數(shù)據(jù)來做判斷。
再來看一個金融的案例：某家銀行在嘗試用大模型替代部分風控建模流程時，遭遇了數(shù)據(jù)調(diào)用響應延遲的問題。明明業(yè)務側(cè)期望秒級出數(shù)，實際響應卻要“排隊”十幾分鐘。原因不是算力不足，而是數(shù)據(jù)平臺的結(jié)構(gòu)性瓶頸——模型調(diào)用數(shù)據(jù)時，數(shù)據(jù)還需要跨系統(tǒng)聚合、解析、落庫，這讓大模型的“實時推理”淪為笑談。
你擁有再強的模型，也無法穿越一個“低效、靜態(tài)、割裂”的數(shù)據(jù)底座。
所以，大模型的崛起，不僅是算法與算力的突破，還要看背后這一場對數(shù)據(jù)基礎設施的深層清算。
這一輪AI浪潮真正帶來的沖擊，不止在“AI能做什么”，而是在“數(shù)據(jù)系統(tǒng)應該怎樣為AI而變”。它讓我們不得不重新思考一個被忽視已久的問題——我們構(gòu)建的這些數(shù)據(jù)平臺，真的準備好迎接智能時代了嗎？
核心問題：
為什么傳統(tǒng)數(shù)據(jù)系統(tǒng)正在失效？
盡管“數(shù)據(jù)為AI賦能”早已成為行業(yè)共識，但很多人忽略了一點：我們當前使用的大多數(shù)數(shù)據(jù)基礎設施，其實是為傳統(tǒng)、非智能系統(tǒng)設計的。
它們的底層設計哲學，是典型的模塊化工程邏輯——數(shù)據(jù)的生命周期被切分為若干獨立環(huán)節(jié)，從采集→存儲→治理→分析→展示，各自為政、松散耦合。數(shù)據(jù)系統(tǒng)像一條“工廠流水線”，按照預設規(guī)則處理和產(chǎn)出固定的數(shù)據(jù)結(jié)果。
為了提高成本效能，這類系統(tǒng)長期以來偏好“批處理機制”：每天凌晨跑一輪任務，早上生成分析報表，數(shù)據(jù)以T+1為單位循環(huán)更新。它們追求的是穩(wěn)定、可控、合規(guī)，而不是實時性、智能性、動態(tài)性。
這在過去并沒有問題——畢竟業(yè)務需求是線性的、決策頻率是低的，數(shù)據(jù)只要“查得到”，就算完成任務。
然而，大模型時代徹底打破了這一邏輯。
一是“實時性缺失” 成為核心瓶頸。
大模型推理往往基于實時上下文，需要快速獲取、組合和調(diào)用分布在各系統(tǒng)中的數(shù)據(jù)。但傳統(tǒng)平臺要么依賴夜間ETL任務，要么數(shù)據(jù)流轉(zhuǎn)路徑冗長，調(diào)用鏈復雜。面對實時性要求，大模型“等不到數(shù)據(jù)”，只能“自說自話”。
二是“語義割裂” 導致理解障礙。
大模型訓練和推理依賴的是“語義表示”，而不是“字段匹配”。但傳統(tǒng)數(shù)據(jù)倉庫以結(jié)構(gòu)化數(shù)據(jù)為主，字段命名五花八門、缺乏統(tǒng)一的元數(shù)據(jù)標準，更遑論向量表達或上下文語義。這意味著，即便模型調(diào)到了數(shù)據(jù)，也很難正確理解其含義。
三是缺乏“模型聯(lián)動機制”，難以形成閉環(huán)。
模型運行狀態(tài)對數(shù)據(jù)沒有“感知能力”，數(shù)據(jù)也無法根據(jù)模型任務“動態(tài)調(diào)度”。比如，當模型識別到某個意圖變化，需要補充某類數(shù)據(jù)時，傳統(tǒng)系統(tǒng)往往無法實時響應，只能通過人工配置再跑一遍流程，整個鏈條既低效又僵硬。
簡而言之，大模型需要的是“有語義的活數(shù)據(jù)”，而傳統(tǒng)系統(tǒng)提供的是“結(jié)構(gòu)化的死數(shù)據(jù)”。
這一邏輯錯位，正是當前很多企業(yè)在大模型應用中“有力使不出”的根源。
總結(jié)一下，可以簡明呈現(xiàn)如下對比：
傳統(tǒng)的數(shù)據(jù)系統(tǒng)邏輯，并沒有“錯”。它只是被設計在一個不需要智能、也沒有模型的年代。但今天，模型已經(jīng)變成新的決策中樞，而數(shù)據(jù)系統(tǒng)卻仍停留在為“人”準備報表的時代。
關鍵變化：
大模型正在提出“反向定義”的新標準
大模型帶來的，不只是模型本身的突破，更是一次對數(shù)據(jù)系統(tǒng)的“反向?qū)徱?rdquo;。
過去，數(shù)據(jù)系統(tǒng)怎么設計？我們先有系統(tǒng)、再采集數(shù)據(jù)、再儲存起來，最后給人或報表使用。模型只是一個“用戶”而已，來這里“查一查”“取一取”，這套邏輯從未被挑戰(zhàn)。
但大模型的出現(xiàn)，把整個鏈條倒了過來——模型不再是數(shù)據(jù)系統(tǒng)的終點，而成了數(shù)據(jù)系統(tǒng)的“指揮官”。
它需要數(shù)據(jù)不只是“能查”，而是能理解、能響應、能協(xié)同。這背后意味著：數(shù)據(jù)系統(tǒng)正在從“以人類為中心”走向“以模型為中心”。我們稱之為：模型原生數(shù)據(jù)架構(gòu)（Model-Native Infra）。
這種架構(gòu)，有三個關鍵變化：
1. 數(shù)據(jù)要“懂語義”，而不是只管字段
在傳統(tǒng)系統(tǒng)里，數(shù)據(jù)是表格、字段、值——一切都圍繞結(jié)構(gòu)和格式展開。
但對大模型來說，數(shù)據(jù)的格式不重要，“你想表達什么”才重要。
比如，人說“這筆訂單很晚才發(fā)貨”，傳統(tǒng)系統(tǒng)看到的是“訂單表的發(fā)貨時間字段”；而大模型則需要理解：這個句子背后表達的是客戶對物流體驗的不滿。
所以，新的數(shù)據(jù)系統(tǒng)必須學會：把數(shù)據(jù)變成“可以理解的意義”，而不是冷冰冰的記錄。
這就要求數(shù)據(jù)具備“語義表達能力”——哪怕是文本、圖像、視頻，也能轉(zhuǎn)化為模型能理解的“語義信息”。
2. 數(shù)據(jù)要能“主動配合”，而不是被動等待調(diào)用
以前的數(shù)據(jù)系統(tǒng)是靜態(tài)的：你問，我答；不問，就等著。
但大模型運行起來，是實時的、上下文驅(qū)動的。它在回答每一個問題時，可能隨時需要補充更多信息。
這時候，如果數(shù)據(jù)系統(tǒng)還是原來那套“慢悠悠、任務式”的調(diào)用方式，模型根本等不及。
未來的數(shù)據(jù)系統(tǒng)要變成像“智能助手”那樣，能主動感知模型需要什么、何時需要，然后迅速把數(shù)據(jù)推送上去。
就像給人類一個“資料助理”——你還沒開口，它就知道你需要哪段數(shù)據(jù)來支撐觀點。
3. 數(shù)據(jù)與模型要“共進化”，而不是各走各路
最關鍵的一點是：大模型不僅使用數(shù)據(jù)，也會改變數(shù)據(jù)系統(tǒng)本身。
什么意思？
比如，模型訓練后發(fā)現(xiàn)有些客戶行為預測不準，那可能說明我們原本用的客戶標簽太粗糙、缺了某些關鍵因素；
再比如，模型對某類內(nèi)容理解偏差，可能是因為數(shù)據(jù)源的覆蓋不全。
這些反饋其實都在告訴我們：你得調(diào)整數(shù)據(jù)結(jié)構(gòu)，甚至重建數(shù)據(jù)標簽體系，來配合模型的學習和判斷。
所以，數(shù)據(jù)系統(tǒng)不能只是一個“存儲中心”，它得變成一個能和模型一起學習、一起改進的系統(tǒng)。
這些變化背后揭示的是一個核心邏輯：模型已經(jīng)不是“數(shù)據(jù)的用戶”，而是“數(shù)據(jù)系統(tǒng)的設計師”。
我們必須重新設計數(shù)據(jù)系統(tǒng)，讓它真正能服務于AI，而不是讓AI委曲求全地適應老舊的數(shù)據(jù)倉庫邏輯。
戰(zhàn)略判斷：數(shù)據(jù)系統(tǒng)重構(gòu)
將成為智能化時代的勝負手
在傳統(tǒng)認知里，數(shù)據(jù)系統(tǒng)常常是“配角”——后臺運行、默默支撐，不搶鏡頭、不出風頭。企業(yè)更關注的是前臺的模型效果、算法精度、算力資源。數(shù)據(jù)平臺，只要“跑得動”“查得到”，似乎就夠了。
但這種認知，正在被大模型徹底顛覆。
今天，模型能力再強，如果背后沒有高質(zhì)量、響應快、能理解的“數(shù)據(jù)系統(tǒng)”支撐，智能也只能原地打轉(zhuǎn)。
反過來，即使沒有自研頂級模型，只要你掌握了數(shù)據(jù)的語義組織與流動機制，也許依然可以實現(xiàn)業(yè)務智能化的“曲線超車”。
我們必須認識到：數(shù)據(jù)系統(tǒng)已經(jīng)從“后臺配角”，變成了智能時代的“第一生產(chǎn)力”。
在某種程度上，它將成為企業(yè)智能力的“分水嶺”。
未來，決定一個企業(yè)AI邊界的，不僅是模型有多大，還是數(shù)據(jù)能流多快、語義能走多深。
一個靈活的數(shù)據(jù)系統(tǒng)，能夠?qū)崟r接收新信息、動態(tài)響應業(yè)務意圖、同步調(diào)整語義標簽——它就是企業(yè)的“神經(jīng)系統(tǒng)”；而一個僵化的數(shù)據(jù)平臺，只會讓模型變成“套在鐵軌上的火箭”，想快也快不起來。
所以，真正的AI競爭力，不僅在于“你擁有什么模型”，還在于：
你有沒有構(gòu)建“數(shù)據(jù)流”的能力，而不僅僅是“數(shù)據(jù)倉庫”；
你能不能讓數(shù)據(jù)具備語義，而不僅僅是字段和表格；
你能不能實時響應業(yè)務意圖，而不僅僅是預設查詢?nèi)蝿眨?/p>
你有沒有一套“智能協(xié)作機制”，讓模型和數(shù)據(jù)共同演進。
對企業(yè)而言，這不僅是一次架構(gòu)升級，更是一次戰(zhàn)略轉(zhuǎn)向。要走向“模型原生”的數(shù)據(jù)范式，有三個方向值得重點投入：
1. 打破數(shù)據(jù)孤島，重構(gòu)數(shù)據(jù)治理邏輯
不同業(yè)務系統(tǒng)之間的數(shù)據(jù)必須聯(lián)通，并實現(xiàn)標簽體系、語義標準的統(tǒng)一，讓數(shù)據(jù)能跨部門、跨系統(tǒng)流動。
2. 構(gòu)建語義層與知識統(tǒng)一體系
建立跨系統(tǒng)的語義中臺，抽象出“概念層”，為模型提供更高維度、更具可解釋性的信息。
3. 為Agent和大模型構(gòu)建“數(shù)據(jù)交互界面”
數(shù)據(jù)系統(tǒng)不再是“人點菜單”，而是要支持模型自動調(diào)用、靈活組合、實時反饋，形成從“模型意圖→數(shù)據(jù)響應→結(jié)果調(diào)整”的閉環(huán)。
這是一場正在逼近的基礎設施競賽，也是一場決定未來認知差距的底層戰(zhàn)役。
有人還在“怎么把模型接進業(yè)務”，而有些公司已經(jīng)在問——我們的數(shù)據(jù)系統(tǒng)，是不是已經(jīng)足夠聰明，能聽懂模型在說什么？”
真正領先的，不僅是用上了哪一版模型，還是擁有能與模型共生演進的底座能力。
綜上，在今天的大模型熱潮中，公眾的注意力被模型參數(shù)、推理速度、應用場景所吸引。但真正深刻的變革，往往不會從“舞臺中央”開始，而是從后臺系統(tǒng)、底層架構(gòu)、技術棧的縫隙間悄然發(fā)生。
數(shù)據(jù)基礎設施，正是這場智能化革命中最被低估的“隱秘主角”。
它曾是幕后支撐，如今正逐步走到臺前。它正在完成一場從“記錄工具→“智能助手”→“協(xié)同操作系統(tǒng)”的進化。企業(yè)不再只關注“有沒有數(shù)據(jù)”，而是要追問“數(shù)據(jù)是否能理解業(yè)務，能服務模型，能適應變化”。
這不是一場單純的技術升級，而是一種思維模式的反轉(zhuǎn)：
從為人而設計的系統(tǒng)，變成能為AI協(xié)作設計的系統(tǒng)；
從“數(shù)據(jù)資產(chǎn)”概念，走向“數(shù)據(jù)智能體”實踐；
從存儲驅(qū)動，轉(zhuǎn)向語義驅(qū)動和流動驅(qū)動。
這也意味著，企業(yè)在構(gòu)建智能能力時，必須從模型的高度，重新審視自己的數(shù)據(jù)系統(tǒng)是否跟得上了。
我們已經(jīng)學會了訓練大模型，是時候重新設計支撐它們的“數(shù)據(jù)地基”。
未來的AI將基于多元模型與智能體，打通設備、邊緣、云端場景，無縫服務企業(yè)與個人，而聯(lián)想正憑借核心技術與算力優(yōu)勢，在這條道路上穩(wěn)步前行，重塑人機交互范式與AI發(fā)展格局。
來源：數(shù)據(jù)猿
刷新相關文章
聯(lián)想發(fā)布多款超級智能體，端側(cè)AI開啟規(guī)?；涞?
我要評論
不容錯過的資訊
-
1雙輪驅(qū)動保險未來：2025壽險科技創(chuàng)新論壇
-
2大模型重塑服務生態(tài)，容聯(lián)七陌「AI進化論
-
3百度Create大會啟示錄：中國AI產(chǎn)業(yè)如何構(gòu)
-
4聯(lián)想多款超級智能體身手不凡，讓AI成為創(chuàng)
-
5傲鯊智能連續(xù)完成兩輪融資，彬復領投、老
-
62025醫(yī)藥數(shù)智營銷創(chuàng)新峰會圓滿落幕！
-
72025中國AI算力領域最具商業(yè)合作價值企業(yè)
-
82025年，數(shù)據(jù)產(chǎn)業(yè)的「信任革命」
-
9數(shù)字中國建設峰會解鎖“支付寶碰一下”，
-
10寶馬年內(nèi)將為多款中國在售新車接入DeepSe
大數(shù)據(jù)企業(yè)推薦more >
大家都在搜
