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。
