企业AI导入，停滞不在模型而在‘数据基础’……湖仓一体或是解决之道？_新闻

免责声明：内容不构成买卖依据，投资有风险，入市需谨慎！

企业AI导入，停滞不在模型而在‘数据基础’……湖仓一体或是解决之道？

2026-04-25 11:47:25

企业AI引入未达预期的根本原因

有观点指出，企业引入人工智能的速度未能达到预期，其背后存在比模型性能更为根本的问题。原因在于传统数据基础设施并非为支撑大规模“智能工作负载”而设计。业界正关注一体化的“数据湖仓”架构，以作为解决这一问题的替代方案。

传统企业的数据困境

对于那些数十年来各部门分别构建系统的传统企业而言，问题尤为严重。数据分析咨询公司Quantiphi的全球数据与分析负责人德夫普里约·纳格诊断称，企业在准备迎接“智能体AI”时代的过程中，若不能解决数据层累积的技术债务，就可能构建出在实际运营环境中极易动摇的AI体系。

出版巨头的转型案例

他举了与约翰·威利父子公司的合作项目为例。这家拥有219年历史的出版商在十多年间积累了分散的数据环境，各业务部门以不同结构管理着数万个数据表。纳格解释道：“数据分散在大约三万个表中，遍布各个业务部门，且运作方式各异。我们无法为下游AI或商业智能应用赋予数据上下文，也难以连接不同领域的数据。”

当现有的供应商合约临近续约时，威利公司并未选择简单续签，而是转向全面重新设计其数据架构。该公司技术集团副总裁梅胡尔·特里维迪表示，他们开始质疑现有生态系统是否值得继续投资，抑或需要为基于AI与机器学习的新时代做好准备。构建一个可靠、统一的数据生态系统成为核心任务。

构建统一数据基座

公司选择了谷歌云的大查询作为新基础，主要考量在于成本效益、技术集成度及开源灵活性。同时，借助Quantiphi的AI迁移工具，在六至九个月内转移了约300太字节的数据。纳格指出，通常需要一至两年的工作，通过AI代理在查询转换、管道迁移和验证全流程中实现自动化，从而提升了速度与准确性。

这一案例表明，企业的AI竞争力不仅在于引入高性能模型，更取决于能否将数据以一致且互联的方式进行整理。如果数据烟囱结构依然存在，AI在学习和推理过程中将损失大量上下文，其业务效用也必然降低。

决胜关键在于长期准备

特里维迪强调，未来在AI竞争中领先的企业，将是那些着眼“长期备战”而非短期绩效的机构。他表示：“关键在于如何构建未来十年能在这种环境中竞争的组织。”这需要人才投资与组织学习体系建设双管齐下。

归根结底，数据湖仓战略不仅是基础设施的更换，更是企业AI体质的改善。在数据分散、规格不一的状态下，无论搭载多么先进的AI，都难以确保扩展性与可靠性。既然企业AI引入迟滞的症结在于数据基础而非模型本身，那么未来市场的决胜点，或更在于谁率先构建起“井然有序的数据基石”，而非单纯的技术本身。

免责声明：

本网站、超链接、相关应用程序、论坛、博客等媒体账户以及其他平台和用户发布的所有内容均来源于第三方平台及平台用户。百亿财经对于网站及其内容不作任何类型的保证，网站所有区块链相关数据以及其他内容资料仅供用户学习及研究之用，不构成任何投资、法律等其他领域的建议和依据。百亿财经用户以及其他第三方平台在本网站发布的任何内容均由其个人负责，与百亿财经无关。百亿财经不对任何因使用本网站信息而导致的任何损失负责。您需谨慎使用相关数据及内容，并自行承担所带来的一切风险。强烈建议您独自对内容进行研究、审查、分析和验证。

展开阅读全文