編輯｜冷貓、Panda

「2025 年，注定被銘記為 AI 工業(yè)時代的黎明?！?/p>

回望這一年，吳恩達教授曾這樣感慨。

這一年，大量企業(yè)你追我趕，投身于 AI 應用及 Agent 建設。然而，許多企業(yè)或許尚未意識到：如果 AI 競速只停在應用層，可能連這場競爭的「起跑線」都尚未站上。

AI 時代，數(shù)智化表面是模型的狂歡，底層是基建的深耕。

唯有能支撐 AI 應用規(guī)?；涞氐臄?shù)據(jù)基座，才能構筑企業(yè)真正的競爭力。

近來， AI 行業(yè)普遍認為我們正在進入所謂的「AI 下半場」，而此時行業(yè)面臨的一大關鍵問題是「究竟應該讓 AI 去做什么？又該如何衡量真正的進展？」

而這個問題的答案也基本已有共識：要想在這下半場脫穎而出，我們需要及時轉變思維方式，應當用 AI 的思維，把該做的事情重新做一遍。

與上一階段不同，這一階段的企業(yè)數(shù)據(jù)，不再等待人來解讀，而是被模型直接「消費」。

以音頻數(shù)據(jù)應用為例，AI 時代，音頻數(shù)據(jù)不應只是一份錄音數(shù)據(jù)存檔，還應成為可查詢和交互的信息源，比如應該支持查找「錄音中的人是客戶 A ，上周在另一業(yè)務有投訴記錄」這類關聯(lián)信息。這種跨模態(tài)的關聯(lián)性，是實現(xiàn)模型復雜推理的基礎。

推及其他行業(yè)：

• 在智能駕駛中，道路視頻、點云與傳感器數(shù)據(jù)需要被實時送入智能體，支撐感知、規(guī)劃與異常檢索；
• 在游戲行業(yè)，需要將對話、行為與世界觀等多模態(tài)數(shù)據(jù)沉淀為長期記憶，用于沉浸式 NPC 與自動化資產(chǎn)生成；
• 在傳媒行業(yè)，需要使用視頻、音頻與用戶互動數(shù)據(jù)來驅動內容生成與精準分發(fā)；
• 在電商領域，商品圖文與交易數(shù)據(jù)直接喂給模型，實現(xiàn)智能選品與個性化推薦。

因此，對多種模態(tài)數(shù)據(jù)的處理與使用的能力，正在影響各行業(yè)商業(yè)競爭的形態(tài)與上限

接下來的風口要踏在哪里？我們關注到了火山引擎近期發(fā)布的《AI 時代企業(yè)數(shù)據(jù)基建升級路線圖》。

它在開篇寫到：AI 時代，數(shù)據(jù)基建已經(jīng)成為決定企業(yè)競爭高度的戰(zhàn)略資產(chǎn)

筆者深以為然。

企業(yè)要發(fā)展可以處理多模態(tài)數(shù)據(jù)的底層基建。因為 AI 時代最深的紅利，并不在于「擁有」SOTA 的模型，而在于能否持續(xù)「駕馭」并「滋養(yǎng)」它。更進一步，可以說構建多模態(tài)數(shù)據(jù)湖已經(jīng)成為企業(yè)參與這場 Agent 競賽的必選項。

傳統(tǒng)數(shù)據(jù)湖與多模態(tài)數(shù)據(jù)湖對比，圖像由 AI 生成。

Agent 時代，這是你不能錯過的風口

智能的涌現(xiàn)扎根于堅實、鮮活且可進化的數(shù)據(jù)土壤。

尤其在 Agent 時代的到來之際，企業(yè)競速也正由數(shù)據(jù)基建分野：領先者正將沉睡的非結構化數(shù)據(jù)轉化為可用的競爭力，而落后者由于非結構化數(shù)據(jù)資產(chǎn)仍處于休眠狀態(tài)，而只得徘徊在 Agent 應用的起點。

當行業(yè)的聚光燈都投向大模型或智能體本身時，真正的競爭已轉入水下，即底層的、支撐多模態(tài)數(shù)據(jù)的數(shù)據(jù)工程

喚醒數(shù)據(jù)，化「沉睡庫存」為核心資產(chǎn)

IDC 預測，2025 年企業(yè)超過 80% 的數(shù)據(jù)將是非結構化的。

這些長期堆積的視頻、音頻、圖像和傳感器數(shù)據(jù)，曾被視為「數(shù)字負債」。然而，多模態(tài)與大模型技術的成熟，正讓它們煥發(fā)前所未有的價值。

以制造業(yè)為例，以往無人問津的歷史故障錄像，經(jīng)大模型解析與標注，即可成為「智能知識庫」。新員工用自然語言提問，便能精準調取同類故障的處理記錄 —— 沉寂數(shù)據(jù)瞬間轉化為實戰(zhàn)生產(chǎn)力。

本質上，AI 時代的數(shù)據(jù)基建，正通過向量化等處理能力，讓非結構化數(shù)據(jù)真正「活」起來，使其從被動存儲的負擔，變?yōu)榭呻S時調用、持續(xù)學習的戰(zhàn)略資源。

喚醒這 80% 的數(shù)據(jù)，是在 Agent 時代構建競爭力的工程前提。

讓數(shù)據(jù)資產(chǎn)驅動業(yè)務，啟動飛輪

強大的數(shù)據(jù)基建能構建數(shù)據(jù)、模型與業(yè)務深度耦合的閉環(huán)，真正「讓模型自主成長」，為 Agent 賦予更多智能。

一個優(yōu)秀的數(shù)據(jù)架構，需在企業(yè)數(shù)據(jù)平臺、MaaS（模型即服務）平臺、Agent 開發(fā)工具與應用之間建立高效的數(shù)據(jù)流通管道，否則數(shù)據(jù)會停留于「孤島」，智能難以落地。

典型的例子是傳統(tǒng)智能客服：盡管不斷采集用戶的語音、文本、截圖與操作軌跡，卻因模型與業(yè)務間數(shù)據(jù)不通，導致客服模型始終重復犯錯、體驗停滯，陷入「千人一面」的困境。

我們發(fā)現(xiàn)，火山引擎通過多模態(tài)數(shù)據(jù)湖與 AgentKit、火山方舟等產(chǎn)品的聯(lián)動，已驗證了數(shù)據(jù)、模型、業(yè)務打通的可行性。在零售行業(yè)中，完善的多模態(tài)數(shù)據(jù)湖不僅能分析銷售報表，還可實時捕捉顧客行為、評論與畫像。這些鮮活數(shù)據(jù)持續(xù)回流，使企業(yè) AI 能力能隨業(yè)務不斷演進。

這種「業(yè)務滋養(yǎng)模型、模型反哺業(yè)務」的閉環(huán)，使企業(yè) AI 能力可伴隨業(yè)務持續(xù)進化，這正因為此，多模態(tài)數(shù)據(jù)湖成為了 Agent 時代構建智能護城河的必選項。

讓業(yè)務擁有錨點，獲得未來的確定性

新一代數(shù)據(jù)基建通過統(tǒng)一的數(shù)據(jù)與計算底座，以同一平臺支撐多模態(tài)數(shù)據(jù)，并持續(xù)適配技術演進。

以某安防企業(yè)為例，傳統(tǒng)數(shù)據(jù)管理體系下，如果從視頻監(jiān)控擴展至智能識別，往往需為不同算法供應商重建獨立的計算平臺與數(shù)據(jù)庫，導致內部數(shù)據(jù)不互通、煙囪林立。巨大的管理和技術成本，會拖累企業(yè)創(chuàng)新動力。

而統(tǒng)一的多模態(tài)數(shù)據(jù)湖體系，能以統(tǒng)一元數(shù)據(jù)管理結構化和非結構化數(shù)據(jù)，提供面向 AI 的靈活數(shù)據(jù)集能力，支持數(shù)據(jù)快速探查與調用。通過標準化存儲與可擴展接口，系統(tǒng)能在上層屏蔽底層模型的頻繁迭代，使數(shù)據(jù)始終以對模型友好的形態(tài)穩(wěn)定輸入。

這意味著，當該企業(yè)未來業(yè)務從「視頻監(jiān)控」拓展至「自動巡檢」、「人流預測」等領域時，可低成本接入新算法模塊，無需顛覆底層架構。

「基建不動，技術常新」，在追求敏捷響應速度的 Agent 時代，這種具備工程確定性的多模態(tài)基座正在成為架構的必選項。

升級三部曲：積累，重構，融合

火山的這份「數(shù)據(jù)基建升級路線圖」之所以值得展開聊聊，是因為它在行業(yè)內率先為企業(yè)提供了一套從「擁有模型」到「駕馭智能」的數(shù)據(jù)基建進化藍圖。在 Agent 時代，它為企業(yè)提供一套實現(xiàn)多模態(tài)數(shù)據(jù)湖的清晰演進路徑。

這個藍圖可作為重要的參考框架，企業(yè)可結合業(yè)務特點與發(fā)展階段，衍生出適合自身的基建升級路徑，進而在 Agent 時代構筑自己的核心競爭力。

具體而言，火山引擎將企業(yè)數(shù)據(jù)基建的演進分為了三步漸進式過程。

異構算力與分布式引擎階段

這一階段的核心是突破算力瓶頸。為應對大規(guī)模數(shù)據(jù)處理與大模型訓練的需求，傳統(tǒng)僅依賴 CPU 的架構已難以滿足 AI 時代對存儲與計算的高實時性要求。企業(yè)需轉向為 AI 任務量身打造的 CPU+GPU 異構架構，實現(xiàn)靈活調度。

這一階段的核心目標是：數(shù)據(jù)「進得來，跑得快」，并原生支持 AI 服務。在異構算力的支撐下，企業(yè)能在技術快速迭代中平衡性能與成本，真正讓算力服務于業(yè)務與模型增長。整體來說，這一階段可為多模態(tài)數(shù)據(jù)湖這一必選項提供堅實的物理支撐。

模型即引擎與多模態(tài)重構階段

在算力基礎就緒后，需進一步推動數(shù)據(jù)基建與 AI 的深度融合。本階段的關鍵在于將預訓練大模型嵌入數(shù)據(jù)流水線，實現(xiàn)文本、圖像、音頻等多模態(tài)數(shù)據(jù)向統(tǒng)一語義向量與高價值知識標簽的自動轉換。

Agent 時代，數(shù)據(jù)價值不在于「存量」，而在于能被 AI 調用的「流量」。通過向量化處理，企業(yè)的多模態(tài)資產(chǎn)第一次真正實現(xiàn)通用「可讀、可感、可交互」。該過程直接發(fā)生于數(shù)據(jù)基建層，從源頭確保企業(yè)數(shù)據(jù)對大模型友好，使其可隨時被檢索、推理與學習，賦能全感官業(yè)務洞察。

因此，這一階段可使多模態(tài)數(shù)據(jù)湖成為 Agent 識別與推理的邏輯重心，進一步確立了其作為基建必選項的地位。

全域數(shù)據(jù)治理與平臺融合階段

目標是在管理層面對數(shù)據(jù)資產(chǎn)進行統(tǒng)一管控，推動全域數(shù)據(jù)的治理、價值激活與安全合規(guī)。

這意味著 AI 能力可深度融入每一條業(yè)務流程，激活分散在不同系統(tǒng)與形態(tài)中的數(shù)據(jù)資產(chǎn)，并將其持續(xù)轉化為增長動能。統(tǒng)一的數(shù)據(jù)治理體系不僅能顯著降低安全與合規(guī)風險，還可大幅提升數(shù)據(jù)復用效率，助力企業(yè)將技術優(yōu)勢系統(tǒng)化、可持續(xù)地轉化為長期競爭力。

這一階段標志著多模態(tài)數(shù)據(jù)湖從單一的技術底座演變?yōu)槿虻闹悄苤袠校瓿闪似渥鳛?Agent 時代必選項的最后拼圖。

Agent 時代數(shù)據(jù)基建的選型指南

國內云廠商都在積極擁抱 Agent 時代的技術升級，從各大廠商的進度來看，對多模態(tài)數(shù)據(jù)的「存、算、管」重視度在持續(xù)提升。其中，我們觀察到火山引擎「多模態(tài)數(shù)據(jù)湖」在行業(yè)內的進展最快，能夠提供數(shù)據(jù)統(tǒng)一入湖與治理能力，在算子體系、性能優(yōu)化、異構算力調度以及與大模型生態(tài)的無縫協(xié)同方面形成了更完整的一體化方案。

同時通過觀察行業(yè)內其他廠商面向多模態(tài)數(shù)據(jù)的方案方向，我們也在思考：AI 和 Agent 時代的企業(yè)需要的數(shù)據(jù)基建，到底應該是什么樣的？

綜合起來，我們認為企業(yè)應將以下特質列為 AI 數(shù)據(jù)基建的必選項。

從「存儲中心」到「價值中心」

在 AI 浪潮下，企業(yè)首先撞上的，是數(shù)據(jù)體系的根本性變革。

一方面，數(shù)據(jù)規(guī)模動輒 PB 級，非結構化格式復雜，處理流程高度碎片化，還要同時承載 CPU + GPU 混合負載與復雜作業(yè)調度；另一方面，大量數(shù)據(jù)分散存儲、難以統(tǒng)一檢索，無法被模型高效消費，數(shù)據(jù)準備周期越來越長，成本卻持續(xù)上升。

真正有價值的數(shù)據(jù)，是能被快速獲取、被模型理解、能轉化為 Token 并直接參與推理與訓練的數(shù)據(jù)。而那些無法被向量化、無法進入模型工作流的數(shù)據(jù)，正在從資產(chǎn)變成沉重的存儲負擔。

AI 時代的數(shù)據(jù)底座，是從「存儲中心」轉向「價值中心」的底座。

業(yè)務優(yōu)先，回歸實用主義

在技術變革快速的當下，除去技術復雜性之外，企業(yè)更大的挑戰(zhàn)是：數(shù)據(jù)基建與業(yè)務脫節(jié)。

當前很多企業(yè)同時面臨多模態(tài)數(shù)據(jù)分散、訓練與生產(chǎn)割裂、血緣與版本缺失、質量評估與數(shù)據(jù)反饋閉環(huán)不足的問題。結果是數(shù)據(jù)冗余高、問題排查難、準備周期長，而業(yè)務決策卻越來越依賴實時與精準。

在這種背景下，盲目堆算力、追求極限性能，反而成了負擔。AI 時代最昂貴的基建，是那些無法轉化為業(yè)務價值的閑置能力。

衡量一套數(shù)據(jù)基建是否先進，在于它是否能以最低成本、最快速度完成從數(shù)據(jù)輸入到業(yè)務決策的閉環(huán)，并持續(xù)驅動數(shù)據(jù)飛輪運轉。

開放解耦，對沖未來不確定性

隨著模型與技術路線持續(xù)快速更迭，企業(yè)面臨的另一項長期風險正在顯現(xiàn)：如果數(shù)據(jù)基建隨模型變化不斷重構，系統(tǒng)將永遠處于遷移與動蕩之中。

在多模態(tài)數(shù)據(jù)規(guī)模持續(xù)膨脹、合規(guī)與安全要求不斷提高的背景下，這種反復重構的代價幾乎不可承受。

因此，解耦與開放的能力決定了成為企業(yè)的「生存能力」。通過模塊化、可替換的數(shù)據(jù)與 AI 基礎設施，企業(yè)才能在模型更替、技術躍遷時實現(xiàn)平滑升級，既保持系統(tǒng)穩(wěn)定，又持續(xù)吸收新能力，將技術不確定性轉化為長期競爭力。

在 AI 時代，模型會不斷過時，真正具有長期價值的，只有數(shù)據(jù)資產(chǎn)與承載它的基礎設施彈性。

這使得多模態(tài)數(shù)據(jù)管理必須從「存得全、存得久」升級為「取得快、讀得懂」的針對業(yè)務模式的系統(tǒng)性工程。

我們觀察到火山引擎多模態(tài)數(shù)據(jù)湖有一個非常有意思的理念。

其提出了「樂高式」可組合底座的觀點，與其他云廠商的解決方案大相徑庭。這種方式支撐企業(yè)以樂高積木般靈活、高效的方式，自主構建上層應用與智能體。

在這種框架下，企業(yè)可以根據(jù)現(xiàn)有的技術情況，選擇漸進式的解決方案，同時可以模塊化設計數(shù)據(jù)與智能架構，結合自身業(yè)務來進行組合式的升級，方案完全「量身定做」。

從行業(yè)視角看，這一設計理念呼應了企業(yè)長期的 AI 戰(zhàn)略 —— 讓數(shù)據(jù)基礎設施具備持續(xù)演進的能力，使企業(yè)在快速迭代的技術環(huán)境中，始終擁有自主調整與進化的空間。

目前火山的多模態(tài)數(shù)據(jù)湖，已經(jīng)在智駕、游戲、傳媒等多個行業(yè)落地。

• 在某智駕企業(yè)的模型訓練中，該方案可在 150–200 毫秒內完成 12 億級別數(shù)據(jù)的「以圖搜圖」，性能提升20 倍以上；
• 某游戲企業(yè)在 AI NPC 模型訓練過程中，音視頻數(shù)據(jù)加工效率提升50%
• 應用于某頭部傳媒企業(yè)的媒資平臺后，其內容生產(chǎn)與運營效率提升90%

這些實踐表明了采用多模態(tài)數(shù)據(jù)湖的必要性，同時也揭示出：AI 和 Agent 時代，用好多模態(tài)數(shù)據(jù)，可以激發(fā)出推動企業(yè)智能化躍遷的潛能。千行百業(yè)，都值得以此為起點，探索數(shù)據(jù)基建的更多可能，擁抱智能時代的風口。

結語

當下，企業(yè)正站在一場深刻技術變革的洪流之中。

AI 落地的前提，是多模態(tài)數(shù)據(jù)處理走向標準化與智能化。對堅定投身于 AI 浪潮的企業(yè)來說，在見證大模型所帶來的能力飛躍的同時，更應關注到多模態(tài)數(shù)據(jù)管理作為基礎設施的必要性。

構建能夠支撐未來十年 AI 發(fā)展的數(shù)據(jù)基座，是這場變革中最應錨定的重心。

對企業(yè)而言，多模態(tài)數(shù)據(jù)湖的意義遠不止步于一套數(shù)據(jù)架構。它是承載 AI 應用持續(xù)演進的土壤，是企業(yè)在技術紅利窗口期建立確定性的基礎。

是的，正如我們已經(jīng)在文中多次強調的那樣：多模態(tài)數(shù)據(jù)湖已經(jīng)不再只是可有可無的優(yōu)化項，而是企業(yè)進入智能賽道的必選項。

它賦予企業(yè)的，是在 Agent 時代中「以靜制動」的底氣，也是在變革中持續(xù)進化的能力。