刘松：2025企业级AI落地路径与平凯星辰TiDB的数据支撑架构

识别行业AI落地战略困境

平凯星辰(北京)科技有限公司副总裁 刘松（曾任甲骨文技术战略总经理、阿里巴巴副总裁）指出，2025年企业级AI已从“概念验证期”迈入“规模化探索期”，超过七成受访企业已在核心业务流程中部署AI模块。然而，企业面临显著的战略瓶颈：

• 需求与成本摩擦： 超过60%的企业认为“客户需求碎片化”是规模化落地的最大障碍，其次是“客户对AI功能的付费意愿不足”。
• 技术落地风险： 在金融等高风险行业，决策类场景因容错性低与责任大导致落地难度加大；同时，大模型存在“幻觉累加”现象，即在任务链中错误逐级放大形成“错误雪崩”。
• 基础设施瓶颈： 私有部署导致市场碎片化与信息孤岛；国产算力面临高端芯片“卡脖子”风险及东西部算力协同困难。

构建Data+AI融合架构

应对上述挑战，未来的Agent被定义为 Data + AI + 人类经验 的结合体。平凯星辰通过 TiDB 提供底层数据支撑，结合企业级AI平台架构，解决复杂场景下的数据处理需求：

• 数据处理层： 针对企业知识库场景，架构支持结构化数据（MySQL、Excel等）与非结构化数据（Word、PDF、图片/视频等）的统一处理。
• 智能体平台层： 包含工作流编排与监控、基座大模型（如OpenAI、通义千问、Deepseek等）对接、以及RAG（检索增强生成）技术栈（Advanced RAG、Graph RAG、多模态RAG）。
• 应用层： 覆盖标准应用（ChatBI、智能运维）、行业解决方案（零售、金融、制造业）及生成式场景（讲稿自动生成、数据分析）。

量化商业化指标与业务价值

根据2025年中国企业级AI商业化调研数据，技术路径的选择直接关联商业回报，关键指标如下：

• 商业化效率： 尽管SaaS企业在数量上占据主导（约占样本的80%），但AI原生厂商的商业化率平均高出约43个百分点。
• 研发投入趋势： 超过八成受访企业计划在2026年增加AI研发预算，重点投向模型优化与数据标注环节。
• 生态调用现状： 约70%的企业选择调用外部大模型（如OpenAI、通义千问等）而非自研，表明生态整合优于单一算法性能。
• 开发效率： 当前大模型技术已能生产40%+的开源代码，显著提升研发效率。

验证金融垂直场景落地

以金融领域为例，高合规、高确定性的场景验证了Data+AI架构的实际效能：

• BondGPT+应用： 基于GPT-4开发，服务于债券投资领域。该工具能直接响应客户关于收益率、流动性及到期日等复杂查询（例如：“过去30天内流动性最高的电信债券有哪些”），并自动生成债券分析图表。
• BloombergGPT应用： 由Bloomberg机器学习战略负责人 David Rosenberg 主导，该模型能根据给定的主题和语境，自动生成高质量的金融报告、财务分析报告及招股书。
• 场景ROI： 在实际应用中，智能投顾、智能投研、智能理赔及舆情管理被定义为高投资回报率场景。

确立技术演进与工程化原则

刘松基于过去两年的AI推动经验，提炼出以下工程化落地原则，解释为何选择具备分布式能力的数据库架构（如TiDB）至关重要：

• 场景筛选： 提出“超过一周不能落地的场景要慎重”，强调从个人和部门场景出发，后做跨部门业务流程。
• 能力边界： 明确大模型无法处理高合规、高确定性、高性能、高复杂度、高耦合性、高可用性、高并发、低延迟的需求。
• 技术拐点： DeepSeek 的出现打破了预训练大算力（万卡集群）的神话，使大模型变为低门槛产品，并确立了“深度思考和思维链”的新共识。
• 核心护城河： 行业私域数据已成为企业AI应用真正的护城河，这要求底层数据库具备处理HTAP（混合事务/分析处理）及分布式高可用的能力。

数据来源： 平凯星辰(北京)科技有限公司副总裁 刘松《AI发展挑战与发展路径》演讲材料（2025/12）及文中引用的2025年中国企业级AI商业化调研数据。