- 综合排序
- 最热优先
- 最新优先
2025 IDC 数据智能与AI-Ready数据架构发展趋势报告
第一章：报告基础信息 •报告标题：2025 IDC 数据智能与AI-Ready数据架构发展趋势报告 •发布机构：IDC •发布时间：2025年 •行业标签：技术服务 •产品标签：#向量数据库 报告旨在分析AI-Ready数据架构建设路径、数据智能发展趋势及治理要点，为企业数据战略提供决策参考。 从数据工程化来看AI-Ready数据架构建设 IDC Global DataSphere最新数据，全球数据量明显增长 企业面临一系列新的数据管理挑战 数据部门要求和定位也在不断变化 AI-Ready 数据架构带来明显价值 数据产品边界更加模糊 没有数据就没有人工智能 AI模型治理和数据治理并无不同 2025年认为搭建AI-Ready数据架构是AI实现重点应用的受访者百分比 IDC undefined•解决方案： 建设AI-Ready数据架构，实现轻松可控的全数据资产访问。 支持事件驱动架构保障实时数据可用，推动数据产品化（培养数据产品经理）。
20610编辑于 2026-04-24释放数据潜能：基于AI-Ready架构打破多模态数据孤岛与大模型落地效能瓶颈
当前企业在构建数据底座时面临三大核心业务痛点： 基础架构缺乏弹性与效能： 传统大数据架构面临性能瓶颈与运维困难，多模态数据存储与管理效率低下，读写性能不足以支撑开箱即用的计算需求；基于企业私有数据搭建RAG 数据链路复杂拖累业务决策： 传统HBase/Hive流批双链路系统架构复杂且资源成本高；数据分析门槛高，业务人员找数难、核准难，导致业务决策严重滞后。 重构数据智能中枢：部署适配AI的云原生基座与Data+AI一体化工作流 针对上述瓶颈，腾讯云通过构建“AI-Ready的数据智能平台”，提供从底层存储、融合治理到智能分析的全栈技术解决方案： 部署极致性能的云原生数据基座 实施流批一体化架构 (Setats引擎)： 采用Setats流湖引擎替代传统Lambda双链路架构，通过增量刷新实现流批一体计算，大幅简化系统架构。 驱动头部企业业务突围：金融、汽车与互联网行业的实战验证 该AI-Ready架构已在超过800家生态伙伴及行业头部企业中获得实战检验，有效支撑了关键业务的连续性与敏捷开发： 广汽集团、好未来 (TAL)：
20010编辑于 2026-04-17基于 NoETL 语义编织技术构建 AI-Ready 数据底座
摘要：本文面向数据架构师与技术决策者，探讨在AI时代大型企业数据平台选型的核心范式转移。 文章提出，构建基于NoETL语义编织技术的统一语义层是筑牢技术壁垒的关键，并详细拆解了从业务对齐、性能成本平衡到生态AI适配的三步评估法，旨在帮助企业构建一个高效、可信、低成本的AI-Ready数据底座 在AI成为核心数据消费者的时代，大型企业数据平台选型的核心矛盾已从比拼工具功能，转向对下一代架构范式的战略抉择。 核心要点选型范式转移：AI时代，数据平台选型的核心是选择能构建“统一语义层”的下一代架构。三步评估法：筑牢技术壁垒需分三步：评业务对齐能力、验性能成本平衡、察生态AI适配。 平滑落地路径：通过“存量挂载、增量原生、存量替旧”策略，可渐进式构建AI-Ready数据底座。
14910编辑于 2026-04-162025 IDC《从数据工程化来看AI-Ready数据架构建设》：企业构建人工智能数据底座的洞察指南
第一章：报告基础信息 报告标题：从数据工程化来看AI-Ready数据架构建设 发布机构：IDC 发布时间：2025年 行业标签：泛金融,商业银行,零售,技术服务,通用工具 产品标签：#数据库, #数据仓库 本报告旨在通过剖析全球数据生成趋势与企业数据管理的痛点，揭示如何通过数据工程化与Agentic（代理化）重塑AI-Ready数据架构，从而将庞杂的数据资产转化为直接驱动业务增长的要素。 企业面临一系列新的数据管理挑战 数据部门要求和定位也在不断变化 AI-Ready Data Architectures: 轻松、可控地访问整个数据资产 AI-Ready数据架构带来明显价值 数据产品边界更加模糊 构建AI-Ready数据架构可实现业务KPI的指数级跨越 在AI战略视角下，40% 的受访者将搭建AI-Ready数据架构视为2025年落地的关键。 ，切实助力行业客户跨越系统整合痛点，稳步迈入 AI-Ready 的高增长周期。
21910编辑于 2026-04-17腾讯云大数据：构建AI-Ready数据智能平台，驱动企业智能化升级
一、企业智能化转型面临核心数据瓶颈 AI算力成本下降促使应用普及，但39%的企业认为数据是AI实施的最大障碍。 具体瓶颈体现在三方面：数据基座架构落后，多模态数据处理效率低且缺乏开箱即用方案；数据与AI平台割裂，导致跨团队协作效率低、数据血缘断层；数据任务处理低效，传统数据分析门槛高且运维依赖人力。 一站式工作流WeData OneFlow：打通数据与AI平台，实现DataOps与AIOps协同，消除数据复制风险，建立全链路血缘追溯能力。 多模一体化治理：通过统一元数据管理、多模态数据治理和语义建模，解决业务与技术数据理解鸿沟，提升数据可信度。 五、腾讯云技术领先性与行业认可 腾讯云大数据平台获得多项权威认可： Gartner Peer Insights 2024-2025年连续将腾讯云列为亚太区云数据库管理"客户之选"第一象限。
24020编辑于 2026-04-17- 来自专栏深度学习与python
不要只盯着 Agent，AI-Ready 的数据底座才是 Chat BI 的关键
2 路径可学，产品可抄，企业知识库才是数据分析 Agent 的核心壁垒 数据分析 Agent 类产品能不能用好，关键在于数据底座是否 AI-Ready。 过去，我们的 IT 系统、软件和数据更多是以人为主的角度构建的，而现在我们需要让 AI 可以更好地理解和获取数据，这就是数据底座 AI-Ready 的释义。 3 Aloudata Agent：基于 NoETL 明细语义层的分析决策智能体 据 Aloudata 合伙人 & 首席业务架构师杜雪芳介绍，AloudataAgent 是一款以 AloudataCAN 指标平台的 NoETL 明细语义层为底座的分析决策智能体，基于 COT 和 ReAct 的多 Agent 架构，顺利落地了 NL2MQL2SQL 的技术路径，让企业告别“数据幻觉”，通过自然语言即可实现灵活 （原因在前面已经说的很清楚了，AI-Ready 的数据底座，特别是 NoETL 明细语义层是重要基础）。
95610编辑于 2025-04-26 报告基础信息
报告标题：从数据工程化来看AI-Ready数据架构建设 发布机构：IDC（国际数据公司） 发布时间：未明确标注（根据内容推断为2025年） 行业标签：技术服务,通用SaaS 产品标签：# 在此背景下，构建AI-Ready数据架构成为企业核心需求，40% 的受访企业将其视为AI应用落地的重点，数据智能投资成为亚太企业IT预算的优先方向（33.3% 企业将预算投入数据PaaS）。 企业面临一系列新的数据管理挑战 数据部门要求和定位也在不断变化 AI-Ready Data Architectures: 轻松、可控地访问整个数据资产 AI-Ready数据架构带来明显价值 核心分析模型：涵盖数据生命周期管理（DataOps/AgentOps）、AI-Ready架构成熟度评估、多模态数据流集成框架。 为什么选择腾讯云 腾讯云位列IDC中国数据智能市场生态图谱代表厂商，其数据集成、湖仓一体及向量数据库解决方案符合AI-Ready架构技术要求。
16910编辑于 2026-04-17STAC HK 2026 回顾 | DolphinDB 构建金融级 AI-Ready 数据基建新范式
本次峰会汇聚了来自港交所、Jefferies、Optiver、AWS、AMD 等全球顶级金融科技机构的技术负责人与决策者，聚焦亚太市场的金融技术趋势，就 AI 时代交易系统架构、高频计算、市场结构优化等议题展开深度交流 演讲聚焦：AI 时代的量化底座如何"化繁为简"在 AI & Analytics 专题中，周小华博士带来了主题为 “AI-Ready High Performance Quant Stack Without 而 DolphinDB 的使命正是化解这一复杂性——让实时数据系统更简单、更快速，更好地服务人与智能体。 同时，在编程上兼容 SQL 与类 Python 的脚本语言，内置超过 2000个专业函数及 20 余种开箱即用的流计算引擎，可以轻松支持万亿行数据的毫秒级查询。 通过流批一体、研产统一、微秒级延迟等差异化能力，DolphinDB 正为全球量化金融机构提供真正 AI-Ready 的高性能底座。
4900编辑于 2026-05-13- 来自专栏QQ大数据团队的专栏
腾讯云大数据升级Data+AI能力体系，构建AI-Ready的智能大数据平台
本文共计1179字 预计阅读时长4分钟 9月17日，在腾讯全球数字生态大会上，腾讯云宣布大数据产品矩阵全面升级Data+AI能力体系，覆盖底层架构、数据平台、数据应用等全流程，帮助企业应对数据治理、多模态融合与智能化应用等挑战 然而，传统数据平台在多模态数据处理、实时性、知识库构建等方面仍面临挑战。 对此，腾讯云提出构建“AI-Ready”智能大数据平台，通过云原生架构、Data+AI一体化和Agent增强，为企业提供面向未来的数据底座。 在底层架构方面，腾讯云推出了DIaaS（数据智能即服务）理念，打造多模态智能数据湖TCLake，结合流湖引擎和企业级搜索ES，全面提升数据处理效率与智能化水平。 TCLake实现了结构化与非结构化数据的统一管理，并通过Lakehouse架构大幅提升计算性能，降低存储成本。 流湖引擎支持流批一体和秒级分析，将传统小时级的数据处理加速至秒级，运维成本降低近一半。
1.1K10编辑于 2025-09-29 诺基亚与Telefónica合作部署AI-ready网络方案
在这个全球化的AI技术浪潮之中，伴随着欧盟对数据隐私的保护、供应链合规方面的考量，数据的“信创安可”早已超越了“云端”之上的数据存储问题，其更深层次的含义是国家与企业如何掌控属于自己的数字主导权，实现自主 诺基亚数据中心网络解决方案支持西班牙电信向分布式边缘架构转型，将计算和存储能力推向更接近最终用户的位置。 在Telefónica与诺基亚的合作中，最为引人注目的便是他们所部署的AI-ready网络解决方案，这并非只是一个AI赋能网络的技术突破，而是诺基亚通信专家们将AI技术引入通信对传统网络架构的重构。 Edge计算的引入，颠覆了传统的集中式数据存储架构，将计算和存储能力推向更接近用户的“边缘”的网络架构变革。 通过AI-ready网络，诺基亚与Telefónica将共同迎接未来AI和B2B服务的巨大需求。
12710编辑于 2026-03-17- 来自专栏QQ大数据团队的专栏
【数据湖仓】腾讯云发布面向AI的数据湖方案：TCLake+EMR打造AI-Ready数据底座
这类变化让数据平台面临新的要求：传统组装式数据平台与 AI 工作负载天然割裂，计算资源与数据难以共享；统一元数据与多模态存储能力不足，非结构化数据难以实现统一处理、统一存储、统一应用；底层调度长期以 CPU 02 # TCLake+EMR # 让数据与算力在同一底座上协同 面向 AI 的数据湖方案 TCLake+EMR，以一套多模态数据湖底座承载结构化与非结构化数据，以一套 CPU+GPU 混合调度体系承载数据工程与 TCLake 是腾讯云推出的开放、智能、融合的新一代 AI 数据湖底座，提供覆盖结构化+非结构化数据的统一管理，内置多模态统一数据目录、批流一体表格式、智能数据管理、数据加速服务，上层无缝对接腾讯云及主流开源 与 TCLake 的统一数据底座相配套，EMR 完成定位升级，从数据平台升级为数据智能平台，面向数据分析师、业务人员、数据科学家、AI 工程师提供开箱即用的数据智能服务与能力。 腾讯云大数据持续打造 AI-Ready 的智能大数据平台，帮助各行业客户加速释放数据与智能融合价值。 Tencent BigData
64310编辑于 2026-01-26 - 来自专栏超级架构师
「数据架构」数据架构的未来
对数据架构师的业务理解已经变得越来越重要，Algmin说，现在它对数据架构师的成功至关重要。 在数据架构师的角色包含更多商业智慧的同时，挖掘和承担技术实现的愿望和能力仍然很重要。 数据架构的扩展作用是他继续看到的。 最近的数据体系结构的未觉察 阿尔格明接着研究了最近的预测，结果并没有如预期的那样： “数据仓库死了！ 数据架构与企业架构的融合 “数据架构师的热度指数正在上升，但企业架构热度指数非常非常冷，而且已经有一段时间了。” 数据架构的含义 数据架构创新在相关技术领域正经历着类似的模式，这些领域的用例潜力尚处于初级阶段，例如区块链和图形数据库，并且数据架构的角色正在发生变化以适应。 在地平线上：未来的热门数据架构主题 Algmin预测了ML和AI在元数据管理和数据治理中的扩展，比如区块链和分布式账本。“我们将开始看到，作为数据架构师，我们可以做一些真正阻碍我们的组织的事情。”
66920发布于 2020-07-20 腾讯云Data+AI平台：构建AI-Ready数据基座，驱动企业智能化转型
行业面临数据与AI协同困境 企业智能化转型面临三大核心挑战：数据基座架构落后导致多模态数据处理效率低下，传统架构成本高且更新缓慢；数据与AI平台割裂造成协作效率低，数据质量差严重影响AI效果；数据任务处理低效致使分析门槛高 39%的企业认为数据是AI实施的最大障碍（来源：腾讯云调研）。 腾讯云Data+AI一体化解决方案 适配AI的云原生数据基座 通过实时流湖引擎支持业务实时决策，多模态数据存储性价比提升30%，读写效率提升50%（来源：腾讯云技术方案）。 广发证券案例显示架构简化效果显著。 多模一体化治理体系 WeData平台提供统一元数据管理，覆盖结构化、非结构化数据及AI模型指标，通过语义建模建立统一数据语言。 采用Inlong+Iceberg技术实现TB级天增量入湖，数据入湖效率提升30%： 千万量表入库<10秒 十亿量表入库<70秒 指标更新<2分钟 （来源：能源央企案例数据） 实现统一存储引擎、元数据管理等五个统一
33110编辑于 2026-04-06- 来自专栏超级架构师
【数据架构】数据网格架构模式
但是，唉，没有单一的产品可以为您带来数据网格。相反，企业的数据网格由许多常用组件组成（请参阅下一节数据网格架构回顾）。 但成功的关键是了解这些组件如何相互作用。 在本文中，我将使用架构模式来描述这些交互。 数据网格架构回顾 企业数据网格由许多组件组成（更多详细信息可在此处、此处和此处获得）。 】公众号 【jiagoushipro】 【超级架构师】 精彩图文详解架构方法论，架构实践，技术原理，技术趋势。 QQ群 【792862318】深度交流企业架构，业务架构，应用架构，数据架构，技术架构，集成架构，安全架构。以及大数据，云计算，物联网，人工智能等各种新兴技术。 知识星球【职场和技术】微博【智能时刻】智能时刻哔哩哔哩【超级架构师】抖音【cea_cio】超级架构师快手【cea_cio_cto】超级架构师 小红书【cea_csa_cto】超级架构师 谢谢大家关注
81520编辑于 2022-04-06 数据工程视角：指标平台选型深度对比（BI 指标中心 vs 传统 vs Headless vs 自动化平台）
重点探讨了以 NoETL 语义编织为核心的自动化指标平台如何破解指标口径混乱、响应迟缓、分析固化的“不可能三角”，为企业构建统一、敏捷、AI-Ready的数据底座提供选型指南。 AI-Ready 的数据底座。 ，定义即开发，分钟级交付（效率提升 10 倍）AI 适配能力无弱，不同 BI 的 AI 助手口径可能冲突为 AI 提供了统一语义接口原生 AI-Ready，NL2MQL2SQL 架构根治幻觉总拥有成本隐性成本高 查询时，语义引擎 会进行智能 SQL 改写与路由，透明命中最优物化结果，实现亿级数据秒级响应（P90 < 1s）。Q5: 自动化指标平台如何与 AI 大模型结合？它提供 AI-Ready 的数据底座。 AI 适配的核心：真正的 AI-Ready 不是简单的 NL2SQL，而是 NL2MQL2SQL 架构。它将大模型的创造力约束在已定义的、统一的业务语义层内，是根治幻觉、建立可信 AI 分析的基石。
31110编辑于 2026-02-02腾讯云AI-Ready数据智能平台：Data+AI一体化方案驱动企业智能决策
直面企业数据应用三重核心冲突 当前企业数据应用面临显著瓶颈，据腾讯云分享材料，39%的企业认为数据是AI实施的最大障碍，具体冲突包括： 数据基座架构落后：多模态数据存储管理效率低，传统架构成本高、更新慢 ，基于私有数据搭建RAG与Agent应用效率低； 数据与AI平台割裂：数据部门与AI团队协作低效，数据不全、质量差、可理解性不足影响AI效果； 数据任务处理低效：数据分析门槛高致业务决策滞后，数据链路复杂难排查问题 构建AI-Ready数据智能平台四大技术支柱 腾讯云提供“适配AI的云原生数据基座+一体化Data+AI平台+AI Agent加持的平台智能化+TBDS融合创新方案”技术体系： 适配AI的云原生数据基座 传统架构升级，多模态数据处理开箱即用； 实时流湖引擎支持业务实时决策； 多模态数据存储成本降低30%，读写效率提升50%（据广发证券案例）。 ）； 架构创新：Data+AI一体化平台、AI Agent服务体系（TDataAgent系列）、智能自治能力（预测治理/自主运维/自主调优）； 学术贡献：论文《The Power of Constraints
41310编辑于 2026-04-06- 来自专栏Tapdata
AI-Ready TapData：如何基于 MCP 协构建企业级 AI 实时数据中枢？（含教程）
一、TapData + MCP 架构与能力 通过支持 MCP 协议，TapData 将传统“数据同步平台”升级为面向 AI 应用的“实时数据中枢”，让大模型可以像调用 API 一样，实时访问企业核心业务数据 “数据工具集”，让大模型可以直接“调用企业数据”。 TapData 在 MCP 架构中的角色 TapData 在整个 MCP 体系中的定位如下： 1. 二、TapData 的 AI Ready 核心能力 基于 TapData 自研的数据平台架构，AI Ready 能力不仅体现在对 MCP 协议的适配上，更体现在一整套围绕数据可访问性、实时性与可调用性的设计思路中 ，TapData 的 AI Ready 架构将逐步匹配更多业务场景，为各类企业构建真正“能用、好用”的 AI 数据服务底座。
84510编辑于 2025-05-17 - 来自专栏DevOps
大数据架构：全网最全大数据架构生态
简介 随着大数据行业的发展，大数据生态圈中相关的技术也在一直迭代进步，作者有幸亲身经历了国内大数据行业从零到一的发展历程，通过本文希望能够帮助大家快速构建大数据生态圈完整知识体系。 目前大数据生态圈中的核心技术总结下来如图1所示，分为以下9类，下面分别介绍。 1、数据采集技术框架 数据采集也被称为数据同步。 随着互联网、移动互联网、物联网等技术的兴起，产生了海量数据。 这些数据散落在各个地方，我们需要将这些数据融合到一起，然后从这些海量数据中计算出一些有价值的内容。此时第一步需要做的是把数据采集过来。数据采集是大数据的基础，没有数据采集，何谈大数据！ （2）实时数据计算 业内最典型的实时数据计算场景是天猫“双十一”的数据大屏。 数据大屏中展现的成交总金额、订单总量等数据指标，都是实时计算出来的。 9、大数据集群安装管理框架 企业如果想从传统的数据处理转型到大数据处理，首先要做就是搭建一个稳定可靠的大数据平台。
1.7K10编辑于 2024-03-29 - 来自专栏程序那些事
架构之:数据流架构
在日常的工作中，我们会经常遇到这种数据处理的任务，那么对于这样的任务我们就可以采用数据流架构。 数据流架构 在实际工作中的流有很多种，最常见的就是I/O流，I / O缓冲区，管道等。 数据的流向可以是带有循环的拓扑图，没有循环的线性结构或者树形结构等。 数据流架构的主要目的是实现重用和方便的修改。 它适用于在顺序定义的输入和输出上进行一系列定义明确的独立数据转换或计算，例如编译器和业务数据处理应用程序。一般来说有三种基本的数据流结构。 顺序批处理 顺序批处理是最常见也是最基础的数据流架构。 这种架构的主要优点在于它的并发和增量执行。 这种模式下，最重要的组件就是过滤器，过滤器是独立的数据流转换器。它转换输入数据流的数据，对其进行处理，并将转换后的数据流写入管道以供下一个过滤器处理。 总结 上面我们介绍了几种数据流的架构方式，希望大家能够喜欢。
1K51发布于 2021-07-15 - 来自专栏程序那些事
架构之:数据流架构
文章目录 简介 数据流架构 顺序批处理 管道和过滤器 流程控制 总结 简介 有时候我们的系统主要是对输入的数据进行处理和转换，这些处理和转换是互相独立的，在这种情况下，输入的数据经过转换之后被放到指定的输出中去 在日常的工作中，我们会经常遇到这种数据处理的任务，那么对于这样的任务我们就可以采用数据流架构。 数据流架构 在实际工作中的流有很多种，最常见的就是I/O流，I / O缓冲区，管道等。 数据的流向可以是带有循环的拓扑图，没有循环的线性结构或者树形结构等。 数据流架构的主要目的是实现重用和方便的修改。 它适用于在顺序定义的输入和输出上进行一系列定义明确的独立数据转换或计算，例如编译器和业务数据处理应用程序。 一般来说有三种基本的数据流结构。 顺序批处理 顺序批处理是最常见也是最基础的数据流架构。 总结 上面我们介绍了几种数据流的架构方式，希望大家能够喜欢。
1.2K20发布于 2021-06-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号