【ZiDongHua 之“品牌自定位”收錄關(guān)鍵詞： 天謀科技 智能制造 人工智能 物聯(lián)網(wǎng) 數(shù)字化轉(zhuǎn)型 邊緣智能】
　　
　　天謀科技 CTO 喬嘉林博士：IoTDB 步入 2.0，3 大方向，9 大升級(jí)
　　
　　7 月 5 日，2025 時(shí)序數(shù)據(jù)庫(kù)技術(shù)創(chuàng)新大會(huì)在北京成功舉辦，收獲強(qiáng)烈反響。本次大會(huì)以「下一站：DB + AI」為主題，匯集了超 30 位大咖嘉賓，學(xué)術(shù)界權(quán)威專家、企業(yè)代表、開發(fā)者圍繞時(shí)序數(shù)據(jù)庫(kù) Apache IoTDB 的自研技術(shù)成果與應(yīng)用落地實(shí)例，探討工業(yè)物聯(lián)網(wǎng)領(lǐng)域如何借助 AI 技術(shù)與數(shù)據(jù)庫(kù)融合驅(qū)動(dòng)智能化升級(jí)。
　　
　　我們邀請(qǐng)到天謀科技 CTO，Apache IoTDB PMC Member 喬嘉林博士參加此次大會(huì)，并做主題報(bào)告——《IoTDB 2.0：AI 時(shí)代的工業(yè)數(shù)據(jù)智能底座》。以下為報(bào)告核心內(nèi)容總結(jié)。
　　
　　目錄
　　
　　IoTDB 發(fā)展歷程
　　
　　IoTDB 2.0 建立堅(jiān)實(shí)數(shù)據(jù)基建
　　
　　· 樹表雙模型：寫入靈活、查詢豐富
　　
　　· 高級(jí)分析能力：趨勢(shì)查詢、窗口函數(shù)、UDTF、嵌套查詢
　　
　　· 動(dòng)靜融合：支持設(shè)備靜態(tài)屬性存儲(chǔ)
　　
　　· 模態(tài)融合：支持對(duì)象/文件管理
　　
　　· 關(guān)聯(lián)融合：支持跨庫(kù)聯(lián)邦查詢
　　
　　IoTDB 2.0 拓展 AI 時(shí)代智能基建
　　
　　· AINode 數(shù)據(jù)智能架構(gòu)
　　
　　· 快速構(gòu)建領(lǐng)域時(shí)序大模型
　　
　　· IoTDB 2.0：AI 時(shí)代的工業(yè)數(shù)據(jù)智能底座全景圖
　　
　　IoTDB 2.0 集成開放全鏈路生態(tài)
　　
　　· 基于 IoTDB 2.0 的智能應(yīng)用：自動(dòng)完成業(yè)務(wù)分析
　　
　　· 擴(kuò)展軟硬件全域生態(tài)系統(tǒng)
　　
　　IoTDB 未來技術(shù)路線
　　
　　01
　　
　　IoTDB 發(fā)展歷程
　　
　　自 2011 年誕生至今，IoTDB 始終圍繞“管數(shù)”與“用數(shù)”兩大核心維度持續(xù)演進(jìn)。
　　
　　在“管數(shù)”層面，IoTDB 完成了從工業(yè)時(shí)序數(shù)據(jù)庫(kù)到分布式架構(gòu)的發(fā)展，繼而成功構(gòu)建端邊云協(xié)同能力，并于 2024 年登頂國(guó)際權(quán)威榜單。
　　
　　喬嘉林博士認(rèn)為，針對(duì)工業(yè)監(jiān)控場(chǎng)景，數(shù)據(jù)價(jià)值隨時(shí)間推移逐漸遞減；而在 AI 驅(qū)動(dòng)的智能分析時(shí)代，數(shù)據(jù)價(jià)值維度呈現(xiàn)多元化特征——反映設(shè)備狀態(tài)、運(yùn)行特性及工況特征的數(shù)據(jù)，無(wú)論新舊均可能成為高質(zhì)量數(shù)據(jù)和關(guān)鍵分析對(duì)象。這種分析需求具有顯著的大規(guī)模隨機(jī)訪問特性，讓高效、可靠的數(shù)據(jù)基建成為了工業(yè)系統(tǒng)更加不可或缺的重要組成部分。
　　
　　在“用數(shù)”層面，IoTDB 通過多項(xiàng)創(chuàng)新技術(shù)幫助用戶充分釋放數(shù)據(jù)價(jià)值。系統(tǒng)提供了持續(xù)查詢語(yǔ)法和專門的質(zhì)量庫(kù)，確保分析數(shù)據(jù)質(zhì)量。團(tuán)隊(duì)在 2023 年推出的 AI in SQL 功能，將人工智能能力深度集成到數(shù)據(jù)庫(kù)內(nèi)核中，而最新研發(fā)的內(nèi)置時(shí)序大模型，更進(jìn)一步讓用戶能夠直接在數(shù)據(jù)庫(kù)內(nèi)完成復(fù)雜的時(shí)序數(shù)據(jù)建模與預(yù)測(cè)分析。
 
　　
　　02
　　
　　IoTDB 2.0 建立堅(jiān)實(shí)數(shù)據(jù)基建
　　
　?。?）樹表雙模型：寫入靈活、查詢豐富
　　
　　喬嘉林博士指出，工業(yè)數(shù)字化轉(zhuǎn)型初期，重點(diǎn)集中于數(shù)據(jù)的快速采集與統(tǒng)一管理。為此，IoTDB 針對(duì)工業(yè)設(shè)備層級(jí)提供樹模型建模方式，使 OT 人員能夠無(wú)縫將物理世界的數(shù)據(jù)組織結(jié)構(gòu)映射至 IoTDB 中。
　　
　　而隨著工業(yè)數(shù)字化建設(shè)更加強(qiáng)調(diào)數(shù)據(jù)的規(guī)?；治雠c利用，傳統(tǒng)方案中 OT 實(shí)時(shí)監(jiān)控與 IT 離線分析往往割裂，依賴高成本的 ETL 流程進(jìn)行數(shù)據(jù)遷移與重整，效率受限。因此，IoTDB 2.0 致力于打破這一壁壘：通過引入表模型與關(guān)系 SQL 語(yǔ)言滿足 IT 領(lǐng)域用戶的分析習(xí)慣，同時(shí)實(shí)現(xiàn)樹模型（OT 域）與表模型（IT 域）的深度融合與無(wú)縫銜接，推動(dòng)兩域數(shù)據(jù)能力的統(tǒng)一。
　　
　　樹表雙模型的具體能力分為視圖與實(shí)體兩部分。視圖方面，當(dāng)數(shù)據(jù)接入時(shí)，IoTDB 2.0 可以采用樹形結(jié)構(gòu)進(jìn)行數(shù)據(jù)組織和建模；需要進(jìn)行數(shù)據(jù)分析時(shí)，系統(tǒng)允許用戶通過簡(jiǎn)單的 SQL 語(yǔ)句在原始數(shù)據(jù)樹上創(chuàng)建虛擬表視圖。這一創(chuàng)新設(shè)計(jì)既不需要額外存儲(chǔ)空間，又能實(shí)現(xiàn)樹模型與表模型的自然映射。OT 側(cè)的數(shù)采人員可以繼續(xù)基于熟悉的樹形結(jié)構(gòu)進(jìn)行數(shù)據(jù)操作，而 IT 側(cè)的分析人員則能夠直接使用標(biāo)準(zhǔn) SQL 進(jìn)行高效分析，實(shí)現(xiàn)了工業(yè)數(shù)據(jù)系統(tǒng)中 OT 與 IT 的深度融合。
 
　　
　　實(shí)體方面，針對(duì)用戶從傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)（如 MySQL）或時(shí)序數(shù)據(jù)庫(kù)（如 InfluxDB）遷移的需求，IoTDB 2.0 提供了動(dòng)態(tài)寬表解決方案。與視圖不同，用戶可以創(chuàng)建實(shí)體表進(jìn)行數(shù)據(jù)的讀寫操作，并實(shí)現(xiàn)無(wú)縫遷移。利用 IoTDB 樹模型存儲(chǔ)的靈活性，實(shí)體表支持動(dòng)態(tài)擴(kuò)展：新增測(cè)點(diǎn)時(shí)，表結(jié)構(gòu)可以自動(dòng)擴(kuò)展且沒有列數(shù)限制。傳統(tǒng)數(shù)據(jù)庫(kù)因列數(shù)限制（通常僅支持幾千列）而需要復(fù)雜的分庫(kù)分表操作，而 IoTDB 2.0 的動(dòng)態(tài)寬表解決了這一痛點(diǎn)，真正實(shí)現(xiàn)了海量工業(yè)數(shù)據(jù)的無(wú)縫管理。
 
　　
　?。?）高級(jí)分析能力：趨勢(shì)查詢、窗口函數(shù)、UDTF、嵌套查詢
　　
　　喬嘉林博士深入闡述了 IoTDB 2.0 在時(shí)序特性分析方面的四項(xiàng)創(chuàng)新能力。
　　
　　第一項(xiàng)為趨勢(shì)查詢功能。針對(duì)工業(yè)場(chǎng)景中最核心的趨勢(shì)分析需求，通過 IoTDB 2.0 的行模式匹配框架，用戶可以直接通過 SQL 定義和識(shí)別時(shí)序模式，如上升、下降等基本子模式，并通過組合這些子模式描述完整的趨勢(shì)變化。這種設(shè)計(jì)使得分析人員無(wú)需將數(shù)據(jù)讀取至應(yīng)用系統(tǒng)，就能直接在數(shù)據(jù)庫(kù)內(nèi)完成諸如波峰波谷檢測(cè)、趨勢(shì)變化分析等任務(wù)。
　　
　　第二項(xiàng)為窗口函數(shù)功能。喬嘉林博士指出，時(shí)序數(shù)據(jù)的核心價(jià)值不在于單點(diǎn)取值，而在于特定時(shí)間窗口內(nèi)的變化規(guī)律分析，包括趨勢(shì)方向、變化斜率等深層特征。為此，IoTDB 2.0 擴(kuò)展了窗口函數(shù)能力，支持用戶使用 SQL 直接對(duì)時(shí)間窗口內(nèi)的數(shù)據(jù)進(jìn)行累計(jì)統(tǒng)計(jì)、趨勢(shì)分析、斜率計(jì)算及異常檢測(cè)等操作，方便設(shè)備狀態(tài)監(jiān)測(cè)等場(chǎng)景的深度分析。
　　
　　第三項(xiàng)為 UDTF 功能。相較于傳統(tǒng)時(shí)序數(shù)據(jù)庫(kù)和關(guān)系型數(shù)據(jù)庫(kù)僅支持標(biāo)量函數(shù)（一對(duì)一轉(zhuǎn)換）和聚合函數(shù)（多對(duì)一轉(zhuǎn)換），IoTDB 2.0 引入了更強(qiáng)大的表值函數(shù)（UDTF）能力。這種 UDF 允許用戶實(shí)現(xiàn)行列的自由定義和重組，將任意數(shù)據(jù)表通過自定義邏輯轉(zhuǎn)換為結(jié)構(gòu)完全不同的新表，特別適用于需要復(fù)雜轉(zhuǎn)換的場(chǎng)景，例如將時(shí)序數(shù)據(jù)映射為包含多個(gè)頻率分量的頻譜分析結(jié)果。通過表值函數(shù)，IoTDB 真正實(shí)現(xiàn)了數(shù)據(jù)與計(jì)算的高度靈活融合，使工業(yè)數(shù)據(jù)分析范式從簡(jiǎn)單的數(shù)值轉(zhuǎn)換升級(jí)為多維度的深度處理。
　　
　　第四項(xiàng)為嵌套查詢功能。喬嘉林博士以“查詢大于平均值的電壓數(shù)據(jù)”這一典型場(chǎng)景為例，指出傳統(tǒng)實(shí)現(xiàn)方式需要分兩步完成：首先查詢平均值，再構(gòu)造新查詢獲取大于平均值的原始數(shù)據(jù)。這種實(shí)現(xiàn)不僅增加了業(yè)務(wù)編程復(fù)雜度，還增加了應(yīng)用系統(tǒng)與數(shù)據(jù)庫(kù)之間的網(wǎng)絡(luò)交互。
　　
　　IoTDB 2.0 通過嵌套查詢，允許用戶用單條 SQL 語(yǔ)句進(jìn)行邏輯嵌套，完成這類復(fù)雜的數(shù)據(jù)處理。這種設(shè)計(jì)顯著簡(jiǎn)化了應(yīng)用開發(fā)流程，減少了系統(tǒng)間交互開銷，特別適合工業(yè)場(chǎng)景中常見的多層數(shù)據(jù)分析需求，使開發(fā)人員能夠更高效地實(shí)現(xiàn)復(fù)雜業(yè)務(wù)邏輯。
　　
　?。?）動(dòng)靜融合：支持設(shè)備靜態(tài)屬性存儲(chǔ)
　　
　　喬嘉林博士特別強(qiáng)調(diào)，雖然 IoTDB 已在表模型基礎(chǔ)上構(gòu)建了豐富的時(shí)序查詢分析語(yǔ)法，但 2.0 版本的愿景遠(yuǎn)不止于此。面對(duì) AI 時(shí)代的數(shù)據(jù)分析新挑戰(zhàn)，盡管時(shí)序數(shù)據(jù)作為“工業(yè)血液”占據(jù)了工業(yè)數(shù)據(jù)主要體量，支持了大部分設(shè)備狀態(tài)分析，但實(shí)際業(yè)務(wù)場(chǎng)景往往需要進(jìn)一步跨維度關(guān)聯(lián)分析，例如分析雨天對(duì)設(shè)備運(yùn)行的影響，或特定電壓閾值下的設(shè)備狀態(tài)等。這些需求都要求突破單一時(shí)序數(shù)據(jù)的局限，實(shí)現(xiàn)多源數(shù)據(jù)的智能融合。
　　
　　正是基于這樣的洞察，IoTDB 2.0 將“關(guān)聯(lián)與融合”確定為核心發(fā)展目標(biāo)，致力于構(gòu)建更完整的工業(yè)數(shù)據(jù)分析解決方案，幫助用戶從多元數(shù)據(jù)中挖掘更深層的業(yè)務(wù)價(jià)值，并重點(diǎn)突破了三大關(guān)鍵技術(shù)方向。
　　
　　針對(duì)用戶長(zhǎng)期反映的設(shè)備靜態(tài)屬性管理需求，IoTDB 2.0 在表模型基礎(chǔ)上進(jìn)行了關(guān)鍵性擴(kuò)展，支持了靜態(tài)屬性數(shù)據(jù)入表存儲(chǔ)。這些不隨時(shí)間變化的設(shè)備固有屬性（如型號(hào)、出廠配置等）可以與動(dòng)態(tài)時(shí)序數(shù)據(jù)深度關(guān)聯(lián)，形成獨(dú)特的“動(dòng)靜融合表”，用戶可以直接在單張表中實(shí)現(xiàn)靜態(tài)屬性過濾、時(shí)序與靜態(tài)數(shù)據(jù)關(guān)聯(lián)分析等能力。
　　
　　（4）模態(tài)融合：支持對(duì)象/文件管理
　　
　　針對(duì)工業(yè)場(chǎng)景中普遍存在的非結(jié)構(gòu)化對(duì)象/文件（如設(shè)計(jì)圖紙、BOM 清單、圖像視頻等）管理需求，IoTDB 2.0 創(chuàng)新性地在數(shù)據(jù)模型中引入了對(duì)象類型支持，改變了傳統(tǒng)方案中時(shí)序與文件存儲(chǔ)割裂的困境。與二進(jìn)制存儲(chǔ)（如 Blob）不同，對(duì)象類型允許用戶以業(yè)務(wù)熟悉的格式自定義存儲(chǔ)和解析文件，并利用 IoTDB 的查詢能力實(shí)現(xiàn)文件內(nèi)容的高效檢索與分析。
　　
　　以飛機(jī)試飛場(chǎng)景為例，IoTDB 2.0 可同時(shí)管理試飛時(shí)序數(shù)據(jù)、技術(shù)文檔、圖像、視頻等多模態(tài)數(shù)據(jù)，在統(tǒng)一數(shù)據(jù)空間內(nèi)實(shí)現(xiàn)管理與分析，為復(fù)雜工業(yè)場(chǎng)景提供了多模態(tài)數(shù)據(jù)管理方案。
　　
　　（5）關(guān)聯(lián)融合：支持跨庫(kù)聯(lián)邦查詢
　　
　　面對(duì)工業(yè)場(chǎng)景中數(shù)據(jù)分散于多個(gè)數(shù)據(jù)庫(kù)（如 MySQL、Hive、HBase 等）的挑戰(zhàn)，IoTDB 2.0 在融合查詢引擎中新增了聯(lián)邦查詢模塊，能夠無(wú)縫接入外部數(shù)據(jù)源中的業(yè)務(wù)數(shù)據(jù)（如生產(chǎn)排程、出廠設(shè)置等），并與本地的時(shí)序數(shù)據(jù)、設(shè)備靜態(tài)屬性進(jìn)行關(guān)聯(lián)。用戶可直接通過 SQL 實(shí)現(xiàn)跨系統(tǒng)、多模態(tài)數(shù)據(jù)分析，避免了傳統(tǒng)方案中需要在業(yè)務(wù)層手動(dòng)整合不同數(shù)據(jù)庫(kù)數(shù)據(jù)的繁瑣流程，運(yùn)營(yíng)數(shù)據(jù)與運(yùn)行數(shù)據(jù)的融合為智能制造提供了全域數(shù)據(jù)協(xié)同能力。
　　
　　03
　　
　　IoTDB 2.0 拓展 AI 時(shí)代智能基建
　　
　　喬嘉林博士深入剖析了 AI 時(shí)代工業(yè)智能化面臨的核心挑戰(zhàn)與 IoTDB 提供的解決方案。他指出，盡管大模型技術(shù)蓬勃發(fā)展，但通用模型在工業(yè)領(lǐng)域的應(yīng)用始終面臨兩大根本性障礙：一是缺乏對(duì)設(shè)備機(jī)理和領(lǐng)域知識(shí)的深度理解，二是受限于數(shù)據(jù)質(zhì)量對(duì)模型效果的直接影響。
　　
　　針對(duì)這些問題，IoTDB 基于十余年的工業(yè)數(shù)據(jù)管理經(jīng)驗(yàn)，構(gòu)建了雙輪驅(qū)動(dòng)的智能基建體系：一方面通過數(shù)據(jù)節(jié)點(diǎn) DataNode 實(shí)現(xiàn)工業(yè)數(shù)據(jù)的統(tǒng)一建模、質(zhì)量提升和高效處理，夯實(shí)數(shù)據(jù)基礎(chǔ)；另一方面通過智能分析節(jié)點(diǎn) AINode 引入模型微調(diào)功能，將通用大模型轉(zhuǎn)化為面向特定工業(yè)場(chǎng)景的專用模型。這種“高質(zhì)量數(shù)據(jù)+領(lǐng)域微調(diào)”的方案，有效彌合了通用 AI 技術(shù)與工業(yè)專業(yè)知識(shí)之間的鴻溝，為真正解決設(shè)備狀態(tài)預(yù)測(cè)、故障診斷等專業(yè)問題提供了可行路徑。
　　
　?。?）AINode 數(shù)據(jù)智能架構(gòu)
　　
　　IoTDB 2.0 AINode 智能數(shù)據(jù)架構(gòu)分為模型管理、數(shù)據(jù)預(yù)處理、訓(xùn)練引擎、推理引擎四部分。模型管理層以自研時(shí)序大模型 Timer 為核心，針對(duì)工業(yè)場(chǎng)景特有的設(shè)備狀態(tài)分析需求，構(gòu)建深度學(xué)習(xí)、機(jī)器學(xué)習(xí)、用戶模型體系。
　　
　　在大模型基礎(chǔ)上，數(shù)據(jù)預(yù)處理層通過時(shí)間對(duì)齊、頻率規(guī)整、缺失值填補(bǔ)等技術(shù)，將原始時(shí)序數(shù)據(jù)轉(zhuǎn)化為大模型可用的高質(zhì)量數(shù)據(jù)訓(xùn)練集。
　　
　　架構(gòu)上層中的訓(xùn)練引擎支持大模型一鍵微調(diào)，并可進(jìn)行多輪訓(xùn)練與評(píng)估，以選擇最優(yōu)模型版本；推理引擎則支持大模型緩存機(jī)制，通過預(yù)加載已調(diào)優(yōu)的領(lǐng)域大模型，顯著提升了實(shí)時(shí)推理的計(jì)算效率。
　　
　　值得一提的是，用戶使用一條 SQL 指令即可在 IoTDB 2.0 中完成大模型微調(diào)：只需通過 FROM MODEL 子句指定基礎(chǔ)模型，結(jié)合 DATASET 子句指定訓(xùn)練數(shù)據(jù)集（如特定設(shè)備的增量運(yùn)行數(shù)據(jù)），即可實(shí)現(xiàn)大模型的持續(xù)在線更新，保持其對(duì)設(shè)備最新狀態(tài)的精準(zhǔn)刻畫。
　　
　?。?）快速構(gòu)建領(lǐng)域時(shí)序大模型
　　
　　喬嘉林博士生動(dòng)闡釋了 IoTDB 2.0 AINode 如何通過“一鍵微調(diào)”能力，將時(shí)序大模型的訓(xùn)練門檻降至新低。傳統(tǒng)流程中，開發(fā)者需要手動(dòng)導(dǎo)出數(shù)據(jù)、清洗轉(zhuǎn)換、編寫訓(xùn)練代碼，整個(gè)過程繁瑣且技術(shù)要求較高；而 AINode 的設(shè)計(jì)真正實(shí)現(xiàn)了“手可摘星辰”般的易用性，使得每位工業(yè)用戶都能基于自有數(shù)據(jù)，快速構(gòu)建專屬的領(lǐng)域時(shí)序大模型。
　　
　　以秒級(jí)采集的工業(yè)設(shè)備數(shù)據(jù)為例，單卡僅需 5 分鐘即可完成天級(jí)增量學(xué)習(xí)，微調(diào)后的模型在 MSE（均方誤差）指標(biāo)上提升超 20%。微調(diào)效果對(duì)比顯示：微調(diào)前的預(yù)測(cè)結(jié)果與真實(shí)設(shè)備狀態(tài)存在顯著偏差，而經(jīng)過領(lǐng)域數(shù)據(jù)微調(diào)后的模型則能精準(zhǔn)捕捉設(shè)備機(jī)理特性。
　　
　　這也體現(xiàn)了工業(yè)時(shí)序數(shù)據(jù)與語(yǔ)言數(shù)據(jù)在算法方面的本質(zhì)差異：預(yù)測(cè)設(shè)備狀態(tài)變化需要學(xué)習(xí)歷史數(shù)據(jù)規(guī)律，而非依賴語(yǔ)言邏輯。
　　
　　（3）IoTDB 2.0：AI 時(shí)代的工業(yè)數(shù)據(jù)智能底座全景圖
　　
　　喬嘉林博士系統(tǒng)展示了 IoTDB 2.0 作為面向 AI 時(shí)代的工業(yè)智能數(shù)據(jù)底座的整體架構(gòu)。該平臺(tái)采用三層核心設(shè)計(jì)：DataNode 作為數(shù)據(jù)基建，統(tǒng)一管理時(shí)序數(shù)據(jù)、靜態(tài)屬性、多模態(tài)對(duì)象及外部聯(lián)邦數(shù)據(jù)；AINode 專注智能化能力，提供時(shí)序大模型管理、數(shù)據(jù)預(yù)處理和模型微調(diào)等智能分析支持；由 ConfigNode 實(shí)現(xiàn) DataNode 與 AINode 的系統(tǒng)管理，負(fù)責(zé)資源協(xié)同調(diào)度，確保各組件高效協(xié)作?；谶@一架構(gòu)，IoTDB 2.0 向上支撐智能體構(gòu)建、智能運(yùn)維、時(shí)序預(yù)測(cè)、異常檢測(cè)等應(yīng)用場(chǎng)景。
　　
　　產(chǎn)品形態(tài)上，IoTDB 2.0 以專業(yè)時(shí)序數(shù)據(jù)庫(kù)為主體，搭配即插即用的聯(lián)邦查詢組件和智能分析組件，形成“一體兩翼”的靈活解決方案，滿足工業(yè)用戶從基礎(chǔ)數(shù)據(jù)管理到高級(jí)智能分析的全棧需求。
　　
　　04
　　
　　IoTDB 2.0 集成開放全鏈路生態(tài)
　　
　?。?）基于 IoTDB 2.0 的智能應(yīng)用：自動(dòng)完成業(yè)務(wù)分析
　　
　　喬嘉林博士通過合作伙伴虛擬電廠電池管理的實(shí)際案例，生動(dòng)展示了 IoTDB 2.0 “數(shù)據(jù)+AI”雙基建設(shè)施的實(shí)踐價(jià)值。該業(yè)務(wù)涵蓋三類分析場(chǎng)景：日常統(tǒng)計(jì)指標(biāo)計(jì)算、充放電故障分類排序、未來趨勢(shì)預(yù)測(cè)，這些需求往往具有臨時(shí)性和非標(biāo)準(zhǔn)性。傳統(tǒng)解決方式需耗費(fèi) 2-3 天/次進(jìn)行人工數(shù)據(jù)提取和處理，若要實(shí)現(xiàn)標(biāo)準(zhǔn)產(chǎn)品化則需數(shù)周開發(fā)周期。
　　
　　通過深度合作，團(tuán)隊(duì)基于 IoTDB 2.0 構(gòu)建了智能應(yīng)用方案：基于自然語(yǔ)言交互，大模型可自動(dòng)理解并生成 IoTDB 中的 SQL 語(yǔ)句，結(jié)合內(nèi)置的趨勢(shì)分析、嵌套查詢等功能，實(shí)現(xiàn)對(duì)多源數(shù)據(jù)（時(shí)序數(shù)據(jù)、靜態(tài)屬性、業(yè)務(wù)知識(shí)庫(kù)等）的智能關(guān)聯(lián)分析，并能將業(yè)務(wù)知識(shí)進(jìn)行存儲(chǔ)、可視化，形成分析閉環(huán)。
　　
　　基于構(gòu)建的業(yè)務(wù)知識(shí)體系，當(dāng)用戶輸入針對(duì)特定場(chǎng)景的業(yè)務(wù)問題與分析特征時(shí)，時(shí)序大模型將自動(dòng)解析需求并生成精準(zhǔn)的 SQL 語(yǔ)句，即時(shí)提取 IoTDB 中的目標(biāo)原始數(shù)據(jù)并生成可視化預(yù)覽，確保分析范圍正確。
　　
　　之后，IoTDB 系統(tǒng)將結(jié)合業(yè)務(wù)知識(shí)庫(kù)中的多源數(shù)據(jù)信息，對(duì)原始數(shù)據(jù)進(jìn)行進(jìn)一步理解與加工，最終輸出面向該特定場(chǎng)景問題的完整分析報(bào)告。這一流程將傳統(tǒng)人工分析的“數(shù)據(jù)讀取-清洗-分析”過程簡(jiǎn)化為即時(shí)交互的智能服務(wù)，不僅顯著提升了分析效率，大模型生成結(jié)果更能為人工分析提供智能化參考依據(jù)。
　　
　?。?）擴(kuò)展軟硬件全域生態(tài)系統(tǒng)
　　
　　同時(shí)，IoTDB 構(gòu)建了覆蓋數(shù)據(jù)全生命周期的生態(tài)系統(tǒng)，包含數(shù)據(jù)采集、數(shù)據(jù)集成、計(jì)算引擎和可視化分析四大核心環(huán)節(jié)。完整的數(shù)據(jù)生態(tài)確保用戶在使用 IoTDB 時(shí)，能夠根據(jù)具體需求與各類工具和平臺(tái)無(wú)縫集成，這種開放性和擴(kuò)展性使得用戶能夠基于 IoTDB 創(chuàng)造超出預(yù)期的創(chuàng)新應(yīng)用，充分釋放工業(yè)數(shù)據(jù)智能化的潛在價(jià)值。
　　
　　喬嘉林博士重點(diǎn)介紹了 IoTDB 在硬件生態(tài)領(lǐng)域的擴(kuò)展布局。IoTDB 與深開鴻深度集成的邊緣智能硬件板，實(shí)現(xiàn)了百萬(wàn)點(diǎn)/秒的高吞吐寫入、毫秒級(jí)查詢響應(yīng)與高壓縮比，結(jié)合其輕量化特性，適用于智能邊緣物聯(lián)網(wǎng)的數(shù)據(jù)管理分析場(chǎng)景。
　　
　　IoTDB 聯(lián)合航天巨恒與北科大集成系統(tǒng)控制器，該控制器專為鋼鐵熱軋產(chǎn)線及交通等實(shí)時(shí)控制場(chǎng)景設(shè)計(jì)，核心優(yōu)勢(shì)在于采用國(guó)產(chǎn) CPU 并實(shí)現(xiàn)微秒級(jí)實(shí)時(shí)控制。在鋼鐵熱軋等對(duì)精度要求極高的工業(yè)場(chǎng)景中，系統(tǒng)支持微秒級(jí)全量數(shù)據(jù)采集，將原始數(shù)據(jù)實(shí)時(shí)存儲(chǔ)于端側(cè)板卡并同步上傳，有效解決了傳統(tǒng)端側(cè)設(shè)備僅能執(zhí)行控制指令而無(wú)法儲(chǔ)存數(shù)據(jù)的痛點(diǎn)。
　　
　　更突破性的是 IoTDB 智能一體機(jī)的推出：采用全國(guó)產(chǎn)化硬件，預(yù)集成 IoTDB 與時(shí)序大模型核心功能，秒級(jí)測(cè)點(diǎn)管理能力達(dá)到 1 億點(diǎn)以上，達(dá)到億級(jí)寫入/查詢吞吐、毫秒級(jí)寫入/查詢延遲、數(shù)十倍壓縮比、十年以上數(shù)據(jù)留存等性能表現(xiàn)，真正實(shí)現(xiàn)了開箱即用的智能數(shù)據(jù)基礎(chǔ)設(shè)施。
　　
　　這些硬件生態(tài)合作標(biāo)志著 IoTDB 從軟件系統(tǒng)向“軟硬協(xié)同”生態(tài)的跨越，使工業(yè)數(shù)據(jù)智能能力具象化為可部署的實(shí)體解決方案。
　　
　　05
　　
　　IoTDB 未來技術(shù)路線
　　
　　報(bào)告的最后，喬嘉林博士展望了 IoTDB 的未來發(fā)展方向?；谟脩舴答伵c技術(shù)演進(jìn)需求，團(tuán)隊(duì)將聚焦四大核心目標(biāo)：第一，使用簡(jiǎn)便，通過智能化交互持續(xù)降低使用門檻，降低用戶的手工操作壓力；第二，模態(tài)融合，突破時(shí)序數(shù)據(jù)邊界，實(shí)現(xiàn)多維數(shù)據(jù)的統(tǒng)一治理；第三，安全保障，構(gòu)建防攻擊、防泄露的全方位數(shù)據(jù)安全機(jī)制；第四，極致穩(wěn)定，作為隱形的平臺(tái)基礎(chǔ)內(nèi)核工具，讓 IoTDB 以“無(wú)感知”的可靠性高效支撐上層應(yīng)用。
　　
　　他特別強(qiáng)調(diào)，從早期工業(yè)用戶的期待，到如今成為鋼鐵、電力、航空等關(guān)鍵領(lǐng)域的數(shù)字基座，用戶的認(rèn)可始終是驅(qū)動(dòng) IoTDB 迭代前進(jìn)的核心動(dòng)力。未來團(tuán)隊(duì)將繼續(xù)深耕工業(yè)場(chǎng)景，讓 IoTDB 真正成為支撐中國(guó)工業(yè)數(shù)智化的中堅(jiān)力量。
　　
　　規(guī)上企業(yè)應(yīng)用實(shí)例
　　
　　能源電力：中核武漢｜國(guó)網(wǎng)信通產(chǎn)業(yè)集團(tuán)｜華潤(rùn)電力｜大唐先一｜上海電氣國(guó)軒｜清安儲(chǔ)能｜某儲(chǔ)能廠商｜太極股份
　　
　　航天航空：中航機(jī)載共性｜藍(lán)箭航天｜北郵一號(hào)衛(wèi)星｜北郵二、三號(hào)衛(wèi)星
　　
　　鋼鐵、金屬冶煉：寶武鋼鐵｜中冶賽迪｜中國(guó)恩菲
　　
　　交通運(yùn)輸：中車四方｜長(zhǎng)安汽車｜城建智控｜德國(guó)鐵路
　　
　　智慧工廠與物聯(lián)：PCB 龍頭企業(yè)｜博世力士樂｜德國(guó)寶馬｜北斗智慧物聯(lián)｜某物聯(lián)大廠｜昆侖數(shù)據(jù)｜怡養(yǎng)科技｜紹興安瑞思
　　
　　關(guān)于天謀科技
　　
　　天謀科技（Timecho）成立于 2021 年 10 月，是行業(yè)領(lǐng)先的時(shí)序數(shù)據(jù)庫(kù)管理系統(tǒng)及相關(guān)服務(wù)的提供商，現(xiàn)已獲得近億元人民幣天使輪融資。公司由 Apache IoTDB 核心團(tuán)隊(duì)創(chuàng)立，團(tuán)隊(duì)聚焦大數(shù)據(jù)底層技術(shù)軟件研發(fā)，針對(duì)企業(yè)組建物聯(lián)網(wǎng)大數(shù)據(jù)平臺(tái)時(shí)所遇到的數(shù)據(jù)體量大、采樣頻率高、數(shù)據(jù)亂序到達(dá)、分析需求多、存儲(chǔ)與運(yùn)維成本高等多種問題，為企業(yè)提供海量時(shí)序數(shù)據(jù)管理的高效解決方案。目前，其物聯(lián)網(wǎng)原生時(shí)序數(shù)據(jù)庫(kù)管理系統(tǒng)已在國(guó)家電網(wǎng)、國(guó)家氣象局、中航成飛、中核集團(tuán)、中國(guó)中車、長(zhǎng)安汽車、金風(fēng)科技等超過 1000 家企業(yè)廣泛應(yīng)用。
　　
　　電話：010-62780978
　　
　　郵箱：contact@timecho.com
　　
　　網(wǎng)址：www.timecho.com