數據土壤，決勝 AI 下半場：一場關于企業 Data+AI 戰略的爐邊思辨

作者 | 王瑋

數據與 AI 的變革正以前所未有的速度重塑產業格局，2026 年年初，Snowflake 與 InfoQ 聯合呈現的"Make it Snow" 2025-2026 Data+AI 年度時刻，匯聚了來自醫療、制造、汽車等領域的頂尖專家，共同探討數據智能的前沿突破與未來方向。

這場以“爐邊對話”為形式的深度交流，不僅回顧了 2025 年 Data+AI 領域的認知重構，更圍繞 2026 年十大戰略命題展開思辨，為行業奉上了一場兼具思想深度與實踐價值的智慧盛宴。與此同時，各位專家還分別留下了對 2026 年的一個技術預言，點擊下方視頻可快速了解這些極具前瞻性的洞見。

本文力求完整呈現這場思想碰撞的核心洞察，見證數據與 AI 如何從技術概念轉化為驅動產業革新的核心力量。

2025 年帶給你的三個認知突破

Q：回看 2025 這一年，Data + AI 的很多變化，往往是在一次次具體實踐中慢慢顯現出來的。可能是一次驚艷的產品體驗、一次真實落地的嘗試，也可能是一個業務場景，或者一段走彎路之后的重新理解。正是在這些時刻里，我們對 Data + AI 的判斷發生了變化。請每位嘉賓回顧這一年，有沒有哪幾個真正的 Aha Moment（頓悟時刻），讓你感到茅塞頓開，認知被重構了，如果讓你選 3 個這樣的關鍵時刻或經歷，它們分別是什么？

楊揚（Snowflake 亞太及日本地區解決方案工程副總裁）：2025 年大模型演進呈現出"瘋狂超車"的態勢，從年初 DeepSeek 將推理成本降至十分之一，到年中 Claude 展現資深工程師級編程能力，再到 Gemini3 在科學推理領域的突破，最終以 ChatGPT 5.2 模型實現多模態無縫切換，這些迭代揭示了一個核心認知：技術選型的關鍵不在于追逐當下最優，而應基于特定應用場景、預算限制及部署規劃進行理性決策。與此同時，AI 安全風險愈發嚴峻，如 2025 年 6 月發現的“隱形提示詞注入”漏洞，攻擊者可利用郵件中肉眼不可見的指令誘導 AI 自動讀取并外泄網盤內的敏感信息。這充分說明，盡管 AI 功能日新月異，但在企業落地評估中，安全保障必須始終位列首要地位。

朱亦非（羅氏中國 Snowflake 數據平臺技術負責人）：2025 年 Data+AI 的變化不少，其中有這樣三個關鍵的時刻：其一，羅氏診斷提出“三重確定”數字化戰略：實現從實驗室到臨床的 AI 穿透。通過整合肝癌輔助診斷算法與肝病管理數字化平臺，AI 已能驅動從影像學檢查建議，到定期隨訪計劃，再到生活方式干預的全鏈條行動；其二，第八屆數字中國建設峰會數字醫藥專題會議：從監管高墻到智慧燈塔的轉型。藥監局推動的“AI+ 藥物監管”模型，使企業從規避監管轉向主動參與標準定義；其三，羅氏制藥發布小羅智星 AI 科研解決方案：從賦能工具到科研主體的蛻變，“小羅智多星”AI 科研方案覆蓋選題、文獻解讀到論文撰寫全流程，在 700 余家醫院落地 600 多個項目，證明 AI 不僅提升效率，更能激發和擴展人的創造力。

高杰（蔚來汽車人工智能研發負責人 & 高級總監）：2025 年大模型演進帶來的首個關鍵認知源于 DeepSeek 對推理技術的“祛魅”。相較于 OpenAI o1 最初局限于數學等可驗證領域的神秘感，DeepSeek 不僅證明了高邏輯推理能力具有從特定學科向通用場景遷移的普適性，更將原本封閉的技術轉化為行業易于獲取的普惠資源。緊隨其后的第二個轉折點是 Claude Code 工具的誕生，它直觀地展示了 AI 如何走出實驗室假想、真正解決現實世界長程任務的理想形態。這兩大突破推動我們重新定義汽車座艙：從交通工具到“有溫度的情感伙伴”，需要擬人交互、全能幫手、深度理解三方面能力的協同進化，而數據正是實現“懂你”這一核心價值的基礎。

陳硯琳（Snowflake 行業實踐專家）：工業場景的認知重構聚焦于數據基礎設施的價值重估。首先，多云異構環境下的數據互聯成為可能，Snowflake 的跨云部署與合規特性，解決了跨國企業數據孤島與跨境流動難題；其次，Cortex Analyst 等工具重塑了業務 - 技術協作模式，將兩到三周的需求響應周期壓縮至實時交互，釋放了業務用戶的數據分析潛能；最后，數據遷移的無縫銜接驗證了平臺兼容性的重要性，Snowpipe Streaming 等工具實現了 ERP、CRM、IoT 等多源數據的高效集成，證明基礎設施的彈性決定了 AI 應用的落地速度。

郭煒（白鯨開源 CEO）：首先是“開源加成”。長年積累、架構穩定的開源項目已被大模型深度內化，AI 成為了最了解項目細節的“專家”，這賦予了開源項目全新的技術生命力。其次是個體能力邊界的跨越。AI 已從簡單的對話進化為高質量的結果交付，即便非技術背景人員也能通過精準提示產出極具專業深度的技術內容。大模型突破了物理時間的限制，極大擴張了人的認知與能力邊界。最后是從交互到自動化的范式轉移。以 DolphinScheduler 的演進為例，傳統的“拖拉拽”操作正被意圖驅動的自動流生成所取代。未來，人機對話將簡化為純粹的需求提出，由模型間自主協同完成復雜流程，實現真正的全自動化代理。

史少鋒（Datastrato VP of Engineering）：1）2025 年 AI 的核心演進可歸納為從“知識問答”向“全能代理（Agent）”的全面躍遷，MCP 標準協議的開源使 LLM 操作外部軟件接口的門檻大大降低，MCP 標準協議是 Agent 技術普及的關鍵催化劑；2）Claude 等模型在自動化編程領域的出色表現，則顛覆了傳統軟件的開發模式，AI從“完成代碼補全”進化為“全功能、全流程的開發助手”；3）新版千問 APP 的“奶茶點單”功能則展示了個人數字助理的新形態，通過 API 調用、位置感知與無縫的支付集成，實現從語言下達指令到訂單交付的端到端閉環，預示著個人數字助理時代的加速到來。

李飛（數勢科技 AI 負責人）：Data Agent 產品的實踐帶來三個認知轉向：從只盯技術參數看，到更要盯著“人”看：當產品形態只做 Chat 的時候，僅關注準確率和速度會陷入“Data Search”陷阱，而融合大模型知識才能創造超出預期的價值；產品形態回歸經典的必然性：dashboard 等經典形態仍是數據交互的有效環境，Agent 需要可沉淀的操作空間；從功能博弈到專業信任：傳統項目執著于“功能清單”式驗收，導致產品在競品間的比拼中陷入功能堆砌的泥潭，逐漸喪失核心價值主張。Data Agent 逐漸要從功能型的清單型交付，走向專業型交付，這也對交付人員提出了更高的 AI 認知要求。

十問 Data Strategy，AI Strategy

Q1：企業在打造統一的 Data + AI 平臺時最大的挑戰是什么？

楊揚指出，企業在構建統一 Data+AI 平臺的過程中，真正的深層挑戰并非源于 AI 模型本身的技術上限，而在于數據土壤。他形象地將這一挑戰比作“果園”的經營：單一模型（樹苗）的驗證可以通過局部資源的傾斜（溫室培育）快速見效，但若要實現企業級的規模化部署與持續產出，則必須依賴于高質量的“數據土壤”。

在規模化落地階段，企業面臨的考驗在于數據土壤的“有機質含量”與“灌溉系統”是否完備。這具體體現為：數據能否支撐 AI 跨部門、跨場景進行深度的洞察集成；在權限下放至一線管理人員時，企業是否具備精細化的安全隔離與治理能力；以及在 AI 輸出指令或決策后，系統是否擁有完整的可觀測性（Observability）以實現追溯與審計。

從實踐數據看，企業招標需求中 80%-95% 聚焦于數據管理、存儲效率與安全治理，僅 5%-20% 涉及模型訓練與調優。這表明 CIO 們已清醒認識到：沒有高質量、可治理、安全可控的數據基座，AI 應用終將淪為“沙上建塔”。

Q2：2026 年 Agentic AI 應用會迎來爆發嗎？如何確保這些 AI 應用產生可信、可解釋的決策？

楊揚認為，2026 年 Agentic AI 將實現“突破”，而非“爆發”，其差異在于行業與企業的數字化成熟度分化。技術演進需經歷學術突破、試點驗證、規模化部署、普適應用四階段，目前多數企業仍處于試點向規模化過渡的關鍵期。爆發的臨界點在于數據基座的就緒程度，當企業能將多模態數據高效整合、實現基于角色的權限管理、并建立 AI 決策的全鏈路可觀測性時，Agentic 應用才能真正落地。關于可信性，需分場景定義標準：消費推薦等容錯場景可接受一定誤差，而財務報告等嚴肅場景則要求零容錯。

Q3：如何看待開源與閉源在 Data+AI 領域的博弈？開源技術和社區力量將在 2026 年發揮怎樣的作用？

郭煒提出“社區價值大于代碼開源”的觀點，認為 2026 年將迎來“Community over Code”的范式轉移。隨著 Agentic AI 的發展，代碼實現的重要性下降，而問題定義、需求拆解等“提問能力”成為核心。開源社區的價值將體現在：匯聚多樣化問題視角、形成集體智慧沉淀、推動技術普惠化。史少鋒深表認同，他以 AI 編程實踐為例：當機器能高效生成代碼時，人類的核心競爭力轉向創意與需求定義，社區的 Brainstorming 比代碼提交更具價值。

Q4：當人人都問 AI，知識社區注定會沒落嗎？新的具有“活人感”的經驗會從哪里生長？

郭煒認為，以問答為核心的知識社區將不可避免地衰落，因為 AI 能提供更即時、個性化的答案；但以興趣為紐帶的討論社區（如 Reddit）將崛起，這類社區的價值在于“活人感”的經驗碰撞，觀點的交鋒、情感的共鳴、以及非結構化的創意激發。郭煒進而提出了一個“暴論”——未來 90% 的互聯網信息可能由 AI 生成，人類創作將成為“稀缺品”，類似毛筆字的藝術價值。李飛補充道：新經驗生長可能將呈現“無形化”特征：非正式的一對一交流、線下研討會，都可能成為創新源泉。正如直播中嘉賓們的即興討論，這種實時互動產生的洞見，正是 AI 難以復制的“活人感”。

Q5：2026 年工業 AI 實現規模化突破的關鍵點在哪里？

陳硯琳指出，工業 AI 的規模化突破不在算法本身，而在于數據基礎設施的系統性構建。隨著預測性維護、缺陷檢測及智能排產等算法趨于成熟與同質化，AI 算法本身已難以構筑企業的核心護城河。真正決定勝負的，是企業是否擁有堅實統一且可靠的數據平臺。工業場景的數據極其龐雜，不同設備以迥異的頻率和格式實時產生海量數據，若缺乏長遠規劃，極易陷入數據孤島的困局，阻礙后續的數據消費。因此，企業成功的 AI 應用必須建立在對零散數據的合理規劃與統一攝入基礎之上。一個合格的數據系統，應確保用戶能精準獲取所需數據，并以預期的形式高效消費。

Q6：在醫藥健康場景里，您最看好 2026 年 AI 落地的哪一個高價值方向？

朱亦非認為，AI 驅動的候選藥物分子生成與優化將成為 2026 年醫藥健康領域的高價值方向。其核心邏輯在于：業務上，它直接切入研發核心，通過縮短早研周期與降低篩選成本實現立竿見影的財務回報；合規上，隨著臨床研究法規的完善，內部數據閉環下的 AI 研發已具備明確路徑；技術上，繼 AlphaFold 突破后，生成式分子設計已進入臨床驗證的爆發期。此外，在戰略協同上，藥企可利用自身在腫瘤、免疫等領域的優勢數據，構建“模型 + 數據 + 藥物”的增強閉環。而在實施維度，通過跨職能團隊協作、高效數據治理以及與頂尖 AI 平臺的深度耦合，能夠有效管控技術復雜度與實施風險。

Q7：在大模型與數據智能加持下，如何將汽車重新發明一遍？

高杰提出，當前汽車行業已從“能源競爭”上半場進入“智能化競爭”下半場。智能汽車的第一性原理，在于打造一個集“智慧空間”與“情感伙伴”于一體的擬人化交互系統。實現這一愿景需深度的軟硬一體化布局：硬件層需構建高帶寬、低延遲的中央計算架構；中間層需設計面向 AI 的操作系統（如 SkyOS）與數據中間件，確保整車跨域數據的自由流動與實時調度；應用層則通過 NOMI Intelligence 等智能軟件系統，將底層能力轉化為具備主動智能的 Agent 體驗。通過這種從芯片到應用的全棧疊加，汽車正從單純的交通工具進化為全知全能的數字化情感伙伴，這也已成為行業共識的賽道終局。

Q8：當數據分散在多云和多種 AI 工具中時，我們是不是在制造新的孤島？該如何打破？

史少鋒認為，面對多云環境與 AI 工具普及帶來的數據孤島挑戰，應從技術效能與數據治理兩個維度辯證分析。首先，AI 技術的引入，一方面降低了數據工程的門檻，通過加速 Data Pipeline 的開發與自動化取數流程，AI 能夠從技術層面有效提升數據開發和加工的效率，緩解傳統數據孤島的痛點；然而另一方面，隨著 AI 應用的深化，大量的信息在跟 AI 的交互中產生，若缺乏合理的沉淀與治理機制，既可能造成知識流失，也可能演變為企業的“信息黑洞”。破局的關鍵要從組織、技術選型、業務等多個層面協同；當下原有的架構和實踐會被顛覆，但新標準的產生還有待時日。

Q9：當 AI 都能替我打工了，我為啥反而更累了？

李飛認為這或許是“杰文斯悖論”在個體生產力領域的重現，AI 極大縮短了單項任務（如撰寫代碼或制作 PPT）的耗時，但在組織效率博弈中，這種提效并未轉化為閑暇。其次，角色身份從“生產者”向“監管者”轉型。AI 雖能自主生成海量內容，但由于其可信度尚無法完全托管，從業者必須承擔起更沉重的審核與融合責任。從另一個維度看，AI 極大地降低了創意落地的門檻。這種“即時驗證”能力的釋放，也導致了實踐頻次的增長，但也有可能帶來“累并快樂著”的幸福感。

楊揚進一步指出，AI 將人類從重復性工作解放后，大腦需處理更深度的思考任務，如同項目經理協調多個 AI Agent，這種認知負荷的增加帶來“心累”體驗。但這種累是創造性的、價值增值的，正如從“體力勞動者”到“知識工作者”的轉型，AI 時代的“累”預示著人類價值向更高維度躍遷。

Q10：在這一輪數據基礎設施行業的整合洗牌中，數據鏈上下游最值得關注的協同創新機會是什么？

楊揚認為在數據基礎設施行業的整合洗牌中，最值得關注的協同創新機會在于“將算法與用戶體驗帶向數據，而非搬運數據”。以 Snowflake 并購 Observe 為例，這種上下游整合揭示了三大核心邏輯：

首先，減少數據孤島的產生。通過將企業的業務數據（如財務、人力）與底層運營數據（如系統日志、安全數據）整合至統一平臺，從源頭上降低了數據孤島在企業內部數據生態中的比率。其次，變革軟件開發與交付模式。當應用直接構建在數據平臺之上，開發者無需再關注算力尋址或數據建模，實現了運算、算法與用戶體驗同數據的無縫銜接。最后，驅動跨職能的協同效率。上下游的打通打破了業務人員與運維人員的溝通壁壘，使得“系統在線時長對營銷的影響”等跨域問題能在統一平臺上快速得到解答。這種將計算能力向數據側下沉的模式，不僅規避了數據搬運帶來的額外風險與人力開銷，更構筑了完整且受控的平臺級協同優勢。

這場年度對話深入剖析了 Data+AI 時代的變革邏輯，并達成了一個關鍵的行業共識：一個堅實、可靠、治理良好的數據基座，不僅是 AI 戰略從愿景走向現實的唯一路徑，更是決定企業智能進化上限的核心勢能。與會專家通過回顧 2025 年的“落地實戰”并展望 2026 年的戰略命題，清晰地揭示了產業圖景的變遷——技術的競爭焦點已超越模型算法本身，全面轉向數據質量、安全治理與平臺工程化能力的綜合比拼。

站在 2026 年的關口，數據從業者們正身處一個歷史性的交匯點。AI 的爆發式增長不僅帶來了無限的創新可能，也對底層的“數據土壤”提出了近乎苛刻的要求。面對智能時代的不確定性，構建一套穩健、透明且具備確定性治理邏輯的數據體系，已成為從業者們共同的使命。作為全球數據云的引領者，Snowflake 始終致力于打破數據的孤島與邊界，未來將繼續與廣大數據從業者并肩同行，扎根數據深處，在波瀾壯闊的智能變革中，以篤定的數據基座驅動業務的無界創新，共同定義 Data+AI 的下一個黃金時代。