数据土壤，决胜 AI 下半场：一场关于企业 Data+AI 战略的炉边思辨

作者 | 王玮

数据与 AI 的变革正以前所未有的速度重塑产业格局，2026 年年初，Snowflake 与 InfoQ 联合呈现的"Make it Snow" 2025-2026 Data+AI 年度时刻，汇聚了来自医疗、制造、汽车等领域的顶尖专家，共同探讨数据智能的前沿突破与未来方向。

这场以“炉边对话”为形式的深度交流，不仅回顾了 2025 年 Data+AI 领域的认知重构，更围绕 2026 年十大战略命题展开思辨，为行业奉上了一场兼具思想深度与实践价值的智慧盛宴。与此同时，各位专家还分别留下了对 2026 年的一个技术预言，点击下方视频可快速了解这些极具前瞻性的洞见。

本文力求完整呈现这场思想碰撞的核心洞察，见证数据与 AI 如何从技术概念转化为驱动产业革新的核心力量。

2025 年带给你的三个认知突破

Q：回看 2025 这一年，Data + AI 的很多变化，往往是在一次次具体实践中慢慢显现出来的。可能是一次惊艳的产品体验、一次真实落地的尝试，也可能是一个业务场景，或者一段走弯路之后的重新理解。正是在这些时刻里，我们对 Data + AI 的判断发生了变化。请每位嘉宾回顾这一年，有没有哪几个真正的 Aha Moment（顿悟时刻），让你感到茅塞顿开，认知被重构了，如果让你选 3 个这样的关键时刻或经历，它们分别是什么？

杨扬（Snowflake 亚太及日本地区解决方案工程副总裁）：2025 年大模型演进呈现出"疯狂超车"的态势，从年初 DeepSeek 将推理成本降至十分之一，到年中 Claude 展现资深工程师级编程能力，再到 Gemini3 在科学推理领域的突破，最终以 ChatGPT 5.2 模型实现多模态无缝切换，这些迭代揭示了一个核心认知：技术选型的关键不在于追逐当下最优，而应基于特定应用场景、预算限制及部署规划进行理性决策。与此同时，AI 安全风险愈发严峻，如 2025 年 6 月发现的“隐形提示词注入”漏洞，攻击者可利用邮件中肉眼不可见的指令诱导 AI 自动读取并外泄网盘内的敏感信息。这充分说明，尽管 AI 功能日新月异，但在企业落地评估中，安全保障必须始终位列首要地位。

朱亦非（罗氏中国 Snowflake 数据平台技术负责人）：2025 年 Data+AI 的变化不少，其中有这样三个关键的时刻：其一，罗氏诊断提出“三重确定”数字化战略：实现从实验室到临床的 AI 穿透。通过整合肝癌辅助诊断算法与肝病管理数字化平台，AI 已能驱动从影像学检查建议，到定期随访计划，再到生活方式干预的全链条行动；其二，第八届数字中国建设峰会数字医药专题会议：从监管高墙到智慧灯塔的转型。药监局推动的“AI+ 药物监管”模型，使企业从规避监管转向主动参与标准定义；其三，罗氏制药发布小罗智星 AI 科研解决方案：从赋能工具到科研主体的蜕变，“小罗智多星”AI 科研方案覆盖选题、文献解读到论文撰写全流程，在 700 余家医院落地 600 多个项目，证明 AI 不仅提升效率，更能激发和扩展人的创造力。

高杰（蔚来汽车人工智能研发负责人 & 高级总监）：2025 年大模型演进带来的首个关键认知源于 DeepSeek 对推理技术的“祛魅”。相较于 OpenAI o1 最初局限于数学等可验证领域的神秘感，DeepSeek 不仅证明了高逻辑推理能力具有从特定学科向通用场景迁移的普适性，更将原本封闭的技术转化为行业易于获取的普惠资源。紧随其后的第二个转折点是 Claude Code 工具的诞生，它直观地展示了 AI 如何走出实验室假想、真正解决现实世界长程任务的理想形态。这两大突破推动我们重新定义汽车座舱：从交通工具到“有温度的情感伙伴”，需要拟人交互、全能帮手、深度理解三方面能力的协同进化，而数据正是实现“懂你”这一核心价值的基础。

陈砚琳（Snowflake 行业实践专家）：工业场景的认知重构聚焦于数据基础设施的价值重估。首先，多云异构环境下的数据互联成为可能，Snowflake 的跨云部署与合规特性，解决了跨国企业数据孤岛与跨境流动难题；其次，Cortex Analyst 等工具重塑了业务 - 技术协作模式，将两到三周的需求响应周期压缩至实时交互，释放了业务用户的数据分析潜能；最后，数据迁移的无缝衔接验证了平台兼容性的重要性，Snowpipe Streaming 等工具实现了 ERP、CRM、IoT 等多源数据的高效集成，证明基础设施的弹性决定了 AI 应用的落地速度。

郭炜（白鲸开源 CEO）：首先是“开源加成”。长年积累、架构稳定的开源项目已被大模型深度内化，AI 成为了最了解项目细节的“专家”，这赋予了开源项目全新的技术生命力。其次是个体能力边界的跨越。AI 已从简单的对话进化为高质量的结果交付，即便非技术背景人员也能通过精准提示产出极具专业深度的技术内容。大模型突破了物理时间的限制，极大扩张了人的认知与能力边界。最后是从交互到自动化的范式转移。以 DolphinScheduler 的演进为例，传统的“拖拉拽”操作正被意图驱动的自动流生成所取代。未来，人机对话将简化为纯粹的需求提出，由模型间自主协同完成复杂流程，实现真正的全自动化代理。

史少锋（Datastrato VP of Engineering）：1）2025 年 AI 的核心演进可归纳为从“知识问答”向“全能代理（Agent）”的全面跃迁，MCP 标准协议的开源使 LLM 操作外部软件接口的门槛大大降低，MCP 标准协议是 Agent 技术普及的关键催化剂；2）Claude 等模型在自动化编程领域的出色表现，则颠覆了传统软件的开发模式，AI从“完成代码补全”进化为“全功能、全流程的开发助手”；3）新版千问 APP 的“奶茶点单”功能则展示了个人数字助理的新形态，通过 API 调用、位置感知与无缝的支付集成，实现从语言下达指令到订单交付的端到端闭环，预示着个人数字助理时代的加速到来。

李飞（数势科技 AI 负责人）：Data Agent 产品的实践带来三个认知转向：从只盯技术参数看，到更要盯着“人”看：当产品形态只做 Chat 的时候，仅关注准确率和速度会陷入“Data Search”陷阱，而融合大模型知识才能创造超出预期的价值；产品形态回归经典的必然性：dashboard 等经典形态仍是数据交互的有效环境，Agent 需要可沉淀的操作空间；从功能博弈到专业信任：传统项目执着于“功能清单”式验收，导致产品在竞品间的比拼中陷入功能堆砌的泥潭，逐渐丧失核心价值主张。Data Agent 逐渐要从功能型的清单型交付，走向专业型交付，这也对交付人员提出了更高的 AI 认知要求。

十问 Data Strategy，AI Strategy

Q1：企业在打造统一的 Data + AI 平台时最大的挑战是什么？

杨扬指出，企业在构建统一 Data+AI 平台的过程中，真正的深层挑战并非源于 AI 模型本身的技术上限，而在于数据土壤。他形象地将这一挑战比作“果园”的经营：单一模型（树苗）的验证可以通过局部资源的倾斜（温室培育）快速见效，但若要实现企业级的规模化部署与持续产出，则必须依赖于高质量的“数据土壤”。

在规模化落地阶段，企业面临的考验在于数据土壤的“有机质含量”与“灌溉系统”是否完备。这具体体现为：数据能否支撑 AI 跨部门、跨场景进行深度的洞察集成；在权限下放至一线管理人员时，企业是否具备精细化的安全隔离与治理能力；以及在 AI 输出指令或决策后，系统是否拥有完整的可观测性（Observability）以实现追溯与审计。

从实践数据看，企业招标需求中 80%-95% 聚焦于数据管理、存储效率与安全治理，仅 5%-20% 涉及模型训练与调优。这表明 CIO 们已清醒认识到：没有高质量、可治理、安全可控的数据基座，AI 应用终将沦为“沙上建塔”。

Q2：2026 年 Agentic AI 应用会迎来爆发吗？如何确保这些 AI 应用产生可信、可解释的决策？

杨扬认为，2026 年 Agentic AI 将实现“突破”，而非“爆发”，其差异在于行业与企业的数字化成熟度分化。技术演进需经历学术突破、试点验证、规模化部署、普适应用四阶段，目前多数企业仍处于试点向规模化过渡的关键期。爆发的临界点在于数据基座的就绪程度，当企业能将多模态数据高效整合、实现基于角色的权限管理、并建立 AI 决策的全链路可观测性时，Agentic 应用才能真正落地。关于可信性，需分场景定义标准：消费推荐等容错场景可接受一定误差，而财务报告等严肃场景则要求零容错。

Q3：如何看待开源与闭源在 Data+AI 领域的博弈？开源技术和社区力量将在 2026 年发挥怎样的作用？

郭炜提出“社区价值大于代码开源”的观点，认为 2026 年将迎来“Community over Code”的范式转移。随着 Agentic AI 的发展，代码实现的重要性下降，而问题定义、需求拆解等“提问能力”成为核心。开源社区的价值将体现在：汇聚多样化问题视角、形成集体智慧沉淀、推动技术普惠化。史少锋深表认同，他以 AI 编程实践为例：当机器能高效生成代码时，人类的核心竞争力转向创意与需求定义，社区的 Brainstorming 比代码提交更具价值。

Q4：当人人都问 AI，知识社区注定会没落吗？新的具有“活人感”的经验会从哪里生长？

郭炜认为，以问答为核心的知识社区将不可避免地衰落，因为 AI 能提供更即时、个性化的答案；但以兴趣为纽带的讨论社区（如 Reddit）将崛起，这类社区的价值在于“活人感”的经验碰撞，观点的交锋、情感的共鸣、以及非结构化的创意激发。郭炜进而提出了一个“暴论”——未来 90% 的互联网信息可能由 AI 生成，人类创作将成为“稀缺品”，类似毛笔字的艺术价值。李飞补充道：新经验生长可能将呈现“无形化”特征：非正式的一对一交流、线下研讨会，都可能成为创新源泉。正如直播中嘉宾们的即兴讨论，这种实时互动产生的洞见，正是 AI 难以复制的“活人感”。

Q5：2026 年工业 AI 实现规模化突破的关键点在哪里？

陈砚琳指出，工业 AI 的规模化突破不在算法本身，而在于数据基础设施的系统性构建。随着预测性维护、缺陷检测及智能排产等算法趋于成熟与同质化，AI 算法本身已难以构筑企业的核心护城河。真正决定胜负的，是企业是否拥有坚实统一且可靠的数据平台。工业场景的数据极其庞杂，不同设备以迥异的频率和格式实时产生海量数据，若缺乏长远规划，极易陷入数据孤岛的困局，阻碍后续的数据消费。因此，企业成功的 AI 应用必须建立在对零散数据的合理规划与统一摄入基础之上。一个合格的数据系统，应确保用户能精准获取所需数据，并以预期的形式高效消费。

Q6：在医药健康场景里，您最看好 2026 年 AI 落地的哪一个高价值方向？

朱亦非认为，AI 驱动的候选药物分子生成与优化将成为 2026 年医药健康领域的高价值方向。其核心逻辑在于：业务上，它直接切入研发核心，通过缩短早研周期与降低筛选成本实现立竿见影的财务回报；合规上，随着临床研究法规的完善，内部数据闭环下的 AI 研发已具备明确路径；技术上，继 AlphaFold 突破后，生成式分子设计已进入临床验证的爆发期。此外，在战略协同上，药企可利用自身在肿瘤、免疫等领域的优势数据，构建“模型 + 数据 + 药物”的增强闭环。而在实施维度，通过跨职能团队协作、高效数据治理以及与顶尖 AI 平台的深度耦合，能够有效管控技术复杂度与实施风险。

Q7：在大模型与数据智能加持下，如何将汽车重新发明一遍？

高杰提出，当前汽车行业已从“能源竞争”上半场进入“智能化竞争”下半场。智能汽车的第一性原理，在于打造一个集“智慧空间”与“情感伙伴”于一体的拟人化交互系统。实现这一愿景需深度的软硬一体化布局：硬件层需构建高带宽、低延迟的中央计算架构；中间层需设计面向 AI 的操作系统（如 SkyOS）与数据中间件，确保整车跨域数据的自由流动与实时调度；应用层则通过 NOMI Intelligence 等智能软件系统，将底层能力转化为具备主动智能的 Agent 体验。通过这种从芯片到应用的全栈叠加，汽车正从单纯的交通工具进化为全知全能的数字化情感伙伴，这也已成为行业共识的赛道终局。

Q8：当数据分散在多云和多种 AI 工具中时，我们是不是在制造新的孤岛？该如何打破？

史少锋认为，面对多云环境与 AI 工具普及带来的数据孤岛挑战，应从技术效能与数据治理两个维度辩证分析。首先，AI 技术的引入，一方面降低了数据工程的门槛，通过加速 Data Pipeline 的开发与自动化取数流程，AI 能够从技术层面有效提升数据开发和加工的效率，缓解传统数据孤岛的痛点；然而另一方面，随着 AI 应用的深化，大量的信息在跟 AI 的交互中产生，若缺乏合理的沉淀与治理机制，既可能造成知识流失，也可能演变为企业的“信息黑洞”。破局的关键要从组织、技术选型、业务等多个层面协同；当下原有的架构和实践会被颠覆，但新标准的产生还有待时日。

Q9：当 AI 都能替我打工了，我为啥反而更累了？

李飞认为这或许是“杰文斯悖论”在个体生产力领域的重现，AI 极大缩短了单项任务（如撰写代码或制作 PPT）的耗时，但在组织效率博弈中，这种提效并未转化为闲暇。其次，角色身份从“生产者”向“监管者”转型。AI 虽能自主生成海量内容，但由于其可信度尚无法完全托管，从业者必须承担起更沉重的审核与融合责任。从另一个维度看，AI 极大地降低了创意落地的门槛。这种“即时验证”能力的释放，也导致了实践频次的增长，但也有可能带来“累并快乐着”的幸福感。

杨扬进一步指出，AI 将人类从重复性工作解放后，大脑需处理更深度的思考任务，如同项目经理协调多个 AI Agent，这种认知负荷的增加带来“心累”体验。但这种累是创造性的、价值增值的，正如从“体力劳动者”到“知识工作者”的转型，AI 时代的“累”预示着人类价值向更高维度跃迁。

Q10：在这一轮数据基础设施行业的整合洗牌中，数据链上下游最值得关注的协同创新机会是什么？

杨扬认为在数据基础设施行业的整合洗牌中，最值得关注的协同创新机会在于“将算法与用户体验带向数据，而非搬运数据”。以 Snowflake 并购 Observe 为例，这种上下游整合揭示了三大核心逻辑：

首先，减少数据孤岛的产生。通过将企业的业务数据（如财务、人力）与底层运营数据（如系统日志、安全数据）整合至统一平台，从源头上降低了数据孤岛在企业内部数据生态中的比率。其次，变革软件开发与交付模式。当应用直接构建在数据平台之上，开发者无需再关注算力寻址或数据建模，实现了运算、算法与用户体验同数据的无缝衔接。最后，驱动跨职能的协同效率。上下游的打通打破了业务人员与运维人员的沟通壁垒，使得“系统在线时长对营销的影响”等跨域问题能在统一平台上快速得到解答。这种将计算能力向数据侧下沉的模式，不仅规避了数据搬运带来的额外风险与人力开销，更构筑了完整且受控的平台级协同优势。

这场年度对话深入剖析了 Data+AI 时代的变革逻辑，并达成了一个关键的行业共识：一个坚实、可靠、治理良好的数据基座，不仅是 AI 战略从愿景走向现实的唯一路径，更是决定企业智能进化上限的核心势能。与会专家通过回顾 2025 年的“落地实战”并展望 2026 年的战略命题，清晰地揭示了产业图景的变迁——技术的竞争焦点已超越模型算法本身，全面转向数据质量、安全治理与平台工程化能力的综合比拼。

站在 2026 年的关口，数据从业者们正身处一个历史性的交汇点。AI 的爆发式增长不仅带来了无限的创新可能，也对底层的“数据土壤”提出了近乎苛刻的要求。面对智能时代的不确定性，构建一套稳健、透明且具备确定性治理逻辑的数据体系，已成为从业者们共同的使命。作为全球数据云的引领者，Snowflake 始终致力于打破数据的孤岛与边界，未来将继续与广大数据从业者并肩同行，扎根数据深处，在波澜壮阔的智能变革中，以笃定的数据基座驱动业务的无界创新，共同定义 Data+AI 的下一个黄金时代。