就在一周前,TDengine TSDB 时序数据库在全球安装实例数超过一百万,遍布全球60多个国家和地区,这是一个相当令人兴奋的数字。2016年底,我看到物联网、工业互联网的高速发展,市场需要有一款高性能、具有水平扩展能力的时序数据库,因此开始人生的第三次创业,带着团队开发出TDengine TSDB, 并在2019年7月将其开源。这个一百万是团队努力、用户信任、开源社区支持、创业窗口把握得当的结果。
但兴奋的背后,内心仍然焦虑,因为与九年前相比,全球IT格局已经完全改变。从2022年底ChatGPT发布起,人类迎来了一场新的工业革命,AI浪潮席卷全球,各种大模型不停迭代,推理能力也越来越强,训练、推理成本也越来越低。2024年起,AI Agent开始流行,一个简单的对话框就颠覆了很多传统的IT系统,以前需要耗费很多人力开发的软件,现在可以及时生成。大家发现,程序员的价值大幅缩水,甚至可以不需要了。以我们涛思数据为例,人事部门的周子衿就用AI生成了年会抽奖程序,开发出了招聘AI Agent,公司任何人都可以写出自动化测试脚本,这在以前是不可想象的。
作为一家2B软件公司,在AI时代我们何去何从?涛思数据是否还有价值?TDengine TSDB是否已经走到尽头?过去一年多,我一直在思考这个问题。我的结论越来越清晰:TDengine 的旅程,才刚刚开始。我们真正要打造的,不只是一个时序数据库,而是构建一个AI时代的工业数据基座 (Building Industrial Data Foundation for AI Era)。而实现这件事的关键,就是:TSDB + IDMP。
AI 时代稀缺的不是功能,而是面向 AI 的数据基座
很多人认为 AI 会吞噬所有软件,这是一种误解。更准确的判断是:AI 不会让软件产品消失,AI 会让“低壁垒的功能产品”失去存在价值。AI Agent 的核心能力是:把“一个功能”变成“按需生成的能力”。
过去的软件形态是:功能 → 产品,现在变成:需求 → AI即时完成。例如活动的抽奖程序,会议记录,产品的自动化测试例,现在就可以由AI即时生成。
这些软件的共同特点是:单一功能、规则清晰、不依赖复杂数据、不涉及关键业务流程、不需要长期积累 。换句话说:一个聪明的 Prompt 就可以替代它们。因此,最先被冲击的,是“功能型软件”。
当 AI 能够即时生成你需要的功能时,企业真正需要的,不再是一个软件工具,而是:能够承载数据、流程、上下文和决策的系统,也就是一个AI时代的数据基座 。
一个企业不会因为 AI 能写报表、回答各种问题,就不需要数据采集系统、不需要数据库、不需要资产模型、生产监控以及可靠的数据基础设施了。AI 可以生成洞察,但无法替代数据的来源和结构。就像:AI 可以分析发动机数据 ,但不会替代发动机本身。
这也是为什么,我们决定把 TDengine 从一个时序数据库,发展成为一个面向AI 的工业数据基座。
工业领域是AI时代最难被颠覆的行业之一
在消费互联网领域,AI 可以迅速替代很多工具。但在工业领域,情况完全不同。工业数据具有几个关键特征:
- 强实时性:毫秒级采集、秒级分析
- 强上下文:每个数据点都与设备、工艺、班次、订单相关
- 数据源类型多:不同设备的数据接口不一致、数据标准不一致
- 高可靠性要求:错误可能导致停产甚至事故
- 数据规模巨大:数万到数千万时间序列
AI 不可能处理海量的实时数据,更无法处理无上下文,没有统一标准的数据。这些特征决定,我们必须建立强大的工业数据基座,而且向AI开放接口,让其能轻易获取具有上下文、业务语义的数据,构建出各种工业应用,获得实时的业务洞察。AI无法取代这样的工业数据基座,而是完全依赖它。
为什么需要 IDMP工业数据管理平台
时序数据库负责把采集的工业数据存储起来,但是规模稍微大一点的企业,动辄就是几十万甚至数千万的时间线(测点),我们的一个新能源客户,测点数就超过三千万。怎么找到一个测点,以及测点之间的关联关系,我们必须有一个数据目录,或是数据地图,否则依赖AI去找,消耗的资源太大,而且不可靠。
工业上,有各种各样的数据源,有SCADA, DCS, Controller 等,每种数据源有自己接口和标准,计量单位不一致,命名不一致,因此我们必须要有数据的标准化。否则在AI读到一个数220的时候,这是电压,还是温度,都难以区分。Dianya, Voltage、DY几个词是否都表示电压,只会让 AI 幻觉严重。
另一方面,数据的采集是持续不断的,只有附上批次、订单、班次等信息后,才有真正的业务价值。不同订单的工艺配置是完全不一样的,数据特征会不一样,如果不标注出来,只会让AI的幻觉雪上加霜,因此数据的情景化是必须的,离开情景化,数据就是孤零零的一个浮点数、状态量,不具备任何业务含义。
因此任何工业数据基座,都必须有一个管理平台,这个平台负责数据目录、数据标准化和数据情景化。有了这样的一个平台,AI 才能真正的发挥作用,这个平台就是 IDMP 工业数据管理平台 (IndustrialData Management Platform) 。
幸运的是,我从2017年起就关注PI System,三年前,又开始仔细研究它的产品。PI Asset Framework 较为完美的解决了数据目录、标准化和情景化的问题。2024年中旬,看到AI的兴起,我下定决心开发IDMP,调动公司的研发资源,进行开发。2025年初 DeepSeek 的爆火,加速了AI发展的进程,也迫使我全身心的投入到IDMP的开发中。
然而,仅仅把数据组织好、管理好还远远不够。工业数据平台的最终目标,并不是存储数据,而是帮助用户展示数据、理解数据、发现问题并做出决策。如果数据只能被查询,却无法被洞察,那么再好的数据平台,其价值仍然是有限的。因此,在 IDMP 的设计之初,我还在思考一个问题:在 AI 时代,工业数据可视化到底应该扮演什么角色?
TDengine 工业数据基座架构图
可视化正在从“展示数据”走向“洞察数据”
在传统工业软件中,可视…