《InfoQ：2025面向GenAI的数据智能底座白皮书（18页）.pdf》由会员分享，可在线阅读，更多相关《InfoQ：2025面向GenAI的数据智能底座白皮书（18页）.pdf（18页珍藏版）》请在三个皮匠报告上搜索。

1、面向GenAI 的数据智能底座白皮书Building the Data Intelligence Platform for Generative AI1目录前言01 企业落地 GenAI 的数据困境严重的数据碎片化问题从 Demo 到生产的规模化瓶颈异构多模态数据整合的复杂性 数据安全与治理挑战评估与反馈优化机制的缺失技术栈的复杂性与人才鸿沟03 面向 GenAI 的数据基础设施厂商:矩阵起源总结AI 原生多模态数据智能平台：MatrixOne Intelligence构建 GenAI 数据资产的安全基座制造行业激活数据价值，赋能 GenAI 应用为企业打通 GenAI 的数据闭环Matrix

2、One Intelligence 落地实践全域数据接入零售行业02 企业急需打造面向 GenAI 的高质量数据基础设施2357164444448101011111214122生成式人工智能（GenAI）的快速发展，正在推动新一轮技术与产业变革。从文本生成到多模态交互，从自动化办公到智能决策，AI 正逐步渗透到各行各业，重塑企业的业务模式与创新方式。尤其在 2025 年，GenAI 正加速向 AI 智能体（AI Agent）演进从被动响应用户，到具备自主理解、规划、执行与反思的能力，驱动业务流程自动化与智能化升级。据 Gartner 预测，到 2028 年，至少有 15%的日常工作决策将由 AI

3、 智能体自主完成，且 33%的企业软件应用会集成智能体的能力。然而，现实与愿景之间依然存在巨大鸿沟。研究显示，超过 80%的企业 AI 项目在 POC（概念验证）之后就停滞不前不是因为 AI 技术不够成熟，也不是因为业务场景不够清晰，而在于一个最底层的原因：企业缺乏面向 GenAI 的高质量数据基础设施。分散在不同系统和孤岛中的结构化、半结构化与非结构化数据，缺乏统一的接入、治理与管理，导致模型和智能体无法持续获取高质量、可追溯的数据来驱动应用，最终使 AI 无法跨越从试验到生产的鸿沟。在 GenAI 时代，数据不再只是用来查询和分析的资产，而是构建企业专属 AI 应用的基础。只有构建统一、多

4、模态、AI-Ready 的数据底座，企业才能真正释放 AI 的潜力，实现智能体的持续进化与业务的高效增长。前言301企业落地 GenAI 的数据困境过去两年，生成式 AI（GenAI）技术快速迭代，推动企业加速智能化升级。然而，通用大模型由于缺乏企业特定知识，在商业场景中难以做到精准决策。无论是模型精调还是构建 RAG 知识库，要提升模型准确性，都离不开企业自有高质量数据的深度融入。并且随着 AI 应用从简单的问答机器人演进为能够执行复杂任务的 AI 智能体，对数据的要求被提升到一个全新高度智能体不仅需要“知道是什么”（知识），还必须“知道如何做”（规划与工具使用），并能通过交互不断学习和进化

5、。这也意味着，企业在落地 AI 智能体时将面临更严峻的数据挑战。34 严重的数据碎片化问题企业的数据处理曾主要集中在结构化数据的整合，但在 AI 智能体场景下，多模态数据的整合需求使得数据碎片化问题以更复杂的形式再度出现。具体表现：非结构化数据分散在云盘、IM 工具、对象存储等多个系统中，缺乏统一管理。同时，结构化数据也需与非结构化数据混用，加剧了碎片化程度。异构多模态数据整合的复杂性AI 智能体需全面理解企业运作，要求融合处理结构化、半结构化和非结构化数据。具体表现：不同格式数据的解析和治理流程复杂，且智能体需要对数据进行深度理解，构建实体关系和动态知识图谱，这对于缺乏深厚数据和 AI 工程

6、能力的企业来说是巨大的技术门槛。评估与反馈优化机制的缺失AI 智能体的核心能力在于通过与环境和人类的互动来持续优化。具体表现：绝大多数企业缺乏有效捕获、存储和利用这些交互数据、工具使用日志、用户反馈等动态反馈数据的机制，导致智能体无法形成闭环优化，能力停滞不前。从 Demo 到生产的规模化瓶颈简单的 RAG Demo 容易实现，但在生产环境中，挑战是指数级增长的。具体表现:知识库从 GB 级跃升至 PB 级,并发请求剧增，对响应延迟和稳定性要求严苛，需要一个能高效、弹性调度和容错的底层资源平台。数据安全与治理挑战 当 AI 智能体被赋予权限访问和操作企业核心数据时，数据安全与治理问题变得空前重