大咖说 _ Data+AI：企业智能化转型的核心驱动力

日前，小米CEO雷军和小米集团总裁卢伟冰，在小米吐鲁番夏测基地开启直播。在直播中谈及带货的时候，雷军表示，非常愿意为高品质的国货带货，现在用户对国货的认可越来越高，

人工智能（AI）诞生于20世纪50年代，自90年代以来随着数据量的爆发式增长以及算力的不断提升，AI被广泛应用于各行业，为社会带来巨大机遇。AI提升了企业的决策效率和精准度，驱动创新，优化运营，并助力组织变革和构建竞争优势。麦肯锡调研显示，2022年全球有50%的公司部署了AI，投资超过总预算的4%。生成式AI（GenAI）的崛起进一步推动了企业转型，其在流程优化、个性化服务等方面的应用超越了传统AI。企业正积极探索如何提升Gen-AI的ROI，预计到2030年，中国约50%的工作将实现自动化，标志着Gen-AI在推动业务模式转型和价值创造中的关键作用。

AI虽然为企业带来了前所未有的机遇，但在实际落地过程中，企业面临着一系列挑战，这些挑战影响了AI技术在企业中的实际应用和价值实现。

1. 数据质量和治理问题：AI的应用依赖于高质量的数据，数据的“自由散漫”问题，即数据的不准确、分散性和新鲜度是制约AI落地的重要因素。

2. 数据资产与AI联动问题：企业积累了大量数据资产，这些资产价值的释放不仅依赖数据资产与AI的相互联动（数据赋能AI，AI赋能数据），还依赖数据资产团队和AI团队间的协同，企业缺乏 的联动机制。

3. 技术门槛、成熟度和可靠性问题：尽管发展迅速，但AI落地仍然面临高门槛和应用成熟度的挑战，担心技术尚不成熟可能影响业务的稳定性和安全性，高门槛影响AI场景的 落地。

4. 成本、人才与组织问题：AI落地通常需要较高的初期投入，包括基础设施投入、人才培养投入，如果涉及转型还会有业务流程和组织上的变革，企业需要评估AI投资回报率，实现降本增效。

企业可通过采用D a+AI方案，有效应对实施AI过程中的挑战。

从托马斯·斯特尔那斯·艾略特提出的DIKW模型（D a—>Inform ion—>Knowledge—>Wisdom）可知，数据是构建智能的基础。企业要实现AI的规模化和高质量应用，必须依赖强大的数据支持，即采用D a+AI方案。德勤的调查显示，28%的AI领先企业正利用D a+AI方案整合数据和AI，以实现 、高价值的AI应用。

D a+AI是指将数据和人工智能结合起来，以支持从数据收集和准备到模型开发、部署、监控和治理的端到端工作流。

有了D a+AI，企业实施AI的挑战将得到有效 ：

数据治理和质量提升

D a+AI能够提供统一的数据治理框架，确保数据的准确性和可用性，从而提高数据质量。

数据和AI在一个 联动

D a+AI能够让数据和AI团队在一个 上进行协作，端到端的完成AI开发，数据管理为AI应用提供 数据支撑，而AI又能反向增强数据管理的智能化水平（例如借助LLM构建Copilot等），进而形成D a和AI相互促进相互提升的良性循环。

有效降低技术门槛、提升AI成熟度和可靠性

D a+AI不仅提供经过验证的AI技术和服务，还以可视化、拖拉拽的操作方式降低技术门槛，同时企业借助于D a+AI生命周期的管理和运营能够不断提升AI成熟度和可靠性，帮助企业提升AI生产力水平。

减少基础设施、人才培养和组织变革投入

D a+AI可采用云 构建，并通过提供成本效益分析和自动化的AI应用开发，帮助企业降低成本并提高投资回报。通过简化AI的应用，降低了对专业AI人才的依赖，各团队使用同一个 和单一数据来源来执行其工作，能够促进跨部门合作和知识共享，从而降低人才培养和组织变更投入。

目前已有多个行业客户采取D a+AI来实现AI场景的持续高质量落地，下面是相较于传统AI场景落地，借助D a+AI在构建不同行业应用时的表现。

1、提高应用效果

D a+AI能够实现更高质量的数据供应，进而帮助AI产生更准确、更可靠的结果。电商 通过分析高质量的用户行为数据，可以更准确的预测用户购买习惯和偏好，从而提高转化率和客户满意度。

2、支持 决策

D a+AI能够提供更实时、动态的数据，帮助AI快速适应市场动态，提升决策效率。例如在零售行业，通过实时、动态的数据获取，企业能够借助AI更及时的发现销售数据中的异常点和趋势，为决策提供支撑。

3、增强个性化服务

D a+AI能够从分散的数据中获取完善的信息，帮助AI提供更准确的个性化服务。例如在游戏行业，根据玩家在各个游戏中的历史反馈和行为模式，AI能够更精准的识别玩家意图，进而提供对应的游戏服务。

4、提升服务效率

D a+AI能够提供以业务域、个体等多种维度的数据和知识支撑，能够降低AI应用启动门槛，提升服务效率。例如在金融行业，根据 内的技术元数据和操作元数据生成可被大模型识别的知识并在大模型服务的过程中持续自动维护，借助于知识能够有效降低冷启动投入并提供更准确的结果输出。

5、优化企业成本

D a+AI能够实现多模的数据和数据—>AI的全链路管理，进而加速AI服务过程，降低过程中的人力、管理、资源成本，实现企业成本优化。例如在汽车行业，通过多模的数据管理结合全链路的D a+AI开发，能够在加速智能座舱领域各类AI场景的构建，降低研发投入。

D a+AI能够帮助企业实现高质量、规模化AI应用，是企业智能化转型的核心驱动力。结合德勤关于企业人工智能应用现状报告和阿里云近期的最佳实践来看，企业走向D a+AI的核心在于通过统一的 ，实现数据和AI的深度整合，从而不断提高企业的数据决策和AI应用效率。该 需要支持以下能力：

多模数据管理

AI应用通常会涉及到结构化及非结构化的数据使用，因此D a+AI 需要具备多模数据管理能力，方便企业在D a+AI开发过程中 利用各种类型的数据。

端到端的D a+AI开发

D a+AI开发包括数据处理、模型构建及大模型训练等环节。 需提供 的开发工具，并实现从数据到AI模型的全流程管理，以确保数据与AI的深度融合。同时不同团队能在统一 上 协作，有效降低管理成本，提升开发效率。

统一D a+AI治理

为确保AI应用的 产出， 必须兼顾数据的准确性、可用性和安全性，同时注重模型的质量和应用的实际效果。 需要涵盖D a+AI的元数据管理、数据质量、安全性等治理能力。该 应通过统一的治理方案，实现数据和AI的 管理，以提升AI应用的整体性能和可靠性。

多引擎适配

在AI领域，由于数据处理和算法需求的多样性，单一引擎难以满足所有AI应用。 需要能够适配多种引擎，以便根据具体需求灵活选择引擎，这对保证AI 方案的效果和效率至关重要。

在今年9月云栖大会上，阿里云瑶池数据库重磅发布“DMS+X：统一、开放、多模的D a+AI数据管理服务”。

该 通过OneMeta和OneOps两大创新，简化了数据管理与AI开发。OneMeta统一了跨云的元数据服务，支持40多种数据源，实现多云和自建数据源的无缝集成。OneOps则整合了Notebook和Copilot，提供一体化的D a+AI开发环境，包括数据、机器学习模型及大型语言模型开发，可实现DMS+X一站式的D a+AI全生命周期管理。X代表任何数据引擎，如云原生数据库PolarDB、云数据库RDS、云原生数据仓库AnalyticDB、云原生多模数据库Lindorm等。在DMS+X之上，阿里云将助力企业数据以最快的速度拥抱AI，落地业务，产生价值。

未来D a+AI 将使数据与AI更紧密，推动企业AI建设实现飞跃。包括但不限于：

智能决策：利用数据和AI进行市场预测和客户洞察，支持企业制定更及时、精准的商业策略。

个性化体验：AI处理大数据，提供定制化服务，提升用户满意度。

自动化与效率：自动化流程提高运营效率，AI优化资源配置，降低成本。

创新驱动：数据驱动创新，开发新产品，拓展市场。

安全性增强：AI监控安全数据，预防威胁，加强信息安全。

决策自动化：AI模型自动执行决策，提高管理效率。

跨领域整合：整合不同领域数据，促进跨领域合作与创新。

D a+AI不仅会改变企业原有运营方式，同时还为企业提供了增长的新途径。企业必须认识到D a+AI的重要性，并将其作为战略实施重点，促进智能化转型以保持竞争力和市场领导地位，在未来变化中，更好的抓住机遇，迎接新的机会。

阿里云瑶池数据库为企业客户提供一站式 D a+AI 开发和管理服务，助您 、安全地挖掘数据价值，以数据驱动决策与创新。