以下文章来源于新软件，作者张楠

近期，《软件和集成电路》8月刊刊发《如果数据平台学会“行动”》，围绕数据基础设施从被动工具走向智能体化的演进趋势展开讨论，并重点呈现了神州数码围绕AI for Process、神州问学及AI基础设施的实践与思考。当数据平台从被调用的“工具”变成主动行动的“智能体”，技术、产品、行业与组织将发生连锁反应。这场变革的帷幕刚刚拉开，而它的终局或将是重新定义数字经济的底层逻辑。

以下为报道全文：

当数据平台开始像人一样思考、规划、行动，传统IT基础设施的边界将被重新定义。过去，数据基础设施的核心使命是存储、计算与治理，它们是“被动的工具”，等待着工程师写SQL、跑任务、看报表。如今，AI Agent正让这些系统从执行者变成协作者，它们能理解业务意图、自主编排任务链，并持续学习进化。这场变革的本质，不是功能的简单叠加，而是架构逻辑的跃迁——从“人通过界面调用数据能力”走向“系统以智能体方式自主协同”。当数据平台本身拥有了行动能力，技术栈、业务流程乃至组织分工都将经历连锁反应。

主动智能的觉醒时刻

回看数据基础设施的演进史，数据库时代解决的是“数据能存、能查”的问题，大数据平台时代解决的是“海量数据能算”的问题，数据中台时代解决的是“数据能复用、能治理”的问题。东方金信董事长王伟哲指出，这些阶段的共同特征是数据平台始终是被动的工具， 它等人来定义需求、等人来写SQL、等人来解读结果。

今天，这一局面正在被打破。王伟哲认为，当前，我们正处于从数据中台向智能数据平台加速过渡，并开始向智能体原生数据基础设施跃迁的关键节点。他将其概括为三个层面的融合驱动：“第一，大模型能力的质变。从对话式AI到推理型AI再到Agentic AI，模型的自主规划、工具调用和长程记忆能力已经跨越了‘能用’的门槛，到达了‘能干活’的水平。第二，数据供给侧的结构性升级。《关于联合实施2026年“模数共振”行动的通知》（以下简称“《行动通知》”）明确要求‘分行业梳理行业内数据资源’‘提炼形成行业通识高质量数据集（每行业梳理不少于5个）’，这意味着国家正在系统性地解决‘数据能喂进模型’的问题。第三， 产业需求的结构性迁移。客户不再满足于‘你给我一个平台，我自己建’，而是直接问‘你能不能帮我解决问题、拿到结果’。”

王伟哲判断：“我们正站在从‘数据平台的AI增强’到‘AI原生数据基础设施’的分水岭上。这一趋势不仅是量变，还是架构逻辑的根本性质变。”

神州数码AIBG AI产研中心总经理侯浩

神州数码同样深刻理解了这一趋势，提出“AI for Process”方法论，强调AI必须“穿透业务流程”。神州数码AIBG AI产研中心总经理侯浩指出：“传统数据平台和业务系统是企业流程运行的重要基础。ERP、OA、CRM、数据平台等系统，分别承担资源管理、审批协同、客户管理、数据汇聚与分析等功能，将业务过程中的信息、结果和状态记录下来。但企业的真实流程并不是单一系统中的固定操作，而是由多个角色、多个系统、专业知识和连续判断共同构成。一个复杂任务往往需要跨系统获取信息，由不同岗位协同完成，并根据过程中不断出现的新情况调整下一步行动。”

侯浩进一步表示：“传统工具更擅长按照预设规则记录、查询和流转信息，通常需要人主动进行操作，并依靠员工在系统之间搬运数据、理解信息和作出判断。它能够支撑流程，却很难理解流程的业务目标、上下文和动态变化，也难以主动协调多个角色和系统完成任务。因此，AI真正进入企业，不能只在原有系统上增加一个问答入口，而要进入实际流程，与数据、知识、系统和组织协同运行。‘AI for Process’强调的正是以流程为价值载体，让AI从单点工具转变为流程中的参与者和执行者，持续参与信息获取、分析判断、任务执行和结果反馈。”

神州数码副总裁、CTO李刚曾观察到，传统数字化系统能记录发生了什么和产生了怎样的结果，却很难解释为什么发生和沉淀判断的过程。对此，侯浩进一步阐释道：“传统数字化系统通常记录的是结构化结果，如谁提交了申请、流程停留在哪个节点、某项指标发生了什么变化，却很少记录人在做出判断时参考了哪些资料、遵循了什么规则，以及为什么选择某种处理方式。这意味着，大量真正有价值的业务知识仍然存在于资深员工的经验、临时沟通和个人判断中。系统能够保留结果，却难以沉淀结果背后的分析逻辑。”

从工具走向智能体，核心变化在于AI不再只是被动返回信息，而是能够在具体业务上下文中调用数据、知识和规则，参与感知、判断和行动。侯浩分享了神州问学在这一方向的实践经验：“神州问学通过知识治理，将分散在文档、系统和个人经验中的内容转化为可持续调用的知识资产；通过流程智能，将不同Agent、角色、任务和系统能力组织到工作流中。与此同时，平台能够记录Agent调用了哪些数据和知识、经过了哪些步骤、形成了什么判断以及采取了什么行动，形成可追溯的过程记忆。企业沉淀的不再只是最终结果，还包括判断依据、执行路径和反馈结果，从而将个人经验逐步转化为可复用、可迭代的组织能力。”

意图理解如何重构架构

如果说趋势认知回答的是“为什么要变”，那么技术架构回答的则是“怎么变”。王伟哲将传统数据平台与智能体架构的本质区别归纳为三层转变。

第一，从“指令执行”到“意图理解”。在传统架构中，平台只理解结构化指令——一条SQL、一个API调用、一个ETL任务配置。“你给什么指令，它执行什么操作，不容偏差。”王伟哲表示。而智能体架构的核心是“意图理解”——当用户提出“分析华东区销售额下降原因”的需求，智能体需要理解这是一个多维归因分析任务，然后自主编排查询、对比、关联、分析等步骤。

第二，从“单步操作”到“多智能体协同编排”。在传统架构中，数据集成、数据开发、数据分析、报表生成等是割裂的模块，需要人工在多个界面之间切换操作。而在智能体架构中，一个复杂任务可以自动调用多个智能体协同完成。

第三，从“无状态工具”到“有记忆系统”。传统数据平台每次查询独立，不记住用户的偏好、不积累经验。而智能体架构构建了短期记忆与长期记忆协同机制——短期记忆用于理解当前对话上下文和任务连续性，长期记忆用于沉淀企业知识、业务规则和用户偏好，实现“越用越懂业务”的持续进化能力。

王伟哲用一个比喻来形容这种质变：传统数据平台的架构逻辑是“人-界面-数据能力”——人是决策者，平台是执行者；而智能体原生数据基础设施的架构逻辑是“意图-智能体-数据能力”——人是目标设定者和结果审核者，智能体是规划者和执行者。“这两个架构的根本区别在于控制权的转移。前者是人逐步骤操作的，后者是智能体自主编排的。这种变化类似于从电话接线员（手动插拔线路）到程控交换机（自动路由）的跨越——表面上都是‘接通电话’，但底层的系统逻辑已经完全不一样了。”他解释道。

神州数码从产品架构的角度给出了另一种阐释。神州问学通过MaaS、知识治理、流程智能和行业应用四个层次，将传统数据能力与智能体能力连接起来。

神州问学的底层MaaS层负责统一纳管开源和商业大模型，为不同业务场景提供模型能力。企业可以根据准确性、成本、安全性和专业要求，选择适合的模型。

知识治理层负责处理企业已有的数据和知识。通过版面识别、数据清洗、分段标注和图谱化构建等方式，知识治理层将原本分散、非结构化的数据转化为Agent能够持续理解和调用的智能资产。

流程智能层负责将模型、知识、Agent、角色、任务和业务系统编排到具体工作流中。数据基础设施提供事实、状态和业务上下文，智能体则基于这些信息完成感知、判断和行动。

顶层行业应用则面向医药、制造等具体场景，将底层能力转化为可直接参与业务流程的智能应用。

“存储、计算和分析为智能体提供可靠的数据基础，感知、决策和行动则让数据能够进一步进入业务流程并产生实际结果。神州问学承担连接层和组织层的作用，将数据能力转化为能够持续运行的流程能力。”侯浩总结道。

神州问学2.0则在企业现有数字化系统之外构建了一个持续运行的流程空间。为什么需要在“系统之外”构建？侯浩解释道：“企业现有系统通常围绕某一类职能或业务模块建设。ERP管理资源，OA负责审批，CRM管理客户，数据平台承担数据汇聚、计算和分析任务。它们各自解决特定问题，但一个真实业务任务往往需要跨越多个系统，并涉及文件、人员、专业知识和连续判断。因此，仅在某一个系统内部增加AI功能，仍然容易受到系统边界的限制，难以组织跨系统、跨角色的复杂工作。”

神州问学所构建的“流程空间”，是企业员工与AI Agent共同工作的统一空间。在这个空间中，企业可以将任务、文件、成员、专业Agent、知识和自动化流程放在一起，让不同能力围绕同一个业务目标持续协同。侯浩认为这种关系更接近“连接与叠加”——不需要推倒重建现有数字化体系，而是在现有系统之外建立一个跨系统的智能协同层，将原本分散的数据、知识、角色和任务重新组织起来。

智能体走进业务现场

理论需要落地检验。在具体的行业场景中，数据基础设施从“工具”到“智能体”的进化正在产生实实在在的变革效率。王伟哲以数据治理中最具代表性的“智能数据标准映射” 为例，展示了这种变化的深度：在传统模式下，数据标准映射是一个典型的“人力密集型”工作。以省级政务大数据平台为例，它需要对接几十个委办局的数据，每个系统的字段命名千差万别，数据治理工程师需要逐个识别、比对、映射，一个拥有数千张表、数万字段的平台，仅完成标准映射这一个环节的工作就可能耗费一个数据治理团队数月的时间。

而在Data Agentic OS上，这个过程被彻底重构了。“数据治理智能体能够自动完成字段语义理解。它能够读取源系统的元数据，结合知识图谱中的行业标准术语库和已积累的映射经验，自动识别字段的语义标签。”王伟哲表示，“智能体能够进行跨系统的关联推理。它不是逐字段、逐表孤立地处理，而是能够利用数据血缘关系、表关联关系、历史映射模式等信息进行上下文推理。更重要的是，智能体能够自主学习进化。当治理工程师对智能体的映射建议进行确认或修正后，这些反馈会自动沉淀为长期知识记忆。在下次工作流程中遇到类似的字段命名模式时，智能体的推荐准确率就会进一步提升。”

效率的提升是惊人的。王伟哲给出了一个真实数据：在某能源央企数据治理项目中，传统模式下需要3名工程师花费约8周时间完成全量标准映射；在Data Agentic OS模式下，1名工程师负责审核确认，只需约1周即可完成，“智能体自动完成90%以上的映射建议，人工只需审核例外情况”，他表示。

“这不仅是工具升级，还是工作方式的根本性改变。人从执行者变成了审核者，从逐字段手工操作变成了对智能体结果进行评鉴和决策。”王伟哲总结道，“大模型将人类治理专家多年积累的隐性经验，转化为了可被智能体调用、可复用的显性能力。”

神州数码在医药和制造行业也看到了类似的变革。侯浩介绍，在医药行业的CSR（临床研究报告）撰写中，传统方式需要专业人员在临床方案、统计结果、医学资料和法规文件之间反复查找、比对。神州问学可以统一治理这些专业资料，由不同Agent分别参与资料归集、初稿生成、数据核对和合规检查，并将生成内容与原始资料关联。专业人员由大量重复性工作中释放出来，更聚焦于医学判断和最终审核。

在制造业产线良率分析中，传统数据平台通常只能展示良率、设备状态和工艺指标，后续原因分析仍高度依赖工程师经验。神州问学可以汇集设备、工艺、生产和质量等多维数据，结合工艺规范、历史案例和专家经验，对异常数据进行分析，辅助工程师定位根因，并给出排查指引和后续执行建议。侯浩强调：“这种变化的关键在于AI不再只回答‘发生了什么’，还能够结合上下文判断‘为什么发生’‘下一步应该做什么’，并推动流程继续运行。”

算力与数据的双重突围

神州鲲泰副总裁、研发中心总经理周川

当数据基础设施朝着智能体架构演进，算力是底座。神州数码旗下神州鲲泰副总裁、研发中心总经理周川结合神州鲲泰服务各行各业的落地实践，给出了一个清晰的判断：国内企业数据基础设施整体还处在传统数字化阶段。绝大多数企业现有架构都是基于服务器横向堆叠搭建，以数据分析为代表的业务场景距离原生适配大模型、智能体的AI就绪标准还有明显差距。

“行业分层现象十分清晰，头部大厂已经完成算力基础投入，处在AI试点验证阶段，但超过七成的中小企业还停留在系统打通、基础机房改造阶段。整体来看，绝大多数企业想要实现AI规模化落地，还需要1年到3年的系统性改造周期。”周川坦言。

在算力层面，周川认为，当前算力领域的核心瓶颈是算力用不好而非算力总量不足。“多家权威机构面向政企的联合调研结果都显示，企业自建智算集群的平均算力利用率长期偏低，传统RoCE分布式集群运行MoE模型时，通信开销最高能占到整体负载六成，大量算力空转等待数据传输，硬件投资的价值被严重稀释。”他还进一步指出，单纯叠加服务器、扩充算力规模解决不了根本问题，只有配套统一池化调度能力，再搭配超节点级低时延、大带宽互联底座，才能真正盘活存量算力资源。

周川将企业算力基础设施建设概括为三层核心能力：“第一，打造多元异构、云边协同的算力硬件底座——完整覆盖中心机房大规模训推、区域算力节点、现场边缘推理全链路需求。第二，具备全域统一算力池化调度能力——硬件规模只是基础，算力精细化调度与复用能力才是关键。第三，搭建软硬深度协同、可持续迭代运营的一体化架构——整体架构支持平滑弹性扩容，企业可跟随业务发展节奏分步投入建设。”

在数据侧，周川观察到，企业在数据侧做得最好的准备，是经过多年信息化建设，已经将大量业务活动装进系统，积累了客户、订单、生产、财务等基础数据，也逐步建立了数据标准、权限和质量管理机制。这些工作让企业具备了较好的数字化基础，也为AI应用提供了必要的原材料。

“但企业当前最容易忽视的，恰恰不是有没有数据，而是数据有没有进入流程、能不能反映流程中的判断过程”。周川表示，“很多企业系统记录了‘发生了什么’和最终结果，却没有沉淀当时为什么这样判断、参考了哪些信息、采用了什么规则，以及执行后的反馈。这些隐性的专家经验、业务逻辑和过程数据，往往散落在个人、文档和临时沟通中。AI即使接入了大量数据，也只能看到结果，很难理解业务，更无法可靠地参与下一步行动。”

因此，所谓“AI-Ready”的数据治理，不仅要提高数据质量或建设更大的数据平台，还要围绕真实业务流程，把数据、知识、规则、专家经验和执行反馈连接起来。周川强调：“企业真正需要准备的，不是一次性把所有数据治理完，而是选择一个高价值业务流程，让数据在流程中被调用、产生判断、推动行动，并通过反馈生成新的数据和知识，形成持续运转的闭环。只有这样，数据才不再只是系统中静态保存的资源，而能真正成为驱动业务和组织进化的生产要素。”

可信体系的全方位升级

当数据基础设施具备“智能体”属性后，“可信”的内涵发生了根本性扩展。王伟哲提出了四个维度的扩展。

一是从数据可信到知识可信。传统数据治理关注数据质量——数据是否准确、完整、一致。但智能体不只是消费原始数据，还在不断产生分析结论、推理结果、业务建议。这些由模型推理产生的知识是否可信？智能体的推理逻辑是否正确？引用的知识来源是否可靠？

得出结论的证据链是否完整？东方金信通过RAG知识增强引擎确保所有智能体输出的分析结论都必须追溯到可引用的数据源或知识条目，实现有据可查。用户不但能看到结论是什么，还能看到这个结论是怎么得出来的。

二是从权限可信到行为可信。智能体是“行动的实体”——它不仅要读取数据，还要规划任务、调用工具、生成代码、执行操作。东方金信的全链路可信AI体系从内容安全、数据安全、系统安全、执行安全四个维度构建安全保障。

三是从静态可信到动态可信。“智能体是持续运行的、不断进化的。它在运行过程中不断学习新知识、积累新经验、调整行为策略。这就带来了动态可信的挑战——你怎么确保一个在持续自我进化的智能体始终是可信的？” 王伟哲提出了智能体在安全方面的疑问，并介绍了东方金信的努力，“我们建立了持续评估与自动纠偏机制，当检测到异常时，系统可以自动触发模型回滚或策略收紧。”

四是从技术可信到制度可信。《行动通知》不仅是技术指引，还是制度设计——它明确了数据归谁管、模型怎么评、场景如何落地。数据基础设施可信的内涵，正从纯技术领域扩展到制度性保障领域。

王伟哲总结道：“在智能体时代，‘可信’已经从单一的‘数据质量+权限管控’体系扩展为一个涵盖数据可信、知识可信、行为可信、动态可信和制度可信的多维体系。”

通向组织智能的下一个关口

当前，数据基础设施向智能体进化过程中最大的制约因素是什么？王伟哲认为是“数据质量与模型能力的‘鸡与蛋’困境”：“近年来，大模型能力的进步远超数据供给能力的提升。模型能做的事情越来越多，但企业能提供给模型的高质量数据却远远不够。这就形成了一个‘鸡与蛋’的困境——数据质量不够-模型输出不可靠-客户不敢用-无法产生新数据-数据质量无法提升。《行动通知》正是看到了这个困境，所以它的核心机制不是单向推动，而是双向共振——‘以模引数’（用模型需求倒逼数据治理），‘用数赋模’（用高质量数据提升模型能力）。这个政策设计把‘鸡蛋困境’变成了‘双向飞轮’。”

展望未来，王伟哲的预判分为三个阶段： 在第一阶段（2026年-2027年），单点智能体将会规模化落地，在数据分析、知识问答、报告生成、数据开发与治理巡检等相对标准化、低风险的场景中，智能体开始规模替代人工操作；在第二阶段（2027年-2029年），多智能体协同成为主流，真实业务场景需要多个Agent分工协作；在第三阶段（2029年-203X年），Agentic OS将会成为企业基础设施的标配。

神州数码同样看到了这一趋势。周川分析了AI产业框架，并给出了判断：“未来，数据基础设施将从分散独立的数据中心升级为企业私域AI Token工厂，存、算、网深度融合，液冷、高速互联、异构调度成为标配。

周川认为，行业普遍容易聚焦应用与模型，忽视中间基础设施层的建设，而神州鲲泰的定位正是“依托鲲鹏+昇腾多元算力硬件与HISO异构智算调度平台，为企业搭建安全可控、可运营的AI基础设施，打通从算力硬件到行业智能应用的完整通路。

侯浩则从应用层面展望：“未来，智能体有望逐步成为企业软件的重要交互入口和流程执行单元。过去，员工需要进入不同系统、查找数据、操作菜单，再依靠个人经验完成跨系统协同。而在未来，员工可能更多地是通过任务和目标与智能体交互，由智能体理解需求、调用数据和知识、协调不同系统和角色，并推动流程执行。这意味着，企业软件的使用方式可能从‘人操作系统’，逐步转向‘人与Agent共同完成任务’。”

但他同时指出，智能体并不是终极形态，智能体仍然需要依赖企业的数据、知识、模型、业务系统和治理机制。更可能的发展方向，是这些能力进一步融合，形成能够持续学习、协同运行和不断优化的企业智能系统。智能体可以被视为企业智能化演进中的关键阶段和重要载体，它推动企业从单点工具走向流程智能，并进一步走向组织智能。企业的最终竞争力不在于拥有多少个Agent，而在于能否建立一套连接数据、知识、流程和组织，并能够持续运行和进化的智能体系。

从工具到智能体，数据基础设施正在经历一场深刻的重构。这场重构不只是技术层面的升级，更涉及对数据、流程、组织与信任关系的重新定义。正如王伟哲所说：“在智能体大规模普及的时代，可信将成为比智能更稀缺的能力，也将成为真正的竞争壁垒。”而对于企业来说，侯浩的建议同样值得深思：“不要从做一个万能Agent开始，而应选择一个具有明确业务价值、知识相对集中、流程可以梳理的真实场景切入。先打通一个完整流程，验证AI能否稳定地产生业务结果，再逐步扩展到更多流程和部门。”

当数据平台从被调用的工具变成主动行动的智能体，技术、产品、行业与组织将发生连锁反应。这场变革的帷幕刚刚拉开，而它的终局或将是重新定义数字经济的底层逻辑。