从时序数据库迈向AI原生的数据平台，这一路走过了整整八年。昨晚，涛思数据正式发布了TDengine IDMP——一款面向AI原生的物联网与工业数据管理平台。作为一名在这条技术道路上坚持了八年的程序员，今天看到后台不断攀升的下载量和注册用户数，内心的激动难以言表。这位57岁的程序员，竟然又看到了继续奋战八年的新希望。

2016年底，万物互联的时代已然来临。各行各业迫切需要一款能够高效处理海量时序数据的引擎，于是涛思数据应运而生。我亲自冲到开发一线，两个月内写下1.8万行C代码，并于2019年7月将TDengine核心代码全面开源。八年来，TDengine全球安装量已突破83万套，日均安装量超过700套，付费客户超过500家，业务覆盖全球60多个国家和地区，主要集中在电力、新能源、石油、智能制造、汽车、交通等关键行业。这些数据，足以让人感到欣慰。

海量数据有了，然后呢？

过去几年，我走访了国内外众多客户，大家共同的感慨是：数据量真的太大了。比如某个新能源集控中心，测点数超过5000万，每天产生的数据量超过5TB。TDengine凭借高效写入、高压缩率存储与低延迟查询赢得了客户认可，但大家都有一个共同的困惑：数据采集和存储之后，下一步，如何真正挖掘出价值？

很自然地，我们想到让TDengine提供更强大的SQL查询能力、更出色的流式计算性能。今年3月，我们推出了TDgpt时序数据分析AI智能体，利用AI技术实现时序数据预测、异常检测、数据补全和分类服务。但即便有了这些功能，用户依然在追问：如何从数据中挖掘出真正的业务价值。

深入分析后，我们发现最大的问题在于：业务人员与IT工程师、数据分析师之间存在明显的“代沟”。业务人员需要的是能够实时获取业务洞察，但系统往往只能提供固定报表和看板。每次业务人员有了新想法，必须找IT工程师或数据分析师沟通，解释业务逻辑和需求。而大多数IT工程师并不熟悉业务本身，虽然知道如何操作数据库、编写SQL，但必须先理解业务和需求才能写代码，往往几天后才能得到分析结果。一旦分析结果无法实时呈现，大家对数据价值挖掘的兴趣就会大幅下降。市面上有不少BI工具，通过拖拽方式可以缓解部分问题，但真正能直接操作BI工具的业务人员比例很小，大多数人仍然严重依赖数据分析师或IT工程师。此外，业务人员的行业知识和经验积累还不够，尤其是新能源这类新兴领域，缺乏系统全面的知识沉淀，也很难提出清晰具体的实时数据分析需求。

TDengine 核心代码在 GitHub 开源

“身上没有烟味……”——无解的局面

作为一家时序数据库厂商，当时我们面对的是一个无解的局面：我们比用户的IT工程师更不懂业务。与卷烟厂工程师交流时，对方说“你身上都没有烟味”；去油田交流时，我完全不知道油井采集了哪些物理量；去污水处理厂交流时，他们提到的专业术语我闻所未闻。而且，基于数据库做应用开发的厂商多如牛毛，每个行业都有一批应用公司，但没有一家能做到行业通吃——因为对行业缺乏深入了解，不具备行业知识，自然难以被客户接受。

我一直把TDengine时序数据库当作人生最后一个产品来打磨，在这个细分赛道坚守了八年，希望这个产品能为超过40年的程序员生涯画上完美句号。但基于产品特性和行业知识的壁垒，除非做行业及客户的定制化开发，否则很难将TDengine产品做厚，进军到应用领域。我经常给团队鼓劲，希望涛思数据能做到100亿RMB市值，但背后理性的思考是：拼命努力做到极致的话，公司市值也就一百亿，至多两百亿RMB。

但这一切，因为AI大语言模型的出现，发生了根本性改变。

一开始，也想开发Chat BI

2024年8月，在硅谷与做Chat BI的公司交流时，我发现这个方向完全可行——至少可以提供自然语言接口，让用户不用写SQL就能查询数据。但仔细思考后，发现Text to SQL并非易事。人类语言灵活、模糊、上下文依赖，而数据库SQL语言严谨、精确、结构化，两者之间存在巨大鸿沟。如何将自然语言中的词语映射到数据库表名、列名，如何确认多个表之间的关系，如何将不同行业的业务语义匹配到计算函数——而且SQL的复杂性，比如嵌套查询、聚合函数、条件表达式等，都让Text to SQL的生成准确性大打折扣。当时我还在想如何找到顶尖的AI人才来解决这些问题。

所幸，我一直关注和研究A veva的产品PI System。它是一款工业数据管理软件，内核也是时序数据库，但带有数据采集、可视化、分析、事件管理等功能。不像TDengine更多被集成商使用，PI可以直接交付给最终用户使用，在发电、电网、石油、化工、制造等行业拥有相当大的用户群。带着Text to SQL的问题再看PI System时，我豁然开朗。

必须建立数据目录——对于物联网、工业场景而言，最有效的数据目录就是树状层次结构，不仅方便大家查找数据资产，而且符合企业管理习惯。必须做数据标准化——系统会对接众多数据源，每个数据源的采集量名称、计量单位都不一致，不先标准化，只会让Text to SQL难上加难。必须做数据情景化——数据没有足够的描述信息、业务上下文和语义，AI无从帮你。于是我们决定参考PI，把数据目录、数据标准化、数据情景化做好，并提供工具让数据建模过程变得简单高效，把TDengine改造为一个AI-Ready的数据平台。国庆节一结束，新的IDMP研发小组正式组建，团队立刻投入战斗。

IDMP研发小组决定用Java开发，采用Quarkus框架。我是C程序员，因此被迫安装了整个Java开发环境，开始写Java程序。作为一家以技术、以产品立身的公司，我深知产品必须亲自抓。但那时，我还没有最大程度地投入——因为觉得Chat BI虽然提效了不少，但离问题的完美解决还有差距，只是边做边思考，更多是想着利用IDMP的开发倒逼TDengine TSDB的开发，比如虚拟表、流式计算重构等，目的是让TDengine更扎实、功能更强大、更有市场竞争力。

前所未有的机会

春节期间，DeepSeek极其火爆，我认真思考了一个问题：作为时序数据库公司，在AI的浪潮里，到底能做什么？一天与搭档Steven讨论产品IDMP是否内嵌Grafana做可视化时，脑洞大开。不应该只支持自然语言去创建面板，而是应该借助AI大语言模型的能力，将可视化面板主动推送给用户——像抖音一样。物联网、工业场景，每个行业都有自己关心的指标、面板、报表与实时分析，AI完全可以基于采集数据的上下文，智能感知出是什么业务场景。感知场景后，AI这个超级大脑自然知道应该创建哪些典型面板与报表。

我立刻用DeepSeek做了一些测试，发现完全可行。把自己熟悉的IT运维场景、采集的物理量等写好一个提示词发给DeepSeek后，它给出的答案远超我的经验。瞬间兴奋到了极点——真正的机会来了。

如果能自动推荐可视化面板、自动创建实时分析任务给用户，那就意味着用户过去需要花相当长的时间学习SQL、学习做报表和面板，更需要花时间学习行业知识、积累行业运营经验，现在一概不需要或几乎不需要了。业务洞察不再强依赖于IT工程师，不再强依赖于数据分析师，甚至不再强依赖于业务专家——人人都可以随时获得。AI已经能生成精彩的文章、图片、视频，甚至PPT，如果能生成生产运营过程中所需要的可视化面板、报表，创建实时分析报警任务，那就等于将AI技术真正落地到了国计民生的主战场：工业场景。无论电力、新能源、石油、石化、智能制造、矿山，还是污水处理，都将迎来跨越式的数智化转型。对中国乃至全球的数百万家中小企业而言，相当于瞬间拥有了以前大公司才会有的数据分析工具和人才，能基于生产和运营数据实时做出最佳的商业洞察和决策。

这个市场远超我之前所在的时序数据库市场，如果成功，至少可以做到1000亿RMB的规模。从三次创业的经验来看，这个蛋糕实在太大、太诱人，而团队也是万事俱备。资金、团队都不是问题，所缺的只是创始人与CEO的决心。

AI 驱动的工业数据管理平台整体架构图

一路狂奔

于是我立刻回到北京，把公司几乎所有的研发资源倾斜过来，全力投入到IDMP的研发中，在所有会议上强调“all in AI”。我身先士卒，每周七天，平均每天工作14个小时，除了无法推脱的客户交流，将时间全部安排给了新产品的研发、产品定义、产品设计以及AI Agent模块上。

很快确定了AI驱动的物联网、工业数据平台的设计，团队热火朝天地干起来。我们注重细节——每个小小图标、每个页面的跳转、每段提示语，无论中文还是英文，字体、字号、行距都会细细琢磨，同时还要做开发进度、技术实现难度与细致度的平衡。虽然有AI帮助，但它无法代替原创性的思考和设计。对比那些老掉牙、还在Windows上跑的PI System以及众多工业实时数据库软件，还有大量粗制滥造的工业互联网平台软件，我们不仅用AI技术解决了业务洞察难以实时获取的难题，用户体验也得到飞跃提升——用户不必再翻查厚重的手册。

我带着团队一路狂奔，唯恐被Siemens、Schneider、GE、A veva这些工业软件巨头抢了先机。在几十位研发同学没日没夜的努力下，终于在7月29日发布了TDengine IDMP第一个正式版本1.0。用户可以免费下载体验，为降低体验门槛，我们同步推出了免费云服务。值得骄傲的是，涛思数据是全球第一家推出“无需提问，直接用AI自动生成可视化面板、生成实时分析任务”的公司。

奔跑了半年，终于可以缓一口气。当然，这只是IDMP的第一个版本，产品会快速迭代。接下来将要发布的版本中，会包含自主设计的、极具创新性的数据模型版本控制功能，还会新增一些行业必需的地图、组态等面板功能，以及事件根因分析报告自动生成、事件分析面板、数据质量报告等功能，并且会支持第三方时序数据库。

无问智推——数据消费范式的改变

TDengine的创新突破与工程技术落地，正在推动数据消费范式的根本性转变。传统的数据分析模式中，始终是用户主动发起请求（比如通过SQL查询），再由系统响应并返回结果。现在，借助LLM与AI Agent技术，数据能够实现“主动开口”——业务分析的核心洞察会直接推送给用户，让分析模式从“拉取”彻底转向“推送”。这意味着用户的数据消费变成了被动接收，数据分析由此迈入“抖音时代”，门槛被直接降至零。如果说Chat BI的“智能问数”是“有问才答”，那么TDengine这种从拉到推的模式，不妨称之为“无问智推”。

通过一系列包括数据目录、数据标准化和数据情景化的基础性工作，以存储和计算为核心的数据库被改造成为AI-Ready的数据平台。借助LLM，这个AI-Ready的数据平台成为了一个自治的数据平台，一个自我驱动的实时分析平台——数据自己就能说话，业务洞察不再依赖用户的行业知识积累和工具使用技能。而因为有了掌握人类所有知识的LLM加持，一个2B工具，就不会再局限于一个或几个行业，而是能运用到几乎所有行业。这样，在AI的驱动下，一个优秀的2B软件或云服务将拥有更为广阔的市场，将把传统碎片化的市场汇聚起来。

TDengine将更进一步，将AI-Ready的数据通过开放的API提供给第三方应用。它提供的不再是传统的数据库的SQL查询结果，而是带有数据业务语义、带有数据上下文的AI-Ready查询结果，赋能给众多的AI应用，让数据的拥有者能最大程度地挖掘出数据的价值。

TDengine的创新与工程实践只是开了行业先河，相信今后会有很多类似“无问智推”系统的出现并流行起来。数据库以及数据基础设施在AI时代将被重构，以适应AI应用发展的要求。希望TDengine能成为变革后的王者。