如今大模型能力快速提升，但企业内部的AI项目成功率并未同步上升，企业AI落地的关键在于让AI读懂业务。

拓数派董事长 冯雷

　　在日前举办的“可信Data+智能体AI：实现企业专属AI服务”研讨会上，拓数派董事长冯雷表示，AI正在经历从算力基础设施、基础模型到主权AI的演进。对企业而言，关键在于掌握自身的数据主权和AI原生应用能力，让AI真正理解业务并服务实际场景。

打造企业级AI能力底座

　　过去两年AI一体机异常火爆，但是很多企业部署AI一体机后没有见到切实的成效，感觉AI引擎在空转。

　　造成企业AI落地困境的原因是AI不懂业务，无法融入业务流程，本体论(Ontology)是打通AI落地最后一公里的关键。

　　本体论并不是新的概念，源自知识工程与语义网领域，指对某一领域中的概念、属性、关系及约束的形式化、显式化描述，是一种知识建模方法。它通常包含类(Class)、属性(Property)、关系(Relation)、实例(Individual)以及公理与约束，目标是把“领域知识”变成AI能够读懂且可推理的结构。企业本体有助于AI理解业务语境，提升AI原生应用的构建和落地效率。

　　冯雷认为，本体论是连接业务数据与AI模型的翻译层，也是语义层的一种重要表达方式，让大模型能够读懂业务。AI两大流派——符号主义和连结主义各有优缺点，符号主义强于精确却难扩展，连结主义长于扩展却有幻觉，而本体论正是两者优势的合流之处。

　　本体论这一轮被重新带火，绕不开Palantir这家公司。但企业真正落地AI，除了本体层，还需要一个高效的数据底座，在这个层面，Databricks是当下的代表。

　　2021年成立的拓数派起步于虚拟数仓与湖仓一体数据底座，后逐步长出本体、智能体开发等能力，如今的角色，更像是 “Databricks + Palantir”的结合体，虽然目前体量相对更小，但是可以为企业落地AI提供端到端软硬一体的解决方案。

　　拓数派旗下大模型数据计算系统πDataCS，打造DOMA全链路产品体系，以“D(Data数据)、O(Ontology本体)、M(Model模型)、A(Agent智能体)”为核心能力，实现数据、算力、模型的全面贯通。

　　具体来看，πDataCS DOMA产品体系由下到上包含数据接入与治理、语义本体建模、模型接入与管理、智能体开发与调用四个层级：

　　·数据接入与治理层的简墨元可信数据空间构建在存算分离的湖仓一体多模态数据底座上，接入并治理多模态异构数据，支持Iceberg等开放表格式，实现数据“可用不可见”的安全管控;

　　·语义本体建模层，通过DataGenome数据基因组把业务对象、关系、规则、动作转化为智能体可理解的业务上下文，统一跨部门、跨系统语义，支持OWL等开放语言，兼容Ontology本体技术，实现业务数据结构化知识沉淀，让AI能够读懂业务;

　　·模型接入与管理层，通过πRouter词元路由器，实现模型的接入与纳管，提升Token效率;

　　·智能体开发与调用层包含三款产品，DataJarvis支持零代码开发智能体，πAIStudio构建专属应用，而πAgentFactory沉淀复用Skills并推动AI能力规模化推广。

　　依托πDataCS软硬一体全栈DOMA技术，企业可将行业知识、业务流程和数据资产转化为可持续迭代的主权AI能力，系统可按需调度Token工厂，推动AI从模型能力走向可执行、可验证的业务结果，建立自主可控的AI生产力和竞争壁垒。

　　冯雷表示，拓数派有自己的边界，聚焦于企业级AI能力底座，让AI沿着本体论推理链路能够跑通。而且其AI能力底座是开放的、利旧的，基座型技术都标准化，业主已有的IT资产不用重复建设，可以集成并充分利用企业原有IT资产。有了包含本体论的这一套底座，企业的老算力、老模型、甚至本要淘汰的设备，反而“不用淘汰了”，能让企业旧有IT资产产出更好的AI成效。与此同时，拓数派也会联合众多生态伙伴，结合各方优势将AI带入千行百业。

　　日前，拓数派与新华三共同发布πDataCS DOMA企业AI网关，将本地算力、可信数据、行业本体、模型与智能体整合为可部署的企业级AI能力底座。同时，拓数派联合普华永道，围绕企业AI战略、业务场景与专属AI服务建设，提供端到端AI服务交付，共同推动主权AI能力在企业中的落地。

企业AI落地要从易见成效的场景切入

　　“你帮我赚钱还是省钱?你帮我解决了哪个问题?”这是冯雷在与企业老板交流时，最常听到的“灵魂拷问”，Agentic AI时代，企业老板落地AI不太关心技术架构和基础底座，更关注AI带来的成效。

　　在拓数派看来，政企用户在将AI落地过程中，通常面临五大痛点：一是数据分散在多个系统，模型缺少业务上下文;二是知识和规则依赖个人经验，难以复用;三是模型输出难以解释、追溯和审计;三是敏感数据不能出域，模型与算力选择受限;四是试点应用难以进入真实流程，无法持续产生价值。

　　本体论的一个关键价值在于打通企业数据孤岛，沉淀可复用的经验。但真正落地时，把业务数据翻译成AI能读懂的本体并不容易，这道坎的难点在人的错位：资深业务专家懂业务、不懂技术，IT人员懂技术、却不懂业务。要跨过这条鸿沟，恰恰需要FDE(Forward Deployed Engineer，简称FDE)工程师。

　　冯雷指出，FDE工程师与传统的驻场工程师有本质的不同，驻场工程师偏售后支持，FDE更像研发型工程师，核心是用本体论把业主的核心业务逻辑翻译成AI能读懂的本体，同时沉淀优化落地方法论和可复用的行业知识经验，并将其反馈到产品体系中。关键看能否“成本递减”，“第一次翻译可能花一个礼拜，第二次一天，第三次一个小时。 如果做不到这一点，就没法衡量了，那就是按小时计费的售后服务。”

　　FDE工程师同时承担客户成功职责，是兼具技术理解与业务洞察的复合型人才。在从0到1的构建阶段，往往由CTO亲自带队深入客户现场，与客户业务专家共同梳理业务流程、识别AI落地场景，并推动方案落地。

　　冯雷还指出，大数据时代自下而上建设、先建平台再找应用，导致不少客户投入了很多却看不到效果，耐心已被消耗。AI时代更强调Result as a Service，自顶向下，AI智能体落地应从“细切口”进入，也就是从容易见成效的场景切入，先让客户看到明确成效。例如把老师傅做皮包的时间从一周缩短到一小时，或通过电网跳闸预警一年省下上亿元。平台和基座属于下一阶段需求，客户只有先用起大量智能体后，才会逐渐意识到平台、可信数据空间、算力异构和多模型接入的重要性。

　　目前，拓数派πDataCS借助DOMA全链路能力，助力多个行业企业完成从业务知识建模到智能体落地。

　　以某电力企业的电网检修实践为例，借助πDataCS DOMA全链路能力，企业无需编码，即可基于现有资料整合检修规范、历史台账与现场经验，搭建统一的业务知识语境，梳理设备、故障、运行状态与检修动作之间的关联。由此生成的智能体能够依托行业规则与历史数据进行分析研判，识别设备风险、输出检修方案，并将结果嵌入日常检修流程。项目结果显示，预测性检修不再是固定的检修制度，实现“一物一策”动态检修，实际节省检修成本达千万元人民币。此外，系统还依据设备劣化趋势预判备件需求窗口，试点备件库存周转提升 23%，关键备件由“常备待用”转为“按需到位”，库存占用资金减少约120万元。

　　而在医疗领域，某国际500强医疗设备企业联合拓数派，依托πDataCS DOMA全链路能力，在三甲医院体系落地主权AI业务。结合医保政策、诊疗规范与院内业务数据，实现医保合规自查覆盖率超98%，可识别潜在风险并留存可追溯凭证。同时打通多设备、多系统异构数据，将多源数据分析时长缩短60%，辅助医疗业务人员对医保控费合规政策进行分析和推理。

　　拓数派定位为Data+AI基座链主企业，在智能体落地推进中优先携手各行业链主客户开展标杆验证，待场景跑通后沉淀标准化行业经验与落地方法论，再向同行业其他主体复制推广。

小结

　　智能体AI的落地正在告别重平台的传统路径，价值验证已经成为企业选型与推进AI建设的前置标尺。结合本体建模，依托FDE前向部署这类贴近业务一线的模式，弥合了技术与业务的断层，让行业经验不再依附于个体、能够沉淀为组织可自主掌控的资产。未来，主权AI的竞争，不在于底座技术参数的比拼，而在于能否持续把场景成效转化为可复用、低成本迭代的业务智能，在合规可控的前提下，形成属于行业自身、可长期生长的AI生产力。