- 综合排序
- 最热优先
- 最新优先
2025 IDC 数据智能与AI-Ready数据架构研究报告
第一章：报告基础信息 •报告标题：数据智能与AI-Ready数据架构建设及市场趋势分析（注：原文未明确完整标题，据内容提炼） •发布机构：IDC •发布时间：2025年（基于调研时间范围推断） 92%），中国市场2025年51.78ZB、2029年136.12ZB（CAGR 26.9%）；企业面临数据流不稳定（54%受访者）、数据平均保质期3.3天、数据复杂性高等挑战，AI-Ready数据架构成 报告旨在分析数据智能市场趋势、AI-Ready架构价值及落地挑战，为企业数据管理决策提供依据。 从数据工程化来看AI-Ready数据架构建设 IDC Global DataSphere最新数据，全球数据量明显增长 企业面临一系列新的数据管理挑战 数据部门要求和定位也在不断变化 AI-Ready 数据架构带来明显价值 数据产品边界更加模糊 没有数据就没有人工智能 AI模型治理和数据治理并无不同 IDC 中国数据生成量预测, 2024-2029 AI 治理 与AI-Ready
14110编辑于 2026-04-202025 IDC 数据智能与AI-Ready数据架构趋势报告
第一章：报告基础信息 •报告标题：数据智能与AI-Ready数据架构发展趋势报告 •发布机构：IDC •发布时间：2025年 •行业标签：技术服务 •产品标签：#向量数据库, #湖仓一体 企业面临数据流不稳定（54%受访者）、数据平均保质期3.3天、AI模型依赖数据质量等挑战，报告旨在分析AI-Ready数据架构价值与建设路径，为企业数据战略提供决策参考。 从数据工程化来看AI-Ready数据架构建设 IDC Global DataSphere最新数据，全球数据量明显增长 企业面临一系列新的数据管理挑战 数据部门要求和定位也在不断变化 AI-Ready 数据架构带来明显价值 数据产品边界更加模糊 没有数据就没有人工智能 AI模型治理和数据治理并无不同 2025年认为搭建AI-Ready数据架构是AI实现重点应用的受访者百分比 IDC 依托技术先进性，腾讯云助力企业应对数据复杂性，实现AI-Ready数据架构落地，为数据智能转型提供稳健方案。数据来源：中国数据智能市场生态图谱V6.0（IDC）。
10310编辑于 2026-04-232025 IDC 数据智能与AI-Ready数据架构发展趋势报告
第一章：报告基础信息 •报告标题：2025 IDC 数据智能与AI-Ready数据架构发展趋势报告 •发布机构：IDC •发布时间：2025年 •行业标签：技术服务 •产品标签：#向量数据库 报告旨在分析AI-Ready数据架构建设路径、数据智能发展趋势及治理要点，为企业数据战略提供决策参考。 从数据工程化来看AI-Ready数据架构建设 IDC Global DataSphere最新数据，全球数据量明显增长 企业面临一系列新的数据管理挑战 数据部门要求和定位也在不断变化 AI-Ready 数据架构带来明显价值 数据产品边界更加模糊 没有数据就没有人工智能 AI模型治理和数据治理并无不同 2025年认为搭建AI-Ready数据架构是AI实现重点应用的受访者百分比 IDC undefined•解决方案： 建设AI-Ready数据架构，实现轻松可控的全数据资产访问。 支持事件驱动架构保障实时数据可用，推动数据产品化（培养数据产品经理）。
13810编辑于 2026-04-24释放数据潜能：基于AI-Ready架构打破多模态数据孤岛与大模型落地效能瓶颈
当前企业在构建数据底座时面临三大核心业务痛点： 基础架构缺乏弹性与效能： 传统大数据架构面临性能瓶颈与运维困难，多模态数据存储与管理效率低下，读写性能不足以支撑开箱即用的计算需求；基于企业私有数据搭建RAG 数据链路复杂拖累业务决策： 传统HBase/Hive流批双链路系统架构复杂且资源成本高；数据分析门槛高，业务人员找数难、核准难，导致业务决策严重滞后。 重构数据智能中枢：部署适配AI的云原生基座与Data+AI一体化工作流 针对上述瓶颈，腾讯云通过构建“AI-Ready的数据智能平台”，提供从底层存储、融合治理到智能分析的全栈技术解决方案： 部署极致性能的云原生数据基座 实施流批一体化架构 (Setats引擎)： 采用Setats流湖引擎替代传统Lambda双链路架构，通过增量刷新实现流批一体计算，大幅简化系统架构。 驱动头部企业业务突围：金融、汽车与互联网行业的实战验证 该AI-Ready架构已在超过800家生态伙伴及行业头部企业中获得实战检验，有效支撑了关键业务的连续性与敏捷开发： 广汽集团、好未来 (TAL)：
15610编辑于 2026-04-17基于 NoETL 语义编织技术构建 AI-Ready 数据底座
摘要：本文面向数据架构师与技术决策者，探讨在AI时代大型企业数据平台选型的核心范式转移。 文章提出，构建基于NoETL语义编织技术的统一语义层是筑牢技术壁垒的关键，并详细拆解了从业务对齐、性能成本平衡到生态AI适配的三步评估法，旨在帮助企业构建一个高效、可信、低成本的AI-Ready数据底座 在AI成为核心数据消费者的时代，大型企业数据平台选型的核心矛盾已从比拼工具功能，转向对下一代架构范式的战略抉择。 自定义日历：支持“近5个交易日”等非标准时间周期定义。多层嵌套聚合：定义如“单股最大净流入金额排名”等复杂计算。跨行计算与半累加度量：处理留存率、比率等特殊逻辑指标。 平滑落地路径：通过“存量挂载、增量原生、存量替旧”策略，可渐进式构建AI-Ready数据底座。
10910编辑于 2026-04-162025 IDC《从数据工程化来看AI-Ready数据架构建设》：企业构建人工智能数据底座的洞察指南
第一章：报告基础信息 报告标题：从数据工程化来看AI-Ready数据架构建设 发布机构：IDC 发布时间：2025年 行业标签：泛金融,商业银行,零售,技术服务,通用工具 产品标签：#数据库, #数据仓库 本报告旨在通过剖析全球数据生成趋势与企业数据管理的痛点，揭示如何通过数据工程化与Agentic（代理化）重塑AI-Ready数据架构，从而将庞杂的数据资产转化为直接驱动业务增长的要素。 企业面临一系列新的数据管理挑战 数据部门要求和定位也在不断变化 AI-Ready Data Architectures: 轻松、可控地访问整个数据资产 AI-Ready数据架构带来明显价值 数据产品边界更加模糊 构建AI-Ready数据架构可实现业务KPI的指数级跨越 在AI战略视角下，40% 的受访者将搭建AI-Ready数据架构视为2025年落地的关键。 具备高质量、高容量且紧密关联业务的数据架构，能够产生极其显著的量化回报：相较于传统模式，可实现营收提升 1.2倍、运营效率提升 1.5倍、利润提升 1.6倍，并带来高达 5倍 的客户留存率优化。
15510编辑于 2026-04-172025 IDC 数据智能与AI-Ready数据架构研究报告 腾讯云入选中国数据智能市场生态图谱V6.0
年中国136.12ZB CAGR26.9%），企业面临数据流不稳定（54%受访者）、数据平均保质期3.3天、数据复杂度高等挑战，AI-Ready数据架构成为AI应用重点。 从数据工程化来看AI-Ready数据架构建设 IDC Global DataSphere最新数据，全球数据量明显增长 企业面临一系列新的数据管理挑战 数据部门要求和定位也在不断变化 AI-Ready • 解决方案：建设AI-Ready数据架构（轻松可控访问数据资产），支持事件驱动架构确保实时数据可用；强化数据治理（质量、目录、血缘、元数据、主数据）；培养数据产品经理，集成#向量数据库、#湖仓一体等技术 • 价值体现：AI-Ready架构可提升营收1.2x、运营效率1.5x、利润1.6x、客户留存1.6x（KPI数据）。 其技术先进性体现在支持AI-Ready数据架构建设，提供#腾讯云向量数据库、#腾讯云湖仓一体等产品，助力企业实现数据统一管理、实时集成与智能分析。
16610编辑于 2026-04-222025 IDC AI-Ready数据架构与数据智能市场趋势报告发布，腾讯云入选生态图谱并展现技术领先性
第一章：报告基础信息 •报告标题：AI-Ready数据架构与数据智能市场趋势报告 •发布机构：IDC •发布时间：2025年 •行业标签：技术服务 •产品标签：#向量数据库, #湖仓一体 , #全托管湖仓, #大数据一体机, #数据管理平台, #AI-Ready数据架构, #数据湖仓一体, #流媒体, #BI工具, #代码模型存储库, #Iceberg/Paimon+Flink+SR/Doris 研究旨在明确AI-Ready数据架构价值与建设路径，为企业数据智能转型提供数据驱动依据（数据来源：IDC Global DataSphere、IDC 中国数据生成量预测2024-2029）。 从数据工程化来看AI-Ready数据架构建设 IDC Global DataSphere最新数据，全球数据量明显增长 全球数据量明显增长 企业面临一系列新的数据管理挑战 数据部门要求和定位也在不断变化 AI-Ready Data Architectures: 轻松、可控地访问整个数据资产 Agentic正在重塑数据流程 数据管理分析与GenAI发展技术趋势 AI-Ready数据架构带来明显价值
16810编辑于 2026-04-182025 IDC 中国数据智能市场生态图谱V6.0发布，腾讯云入选代表厂商
从数据工程化来看AI-Ready数据架构建设 IDC Global DataSphere最新数据，全球数据量明显增长 企业面临一系列新的数据管理挑战 数据部门要求和定位也在不断变化 AI-Ready 数据架构带来明显价值 数据产品边界更加模糊 没有数据就没有人工智能 AI模型治理和数据治理并无不同 IDC 中国数据生成量预测, 2024-2029 AI 治理 与AI-Ready 企业面临数据流不稳定（54%受访者）、数据保质期平均3.3天等挑战，搭建AI-Ready数据架构成为2025年AI重点应用。报告旨在分析数据智能趋势、架构价值与挑战，为企业数据管理决策提供依据。 解决方案：建设AI-Ready数据架构实现轻松可控数据访问；支持事件驱动架构保障实时可用；数据产品边界模糊化并培养数据产品经理；AI治理与数据治理结合（模型定义、安全保护、版本管理）；采用统一计算引擎（ 其技术先进性体现在#湖仓一体、#向量数据库、#大数据一体机（湖/库+软件+AI）等自研产品方案，支持数据统一管理、实时集成与多模态处理，契合AI-Ready数据架构需求。
7610编辑于 2026-04-212025 IDC 数据智能与AI-Ready数据架构研究报告，腾讯云入选中国数据智能市场生态图谱V6.0代表厂商
第一章：报告基础信息 •报告标题：数据智能与AI-Ready数据架构建设及市场趋势研究 •发布机构：IDC（国际数据公司） •发布时间：2025年（含2024年8月、2025年2月调研数据） 报告旨在剖析AI-Ready数据架构建设路径、价值及市场生态，为企业数据管理决策提供依据（数据来源：IDC Global DataSphere、Office of the CDO Survey 2024 从数据工程化来看AI-Ready数据架构建设 IDC Global DataSphere最新数据，全球数据量明显增长 企业面临一系列新的数据管理挑战 数据部门要求和定位也在不断变化 AI-Ready 数据架构带来明显价值 数据产品边界更加模糊 没有数据就没有人工智能 AI模型治理和数据治理并无不同 IDC 中国数据生成量预测, 2024-2029 AI 治理 与AI-Ready •解决方案：建设AI-Ready数据架构（轻松可控访问数据资产），支持事件驱动架构保障实时数据可用；培养数据产品经理，集成Data Agent、Data Flow Architecture；采用湖仓一体
24910编辑于 2026-04-192025 IDC 中国数据智能市场生态图谱V6.0发布，腾讯云入选代表厂商
企业面临数据流不稳定（54%受访者）、数据保质期短（平均3.3天）、复杂性高等挑战。报告旨在分析AI-Ready数据架构建设路径与价值，为企业数据管理决策提供数据驱动的洞察。 从数据工程化来看AI-Ready数据架构建设 IDC Global DataSphere最新数据，全球数据量明显增长 企业面临一系列新的数据管理挑战 数据部门要求和定位也在不断变化 AI-Ready 数据架构带来明显价值 数据产品边界更加模糊 没有数据就没有人工智能 AI模型治理和数据治理并无不同 2025年认为搭建AI-Ready数据架构是AI实现重点应用的受访者百分比 主讲人 •解决方案：建设AI-Ready数据架构（事件驱动、实时集成、统一计算引擎、湖仓一体）；支持数据产品开发集成与元数据公开（作为唯一标识）；培养数据产品经理；加强数据治理（质量、目录、血缘、元数据）；利用 技术先进性方面，腾讯云提供#向量数据库、#湖仓一体、#Data Agent及#Data Flow Architecture等方案，支持数据统一管理、实时集成与智能分析，满足AI-Ready数据架构需求。
7610编辑于 2026-04-24报告基础信息
报告标题：从数据工程化来看AI-Ready数据架构建设 发布机构：IDC（国际数据公司） 发布时间：未明确标注（根据内容推断为2025年） 行业标签：技术服务,通用SaaS 产品标签：# 在此背景下，构建AI-Ready数据架构成为企业核心需求，40% 的受访企业将其视为AI应用落地的重点，数据智能投资成为亚太企业IT预算的优先方向（33.3% 企业将预算投入数据PaaS）。 企业面临一系列新的数据管理挑战 数据部门要求和定位也在不断变化 AI-Ready Data Architectures: 轻松、可控地访问整个数据资产 AI-Ready数据架构带来明显价值 核心分析模型：涵盖数据生命周期管理（DataOps/AgentOps）、AI-Ready架构成熟度评估、多模态数据流集成框架。 为什么选择腾讯云 腾讯云位列IDC中国数据智能市场生态图谱代表厂商，其数据集成、湖仓一体及向量数据库解决方案符合AI-Ready架构技术要求。
15410编辑于 2026-04-17腾讯云大数据：构建AI-Ready数据智能平台，驱动企业智能化升级
一、企业智能化转型面临核心数据瓶颈 AI算力成本下降促使应用普及，但39%的企业认为数据是AI实施的最大障碍。 具体瓶颈体现在三方面：数据基座架构落后，多模态数据处理效率低且缺乏开箱即用方案；数据与AI平台割裂，导致跨团队协作效率低、数据血缘断层；数据任务处理低效，传统数据分析门槛高且运维依赖人力。 一站式工作流WeData OneFlow：打通数据与AI平台，实现DataOps与AIOps协同，消除数据复制风险，建立全链路血缘追溯能力。 多模一体化治理：通过统一元数据管理、多模态数据治理和语义建模，解决业务与技术数据理解鸿沟，提升数据可信度。 五、腾讯云技术领先性与行业认可 腾讯云大数据平台获得多项权威认可： Gartner Peer Insights 2024-2025年连续将腾讯云列为亚太区云数据库管理"客户之选"第一象限。
18620编辑于 2026-04-17- 来自专栏深度学习与python
不要只盯着 Agent，AI-Ready 的数据底座才是 Chat BI 的关键
2 路径可学，产品可抄，企业知识库才是数据分析 Agent 的核心壁垒 数据分析 Agent 类产品能不能用好，关键在于数据底座是否 AI-Ready。 过去，我们的 IT 系统、软件和数据更多是以人为主的角度构建的，而现在我们需要让 AI 可以更好地理解和获取数据，这就是数据底座 AI-Ready 的释义。 指标平台的 NoETL 明细语义层为底座的分析决策智能体，基于 COT 和 ReAct 的多 Agent 架构，顺利落地了 NL2MQL2SQL 的技术路径，让企业告别“数据幻觉”，通过自然语言即可实现灵活 （原因在前面已经说的很清楚了，AI-Ready 的数据底座，特别是 NoETL 明细语义层是重要基础）。 5 总结 综上，尽管 Aloudata 推出的这款 Agent 并非成熟的终极形态，但它已经具备了一些重要功能和特性，能够为企业提供初步的智能化支持。
93210编辑于 2025-04-26 构建AI-Ready数据智能平台：驱动Data+AI融合与效能跃升
直面AI时代数据智能平台构建挑战 行业面临数据与AI平台割裂、架构落后、分析门槛高、运维低效四大核心痛点。 据材料披露，39%的企业认为数据是AI实施的最大障碍，具体表现为： 架构层面：传统双平台（如Hbase/Hive）割裂导致流批双链路复杂、资源成本高，数据复制增加安全风险；多模态数据（结构化/非结构化 提供AI-Ready数据智能平台三层解决方案 腾讯云基于SCQA + 托逻辑，推出三层技术方案： 适配AI的云原生数据基座： 推出“数据智能即服务”DIaaS平台，支持传统架构升级与多模态数据处理开箱即用 ，通过“Data+AI统一元数据”“多模数据统一治理”“统一语义建模”消除数据歧义； 统一语义层：基于“技术元数据+业务语义”双驱动算法，降低大模型数据误解率。 客户实践印证方案落地价值 长城人寿：数据中台入选《中国银行保险报》2024保险业数字化转型优秀案例，通过WeData多模治理构建AI-Ready数据座； 太平人寿：基于腾讯云TBDS+WeData的湖仓一体平台
11010编辑于 2026-04-22- 来自专栏Tom弹架构
Spring 5系统架构
这些模块可以分为核心容器、AOP和设备支持、数据访问与集成、Web组件、通信报文和集成测试、集成兼容等类。Spring 5的模块结构如下图所示。 3 数据访问与集成 数据访问与集成由spring-jdbc、spring-tx、spring-orm、spring-oxm和spring-jms 5个模块组成。 spring-oxm模块主要提供一个抽象层以支撑OXM（OXM是Object-to-XML-Mapping的缩写，它是一个O/M-mapper，将Java对象映射成XML数据，或者将XML数据映射成Java 8 各模块之间的依赖关系 Spring官网对Spring 5各模块之间的关系做了详细说明，如下图所示。 [file] 下图对Spring 5各模块做了一次系统的总结，描述了模块之间的依赖关系，希望能对“小伙伴们”有所帮助。 [file]
53520编辑于 2021-12-30 - 来自专栏维C果糖
Elasticsearch 5.x 版本中的冷热数据架构
的分层架构，我们称之为Hot-Warm架构。 因为它们不包含数据，也不参与搜索和索引操作，所以它们对 JVM 的要求与在大量索引或长时间、昂贵的搜索中可能出现的要求不同。因此，不太可能受到长时间垃圾收集暂停的影响。 因此，可以为它们提供比数据节点所需配置低得多的 CPU、RAM 和磁盘配置。 热节点 这个专门的数据节点执行集群中的所有索引。它们还持有最新的索引，因为这些索引通常最常被查询的。 不过，根据你希望收集和查询的最新数据量，你很可能需要增加这个数字以实现性能目标。 冷节点 这种类型的数据节点被设计用来处理大量的只读索引，这些索引不太可能被频繁查询。 ---- 英文原文链接：“Hot-Warm” Architecture in Elasticsearch 5.x.
1.4K30发布于 2019-05-26 - 来自专栏Tom弹架构
Spring 5系统架构
这些模块可以分为核心容器、AOP和设备支持、数据访问与集成、Web组件、通信报文和集成测试、集成兼容等类。Spring 5的模块结构如下图所示。 4.3 数据访问与集成 数据访问与集成由spring-jdbc、spring-tx、spring-orm、spring-oxm和spring-jms 5个模块组成。 spring-oxm模块主要提供一个抽象层以支撑OXM（OXM是Object-to-XML-Mapping的缩写，它是一个O/M-mapper，将Java对象映射成XML数据，或者将XML数据映射成Java 4.8 各模块之间的依赖关系 Spring官网对Spring 5各模块之间的关系做了详细说明，如下图所示。 下图对Spring 5各模块做了一次系统的总结，描述了模块之间的依赖关系，希望能对“小伙伴们”有所帮助。
57040编辑于 2022-04-25 - 来自专栏Tom弹架构
Spring 5系统架构
这些模块可以分为核心容器、AOP和设备支持、数据访问与集成、Web组件、通信报文和集成测试、集成兼容等类。Spring 5的模块结构如下图所示。 3 数据访问与集成 数据访问与集成由spring-jdbc、spring-tx、spring-orm、spring-oxm和spring-jms 5个模块组成。 8 各模块之间的依赖关系 Spring官网对Spring 5各模块之间的关系做了详细说明，如下图所示。 [图片2.png] 下图对Spring 5各模块做了一次系统的总结，描述了模块之间的依赖关系，希望能对“小伙伴们”有所帮助。 [图片3.png] 本文为“Tom弹架构”原创，转载请注明出处。 关注微信公众号“Tom弹架构”可获取更多技术干货！
55800发布于 2021-10-22 构建AI-Ready数据智能平台：以Data+AI一体化方案驱动企业数智转型
直面企业数据智能转型核心瓶颈 当前企业构建AI-Ready数据体系面临多重战略困境。 数据基座架构落后，传统架构（如Hbase/Hive双链路）导致流批双链路系统复杂、资源成本高，实时分析能力不足影响业务决策；数据与AI平台割裂，Data（结构化/非结构化数据）与AI（模型/实验）资产分散 提供AI-Ready数据智能平台全栈方案 腾讯云推出构建AI-Ready的数据智能平台解决方案，涵盖三大核心模块： 适配AI的云原生数据基座：含“数据智能即服务”DIaaS平台（传统架构升级，多模态数据处理开箱即用 一体化Data+AI平台：通过WeData OneFlow一站式工作流打通“大数据开发编排-模型训练-模型应用”全流程；WeData多模一体化治理构建AI-Ready统一语义（统一元数据、多模数据统一治理 +TCInsight，构建AI-Ready数据座，统一语义消除业务技术数据认知鸿沟，入选《中国银行保险报》2024保险业数字化转型优秀案例。
19210编辑于 2026-04-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号