广州配资平台 WAIC大咖说 | 中国中化张勇：从湖仓到智仓——数据底座的AI重构

　　在WAIC2026星环科技“认知涌现.数据新生”人工智能主题论坛上广州配资平台，中国中化数据运营中心首席架构师张勇发表了题为《从湖仓到智仓：中化数据底座的AI重构实践》的演讲。

　　作为一家超大型综合性化工央企，中国中化的数据平台建设走过了从大数据平台到数据湖、数据资产平台再到AI平台的七年路径。面对多模态数据融合、全域数据治理、AI可理解数据三重困境，张勇的答案是：在全域数据治理的基础上，引入数据本体，让数据从“给人看”变成“给AI算”，从“湖仓”演进到“智仓”。

　　以下是演讲实录。

　　大家好，我叫张勇，来自中国中化数据运营中心，很高兴能够在这里跟大家分享，中化在数据底座AI升级方面的探索和实践。

　　本届WAIC的主题是“智能伙伴，共创未来”，我想，对于中化这样一家拥有近20万员工、业务遍布全球150多个国家和地区的综合性化工企业来说，AI智能是我们迈向未来的一个最重要的数据伙伴。

　　今天我的分享主要围绕三个部分展开：第一，我们平台建设的发展历程；第二，传统数据平台面临的困境；第三，我们的解决方案——从“湖仓”到“智仓”的演进。

介绍中国中化

　　中国中化控股有限责任公司是由中国中化集团有限公司与中国化工集团有限公司重组而成，2021年揭牌成立，是国资委监管的国有重要骨干企业，是全球规模最大的综合性化工企业。旗下拥有16家境内外上市公司。我们的业务主要覆盖生命科学、材料科学、石油化工、环境科学、机械装备、城市运营、产业金融8个板块。部分知名企业有先正达、中化国际、倍耐力、风神轮胎、中国金茂、外贸信托等。

　　2021年中化启动施行了“线上中化”的数字化转型战略，我们的目标很明确——打造线上中化、数字中化、智能中化，加快推进企业数字化转型，培育新的核心竞争力。而实现这一切的关键，就在于数据。

　　中化数智于2017年成立，是中国中化直属的数智科技公司。分别在北京和雄安设有总部，同时我们在武汉、上海等地设有分公司。

中化数据平台建设历程

　　回顾中化数据平台的建设历程，我们走了一条循序渐进的道路。我们逐步构建了涵盖数据湖、数据资产平台、数据应用平台和AI平台的完整体系，形成了全生命周期的闭环运行与管理机制。

　　2019年，我们建成了集团级的大数据平台。初步具备了数据采集、计算、存储和加工的能力。但很快我们发现，光有大数据平台还不够——数据的“存”和“算”只是基础，数据要真正产生价值，还需要更系统的治理和灵活的应用。

　　2021年，我们建设了数据湖。提供了从数据采集到数据服务的全链路能力，通过多租户的PaaS服务形式，能够满足总部统一管理要求和各单位的个性化业务需求。同一年，我们上线了数据应用平台。我们叫它“化视界”，我理解这个名字取“包罗万象，看透数据”之意。

　　2022年，我们上线了数据资产平台。这个平台实现了运营流程、数据贯标、质量核查与安全管控的一体化管控，有效支撑了公司数据治理落地。到2025年8月，我们正式通过了数据管理能力成熟度DCMM4级认证，当然不是最终目标，我们还要在“十五五”期间，奔着5级使劲。

　　2024年，我们分阶段上线了AI平台。提供算力资源管理与调度、模型开发训练工具链和应用支撑服务能力，一方面对算力资源进行统一调度和管理，提高算力利用率，另一方面提升模型训练和应用开发的效率，沉淀数据、模型、应用等AI资产。

　　智能化平台建设路径一般有两种选择，路径一，自数据平台起步，逐层向上建设至AI平台，逐步扩展智能化能力；路径二，以AI应用为最终目标，进行顶层设计与整体架构规划，一体化推进。我们是第一种，这也是多数大型央国企的经典建设模式，这种模式在实施过程中，不仅仅会面临架构融合的技术挑战，还涉及内部多团队协作、跨部门管理要求协调等诸多难题。

三重困境：数据平台为什么“不够用了”

　　2024年以后，我们发现了一个根本性的问题：传统数据平台的架构模式，在AI时代已经全面失效了，我们的困境有三个方面：

　　第一重困境：多模态数据的存算挑战。化工行业的数据远不止表格。我们有大量的图像——比如生产现场的监控画面；有音视频——比如安全巡检记录；有文档——比如数万份的专利、技术报告和操作规程；有时序数据——比如炼化装置每秒产生的数万个传感器读数；还有图数据——比如分子结构、供应链网络。这些数据格式各异、存储方式不同、查询逻辑也完全不同，传统的数据平台很难在高效存储的同时实现快速查询。

　　第二重困境：全域数据治理的挑战。以前我们治理的是结构化数据——建数据标准、做质量核查、管安全权限，这些工作虽然繁琐，但路径清晰。但现在，当数据变成图像、视频、文档的时候，“治理”就不再是简单的规则配置了——你需要理解内容、需要分类标注、需要让这些非结构化数据也能被“看见”、被“找到”、被“用上”。

　　第三重困境：AI可理解的数据的挑战。这是最核心的挑战。传统数据平台产出的数据是给人看的——人可以通过看报表、看图表的趋势来理解业务。但AI不是人，AI需要的是语义上可计算、可推理的数据。当AI从一个“回答问题”的工具变成一个“执行任务”的智能体时，它必须精准地理解什么是业务边界、什么是规则、什么是约束。如果数据本身没有清晰的语义定义，AI就无法可靠地执行任务。

我们的破局思路：让数据平台和AI平台

从“各自为政”走向“融合共生”

融合过程大体经历了三个阶段：

　　各自为政阶段。为应对AI场景快速迭代探索，需要我们快速建设AI平台满足总部及各级企业做AI场景的验证和落地。然而，由于源数据分别进入两个平台，二者各自拥有独立的数据、算力及服务能力，同时管理团队与应用边界也彼此分立，导致资源分散、协同不畅。

　　数据治理阶段。随着AI场景的全面落地，合规与安全层面的治理需求日益凸显。这个阶段我们梳理了数据链路，明确数据统一由数据平台向AI平台供给，AI平台产生的资产再回流到数据平台，形成闭环。另外，针对非结构化数据治理这一长期难点，我们也已启动专项研究。

　　融合共生阶段。前期已落地辅助决策、辅助办公、辅助生产等AI场景，随着业务需求向生产经营领域的高价值场景延伸，AI价值场景从辅助决策、预测预警向智能执行方向发展，这些都需明确的业务语义支撑，逐步推动两个平台从“互联互通”走向“深度融合”，真正实现一体化共生。

　　整个过程中，我们发现主要有几个方向的变化：首先是数据形态的变化(结构化->多模态)，第二治理内容的变化(结构化->多模态)，第三服务对象的变化(人->人+应用+智能体)，第四是核心价值的变化(报表分析->指标服务->智能执行)。

我们的具体解法：统一底座+

场景化数据治理+基于业务语义的智能应用

　　多模数据存算。2019年我们就用了星环大数据平台，使用了其多模数据存算方案。简单来说，我们在底层构建了多模态统一存储层，支持图存储、时序存储、文档存储、向量存储、键值存储、事件存储、宽表存储等多种数据模型。非结构化数据统一使用对象存储，通过多模态统一元数据进行管理。更重要的是，我们实现了跨模型关联分析的能力。举个例子——你可以在一个请求内同时查询向量数据、图谱数据和文档数据，让AI智能体能够获得完整的数据视角，而不是碎片化的信息孤岛。具体落地方面，我们构建了湖仓一体的数据湖架构，数据湖区全量存储原始数据；数据仓区分为批量处理和实时处理两种过程，批量处理过程支持天/小时级的作业；实时处理过程支持分钟/秒级的作业，使用实时数仓计算组件，优化数据链路，缩短计算时间和提升查询效率。对象存储非结构化数据。非结构化数据的资产化和服务化：我们打通了从非结构化数据存储到AI应用的完整链路。非结构化数据进入对象存储后，通过元数据提取构建索引表，然后发布到数据资产目录。用户可以通过标准化的申请流程完成授权，对外提供检索、预览、下载与调用的一站式数据服务。

　　全域数据治理。这里讲两个话题，非结构化数据治理和AI赋能数据治理。非结构化数据治理：非结构化数据治理和结构化数据治理存在根本差异：结构化数据治理以标准、质量、模型为核心，工作量大，但路径清晰且可量化。而非结构化数据治理则必须紧密结合具体应用场景，难以提前定义和统一规范。我们内部共识是：非结构化数据治理应立足两大基点——是以应用场景为驱动，二是与AI平台深度融合协同。实施过程中，数据接入后先做基础治理(包括分类、标注、索引化等)，待进入应用环节时再进行深度解析，通过AI智能体加工沉淀知识、语义和高质量数据资产。AI赋能数据治理：当前数据治理高度依赖人工实施和工具配置，涉及元数据管理、数据质量管理、数据开发、数据标准管理、数据安全管理等多类工具，每一个环节都需要人工配置规则、审核流程和处理异常，工作量繁重且大量工作是高重复性的。智能化转型思路，引入智能体平台，以智能体编排范式，通过自然语言需求驱动数据开发、治理与查询分析的全链路自动化。通过一系列智能体协同工作，可显著降低治理及资产运营过程中高重复性、持续性的人力投入。我们已与星环团队持续沟通并提出了多项需求，适配优化多款数据治理智能体，双方联合开展了方案认证，初步验证效果良好。

　　当数据能被AI“理解”。大模型与数据本体在语义认知上存在本质分工：大模型擅长理解语义相似性——判断词语在语境中的关联性、识别近似表达等；数据本体则精确定义业务等价性——明确企业内哪些对象可以等同、哪些需要区分、分别服务于何种业务场景。这一分工决定了能力边界：当AI仅用于回答问题时，依赖语言概率模型即可胜任；当AI开始自主执行任务时，则必须依赖明确的语义边界、业务规则和行动约束来保障准确性与安全性。通过引入本体技术，建立涵盖对象、关系、状态、规则、权限及证据在内的业务语义体系，即可实现业务运营全流程的智能化驱动与流转。

　　举一个例子：要给某品牌手机下订单采购芯片。传统RAG方式：用户提问→向量检索→找到相似文档片段→LLM生成回答。引入本体增强后：用户提问→本体解析(提取实体和关系)→结构化检索(找到实例及关系【某某手机→某某芯片→某某供应商】)→LLM基于结构化知识生成回答，最后开始执行下单。

治理范式的协同挑战

　　随着数智化转型步入深水区，我们深刻认识到数据治理的内涵已发生根本性重构——传统治理、非结构化治理、AI治理与本体治理四者并存，这不仅是对技术架构的考验，更是对企业协作机制与治理体系的全方位挑战。

　　四种范式各有其内在逻辑与节奏：传统治理是“事前建模”，先建模型再导入数据；非结构化治理是“事后标注”，数据入库后再进行分类与打标；AI治理是“动态学习”，模型持续迭代优化；本体治理是“语义定义”，从业务视角明确概念与规则。

　　以具体场景为例：本体能否为AI训练提供样本约束？AI能否自动补全非结构化数据的元数据标签？传统治理的质量规则能否转化为本体的业务规则？这些问题的答案，决定了我们能否真正构建一套融合四类治理范式、贯通治理流程、共享治理成果的统一体系。如何让这四种节奏各异、逻辑不同的治理范式协同贯通而非相互掣肘，正是我们当前在实践中持续探索的核心命题。

结束语

　　从2019年大数据平台起步，到今天的智仓体系初具雏形，中化在数据之路上已经走过了整整七年。这一路，我们步履未停，经历了从“有没有数据”到“数据能不能用”，再到“数据能不能被AI理解”三个阶段。

　　今天，我们正站在从“湖仓”到“智仓”的关键转折点上，这不仅是技术架构的升级换代，更是企业治理理念的深刻变革。当AI成为我们真正的“智能伙伴”，数据的意义就不再只是“被看到”，它要“被理解”、“被推理”，最终“被可靠地执行”。

　　正如今天WAIC的主题所说——“智能伙伴，共创未来”。中化愿意与各位携手同行，共同探索数据与AI深度融合的无限可能。

　　本文根据张勇先生在WAIC2026星环科技“认知涌现.数据新生”人工智能主题论坛上的演讲速记整理广州配资平台，经授权发布。