深度釋放 DB+AI 數(shù)據(jù)價值，IoTDB 2.0 助力工業(yè)數(shù)智化！

7 月 5 日，2025 時序數(shù)據(jù)庫技術創(chuàng)新大會在北京成功舉辦，收獲強烈反響。本次大會以「下一站：DB + AI」為主題，匯集了超 30 位大咖嘉賓，學術界權威專家、企業(yè)代表、開發(fā)者圍繞時序數(shù)據(jù)庫 Apache IoTDB 的自研技術成果與應用落地實例，探討工業(yè)物聯(lián)網(wǎng)領域如何借助 AI 技術與數(shù)據(jù)庫融合驅(qū)動智能化升級。

我們我們邀請到天謀科技 CTO，Apache IoTDB PMC Member 喬嘉林博士參加此次大會，并做主題報告——《IoTDB 2.0：AI 時代的工業(yè)數(shù)據(jù)智能底座》。以下為報告核心內(nèi)容總結。

01 IoTDB 發(fā)展歷程

自 2011 年誕生至今，IoTDB 始終圍繞“管數(shù)”與“用數(shù)”兩大核心維度持續(xù)演進。

在“管數(shù)”層面，IoTDB 完成了從工業(yè)時序數(shù)據(jù)庫到分布式架構的發(fā)展，繼而成功構建端邊云協(xié)同能力，并于 2024 年登頂國際權威榜單。

喬嘉林博士認為，針對工業(yè)監(jiān)控場景，數(shù)據(jù)價值隨時間推移逐漸遞減；而在 AI 驅(qū)動的智能分析時代，數(shù)據(jù)價值維度呈現(xiàn)多元化特征——反映設備狀態(tài)、運行特性及工況特征的數(shù)據(jù)，無論新舊均可能成為高質(zhì)量數(shù)據(jù)和關鍵分析對象。這種分析需求具有顯著的大規(guī)模隨機訪問特性，讓高效、可靠的數(shù)據(jù)基建成為了工業(yè)系統(tǒng)更加不可或缺的重要組成部分。

在“用數(shù)”層面，IoTDB 通過多項創(chuàng)新技術幫助用戶充分釋放數(shù)據(jù)價值。系統(tǒng)提供了持續(xù)查詢語法和專門的質(zhì)量庫，確保分析數(shù)據(jù)質(zhì)量。團隊在 2023 年推出的 AI in SQL 功能，將人工智能能力深度集成到數(shù)據(jù)庫內(nèi)核中，而最新研發(fā)的內(nèi)置時序大模型，更進一步讓用戶能夠直接在數(shù)據(jù)庫內(nèi)完成復雜的時序數(shù)據(jù)建模與預測分析。

02 IoTDB 2.0 建立堅實數(shù)據(jù)基建

（1）樹表雙模型：寫入靈活、查詢豐富

喬嘉林博士指出，工業(yè)數(shù)字化轉(zhuǎn)型初期，重點集中于數(shù)據(jù)的快速采集與統(tǒng)一管理。為此，IoTDB 針對工業(yè)設備層級提供樹模型建模方式，使 OT 人員能夠無縫將物理世界的數(shù)據(jù)組織結構映射至 IoTDB 中。

而隨著工業(yè)數(shù)字化建設更加強調(diào)數(shù)據(jù)的規(guī)模化分析與利用，傳統(tǒng)方案中 OT 實時監(jiān)控與 IT 離線分析往往割裂，依賴高成本的 ETL 流程進行數(shù)據(jù)遷移與重整，效率受限。因此，IoTDB 2.0 致力于打破這一壁壘：通過引入表模型與關系 SQL 語言滿足 IT 領域用戶的分析習慣，同時實現(xiàn)樹模型（OT 域）與表模型（IT 域）的深度融合與無縫銜接，推動兩域數(shù)據(jù)能力的統(tǒng)一。

樹表雙模型的具體能力分為視圖與實體兩部分。視圖方面，當數(shù)據(jù)接入時，IoTDB 2.0 可以采用樹形結構進行數(shù)據(jù)組織和建模；需要進行數(shù)據(jù)分析時，系統(tǒng)允許用戶通過簡單的 SQL 語句在原始數(shù)據(jù)樹上創(chuàng)建虛擬表視圖。這一創(chuàng)新設計既不需要額外存儲空間，又能實現(xiàn)樹模型與表模型的自然映射。OT 側(cè)的數(shù)采人員可以繼續(xù)基于熟悉的樹形結構進行數(shù)據(jù)操作，而 IT 側(cè)的分析人員則能夠直接使用標準 SQL 進行高效分析，實現(xiàn)了工業(yè)數(shù)據(jù)系統(tǒng)中 OT 與 IT 的深度融合。

實體方面，針對用戶從傳統(tǒng)關系型數(shù)據(jù)庫（如 MySQL）或時序數(shù)據(jù)庫（如 InfluxDB）遷移的需求，IoTDB 2.0 提供了動態(tài)寬表解決方案。與視圖不同，用戶可以創(chuàng)建實體表進行數(shù)據(jù)的讀寫操作，并實現(xiàn)無縫遷移。利用 IoTDB 樹模型存儲的靈活性，實體表支持動態(tài)擴展：新增測點時，表結構可以自動擴展且沒有列數(shù)限制。傳統(tǒng)數(shù)據(jù)庫因列數(shù)限制（通常僅支持幾千列）而需要復雜的分庫分表操作，而 IoTDB 2.0 的動態(tài)寬表解決了這一痛點，真正實現(xiàn)了海量工業(yè)數(shù)據(jù)的無縫管理。

（2）高級分析能力：趨勢查詢、窗口函數(shù)、UDTF、嵌套查詢

喬嘉林博士深入闡述了 IoTDB 2.0 在時序特性分析方面的四項創(chuàng)新能力。

第一項為趨勢查詢功能。針對工業(yè)場景中最核心的趨勢分析需求，通過 IoTDB 2.0 的行模式匹配框架，用戶可以直接通過 SQL 定義和識別時序模式，如上升、下降等基本子模式，并通過組合這些子模式描述完整的趨勢變化。這種設計使得分析人員無需將數(shù)據(jù)讀取至應用系統(tǒng)，就能直接在數(shù)據(jù)庫內(nèi)完成諸如波峰波谷檢測、趨勢變化分析等任務。

第二項為窗口函數(shù)功能。喬嘉林博士指出，時序數(shù)據(jù)的核心價值不在于單點取值，而在于特定時間窗口內(nèi)的變化規(guī)律分析，包括趨勢方向、變化斜率等深層特征。為此，IoTDB 2.0 擴展了窗口函數(shù)能力，支持用戶使用 SQL 直接對時間窗口內(nèi)的數(shù)據(jù)進行累計統(tǒng)計、趨勢分析、斜率計算及異常檢測等操作，方便設備狀態(tài)監(jiān)測等場景的深度分析。

第三項為 UDTF 功能。相較于傳統(tǒng)時序數(shù)據(jù)庫和關系型數(shù)據(jù)庫僅支持標量函數(shù)（一對一轉(zhuǎn)換）和聚合函數(shù)（多對一轉(zhuǎn)換），IoTDB 2.0 引入了更強大的表值函數(shù)（UDTF）能力。這種 UDF 允許用戶實現(xiàn)行列的自由定義和重組，將任意數(shù)據(jù)表通過自定義邏輯轉(zhuǎn)換為結構完全不同的新表，特別適用于需要復雜轉(zhuǎn)換的場景，例如將時序數(shù)據(jù)映射為包含多個頻率分量的頻譜分析結果。通過表值函數(shù)，IoTDB 真正實現(xiàn)了數(shù)據(jù)與計算的高度靈活融合，使工業(yè)數(shù)據(jù)分析范式從簡單的數(shù)值轉(zhuǎn)換升級為多維度的深度處理。

第四項為嵌套查詢功能。喬嘉林博士以“查詢大于平均值的電壓數(shù)據(jù)”這一典型場景為例，指出傳統(tǒng)實現(xiàn)方式需要分兩步完成：首先查詢平均值，再構造新查詢獲取大于平均值的原始數(shù)據(jù)。這種實現(xiàn)不僅增加了業(yè)務編程復雜度，還增加了應用系統(tǒng)與數(shù)據(jù)庫之間的網(wǎng)絡交互。

IoTDB 2.0 通過嵌套查詢，允許用戶用單條 SQL 語句進行邏輯嵌套，完成這類復雜的數(shù)據(jù)處理。這種設計顯著簡化了應用開發(fā)流程，減少了系統(tǒng)間交互開銷，特別適合工業(yè)場景中常見的多層數(shù)據(jù)分析需求，使開發(fā)人員能夠更高效地實現(xiàn)復雜業(yè)務邏輯。

（3）動靜融合：支持設備靜態(tài)屬性存儲

喬嘉林博士特別強調(diào)，雖然 IoTDB 已在表模型基礎上構建了豐富的時序查詢分析語法，但 2.0 版本的愿景遠不止于此。面對 AI 時代的數(shù)據(jù)分析新挑戰(zhàn)，盡管時序數(shù)據(jù)作為“工業(yè)血液”占據(jù)了工業(yè)數(shù)據(jù)主要體量，支持了大部分設備狀態(tài)分析，但實際業(yè)務場景往往需要進一步跨維度關聯(lián)分析，例如分析雨天對設備運行的影響，或特定電壓閾值下的設備狀態(tài)等。這些需求都要求突破單一時序數(shù)據(jù)的局限，實現(xiàn)多源數(shù)據(jù)的智能融合。

正是基于這樣的洞察，IoTDB 2.0 將“關聯(lián)與融合”確定為核心發(fā)展目標，致力于構建更完整的工業(yè)數(shù)據(jù)分析解決方案，幫助用戶從多元數(shù)據(jù)中挖掘更深層的業(yè)務價值，并重點突破了三大關鍵技術方向。

針對用戶長期反映的設備靜態(tài)屬性管理需求，IoTDB 2.0 在表模型基礎上進行了關鍵性擴展，支持了靜態(tài)屬性數(shù)據(jù)入表存儲。這些不隨時間變化的設備固有屬性（如型號、出廠配置等）可以與動態(tài)時序數(shù)據(jù)深度關聯(lián)，形成獨特的“動靜融合表”，用戶可以直接在單張表中實現(xiàn)靜態(tài)屬性過濾、時序與靜態(tài)數(shù)據(jù)關聯(lián)分析等能力。

（4）模態(tài)融合：支持對象/文件管理

針對工業(yè)場景中普遍存在的非結構化對象/文件（如設計圖紙、BOM 清單、圖像視頻等）管理需求，IoTDB 2.0 創(chuàng)新性地在數(shù)據(jù)模型中引入了對象類型支持，改變了傳統(tǒng)方案中時序與文件存儲割裂的困境。與二進制存儲（如 Blob）不同，對象類型允許用戶以業(yè)務熟悉的格式自定義存儲和解析文件，并利用 IoTDB 的查詢能力實現(xiàn)文件內(nèi)容的高效檢索與分析。

以飛機試飛場景為例，IoTDB 2.0 可同時管理試飛時序數(shù)據(jù)、技術文檔、圖像、視頻等多模態(tài)數(shù)據(jù)，在統(tǒng)一數(shù)據(jù)空間內(nèi)實現(xiàn)管理與分析，為復雜工業(yè)場景提供了多模態(tài)數(shù)據(jù)管理方案。

（5）關聯(lián)融合：支持跨庫聯(lián)邦查詢

面對工業(yè)場景中數(shù)據(jù)分散于多個數(shù)據(jù)庫（如 MySQL、Hive、HBase 等）的挑戰(zhàn)，IoTDB 2.0 在融合查詢引擎中新增了聯(lián)邦查詢模塊，能夠無縫接入外部數(shù)據(jù)源中的業(yè)務數(shù)據(jù)（如生產(chǎn)排程、出廠設置等），并與本地的時序數(shù)據(jù)、設備靜態(tài)屬性進行關聯(lián)。用戶可直接通過 SQL 實現(xiàn)跨系統(tǒng)、多模態(tài)數(shù)據(jù)分析，避免了傳統(tǒng)方案中需要在業(yè)務層手動整合不同數(shù)據(jù)庫數(shù)據(jù)的繁瑣流程，運營數(shù)據(jù)與運行數(shù)據(jù)的融合為智能制造提供了全域數(shù)據(jù)協(xié)同能力。

03 IoTDB 2.0 拓展 AI 時代智能基建

喬嘉林博士深入剖析了 AI 時代工業(yè)智能化面臨的核心挑戰(zhàn)與 IoTDB 提供的解決方案。他指出，盡管大模型技術蓬勃發(fā)展，但通用模型在工業(yè)領域的應用始終面臨兩大根本性障礙：一是缺乏對設備機理和領域知識的深度理解，二是受限于數(shù)據(jù)質(zhì)量對模型效果的直接影響。

針對這些問題，IoTDB 基于十余年的工業(yè)數(shù)據(jù)管理經(jīng)驗，構建了雙輪驅(qū)動的智能基建體系：一方面通過數(shù)據(jù)節(jié)點 DataNode 實現(xiàn)工業(yè)數(shù)據(jù)的統(tǒng)一建模、質(zhì)量提升和高效處理，夯實數(shù)據(jù)基礎；另一方面通過智能分析節(jié)點 AINode 引入模型微調(diào)功能，將通用大模型轉(zhuǎn)化為面向特定工業(yè)場景的專用模型。這種“高質(zhì)量數(shù)據(jù)+領域微調(diào)”的方案，有效彌合了通用 AI 技術與工業(yè)專業(yè)知識之間的鴻溝，為真正解決設備狀態(tài)預測、故障診斷等專業(yè)問題提供了可行路徑。

（1）AINode 數(shù)據(jù)智能架構

IoTDB 2.0 AINode 智能數(shù)據(jù)架構分為模型管理、數(shù)據(jù)預處理、訓練引擎、推理引擎四部分。模型管理層以自研時序大模型 Timer 為核心，針對工業(yè)場景特有的設備狀態(tài)分析需求，構建深度學習、機器學習、用戶模型體系。

在大模型基礎上，數(shù)據(jù)預處理層通過時間對齊、頻率規(guī)整、缺失值填補等技術，將原始時序數(shù)據(jù)轉(zhuǎn)化為大模型可用的高質(zhì)量數(shù)據(jù)訓練集。

架構上層中的訓練引擎支持大模型一鍵微調(diào)，并可進行多輪訓練與評估，以選擇最優(yōu)模型版本；推理引擎則支持大模型緩存機制，通過預加載已調(diào)優(yōu)的領域大模型，顯著提升了實時推理的計算效率。

值得一提的是，用戶使用一條 SQL 指令即可在 IoTDB 2.0 中完成大模型微調(diào)：只需通過 FROM MODEL 子句指定基礎模型，結合 DATASET 子句指定訓練數(shù)據(jù)集（如特定設備的增量運行數(shù)據(jù)），即可實現(xiàn)大模型的持續(xù)在線更新，保持其對設備最新狀態(tài)的精準刻畫。

（2）快速構建領域時序大模型

喬嘉林博士生動闡釋了 IoTDB 2.0 AINode 如何通過“一鍵微調(diào)”能力，將時序大模型的訓練門檻降至新低。傳統(tǒng)流程中，開發(fā)者需要手動導出數(shù)據(jù)、清洗轉(zhuǎn)換、編寫訓練代碼，整個過程繁瑣且技術要求較高；而 AINode 的設計真正實現(xiàn)了“手可摘星辰”般的易用性，使得每位工業(yè)用戶都能基于自有數(shù)據(jù)，快速構建專屬的領域時序大模型。

以秒級采集的工業(yè)設備數(shù)據(jù)為例，單卡僅需 5 分鐘即可完成天級增量學習，微調(diào)后的模型在 MSE（均方誤差）指標上提升超 20%。微調(diào)效果對比顯示：微調(diào)前的預測結果與真實設備狀態(tài)存在顯著偏差，而經(jīng)過領域數(shù)據(jù)微調(diào)后的模型則能精準捕捉設備機理特性。

這也體現(xiàn)了工業(yè)時序數(shù)據(jù)與語言數(shù)據(jù)在算法方面的本質(zhì)差異：預測設備狀態(tài)變化需要學習歷史數(shù)據(jù)規(guī)律，而非依賴語言邏輯。

（3）IoTDB 2.0：AI 時代的工業(yè)數(shù)據(jù)智能底座全景圖

喬嘉林博士系統(tǒng)展示了 IoTDB 2.0 作為面向 AI 時代的工業(yè)智能數(shù)據(jù)底座的整體架構。該平臺采用三層核心設計：DataNode 作為數(shù)據(jù)基建，統(tǒng)一管理時序數(shù)據(jù)、靜態(tài)屬性、多模態(tài)對象及外部聯(lián)邦數(shù)據(jù)；AINode 專注智能化能力，提供時序大模型管理、數(shù)據(jù)預處理和模型微調(diào)等智能分析支持；由 ConfigNode 實現(xiàn) DataNode 與 AINode 的系統(tǒng)管理，負責資源協(xié)同調(diào)度，確保各組件高效協(xié)作?；谶@一架構，IoTDB 2.0 向上支撐智能體構建、智能運維、時序預測、異常檢測等應用場景。

產(chǎn)品形態(tài)上，IoTDB 2.0 以專業(yè)時序數(shù)據(jù)庫為主體，搭配即插即用的聯(lián)邦查詢組件和智能分析組件，形成“一體兩翼”的靈活解決方案，滿足工業(yè)用戶從基礎數(shù)據(jù)管理到高級智能分析的全棧需求。

04 IoTDB 2.0 集成開放全鏈路生態(tài)

（1）基于 IoTDB 2.0 的智能應用：自動完成業(yè)務分析

喬嘉林博士通過合作伙伴虛擬電廠電池管理的實際案例，生動展示了 IoTDB 2.0 “數(shù)據(jù)+AI”雙基建設施的實踐價值。該業(yè)務涵蓋三類分析場景：日常統(tǒng)計指標計算、充放電故障分類排序、未來趨勢預測，這些需求往往具有臨時性和非標準性。傳統(tǒng)解決方式需耗費 2-3 天/次進行人工數(shù)據(jù)提取和處理，若要實現(xiàn)標準產(chǎn)品化則需數(shù)周開發(fā)周期。

通過深度合作，團隊基于 IoTDB 2.0 構建了智能應用方案：基于自然語言交互，大模型可自動理解并生成 IoTDB 中的 SQL 語句，結合內(nèi)置的趨勢分析、嵌套查詢等功能，實現(xiàn)對多源數(shù)據(jù)（時序數(shù)據(jù)、靜態(tài)屬性、業(yè)務知識庫等）的智能關聯(lián)分析，并能將業(yè)務知識進行存儲、可視化，形成分析閉環(huán)。

基于構建的業(yè)務知識體系，當用戶輸入針對特定場景的業(yè)務問題與分析特征時，時序大模型將自動解析需求并生成精準的 SQL 語句，即時提取 IoTDB 中的目標原始數(shù)據(jù)并生成可視化預覽，確保分析范圍正確。

之后，IoTDB 系統(tǒng)將結合業(yè)務知識庫中的多源數(shù)據(jù)信息，對原始數(shù)據(jù)進行進一步理解與加工，最終輸出面向該特定場景問題的完整分析報告。這一流程將傳統(tǒng)人工分析的“數(shù)據(jù)讀取-清洗-分析”過程簡化為即時交互的智能服務，不僅顯著提升了分析效率，大模型生成結果更能為人工分析提供智能化參考依據(jù)。

（2）擴展軟硬件全域生態(tài)系統(tǒng)

同時，IoTDB 構建了覆蓋數(shù)據(jù)全生命周期的生態(tài)系統(tǒng)，包含數(shù)據(jù)采集、數(shù)據(jù)集成、計算引擎和可視化分析四大核心環(huán)節(jié)。完整的數(shù)據(jù)生態(tài)確保用戶在使用 IoTDB 時，能夠根據(jù)具體需求與各類工具和平臺無縫集成，這種開放性和擴展性使得用戶能夠基于 IoTDB 創(chuàng)造超出預期的創(chuàng)新應用，充分釋放工業(yè)數(shù)據(jù)智能化的潛在價值。

喬嘉林博士重點介紹了 IoTDB 在硬件生態(tài)領域的擴展布局。IoTDB 與深開鴻深度集成的邊緣智能硬件板，實現(xiàn)了百萬點/秒的高吞吐寫入、毫秒級查詢響應與高壓縮比，結合其輕量化特性，適用于智能邊緣物聯(lián)網(wǎng)的數(shù)據(jù)管理分析場景。

IoTDB 聯(lián)合航天巨恒與北科大集成系統(tǒng)控制器，該控制器專為鋼鐵熱軋產(chǎn)線及交通等實時控制場景設計，核心優(yōu)勢在于采用國產(chǎn) CPU 并實現(xiàn)微秒級實時控制。在鋼鐵熱軋等對精度要求極高的工業(yè)場景中，系統(tǒng)支持微秒級全量數(shù)據(jù)采集，將原始數(shù)據(jù)實時存儲于端側(cè)板卡并同步上傳，有效解決了傳統(tǒng)端側(cè)設備僅能執(zhí)行控制指令而無法儲存數(shù)據(jù)的痛點。

更突破性的是 IoTDB 智能一體機的推出：采用全國產(chǎn)化硬件，預集成 IoTDB 與時序大模型核心功能，秒級測點管理能力達到 1 億點以上，達到億級寫入/查詢吞吐、毫秒級寫入/查詢延遲、數(shù)十倍壓縮比、十年以上數(shù)據(jù)留存等性能表現(xiàn)，真正實現(xiàn)了開箱即用的智能數(shù)據(jù)基礎設施。

這些硬件生態(tài)合作標志著 IoTDB 從軟件系統(tǒng)向“軟硬協(xié)同”生態(tài)的跨越，使工業(yè)數(shù)據(jù)智能能力具象化為可部署的實體解決方案。

05 IoTDB 未來技術路線

報告的最后，喬嘉林博士展望了 IoTDB 的未來發(fā)展方向?；谟脩舴答伵c技術演進需求，團隊將聚焦四大核心目標：第一，使用簡便，通過智能化交互持續(xù)降低使用門檻，降低用戶的手工操作壓力；第二，模態(tài)融合，突破時序數(shù)據(jù)邊界，實現(xiàn)多維數(shù)據(jù)的統(tǒng)一治理；第三，安全保障，構建防攻擊、防泄露的全方位數(shù)據(jù)安全機制；第四，極致穩(wěn)定，作為隱形的平臺基礎內(nèi)核工具，讓 IoTDB 以“無感知”的可靠性高效支撐上層應用。

他特別強調(diào)，從早期工業(yè)用戶的期待，到如今成為鋼鐵、電力、航空等關鍵領域的數(shù)字基座，用戶的認可始終是驅(qū)動 IoTDB 迭代前進的核心動力。未來團隊將繼續(xù)深耕工業(yè)場景，讓 IoTDB 真正成為支撐中國工業(yè)數(shù)智化的中堅力量。