*以下文章来源于第一新声，作者第一新声

十多年前，宁海元还是阿里巴巴内部负责天猫双十一数据库保障的技术负责人。零点流量洪峰之下，他和团队要确保每一笔订单、每一笔支付都能被系统准确接住——背后依赖的，是一整套可信、可流转的数据体系。

从搭建当时亚洲最大的 Oracle RAC 集群，到主导参与淘宝“去 IOE”，再到把分布式数据平台对外商业化，这段经历在很大程度上塑造了他今天对 AI 的判断：

真正决定智能应用上限的，不是模型本身，而是它脚下的数据地基。

2015 年，他离开阿里，联合创立袋鼠云，选择从“数据基础设施”切入。十年时间，袋鼠云从一家做数据中台的技术公司，演化为围绕“多模态数据智能中台”的“一体两翼”格局：

• “一体”：多模态数据智能中台（由大数据底座平台+多模态数据中台 构成），负责把数据变成稳定、统一、可调用的生产要素；
• “两翼”：数据智能引擎与空间智能引擎，一翼落在经营与决策，一翼伸向物理空间与数字孪生。

在 AI Agent 被视为新一轮产业窗口的时间点上，本期第一新声专访袋鼠云 CEO 宁海元 ，这家成立十年的大数据基础软件公司，正在给出自己的答案。

01 AI 热潮之后，回到“数据 + 智能”的长期结构

当前 ，从内容生成到行业解决方案 ，全球AI 生态正迎来爆发式增长。据第一新声智库报告预测 ，2025 年企业级 AI Agent 应用市场规模将达到 232 亿元 ，2023-2027 年复合增长率高达 120%。各行各业对 AI的关注度与投入规模呈指数级攀升 ，但在“热度”之外，一个残酷的事实是：真正落地到业务、形成稳定产出的 AI 项目，并没有想象中那么多。

宁海元在访谈中提到，今年不少 CIO 都向他表达类似的焦虑：一方面，业务高层对 AI 抱有极高期待，希望“接入一个大模型，就能盘活一批难题”；另一方面，当部门把几百条 AI 场景写进 Excel 后，技术团队会很快意识到——大部分场景卡的不是模型能力，而是数据基础。

在他看来，这一轮企业级 AI 应用的瓶颈，与十年前数据中台刚兴起时的情况有相似之处：

• 企业 IT 建设长期遵循“按部门/项目上系统”的逻辑，ERP、CRM、SCM、MES 各自为政，形成一个个“数据烟囱”；
• 不同系统背后，对同一个业务事实往往有不同的口径和算法，一个简单的 GMV 指标，在市场、财务等不同部门眼里有不同的理解；
• 大量文本、图片、语音、视频等非结构化数据，要么从未被采集，要么只是“堆在存储里”，没有进入经营分析和决策链路。
  
  

在传统 BI 阶段，这些问题往往还“勉强可用”——顶多是报表口径对不上、沟通成本上升。但当企业希望把 AI 用在客户经营等核心决策时，数据的分散、口径的混乱、流转的高成本，再叠加信创环境下复杂的技术栈，迅速抬高了 AI 落地门槛。

“很多老板会天然认为，大模型出来了，是否可以顺便把原来信息化、数字化没解决的问题一并解决掉。”宁海元说，“但如果数据本身不规范，也不能实时反映业务现状，再强的模型也只能停留在演示层面。”

在他给出的框架中，企业要真正进入“AI 应用期”，至少要先回答一个问题：自己的数据是不是已经达到了 AI Ready 的状态。

所谓 AI Ready 数据，在宁海元看来至少有两点：

1.规范性——也就是业务语义层面的统一。企业内部要有一套相对稳定的指标与数据标准体系，明确“同一件事在不同系统里是什么含义”；

2.实时性——数据能够尽量及时地反映业务状态，而不是始终滞后一个结算周期、一个账期甚至更久。

“有足够丰富的原始数据，再加上一套统一语义的业务数据，在这个基础之上去用 AI 做推理，才有可能支撑稳健的企业级应用。”宁海元总结道。

02 “数据地基”只是起点：从结构化到多模态的 AI Ready

如果把 AI 看作一座“塔”，那数据地基只是基础层。而对许多中国企业来说，这块地基的建设还处在不同阶段。

宁海元的观察是：

• 对一些传统制造、能源矿产企业来说，第一步仍然是完成结构化数据的“上云和入库”——把散落在纸质单据、Excel、局部系统里的经营数据，统一采集和存储；
• 对于头部制造业、金融业、互联网等数字化程度更高的企业，结构化数据平台已经相对成熟，新的挑战更集中在：如何把会议纪要、邮件、客服对话、设备图片、文档规范等非结构化数据纳入治理与分析体系。

“结构化数据这条线，中国市场其实已经教育了二十多年，从数据仓库到数据中台，技术能力和人才体系都比较成熟。难的反而是非结构化数据。”宁海元说。

在 AI 视角下，“数据地基”的内涵也在发生变化：

• 从对象上看，从单一结构化数据扩展到结构化 + 半结构化 + 非结构化的全模态数据；
• 从能力上看，从采集-存储-计算，扩展到采集-治理-语义建模-安全合规-多模态融合；
• 从目标上看，从“为 BI 报表供数”，转向“为 AI 推理与 Agent 应用持续供给高质量语料”。

因此，袋鼠云在对外表述中，把“数据地基”视为 AI Ready 的前提，而不是终点——真正支撑企业未来十年智能化演进的，是建立在其上的多模态数据智能中台。

03 站在 Data+AI 交汇点上 ，袋鼠云是怎么做的？

袋鼠云的产品路径可以概括为：从数据中台走向多模态数据智能中台。

2016 年，袋鼠云正式推出自研数据中台产品“数栈”，基于开源技术栈构建分布式存储、离线与实时计算、元数据管理等能力。与不少“从平台起步”的创业路径不同，袋鼠云在早期就做了两个决定：

1.底层坚持开放生态，基于 Spark、Flink 等主流开源框架演进，不锁定在某个私有技术栈；

2.把主要研发资源压在“中间层”，也就是数据中台本身，而非把精力过多投入到底层引擎“重复造轮子”。

这一选择，使得它在后续几年里，能更快适配不同行业、不同规模客户的异构环境——包括国产大数据平台、金融行业的专有集群、大型互联网公司的混合架构等，在实践中逐步形成了“模块化、插件化”的产品形态。

进入大模型时代后，袋鼠云在原有中台之上，明确提出了“多模态数据智能中台”的产品方向：

• 从产品结构看，它由多模态数据中台 + 大数据底座平台构成，前者解决“管什么、怎么管”，后者解决“放在哪里、怎么算”；
• 从能力边界看，它不仅要承接企业所有结构化数据，还要统一接入 IoT 时序数据、日志、文本、音视频等多模态数据，并通过统一元数据体系打通；
• 从位置上看，它面向的不只是 BI 报表和传统分析，而是主动对接大模型平台、Agent 平台，成为 Data+AI 的“中枢层”。

围绕这个“中枢层”，宁海元给出了三层协同路径：

1.Data for AI：

• 通过数栈多模态数据智能中台，把企业内多源数据整合为统一、规范、带语义标签的数据资产；
• 为大模型的精调、RAG 以及企业场景推理提供可控、可追溯的数据供给。

2.AI for Data：

• 利用大模型能力辅助数据开发与治理，包括自动生成数据任务、辅助排查数据质量问题、自动梳理血缘等；
• 通过内置的“灵瞳”智能体，提供 SQL 编程助手、任务调度助手、运维助手、治理助手等，提高数据团队生产力。

3.AI for Agent / AI for Business：

• 在上层对接 AI Works 等 Agent 开发应用平台，把中台能力以 API、数据服务、特征服务等形式暴露给各类智能体；
• 支撑企业围绕运营分析、经营监控、流程协同等场景构建业务 Agent。
  
  

宁海元认为，多模态数据智能中台的价值，不在于重新包装“数据中台”概念，而在于为 AI 时代重构数据基础设施。

从银行、证券到制造、零售，再到能源和矿业，数栈已经在上千家客户中经过验证——这既是袋鼠云接下来十年战略的底气，也是一体两翼能够展开的前提。

04 “两翼”：数据智能 + 空间智能，与企业未来十年同行

如果说“多模态数据智能中台”是一体，那么“两翼”则是袋鼠云回答“基础软件如何体现应用价值”的方式。

数据智能：从“看报表”到“对话数据”

在数据智能方向，袋鼠云主要通过AIWorks（智能体开发应用平台） 和 AIMetrics（智能指标平台）两条产品线展开。

• AIWorks 作为企业级 Agent 平台，提供多模型接入、知识库管理、工作流编排、监控与治理等通用能力，帮助客户在一个统一环境中构建和管理各类业务智能体；
• AIMetrics 则聚焦“数据+指标”这一经典企业场景，通过自然语言问答、自动图表与结论生成、异常波动监测与归因、权限与多端协同等能力，让管理者可以“直接向指标提问”，降低数据分析门槛。

在宁海元的设想中，数据智能引擎既是多模态数据智能中台的“前台展示”，也是未来企业 Data Agent 形态的实验场。它不会替代所有 BI 和分析工具，但会在越来越多的场景中承担“第一交互界面”的角色。

空间智能：从经营管理走向物理空间治理

相比数据智能，空间智能是袋鼠云这几年推动得更早也更“前沿”的方向之一。通过易知微旗下的EasyModel、EasyTwin、EasyV 等产品，他们在城市治理、园区运营、工业现场、文旅景区等领域积累了大量数字孪生实践。

在宁海元看来，企业要解决的从来不只是“经营问题”，很多时候也是“物理空间的治理问题”。

传统数字孪生的最大障碍在于建模成本高。过去要做一套 3D 场景，往往需要大量人工建模与数据采集投入，很难规模复制。随着 3D Gaussian（3D高斯） 等新一代空间重建技术成熟，基于照片、激光点云即可自动重建 3D 场景，成本和周期大幅下降，也为空间智能带来了新的可能性。

在产品层面，袋鼠云将 3DGS 能力集成到 EasyModel 和 EasyTwin 中：

• 前者聚焦数字空间底座生产，实现多源空间数据的统一生产、管理与版本控制；
• 后者聚焦仿真与渲染，将空间数据与业务数据结合，支持运行监控、应急演练、能耗管理等场景。

当多模态数据智能中台与空间智能引擎打通后，“数据智能”与“空间智能”开始形成互补：经营数据可以映射到空间对象，空间事件又能回流为经营指标，这也是袋鼠云近两年在城市、能源、制造等行业频繁布局的方向。

05 从本土深耕到全球化布局，袋鼠云的出海“三步走”

无论是数据中台还是多模态数据智能中台，本质上都属于“重投入、长周期”的基础软件赛道。如何在保证产品路线足够长期的同时，找到可持续的商业路径，是所有厂商必须回答的问题。

在国内，袋鼠云经历了从与阿里云 OEM 合作，到深耕金融、能源、制造等行业，再到形成“产品 + 伙伴生态”的路径；在全球化上，它则选择了一条相对务实的“三步走”：

1.服务中国企业出海——围绕数据合规、本地化部署、多云环境适配等刚需，帮助中国企业在东南亚、中东、欧洲等地搭建本地数据与 AI 基础设施；

2.服务海外华人企业——利用对中国供应链、产业链的理解，支持跨境业务中对数据流转与风控的需求；

3.逐步拓展本地客户——在关键节点市场形成交付与产品支撑能力，走向真正意义上的全球化基础软件公司。

目前，袋鼠云已经在香港设立公司，作为承接中国市场与海外市场的重要支点：既为中国企业出海提供更灵活的合规与部署选项，也为面向本地客户的服务打下基础。

06 从“做产品”到“做长期基础设施”

纵观袋鼠云这一轮战略升级，可以看到一条清晰的轨迹：从“做某一代技术产品”，转向“做 Data+AI 时代长期需要的基础设施”。

• 多模态数据智能中台回答的是：在未来十年里，企业如何把越来越多元的业务数据，持续沉淀为面向 AI 的、可治理的资产；
• 数据智能引擎与空间智能引擎回答的是：企业如何在报表分析、Agent 应用、数字孪生和空间智能等场景中，把 Data+AI 变成可感知、可复用的生产力；
• 出海三步走则试图回答：当 AI 成为新的“通用技术”时，中国的基础软件公司如何参与构建全球产业的底层范式。
  
  

在很多人眼里，2025 年是企业 Agent 的“元年”；但在宁海元的视角里，“元年”意味着至少十年的长跑周期，而不是一波风口。他的逻辑很朴素：

• 每一轮生产力技术要真正改变生产关系，周期都不会短；
• 今天的 Agent 更像是“新物种刚刚孵化”，要经历从单点场景、部门级试点，到组织级、集团级的漫长进化。
  
  

在这场漫长的技术与产业共振中，袋鼠云选择了一条不算“短平快”的路：把自己定位为产业智能化的基础设施提供方。

至于这条路能走多远，最终会交给时间和市场去检验。但至少在围绕 Data+AI 重构基础设施这件事上，袋鼠云已经把自己的位置和路线，画得足够清晰。