研发了八年基础软件，57 岁的我在 AI 时代迎来了千亿机会

2016 年底，我看到万物互联的时代已经到来，各行业需要一个高效的处理海量时序数据的引擎，因此创立涛思数据，并且自己冲到开发第一线，2 个月就写下了 1.8 万行 C 代码，而且大胆的在 2019 年 7 月将 TDengine 核心代码开源。八年过去，TDengine 的全球安装量已经超 83 万套，日安装量超 700 套，付费客户超 500 家，遍布全球 60 多个国家和地区，集中在电力、新能源、石油、智能制造、汽车、交通等多个行业，这些数字让我相当开心。

海量数据有了，然后呢？

但过去几年，我走访了中国以及欧美的很多客户，了解到大家的数据量是真的大，比如某个新能源集控中心，测点数超过 5000 万，每天产生的数据量超过 5 TB。TDengine 时序数据库的高效写入、高压缩率的存储与低延时的查询很让客户满意，但大家都有一个共同的问题：数据已经采集和存储，下一步，怎么把数据的价值挖掘出来？我也一直在思考这个问题，希望可以用技术的方式来帮助大家。作为一个程序员，很直接的想法就是让 TDengine 提供更好的 SQL 查询，提供更好的流式计算能力。因此，今年 3 月，我们又推出 TDgpt 时序数据分析 AI 智能体，利用 AI 来提供时序数据预测、异常检测与数据补全、分类的服务。但即便有了这些，用户依旧还是在问如何挖掘数据的价值。

认真分析后，我们发现：最大的问题是业务人员与 IT 工程师、数据分析师之间存在“代沟”。一方面，业务人员需要的是能马上获得业务的实时洞察，但系统往往只提供固定的报表、看板，每次业务人员有什么想法，一定要找 IT 工程师或数据分析师先沟通，解释业务的逻辑和需求。另外，因为大多数 IT 工程师不懂业务本身，虽然知道怎么用数据库，知道怎么写 SQL，但要先理解业务、理解需求，才能写出来代码，因此往往几天之后才会有分析结果。一旦分析的结果不实时，大家对数据价值挖掘的兴趣就大幅下降。市面上已经有不少 BI 工具，通过拖拉拽可以缓解问题，但业务人员会直接操作 BI 工具的，比例很小，大多数还是严重依赖数据分析师或 IT 工程师。此外还有，业务人员的行业知识和经验积累还不够，特别是对新的领域，比如新能源，没有形成系统全面的知识和思考，因此他们也很难提出清晰具体的实时数据分析需求。

TDengine 核心代码在 GitHub 开源

作为一个时序数据库厂商，我觉得自己进入了一个无解的局面，因为我比用户的 IT 工程师更不懂业务。当我与卷烟厂的工程师交流时，他们说“你身上都没有烟味”；当我去油田交流时，我都不知道油井采集了哪些物理量；当我去污水处理厂交流时，他们提到的一些专有名词我都完全没听说过。此外，我还发现，基于数据库做应用的厂商多如牛毛，每个行业都有一批应用公司，但没有一家能做到行业通吃，因为他们遇到了和我们同样的问题，对行业不了解，不具备行业知识，那自然不会被客户所接受。

我一直在把 TDengine 时序数据库作为人生最后一个产品在做，在这个细分赛道坚持了 8 年，希望这个产品给自己超过 40 年的程序员生涯画上一个完美的句号。但基于其产品的特性，行业知识的壁垒，除非做行业以及客户的定制化开发，否则我很难将 TDengine 产品做厚，进军到应用领域。我经常给团队鼓气，希望涛思数据能做到 100 亿 RMB 的市值，但其实背后，是我理性的思考，拼命努力做到极致的话，公司市值也就一百亿，至多两百亿 RMB。

但这一切，由于 AI 大语言模型，发生了改变，而且让我这个 57 岁程序员倒腾的历史又浓墨重彩的加上了一笔。

一开始，我也想开发Chat BI

2024 年 8 月，我在美国硅谷与做 Chat BI (对话式商业智能) 的公司交流，发现我们完全可以做，至少可以提供自然语言的接口让用户不用写 SQL 来查询数据。但仔细思考，发现 Text to SQL 不是一件容易的事。人类语言灵活、模糊、上下文依赖，而数据库 SQL 语言严谨、精确、结构化，两者之间存在巨大鸿沟。怎么将自然语言中的词语映射到数据库表名、列名，怎么确认多个表之间的关系，怎么将不同行业的业务语义匹配到计算函数，而且 SQL 的复杂性，比如嵌套查询、聚合函数、条件表达式等，让 Text to SQL 生成的准确性大打折扣。此时，我心里想的还是怎么找到顶尖的 AI 人才来解决这些问题。

所幸，我一直关注研究 Aveva 的产品 PI System，它是一款工业数据管理的软件，内核也是时序数据库，但带有数据采集、可视化、分析、事件管理等功能。不像 TDengine TSDB 更多被集成商所使用，PI 可以交付给最终用户直接使用，在发电、电网、石油、化工、制造等行业有相当大的用户群。带着 Text to SQL 的问题，我再看 PI System 的时候，豁然开朗。

我们必须建立数据目录，对于物联网、工业场景而言，最有效的数据目录就是树状层次结构，不仅让大家找数据资产时方便，而且符合企业管理的习惯；我们必须做数据的标准化，因为系统会对接众多的数据源，每个数据源的采集量的名称、计量单位都不一致，不先标准化，只会让 Text to SQL难上加难；我们必须做数据的情景化，数据没有足够的描述信息，业务上下文和语义，AI 无从帮你。因此我决定参考 PI，把数据目录、数据标准化、数据情景化做好，并提供工具让数据建模的过程变得简单高效，把 TDengine 改造为一个 AI-Ready 的数据平台。十月国庆节一结束，新的 IDMP ( Industrial Data Management Platform，工业数据管理平台) 研发小组正式组建，亚强带着丁博、秦冲好几个同学开干了。

IDMP 研发小组决定用 Java 开发，采用 Quarkus 框架。我是 C 程序员，因此逼迫自己也安装了整个 Java 开发环境，开始写 Java 程序。作为一家以技术、以产品立身的公司，我深知，产品必须亲自抓。但那个时候，我还是没有最大程度的投入，因为我觉得 Chat BI 提效了不少，但离问题的完美解决还有差距，因此只是边做边思考，想到更多的是利用 IDMP 的开发倒逼 TDengine TSDB 的开发，比如虚拟表，流式计算重构等，目的是让 TDengine 时序数据库更扎实，功能更强大，更有市场竞争力。

春节期间，DeepSeek 极其火爆，让我认真思考，作为一家时序数据库公司，我们在 AI 的浪潮里，到底能做什么？一天与搭档 Steven 讨论产品 IDMP 是否内嵌 Grafana 做可视化时，我们脑洞大开。我们不应该只支持自然语言去创建面板，而是应该借助 AI 大语言模型的能力将可视化面板主动推送给用户，像抖音一样。对于我们处理的物联网、工业场景，每个行业都有自己关心的指标、面板、报表与实时分析，AI 完全可以基于采集数据的上下文，智能感知出来是什么业务场景。感知场景后，AI 这个超级大脑自然知道应该创建哪些典型面板与报表了。我立即用 DeepSeek 做了一些测试，发现完全可行。我在把自己熟悉的 IT 运维场景，采集的物理量等写好一个提示词发给 DeepSeek 后，它给了我远超我自己经验的答案。

这一下让我兴奋到了极点，真正的机会来了。

因为如果我们能自动推荐可视化面板、自动创建实时分析任务给用户，那就意味着用户过去要花相当长的时间学习 SQL，学习做报表、面板，更要花时间学习行业知识，积累行业的运营经验，现在一概不需要或几乎不需要了。业务洞察不再强依赖于 IT 工程师，不再强依赖于数据分析师，甚至不再强依赖于业务专家，人人都可以随时获得。AI 已经能生成精彩的文章、图片、视频，甚至 PPT，如果能生成生产运营过程中所需要的可视化面板、报表，创建实时分析报警任务，那就等于将 AI 技术真正落地到了国计民生的主战场：工业场景。无论电力、新能源、石油、石化、智能制造、矿山，还是污水处理，都将迎来跨越式的数智化转型。特别是对于中国乃至全球的数百万家中小企业而言，相当于瞬间拥有了以前大公司才会有的数据分析工具和人才，能基于生产和运营数据实时做出最佳的商业洞察和决策。

这个市场远超我们已在的时序数据库市场，如果成功，至少可以做到 1000 亿 RMB 的规模。从我三次创业的经验来看，这个蛋糕实在是太大，太诱惑，对我们团队而言也可谓是万事俱备。资金、团队都不是问题，所要的只是我作为创始人与 CEO 的决心。

AI 驱动的工业数据管理平台整体架构图

一路狂奔

因此，我立即回到北京，将公司几乎所有的研发资源倾斜过来，全力投入到 IDMP 的研发中，而且在公司所有的会上强调“all in AI”。我自己身先士卒，每周七天，平均每天工作 14 个小时，除了无法推脱的客户交流，将自己的时间全部安排给了新的产品研发，全部投入到了产品定义、产品设计以及 AI Agent 模块上。

很快，我们就定出来 AI 驱动的物联网、工业数据平台的设计，大家就热火朝天的干起来。

我是一个注重细节的人，每个小小图标，每个页面的跳转，每段小小的提示语，无论中文还是英文，字体字号行距，都会细细琢磨，而且还要做开发进度、技术实现难度与细致度的平衡。虽然有 AI 帮助，但它无法代替原创性的思考和设计。相对于那些老掉牙还在 Windows 上跑的 PI System 以及众多的工业实时数据库软件，以及大堆粗制滥造的工业互联网平台软件，我们不仅用 AI 技术解决了业务洞察难以实时获取的难题，用户体验也得到飞跃提升——用户不必再翻查厚重的手册，这令我无比自豪。

我自己带着团队一路狂奔，唯恐被 Siemens, Schneider, GE, Aveva 这些工业软件巨头抢了先机。在亚强、胜亮、潘魏、王旭、丁博、元湃、营昭等几十位研发同学没日没夜的努力下，终于在 7 月 29 号发布了 TDengine IDMP 第一个正式版本 1.0，大家都可以用容器或虚机免费下载体验，而且为降低体验的门槛，我们同步推出相应的免费云服务。让我特别骄傲的是，涛思数据是全球第一家推出“无需提问，直接用 AI 自动生成可视化面板、生成实时分析任务”的公司。

奔跑了半年，终于可以缓一口气。

当然，这只是 IDMP 的第一个版本，产品后续还会快速迭代。在今年接下来要发布的版本中，将会包含我自主设计的、极具创新性的数据模型版本控制功能，同时还会新增一些行业必需的地图、组态等面板功能，以及事件根因分析报告自动生成、事件分析面板、数据质量报告等功能，并且会支持第三方时序数据库。

TDengine 的创新突破与工程技术落地，正在推动数据消费范式的根本性转变（Data Consumption Paradigm Shift）。传统的数据分析模式中，始终是用户主动发起请求（比如通过 SQL 查询），再由系统响应并返回结果。而现在，借助 LLM 与 AI Agent 技术，数据能够实现 “主动开口”—— 业务分析的核心洞察会直接推送给用户，让分析模式从 “拉取（Pull）” 彻底转向 “推送（Push）”。这意味着用户的数椐消费变成了被动接收，数据分析由此迈入 “抖音时代”，门槛被直接降至零。如果说 Chat BI 的 “智能问数” 是 “有问才答”，那么 TDengine 这种从拉到推的模式，不妨称之为 “无问智推”。

通过一系列包括数据目录，数据标准化和数据情景化的基础性工作，以存储和计算为核心的数据库被改造成为 AI-Ready 的数据平台。借助 LLM，这个 AI-Ready 的数据平台成为了一个自治的数据平台(Autonomous Data Platform)，一个自我驱动(Self Driving)的实时分析平台，数据自己就能说话，业务洞察不再依赖用户的行业知识积累和工具使用技能。而因为有了掌握人类所有知识的 LLM 加持，一个 2B 工具，就不会再局限于一个或几个行业，而是能运用到几乎所有行业。这样，在 AI 的驱动下，一个优秀的 2B 软件或云服务将拥有更为广阔的市场，将把传统碎片化的市场汇聚起来。

TDengine 将更进一步，将 AI-Ready 的数据通过开放的 API 给第三方应用提供。它提供的不再是传统的数据库的 SQL 查询结果，而是带有数据业务语义、带有数据上下文的 AI-Ready 的查询结果，赋能给众多的 AI 应用，让数据的拥有者能最大程度的挖掘出数据的价值。

TDengine 的创新与工程实践只是开了行业的先河，我相信今后会有很多类似“无问智推”系统的出现，并流行起来，数据库以及数据基础设施在 AI 时代将被重构，以适应 AI 应用发展的要求。希望 TDengine 能成为变革后的王者。