知识管理

中台已死，语义层将重塑数据架构｜爱分析访谈

2026 年 4 月 8 日

语义层正成为AI时代数据架构的核心，让AI真正理解并操作数据，推动Agent应用从Demo走向生产级落地。核心内容： 1. 语义层技术架构的崛起与全球数据巨头的布局 2. 语义层如何解决AI理解数据的关键问题 3. Aloudata在语义层领域的创新实践与市场洞察

语义层正成为AI-Ready数据平台的核心技术架构，并被全球数据巨头Palantir、Databricks所关注和布局。

2025年Palantir市值不断攀升，Ontology本体技术备受瞩目，而Ontology技术主要是用于解决语义层问题。

2025年9月，全球数据平台巨头Snowflake联合 Salesforce、dbt Labs、BlackRock 等发起Open Semantic Interchange（OSI）规范，后面另一家数据平台巨头Databricks也加入。2026年初几家数据平台巨头开源了OSI规范，旨在为Agent应用落地打造一套中立开源的语义层标准。

语义层的价值是让AI真正理解数据，并将决策转化成行动，这是Agent应用从Demo走向生产级落地的关键，是面向AI应用的数据基础设施的必备条件。

成立于2021年的数据基础设施厂商Aloudata，专注于以NoETL语义编织架构变革传统数据架构，核心产品包括逻辑数据编织平台Aloudata AIR、主动元数据平台Aloudata BIG、自动化指标平台Aloudata CAN、分析决策智能体Aloudata Agent。

基于数据编织和语义编织，Aloudata可以帮助企业用户构建面向Agent应用的语义层，构建AI可理解、可操作的数据底座。

Aloudata创始人兼CEO周卫林拥有20余年大数据领域经验，曾任蚂蚁集团数据平台部总经理。近期，爱分析对周卫林进行访谈，探讨语义层市场机会、Agent对数据基础设施的影响、AI数据厂商核心壁垒等话题。

核心观点

语义层将成为企业决策中枢。

语义本质是业务口径定义，核心组件包括数据虚拟化引擎和语义引擎，最终需涵盖决策到行动全链路，支持Action API，形成闭环。

语义层与数据中台是不同理念的技术架构。

数据平台操作将从以人为主转向以AI为主，大部分是由AI完成数据平台相关操作，面向人的BI看板等功能需求将大幅减少。

数据基础设施的商业模式将迎来变革。

中国市场以私有云为主导，不太可能完全按照Token定价，应该会以“软件+订阅+调用量”组合为主要商业模式。

数据厂商核心竞争力在于管数据。

数据厂商的关键价值是将企业隐性信息低成本显性化为AI可用知识，而不是开发数据平台的功能或者维护整个数据平台系统。

以下为本次访谈实录，在不改变原意基础上略有修改。

OSI标准是个信号，语义层价值初现

爱分析：关于OSI标准，我看您之前认为它是一个重要的历史性时间节点。对比OSI和SQL，您觉得OSI会对整个数据基础设施产生哪些影响？

周卫林：SQL诞生背景大家应该都理解。当时七十年代集成电路快速发展，计算机开始进入企业，全球化带来刚性的信息化需求，数据处理离不开数据库。IBM的研究员提出了关系模型，并在此基础上设计了SQL。

早期各家厂商各自实现，语法互不兼容，用户移植成本极高，加上政府采购也要求有标准可依，才推动了1986年ANSI、1987年ISO先后发布SQL标准。它解决的是科技跃迁期应用爆发、交互成本高、技术落地难的问题。

现在OSI则是AI大模型尤其是Agent起来后的现象。如果每家企业都定义不同的语义，上层BI、Agent应用和数据库之间适配就会很麻烦。所以大家开始思考怎么标准化。SQL解决的是数据可访问和访问效率的问题，OSI则是在SQL之上解决数据可理解和可行动的问题。

以前数据操作是数据分析师和程序员的事，现在 AI Agent需要理解业务语义才能行动，语义必须标准化。OSI没有颠覆SQL，而是在其基础上延续。

但难度不一样，SQL有完备的关系代数做理论支撑，语法细致、成熟；OSI目前只是一个很粗的语法文件，没有类似数学证明，只定义了信息结构，没定义完整语法表达，还处于很早期的阶段。

未来OSI有没有可能像SQL一样，把语法规范化，同时保留厂商扩展性。如果能走到那一步，才算真正产业落地。现在它还只是个信号，表明大家看到了AI技术跃迁带来的新需求，但距离SQL那样的成熟标准还有差距。

爱分析：所以OSI更多是一个方向信号，还不是完整的指引，目前只是起步阶段？

周卫林：对，它还没到提一个标准，大家适配就行、各自实现差异化的阶段。如果真走到那一步，今天聊的很多话题都会不一样。但能不能走过去，现在还不好说。SQL语法明确、规则严谨、完备性强，OSI能不能达到那个成熟度，厂商愿不愿意在语法层面真正开放，到时候再看。

数据中台将被淘汰，语义层会重塑数据架构

爱分析：您之前提到从“数仓+BI”的传统架构变成了“数据湖 + 语义 + 消费”三层架构，语义层原先要么放在数仓里，要么在BI中，现在语义单独作为一层，这一层未来会包含哪些核心组件和功能？它的形态又会是什么样子？

周卫林：你刚才提到的，原来的语义到底在哪里，其实我一直把它理解为一个连续的加工链。语义的本质就是业务口径的含义，这个口径本来就是一个连续段。比如在数仓明细层定义有效订单，到了BI里又定义高价值客户的订单量，它其实是连续口径的叠加和计算。所以很难严格说语义到底全在数仓，还是全在BI。

我们理解，数仓里为了数据清洗所做的那些工作，如脏数据剥离、错数据修正、缺失数据补齐等，这部分还是保留在数仓的清洗层。清洗之后，面向业务场景的指标定义、口径定义以及后续的叠加计算，这些都属于语义层应该管的内容。

因此，严格来说，语义层大概率不会去做数据清洗，但会负责转换这一层。

如果这么看，语义层应该包含几个核心东西：

第一，因为企业环境多样，语义层必须有数据连接能力，能连到不同的数据源和数据集，而且一定是虚拟化连接，不能把所有东西都塞到一个统一的技术栈里。

第二，由于企业内部计算资源很难收敛，语义引擎里必须有一个数据虚拟化模块，来复用已有的存储和计算资源。所以数据虚拟化引擎是绕不开的。

第三，就是基于数据去定义口径和架构逻辑的语义化过程。

所以整体来看，语义层有两个大的引擎：一个是数据虚拟化引擎，一个是数据语义引擎。语义引擎要负责语义的定义、执行和服务，还要对外暴露语义API和CLI接口，方便AI友好调用。同时还要做版本管理、权限管理、路由管理等。

从未来形态来看，其实加工过程和应用过程很难完全割裂。数据分析产生决策，决策又产生行动，这中间有很多连续的判断。行动那一步可能在业务系统执行，但之前的决策过程往往都属于数据分析。

因此，语义层未来一定会延伸到行动决策环节，会把支持行动所需的信息面都纳入进来，包括业务系统的Action API。只有这样才能形成闭环，否则上层应用就不知道去哪里拿统一的业务知识。

所以我认为，语义层最终会成为支持从决策到行动的平台，成为企业真正的决策中枢。

爱分析：那有了语义层之后，企业原来建设的数据资产平台是不是就不需要了？语义层是不是更像数据虚拟化，主要是一个逻辑层，底层存储还是要放在数据湖或多模态数据平台上？

周卫林：肯定需要底层存储和数据平台的。语义层更多是定义态的东西，真正要存储和执行，还是要依赖数据库、图计算、流计算等企业已有的计算资源。

爱分析：从企业用户构建能力角度，语义层是要单独去找供应商解决吗？

周卫林：我觉得企业不会有太强的先入为主观念，更多是看谁能真正把这件事做成。无论是数据中台厂商做，还是我们做，都无所谓。关键是每一波新技术出来，总会有新的玩家进入，传统厂商可能因为有历史包袱，跟不上或者出现理念冲突。

我们没有历史负担，可以用差异化的方式去实践，所以在跟数据中台厂商之间形成了区隔。我们站在数据中台之上，相当于做了一次理念上的升级，在专注力和先发认知上拥有一定优势。

就像Palantir一样，做了20年，没有AI的时候默默无闻，AI时代来了才被看到巨大的溢价。我们可能也是类似的情况。

爱分析：所以在您看来，语义层和数据中台是基于不同理念形成的两种技术架构？

周卫林：对。数据中台的核心逻辑是给人提供一个工作环境，让业务用上好的数据。它卖的是一个平台，里面有开发环境、目录、资产管理等，让数据能在不同场景下工作。

但现在业务用例变了，不是给人用，而是给AI用。价值主张从通过人沉淀数据资产给人用，变成了让AI用上好数据，让业务用上好的智能。

如果认同这个转变，那么原来很多东西可以延续，比如ETL清洗、语义定义这些还能保留。但BI的宽表、强GUI的知识门户、各种看板等，会大幅减少。当前是95%数据平台是人在操作，5%是机器操作，两三年后会变成大部分由机器操作。

爱分析：从企业用户视角，原来大数据中台要迁移到面向Agent的数据基础设施，这个挑战看起来还是挺大的。

周卫林：对，我觉得有两部分。

第一是现有厂商大概率都会面临的挑战：怎么让用户继续用它？很多工具可能会变成AI可调用的命令CLI。比如任务调度，以前是人去配置，现在可能是AI在调用、在运维；同步工具、调度系统、监控预警、数据质量工具这些引擎类的东西，大概率还会保留。但上面的UI交互界面，比如IDE、可视化看板等，可能要重新做，使用方式会有很大变化。

第二是用户的切换调整，对厂商产品架构带来的挑战。原有的数据中台产品，如果是完全一体化的架构，改造工程量会很大；如果是松耦合的架构，就相对好调整一些。有些厂商会把原有系统解耦，变成AI能调用的CLI接口，甚至在自己体系里用AI替代部分开发工作。让AI自己来做研发。

这件事有没有可行性？我觉得有一定难度，因为里面有很强的业务知识，比较难完全表达出来。但研发形式肯定会变化，以后工程师不再是手写代码，而是用自然语言交互的方式来完成，大方向是可行的。

不过，有一部分岗位可能会被直接取代，而不是单纯被赋能。比如分析师做临时取数的那部分场景，80%可能被替代。以前临时取数的工单往往来自业务运营人员，他们最清楚具体场景和口径。如果语义平台能赋能业务人员，让他们自己通过语义直接获取想要的数据，那传统取数环节就没了。

所以你问我数据中台还在不在？我觉得中台里面引擎类的很多东西还会保留，但BI、专题分析、大量统计类的场景大概率会消失。

爱分析：关于Palantir，去年开始大谈本体论。您怎么看Palantir的本体论技术价值？和Aloudata提的语义层有关联吗？

周卫林：本质是一个东西，都是统一语义，最终目标都是决策和行动。区别在于场景：Palantir侧重运营决策，我们侧重管理决策。信息结构上没本质区别，只是出发点和路径不同。中国市场环境下，我们依托已有中台基础设施，更容易落地。不管叫Palantir、本体论还是语义层，最终都要看能不能在具体场景实现闭环、真正落地。

AI时代数据厂商的价值在于管理数据，而非维护数据平台

爱分析：数据消费者从分析师变成Agent，会不会让数据基础设施的商业模式发生变化？

周卫林：场景应用大概率会按任务完成率、任务覆盖率定价，参考背后人工价值和并发度。订阅模式会更普遍。

中国市场私有云为主，token定价可能不是主流，但公有云可以。数据库层面，存储和调用量收费模式可能微调，但总体还是软件+订阅+按调用量付费的组合。

爱分析：从你们实践看，客户在什么痛点下会优先考虑上语义层架构？典型画像是什么？

周卫林：不是单一痛点，而是做过AI尝试后发现的问题。不靠语义层，只用传统方式，场景覆盖度低、维护成本高，停留在Demo，无法生产级可用。

核心是两个问题：第一是AI获取数据不可信，AI听得懂业务表达，但取数口径不准、不可追溯、不可审计。第二是AI获取数据不可控，AI直连数据库不可控，权限、限流、语义变更都难统一管理。

语义层解决的就是AI获取数据的可信、可控问题。在基于数据的Agent场景下，语义层已变成刚需。

爱分析：AI时代对数据厂商的机遇是什么？数据行业的核心壁垒和竞争力会在哪里？

周卫林：我理解是这样。从竞争角度看，厂商壁垒是建立在软件功能，还是帮企业维护它的数据。

如果你只是提供工具，而不碰数据，那竞争压力会很大。因为最好的数据当然是企业自己拥有。大多数有价值的数据都在私域里，公域化之后价值就有限了。你有没有特殊的渠道能持续拥有高质量数据，这很重要。

但我们现在的想法是：你到底是在帮企业管数据，还是只是在帮企业提供管理工具？如果你是在帮企业管数据，那情况会好很多。因为在AI时代，算力、算法、数据这三点里，数据仍然是企业自己能拥有的最大差异化资产。

所以AI时代数据厂商的核心壁垒和竞争力，我认为还是在于，你能不能把企业内部隐性的或显性的信息、生产资料，低成本地转化成AI能用的数据，或者说知识。

我们Aloudata现在的定位，更多是把企业内部那些本来很隐性的东西显性化出来，提供数据和知识的价值。而且转化过程能不能低成本实现，这也很关键。比如通过自动发现机制，从历史报表、查询日志、代码里面，自动化或半自动化地生成口径和语义。这一点竞争力很强。

爱分析：那Aloudata组织层面的核心能力沉淀在哪里？

周卫林：我觉得这个要分两层来看。

第一层，在AI时代，很多事情最终还是来自于人的认知。

AI的逻辑是，如果你这个人有想法，很多时候就能做到。所以人的想法和认知变得非常重要。

以前的壁垒可能来自于企业的流程、积累的代码，这些东西在AI时代大概还有作用。但回到核心问题上，公司有没有在这个领域拥有独特的认知和理解力，才是最关键的。这往往取决于公司里有没有那么5-10个人、甚至更多一直在前沿探索的人，他们能持续产生前瞻性的想法，并引领客户往前走。

这些独特认知的人数量有限，没办法规模化，但认知越领先的人往往探索越快，会产生马太效应，给领先者带来更大的正循环。

第二层，这些认知最终会落在组织层面。

它体现在客户侧的反应，因为有这样的人和认知优势，我们在市场上能拥有更多客户、更好的品牌和更强的锁定能力。

我们管的是数据和语义，这本身就很难切换，所以会形成一种强大的连接能力。客户绑定的不是某个人，而是公司本身。这种绑定关系又会反过来给优秀的人才提供持续的实践机会和输入，从而形成一个正向循环。

公司里有好的人，产生领先认知，带来领先的市场位置，获得更多客户反馈和锁定，能吸引并留住更好的人才，形成更强的公司竞争力。

爱分析：回到语义层本身，Aloudata核心护城河和竞争力在哪里？

周卫林：一个公司通常只有一个语义层，头部效应明显，先发优势关键。而先发优势来自语义定义能力和可执行性。这些需要长期积累几百上千个细粒度需求，我们过去多年的认知和实践，就是壁垒。

爱分析：目前Aloudata产品线是怎么布局的？AI方面主要探索哪些方向？

周卫林：我们有四个产品：数据虚拟化引擎Aloudata AIR、语义编织引擎Aloudata CAN、数据分析智能体Aloudata Agent、主动元数据平台Aloudata BIG。现在都在做CLAW化，把能力API化、CLI化，封装成Skill或命令行工具，让AI调用。现有UI给人用，未来通过CLAW给Agent用。

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们

中台已死，语义层将重塑数据架构｜爱分析访谈

核心观点

立即咨询 JOTO

想把这些做法用到你的业务里?

Start your enterprise AI rollout

Tell us what you need