8月21—22日，AICon深圳站聚焦工业AI落地：数据底座成为关键议题
当大模型从能力展示走向真实业务，工业场景的难题正在从“模型会不会”转向“系统能不能长期、稳定、可追溯地运行”。
8·21—22
深圳举办
10
专题论坛
近 60
场议题
50+
资深专家
当大模型从能力展示走向真实业务，工业场景的难题正在从“模型会不会”转向“系统能不能长期、稳定、可追溯地运行”。
AICon 深圳站将在 8 月 21 日至 22 日举办。大会全日程已经上线，议题从 Agent 工程化、大模型基础设施延伸至 AI Native 研发、具身智能与物理 AI，整体指向同一个问题：如何让 AI 从能力突破进入复杂系统的持续运行阶段。
首日 Keynote 中，陶建辉将分享工业大模型落地的挑战与实践。对于工业企业而言，数据并不只是“有没有”的问题，还涉及设备、产线、系统和业务语境能否被统一理解。
聚焦《大模型在工业场景落地的挑战与实践》，讨论从数据底座到 AI 应用的工程路径。
覆盖 Agent 工程化、AI Infra、推理工程、异构计算、机器人 AGI、Agent 安全等主题。
大会设置专题论坛与 1 个动手实验室，试图把方法论进一步落到开发和部署环节。
注：时间轴按大会公开安排整理；Keynote 为预告内容，实际演讲顺序与现场安排以大会最终执行为准。
这场分享并非单纯从模型应用层切入。陶建辉是涛思数据创始人兼 CEO，也是开源时序数据库 TDengine 的主要作者；其长期工作重点集中在物联网与工业数据处理。
涛思数据创始人兼 CEO，TDengine 时序数据库主要作者。2024 年获中国计算机学会杰出工程师奖。
工业数据处理 · 开源数据库 · AI 原生平台注：履历与产品信息按公开介绍整理；资本规模、免费策略和产品能力属于主办方或企业披露，不等同于第三方测评结论。
工业现场的数据通常来自不同设备、不同协议和不同业务系统。模型即使具备强大的推理能力，如果无法理解数据的来源、时间关系和业务上下文，也很难直接参与生产决策。
报道将当前工业企业的共性障碍概括为四类：
设备、产线和部门各自沉淀数据，跨系统调用困难，数据难以形成连续链路。
同名指标可能对应不同定义，模型得到的答案未必能够直接用于业务判断。
孤立的时间序列无法完整表达设备状态、工艺阶段和异常背景。
数据采集、分析、告警和执行之间缺乏统一接口，AI 难以进入实际工作流。
注：矩阵展示的是落地链路中的基础设施问题，不代表每一家工业企业同时具备全部障碍，也不构成具体部署诊断。
本次分享将解析 TDengine 作为 AI 原生工业数据平台的演进路径。其产品叙事不止于数据库，而是覆盖工业数据从采集、存储、实时分析到可视化、事件管理、根因分析和 AI 洞察的完整链路。
此外，TDengine 还将通过可检索的知识图谱、skills、本体与计算表达式，把分散在个人经验中的隐性知识沉淀为企业可持续使用的资产。
注：案例卡呈现的是产品规划与企业介绍中的能力边界，不代表所有功能已在所有工业现场完成规模化验证。
工业 AI 的数据链路并不是简单地把传感器数据喂给模型。它需要先理解数据，再把数据转化为可计算、可检索、可解释的业务对象，最后将洞察返回到人的决策或设备的执行环节。
在这套逻辑中，TDengine 所强调的不是单点模型能力，而是让 AI 有稳定的数据入口、可调用的知识结构和可审计的输出路径。分享还将讨论工业 AI 的安全框架：
这也解释了为什么涛思数据试图从“产品思维”升级到“基础设施思维”：产品解决一个场景，基础设施则决定更多场景能否低成本复制。
注：流程图用于说明数据从进入系统到产生行动的逻辑，不表示所有企业都已具备完整的四阶段能力。
一个诚实的注脚：目前披露的是大会议题与产品能力介绍，而不是经过统一口径验证的工业现场 benchmark。真正值得追问的，不是“能否用自然语言问数”，而是它能否在权限、延迟、异常率和审计要求下持续工作。
工业 AI 的下一轮竞争，不是把大模型接上数据库就结束，而是谁能把数据标准、业务知识、实时计算与安全审计做成可复制的基础设施；在结果可验证之前，“分钟级响应”和“永久免费”都只能算产品承诺，不能算产业答案。
建议现场重点关注：数据接入的真实范围、工业本体如何维护、异常根因如何验证，以及 AI 输出出错后谁负责。AICon 深圳站日程已上线，涵盖 10 大专题与 1 个动手实验室。票务及参会详情可咨询票务经理：