2026-03-19 13:26:31 来源：
2026年3月14日，由CIO时代、新基建创新研究院联合主办的“AI筑基·数智焕新——2026央国企及数科公司数字化新春会”成功举办。丹诺德软件（Denodo）全球销售副总裁兼大中华区总裁何巍在会上发表题为《AI时代的企业级语义建设：以数据编织重构知识与决策》的演讲，他提出：AI时代的找数逻辑，与传统BI时代完全不同。
丹诺德软件（Denodo）全球销售副总裁
兼大中华区总裁 何巍
嘉宾观点
在AI智能体快速发展、数据资产价值日益凸显的背景下，语义层已从边缘概念演进为企业必须正视的核心战略议题。一方面，高质量数据是人工智能发展的基础要素；另一方面，大量企业仍深陷数据价值难以释放的困境。这一现象表明，相当数量的企业在语义层建设方面仍存在显著短板。
何巍解析AI时代与传统BI时代的核心差异：
何巍强调，语义统一是AI时代数字化的基石。
Denodo凭借其敏捷的虚拟数据架构，为企业构建了这一层“智能语义中枢”。它让数据既能被人精准看懂，更能被AI系统实时、准确地调用和运算，彻底摆脱传统仓库架构的束缚，让企业在智能化竞争中赢得速度与效率。
语义层的战略价值
基于对数百家大中华区大型企业的深度调研，可以得出明确结论：当前企业并不缺乏数据资源。几乎所有大型企业均已建设数据仓库或数据湖，并持续投入大量资源开展数据治理工作。然而，一个严峻的现实是，在这些精心积累的数据资产中，实际得到有效利用的比例极低。据统计，全球范围内企业数据利用率不足20%，而国内企业的数据利用效率更为堪忧。
在数据已成为核心生产要素的当下，首席信息官（CIO）必须深入思考：为何经过大量投入积累的数据资产难以转化为实际价值？
初期，这一问题常被归因于算力不足、数据治理不完善或人工智能模型能力有限。但根本原因实则在于：数据背后的业务语义未能被充分挖掘与定义。
随着企业信息系统智能化转型的推进，该问题愈发突出。传统模式下，业务人员可通过人工方式获取数据——资深员工能够指导新员工前往特定部门申请所需数据。然而，当前情境已发生根本性转变：人工智能智能体正逐步成为数据消费的主体，未来企业或将面临数以万计的智能体同时调用企业数据的场景。企业必须建立标准化的语义体系，向这些智能体明确传达：数据如何组织、存储于何处、应如何解读。这正是语义层所要解决的核心命题。
语义层的重要性可通过以下实例说明：当向企业内部销售、财务、客服三个部门提出“本公司共有多少客户”这一问题时，往往会得到截然不同的答案。销售部门将下过订单的主体定义为客户；财务部门以签订合约、存在资金往来作为客户认定标准；客服部门则将已完成产品交付部署的主体视为客户。若由智能体提出该问题，将面临语义歧义：应依据哪个部门的定义进行统计？
这正是当前多数企业面临的典型困境——不同系统、不同部门对同一数据实体定义各异，导致机器无法理解，数据难以高效复用。语义层的设计目标正是解决这一结构性矛盾。
语义层具备三项核心功能：
1. 语义解析：深入理解数据背后的业务含义，打破数据孤岛壁垒；
2. 语义转换：将不同系统、不同部门的数据定义转换为机器可理解的标准化语言；
3. 语义封装：建立业务人员可直接理解、便捷使用的语义体系，而非仅面向数据科学家。
据统计，全球已知存在200余种不同结构的数据类型。各数据源如同独立的“主权实体”—建立于不同时期，采用各异的技术架构，遵循不同的管理规则，使用不同的“数据语言”。与此同时，数据消费主体已从传统分析师扩展至工厂操作人员、一线业务人员等多元化群体。这些因素共同决定了必须在数据源与数据消费层之间构建“中间翻译层”——即语义层，从而无需进行数据拷贝或迁移，即可将各“数据王国”的专用语言翻译为所有数据消费者可理解的通用语言。
语义层架构与建设方法论
理解语义层的战略价值后，建设路径成为CIO群体关注的核心议题。在此之前，需首先明确语义层的四层架构模型：
第一层：连接层（基础层）
核心功能在于连接异构数据源的元数据，建立统一的数据目录，而非将所有数据物理集中——这是语义层建设的关键前提，亦是丹诺德软件区别于传统数据集成方案的核心特征。
第二层：整合层
该层承担数据初步整合功能，类似于将零散零件组装为基础“文件柜”。此类“文件柜”"仅为数据的初步聚合，尚未具备业务可读性，无法直接供业务人员使用。
第三层：语义映射层（核心层）
丹诺德软件通过三层映射机制，将基础“文件柜”转化为面向业务场景的数据产品——如财务专用数据产品、营销专用数据产品等，使业务人员无需掌握技术细节即可直接调用数据。
第四层：交付层
丹诺德软件采用低代码技术，将数据产品交付给各类数据消费者，包括业务人员、人工智能智能体及工厂可视化看板等，实现快速调用与消费。
传统语义层建设遵循“自下而上”路径：首先集中数据，继而开展数据治理与加工，最终供商业智能（BI）系统使用。这种模式的本质是由数据供给方决定消费内容。然而，面对人工智能智能体的大规模应用，必须转向“自上而下”"的建设范式：首先明确智能体的数据需求，逐层拆解至数据源，最终将计算任务下推至数据源端执行——这一方法论即为“数据编织”（Data Fabric），亦是企业级语义层建设的核心范式。
完成上述建设后，语义层将构成企业数据使用的底座架构。企业数据使用效率在很大程度上取决于语义层建设的成熟度——语义层越完善，数据使用效率越高。在此底座之上，指标体系部署于语义层与BI层之间，核心功能是确保数据“算得准”；BI层位于最顶端，主要面向人工分析展示。三者协同作用，共同构成企业数据使用的完整体系。
丹诺德软件成立于1999年，是一家拥有26年历史的西班牙企业。与业界熟知的Palantir等公司相比，丹诺德软件选择了差异化的发展路径。Palantir模式类似于20年前的IBM大型机——从基础环境、数据编排到业务编排，全栈自主研发，形成“黑箱”式解决方案。其优势在于工程能力卓越，能够以高成本实现极致效果。然而，该模式在商业推广中面临挑战：企业难以为了数据应用而推翻既有系统、承担巨额转型成本。
丹诺德软件的策略是最大程度兼容企业现有基础设施。当前企业普遍采用本地部署、多云架构及多样化业务系统，丹诺德软件不涉及底层基础设施改造，不替换现有系统，而是聚焦于数据编排层的语义建设——通过数据编织技术连接所有数据源，建立业务语义层，并以低代码方式交付给用户。丹诺德软件实现的是一种“轻量级本体论”，以简洁、低成本的方式重组企业既有数据资产，将其翻译为数据消费者可理解的通用语言。
语义层对央国企的战略价值
人工智能大模型与数智技术正深刻重构产业格局。2026年全国两会明确提出“深化拓展人工智能+行动，加快推广智能体应用”，央国企作为数字化转型的“排头兵”，其数智化进程已进入攻坚突破的关键阶段。把握人工智能+发展机遇，推动央国企数智化转型顺畅实施，具有重要战略意义。
针对央国企的特定需求，何巍指出，语义层将在四个维度支撑央国企的人工智能+战略：
第一、支撑人工智能智能体规模化应用。人工智能时代，机器数据消费模式与人类存在本质差异。语义层可为智能体提供可理解、可查询的数据体系，使其能够快速定位数据、准确解读数据、高效使用数据，充分释放人工智能技术的潜在价值。
第二、助力出海企业合规运营，实现“数据不出域”。当前，国际化经营已从企业的“可选项”转变为“必选项”"。然而，企业出海面临的首要风险即数据合规——如中国境内数据不得出境、美国数据需本地存储管理等监管要求。丹诺德软件的语义层技术不移动数据源本体，仅传输元数据，无需复制数据即可实现跨区域数据查询与使用，既满足合规要求，又支持管理层快速获取全球数据视图。
第三、实现应用层与数据源的解耦。语义层部署于应用层与数据源之间，使应用层无需关注数据的物理存储位置及技术架构——无论是Oracle数据库、本地服务器还是云端存储，应用均可统一调用，显著降低应用迭代成本与数据迁移复杂度。
第四、解决传统数据集成的结构性缺陷。以集中式架构为代表的传统数据集成模式已运行30余年，虽解决了诸多业务问题，但在数据时效性方面愈发难以满足人工智能时代的需求——人工智能需要更快速的数据分析响应，而传统的T+1、T+3模式已无法适配。语义层通过“计算下推”机制，使数据在源端直接完成计算，大幅提升数据使用效率。
丹诺德软件在协助央国企落地人工智能应用方面已形成多个典型场景。例如，某大型央企借助该技术实现了“穿透式监管”——总公司可通过票据信息穿透查询下属公司的每一张发票，实现快速对账。传统模式需将所有数据物理集中，耗时耗力；而丹诺德软件通过语义层技术，无需移动数据即可实现轻量级、高效率的穿透式监管，显著提升监管效能。
同时，丹诺德软件正深度适配中国信创体系，已获得相关适配认证，可运行于国产操作系统、服务器及芯片架构，并与国内主流数据源实现全面集成。
丹诺德软件已具备完整能力，针对企业数据集成面临的各类瓶颈提供系统性解决方案。
·END·
免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。
抢沙发
