论数智融合新范式

清华大学 武永卫

人工智能正加速走向产业落地。过去，行业更关注模型能力；今天，决定智能效果的因素已经不再只有模型本身，数据正在从幕后走向台前。知识与记忆的保存、上下文的供给、决策结果的反馈、经验的沉淀与利用，共同决定一个企业智能系统的真正效果。然而数据系统与智能系统彼此长期割裂，前者主要关注数据如何保存、组织和访问；后者主要关注模型如何计算、推理和决策。当智能越来越依赖于知识、记忆、经验和反馈时，这种分离正在成为智能系统的瓶颈。

因此，构建一个企业智能系统需要思考的，是数据与智能能否真正形成一个统一、连续的系统。我们把这种由“数据支撑智能”走向“数据与智能双向赋能、深度融合”的技术范式称为“数智融合”。

一、智能演进正在重塑数据的角色

从当前进展和未来趋势看，我们可以将智能系统的演进概括为三个阶段，数据在其中的角色与价值也在不断提升，智能每一次演进，都伴随数据规模、形态与组织方式的升级。

第一阶段是以会说、会听、会看为主要特征的“模型即智能”阶段，这一阶段的核心载体就是通用大模型，高质量数据是影响模型能力上限的关键因素之一。然而，模型仍存在幻觉、知识时效性不足和行动能力受限等问题，这推动了人工智能向“系统即智能”阶段发展。在这一阶段，智能进入“模型+知识与记忆+工具”的智能体时代，领域知识、业务历史数据、场景交互记忆等运行时数据，直接决定了智能体推理的准确性与决策的可靠性，数据已成为智能体运行时的核心资产。第三阶段，我们称之为“进化即智能”阶段。其中，自主进化世界模型是一个重要探索方向。在这一阶段，智能系统能够适应外部环境变化，在真实环境中开展行动与交互，并通过任务迭代持续学习和优化。此时，经验反馈、行为轨迹、成败教训等全流程数据，成为智能持续学习和能力演进的核心基础，是智能系统不可或缺的核心组成部分。

这一演进过程的背后，是数据与智能耦合程度的不断加深。当数据从训练输入转变为运行时持续参与决策的资产，数据供给、状态一致性与反馈更新便成为系统的基本要求，仅靠接口连接两套系统的方式已难以充分满足这些要求。因此，数智融合是当前技术发展的必然趋势。

二、数与智之间存在天然鸿沟，数据世界和智能世界仍然是“两套系统”

这种分离具体表现为运行架构、对象体系和演进机制三个层面的问题。

在架构层面，传统存网算架构存在数据供给效率不可控、跨层搬移开销高、异构调度低效的问题，严重制约智能应用的实时响应与规模化运行。在“存”的维度，亟需探索访问时延接近 DRAM、容量接近 SSD 的新型存储介质，以支持知识与记忆数据按需实时供给。在“网”的维度，UB、NVLink 等高速互联技术不断提升处理器之间的通信效率，但要减少跨层数据搬移、推动数据就近处理，仍需在数据路径与处理机制上进一步优化。在“算”的维度，随着数据处理需求日益多样化、行业应用场景不断拓展，CPU/GPU/NPU/DPU等算力碎片化，缺乏统一资源管理与调度，导致协同效率与利用率持续下降。因此构建以数据为中心、软硬协同的存网算一体化架构，为数智融合构筑高效底座是研究重点。

在对象体系层面，数据世界与智能世界在语义、粒度和价值量纲上存在三道鸿沟。语义上，数据世界按文件、对象与语义关系组织数据，擅长基于符号的硬规则；而智能世界更多采用高维特征表征，侧重基于概率的软逻辑。硬规则与软逻辑两种语义必须协同，才能确保智能决策的可信可控。粒度上，数据世界强调数据能存尽存，数据模态多样，规模可达PB至EB级；而智能世界强调任务级精准上下文，要求少量、相关、及时。需要在数据组织、索引和表征上进行技术突破，能以较低开销精准找到与当前上下文最相关的数据。价值量纲上，数据侧追求数据的可靠性、一致性和持久性；智能侧则追求数据的实时性、动态性与持续演进，强调反馈与更新。

在机制层面，从原始数据集到智能大模型，再到智能体应用是一个单向链条，缺乏有效的演进闭环机制。具体表现为：第一，反馈不沉淀，上下文意图、决策思维链、任务结果与环境反馈停留在日志中，缺乏有效的经验沉淀，没有转化为新的数据资产。第二，版本谱系割裂，数据、知识、记忆与模型的版本之间难以建立稳定的对应关系。第三，质量不联动，数据质量与模型效果缺少联动评价与归因机制。因此，需要构建反馈闭环与价值回流机制，驱动数据与智能共同演进，为数智融合建立长效机制。

因此，数智融合的核心目的是让正确的数据在正确的时间、以正确的语义进入智能过程，并让智能结果可信回流到数据世界。

三、数智融合开放架构

数智融合不是数据系统与智能系统的简单叠加，而是面向数据存储、统一表征、智能协同与应用生态的全栈重构，实现数据与智能高效贯通、双向演进。其中，数据存储层、统一表征层和数智融合层分别回应上述运行架构、对象体系和演进机制的问题，应用层则汇聚各层能力，支撑行业应用。

（一）数据存储层：以近数据处理和异构算力协同调度实现数据就近处理，缩短数据路径、减少数据搬移，提升数据处理与实时供给效率。在硬件层面，在存储控制器中内嵌专用计算引擎，支持近存向量运算、压缩解压、元数据处理等操作；在软件层面，统一计算侧协议栈和数据访问协议栈，按数据分布、访问频率与计算类型动态调度最优算力。

（二）统一表征层：统一组织数据、知识与记忆等对象，贯通语义、索引、版本和权限，实现多模态数据关联与上下文按需供给。统一表征层基于文件系统构建层次化索引，利用目录分域维护局部聚类中心，写入时仅增量更新关联子树与父级摘要，检索时通过层级摘要逐级路由，结合候选剪枝缩小检索范围，提高检索效率与匹配质量。除此之外，本层还提供多源数据汇聚、多版本控制、统一权限管理和数据沙箱能力，为智能层提供统一、高质量的数据视图，支持多模态数据、知识和层次化记忆的存储。

（三）数智融合层：贯通数据、知识、记忆、模型与业务反馈，联动版本、质量与效果评价，让模型经验持续沉淀为数据资产，贯通反馈闭环，驱动共同演进。数智融合层构建数据与模型算法的三重双向闭环，驱动数据资产化与智能化协同演进。

第一重，由高质量数据集与数据处理模型算法构成。原始数据由模型算法完成清洗、提取、标注、去重降噪与一致性校验，形成高质量数据集，为训练与推理提供输入；反过来，基于模型推理与评估，识别数据中的质量缺陷、标注偏差与覆盖盲区，指导标注规则与治理流程迭代，形成“数据质量提升→模型效果优化→数据治理升级”的正向循环。

第二重，由语义知识与知识生成引擎构成。高质量数据经模型算法处理后，形成业务规则与逻辑关系等符号化知识，为模型或智能体应用提供最新事实、业务逻辑、规则和业务上下文，为过程可控、结果可信的智能决策提供支撑。模型从增量数据中解析和发现新规律，并更新过时知识，实现从“数据可读”到“知识可理解”的跨越。

第三重，由记忆经验与经验沉淀机制构成。数据侧沉淀智能体历史决策轨迹、业务流程与环境反馈、上下文意图关系、典型案例等，形成可检索的经验记忆库，为新决策提供先例参考。算法侧通过各种技能，把情景轨迹、经验教训、判断依据等抽象为通用范式，固化为记忆资产并持续积累。此外，配套全链路可审计、可观测能力，对关键数据引用、工具调用与决策过程进行记录，增强系统的可追溯性，并通过经验复用与反馈评估，支持后续决策持续优化。

（四）应用层：汇聚数据、知识与模型能力，支撑行业智能应用。这一层是整个数智融合架构的最顶层，面向行业客户提供诸如生物医学、科学计算等领域的开放算子、领域模型和高质量数据集，并为学术界提供支持多语义处理、插件式扩展和一站式集成的开发与运行平台，其中包括算子开发框架、编排框架与分布式执行框架等。为支撑行业应用落地，产学研各方将围绕接口、算子与模型、开发运行平台开展开放共建。

四、从硬件原型到行业场景，数智融合的落地实践已取得阶段性进展

围绕上述架构，我们已在软件创新、硬件形态和数据生产等关键环节开展验证，探索数智应用落地的全新方案。

首先，我们围绕“以存换算”的思想，研制了KV Cache加速系统，相关成果获得了USENIX FAST最佳论文奖与华为奥林帕斯奖。这一实践也使我们看到，运行时数据的组织、复用与调度直接影响智能系统的执行效率。通过存储与计算的协同设计，可以将缓存容量和数据复用能力转化为推理性能的提升，为数智融合软件架构的研究提供了具体的实践参考。

其次，我们研究了存算融合的智能数据机，将数据存储与智能计算硬件深度整合，采用多卡异构算力架构，协同提升内存带宽、数据处理吞吐量与I/O性能。目前硬件原型已完成搭建，配套基础软件栈已启动试运行，初步验证了近数据计算架构的性能优势与技术可行性。

在科研数据生产方面，我们提出以多智能体编排贯通多源汇聚、专家算子、可信治理与近数加速的处理架构，让数据、知识、记忆和模型在同一流程中协同生产。相关技术已在遥感、雷达、科研文献等多模态数据集的构建与治理中完成技术验证，形成了可供模型训练推理使用的高质量数据集，提升了科研数据治理效率。

面向未来，我们正全力推进软硬数一体化的数智融合系统产品研发，为行业智能应用提供统一的基础设施支撑，推动关乎国计民生的研究成果在实际生产场景中落地。