当代人工智能的发展路线的本质是数据智能。真实应用中的人工智能犹如电机（Motor），由数据这种新的能源动力（Power）驱动，助力各领域数字化变革，激发新的数字经济形态的诞生。传统的数据管理系统正从封闭的信息系统的后台走向人工智能应用的开放环境。

演讲将讨论人工智能应用场景对于数据管理的新要求，并从系统接口、系统架构、实现技术等方面介绍技术的发展变化和新趋势。

演讲提纲

1. 数据与数据管理
   • 数据管理简史
   • 作为能源动力（Power）的数据
2. 当代人工智能的特点
   • 数据智能
   • AI对数据管理的新需求
3. 面向AI应用的数据管理系统
   • 系统架构：数智分离 vs. 数智一体
   • 查询语言与提示词：从接口角度比较数据系统与当代AI系统
   • 全生命周期数据管理中的数据治理问题与方法
   • 从分析型查询到智能计算的技术探索与演进
   • 讨论：开放世界的数据管理中的开放问题
4. 总结与展望

听众收益

• 从人工智能应用角度审视数据管理系统技术体系的变化

有研究表明，数据科学的工作中，仅有 20% 的精力花在了实际分析上，剩下的 80% 都投入到了数据准备上了。此外，数据准备阶段的数据质量，直接决定了模型训练的效果。因此，在 AI 时代，Data for AI 变得尤其重要，让好数据更易获取，成为企业追求的重要目标。 云原生技术与大数据技术进一步深度融合，促进了湖仓一体技术的兴起。同时 Data Fabric 等新兴数据架构的出现，给企业数据架构演进带来了新的方向。在 AI 时代，企业的的数据架构应该如何设计与演进？本次演讲将会探寻 AI 时代的现代数据架构。

演讲提纲：

1. AI时代，数据架构面临的挑战及问题
   • Data与AI的协同
   • AI时代的数据架构核心使命
   • AI时代的现实困境
2. 企业数据架构的演进
   • Lakehouse、DataFabric等技术带来的新契机
   • 现代数据架构的设计
     • One Catalog
     • 存算分离
     • 数据虚拟化
   • 现代数据架构在产品中的落地
     • 多模式入湖
     • 全链路血缘
     • 多渠道消费
3. Data For AI的展望
   • Metadata for AI：让AI更懂数据
   • 数据质量工程：让AI拥有好的数据

听众收益：

• 了解数据架构的演进与最新进展
• 了解 Lakehouse、Data Fabric 等技术在企业落地的最佳实践

我们预见未来的应用将围绕两大关键API构建：以LLM大模型为核心的智能API，以及以多模数据库为基石的数据API。Data Warebase（Data Warehouse + Database）正是这一理念的革新产品。作为新一代多模数据库引擎，它凭借三大核心技术优势：多样化的索引能力，领先的行列混存架构(实现事务处理和实时分析的高效统一，满足不同场景的查询需求)，极致的存算分离设计(提供极致的弹性扩展能力), 通过单一引擎实现数据库、数据仓库、流处理、文档存储和检索、向量检索、以及全文搜索的能力。开发者仅需使用标准SQL即可快速构建各类应用，并且永远不必担心业务规模增长带来的扩展性挑战。

演讲提纲：

1. 生成式 AI 时代的数据挑战与机遇
   • 挑战：生成式 AI 与大模型带来的变革，数据处理需求升级
     机遇：传统数据架构的局限，多模数据库是AI时代的必然趋势
2. 分布式 Data Warebase 架构解析
   • 设计理念：用一个引擎支持大部分数据服务的需求，完美覆盖HTAP，流批一体，湖仓一体等中间态产品
   • 核心组件：融合数据库与数据仓库在存储和索引上的所有优点满足不同场景的查询需求，使用最先进的存算分离架构确保秒级弹性伸缩
3. Data Warebase is all you need for AI application
   • 背景：一个完整的AI workflow包括：Ingest，Transform，Explorer，Retrieve，Act，Test，Evolve
   • 诠释：详尽剖析Data Warebase是如何满足所有AI workflow的需求
4. 实时特征工程与在线特征库
   • 核心需求：实时特征的高吞吐写入和查询，在线特征库在 AI 中的应用
   • 干货分享：实时特征工程的挑战和方案
5. 应用场景与案例分享
   • 金融（行情分析、交易、风控），车联网，互联网搜广推系统，AI Agents的数据存储，Feature Store，DevOps之数据可观测性

听众收益：

• 深入了解生成式AI时代对数据系统的核心挑战与未来机遇
• 学习如何通过 Data Warebase 构建高效、实时的数据处理、存储、和多模查询的应用架构，赋能下一代 AI 应用

随着大语言模型的兴起，如何有效地将图计算技术与人工智能技术相结合（Graph + AI），是非常值得探索的方向。一方面可以借助大模型、 智能体技术降低图计算产品的使用门槛（AI for Graph）。 另一方面，发挥图计算在关联分析场景的性能与可解释性优势，可以帮助大模型、智能体提升推理能力和生成质量（Graph for AI）。作为首个开源的Graph智能体系统，Chat2Graph充分结合了图计算与大模型技术的优势，实现了图数据库上的智能体推理增强，提升用图体验、加速方案生成、实现与图对话。

演讲提纲

1. Graph + AI 技术背景
2. Graph增强的智能体架构
3. Chat2Graph：首个Graph智能体
4. 未来展望

听众收益

• 蚂蚁图团队的 Graph + AI 开源技术实践
• 如何借助图计算技术实现智能体系统能力增强
• 未来智能体的架构形态与演进方向

在大模型进入产业深水区的今天，企业如何将大模型的强大能力真正落地于业务系统？RAG（Retrieval-Augmented Generation，检索增强生成）作为连接“数据—知识—大模型”的关键桥梁，成为构建企业智能应用的核心技术路径。

这次演讲聚焦于企业级RAG系统的全链路技术与实践，从数据准备、文档解析、向量构建，到生成优化与评估体系，结合实际案例，系统性剖析RAG如何赋能金融、医疗、合规等多个关键领域，推动知识资产变现、提升智能问答与决策质量，助力企业迈向“知识驱动的智能体”。

演讲提纲：

1. 为什么RAG是“模型×知识×数据”融合的关键？
   • 从大模型闭卷到开卷的转变
   • 为什么企业智能不能仅靠大模型本身？
   • RAG作为连接业务知识与语言模型的技术桥梁
2. RAG全链路技术解析：从数据到答案
   • 数据准备的重要性（80%的精力在数据，20%在模型）
   • 文档导入、结构解析、语义分块的实践挑战
   • 向量化、检索与生成的协同优化路径
3. RAG真实应用案例拆解
   • 案例1：医疗术语标准化系统的落地实践
   • 案例2：如何实现企业文档合规性问答系统
   • 案例3：GraphRAG与知识图谱问答系统落地
4. RAG的前沿与未来
   • 从RAG到Agentic RAG：检索的主动性与智能性演化
   • 多模态RAG、轻量图RAG等新范式探索
   • 企业如何构建自己的“智能体中枢”

听众收益：

• 从全局理解RAG在企业中的定位与价值
• 掌握RAG系统构建的关键技术路径和优化思路
• 获取真实落地经验与工具建议
• 把握RAG未来发展趋势，洞察智能企业的下一站