让多模态数据真正可用，AI 才能走出 Demo
在越来越多企业推进 AI 应用落地的过程中，一个共识正在逐渐形成：model-centric 的发展已经达到一定瓶颈，那么现在决定 AI 应用效果的就是数据是否完备了。尤其在真实业务场景中，AI 面对的从来不是“干净、规整的结构化表”，而是大量分散、异构、跨介质的多模态数据——合同、图片、音视频、扫描件、日志、文本记录，与少量结构化指标交织共存。如果这些数据无法被系统性管理和加工，AI 就只能停留在 Demo 阶段，难以真正走向规模化应用。 在银行、制造、政企等行业，我们看到大量企业已经完成了数仓建设，也开始尝试引入大模型、知识库或智能分析能力，但很快便遇到相似的问题： 从本质上看，这并不是 AI 工程能力不足，而是企业的数据体系仍停留在“结构化时代”。 而 AI 时代的数据底座，必须天然支持多模态。 多模态，并不等同于“把文件直接喂给模型”。真正决定 AI 能否长期可用的，是几个更基础的问题： 只有在这些条件之上，AI 才能建立在“可信数据”之上，而不是一个不可解释、不可复用的黑箱。 这正是袋鼠云数栈在多模态方向上的核心定位：为 AI 提供一个可治理、可复用、可持续演进的数据底座，而不是一次性的场景工具。 数栈 DataZen 多模态数据智能平台，源于成熟的结构化数仓体系，并在此基础上向多模态数据能力自然演进，帮助企业统一解决多模态数据的采集、加工、治理与应用问题。 平台并不围绕某一个模型或 AI 框架展开，而是始终聚焦于数据本身： 多模态数据，对底层能力的要求天然多样。 在数栈中，用户可以统一配置和管理： 这样的架构设计，并非为了追求“技术先进性”，而是为了更好地适应 AI 场景中不断变化的数据形态与处理需求。 数栈支持将文件系统、对象存储以及各类结构化数据源统一接入平台，打破数据形态之间的物理隔离。 通过数据同步任务，用户可进行结构化数据与非结构化数据的同步。 文本、图片、音频、视频等数据，不再只是文件目录，而是以“数据集”的方式被创建、管理和版本化，为后续加工和 AI 使用奠定基础。 在数据开发阶段，数栈为不同模态提供了最适配的处理方式： 更关键的是，二者可以在同一工作流中被编排和关联。 以知识库或智能风控场景为例： 这使得 AI 场景中的数据准备，从“一次性工程”转变为“可持续复用的能力”。 在多模态场景下，数栈构建了统一的数据资产与元数据体系： 数据血缘、加工过程和业务语义被完整保留，使每一份被 AI 使用的数据都可回溯、可解释。 经过治理和加工的数据资产，可以被推送至外部 AI 平台和知识库系统中，作为模型训练、推理和 RAG 应用的稳定数据来源。数栈并不绑定特定模型或厂商，而是通过标准化的数据输出能力，让企业可以根据自身节奏灵活演进 AI 技术路线。 在 AI 时代，真正拉开差距的，并不是模型参数的规模，而是数据底座的成熟度。数栈希望通过一套面向未来的多模态数据平台，帮助企业为 AI 提前准备好可以长期使用的数据基础设施。一、AI 时代的数据挑战：构建多模态数据底座
二、多模态数据平台：AI 的“可控输入层”
三、数栈多模态数据智能平台：从数据治理到 AI 应用的统一通路
1.面向多模态的统一计算与存储底座
①Spark / Flink / MPP 处理结构化计算
②Ray 承载文本、图片、音视频等非结构化数据处理
2.让非结构化数据真正进入数据体系
2.1.统一接入
2.2.数据集化管理
2.3.面向 AI 的多模态数据开发能力
2.4.为 AI 打造可信的数据资产体系
2.5.连接 AI 平台，而非绑定模型
四、哪些企业最容易在 AI + 多模态上取得效果？