昨天，涛思数据在线上进行了一场产品发布会，宣布TDengine从时序数据库升级为AI原生的工业数据底座，并将所有功能对中小企业永久性免费提供。发布会之前，我还是有点忐忑。这种感觉我并不陌生 ⸺ 2019 年宣布开源 TDengine 核心代码前，我也是这样，相当不安。这一次，忐忑的不是要不要把源代码给出去，而是要不要把公司真正值钱的东西⸺工业本体建模、实时分析、过程分析、KPI 报表、AI 洞察、版本控制 ⸺ 统统对中小企业永久免费。
业务团队劝了我很久，说至少留一两个功能做付费的钩子，而且说”永久”太绝对，以后想改都难。但我最后还是下了决心，不仅要永久免费，还要永久免费升级，做这件让人忐忑、但难而正确的事情。发布会后，我才如释重负。从此，像 PI System 一样的传统工业实时库，还有工业互联网平台的用户多了一个选择，产品不仅更优，而且还是免费。
今天抽出时间，把这一次的心路历程写下来，与众多的创业者、程序员、IT/OT从业者分享。
大模型很强，但到了工业现场，它什么都不知道
过去一年，我几乎天天在用 AI 写代码、写文档，涛思数据内部研发效率提高了至少五倍，这件事我在很多场合说过。但同样是这拨大模型，一进工业现场，就变得像个新员工 ⸺ 什么都得从头学。
去年跟卷烟厂的工程师聊天，他们说”你身上都没有烟味”，说的是我，也是大模型：大模型语言能力再强，也不知道”3 号炉出口温度 620 度”到底意味着什么。它不知道 3 号炉属于哪条产线、当前在生产什么、正常范围是多少、上下游设备是什么⸺这串数字对它来说就是噪音。
过去的两年，我走访了不少客户，发现问题几乎都长一个样：
数据烟囱：PLC、DCS、SCADA、MES、ERP、LIMS 各管一摊，大模型接进去一个系统，就只能看到一个系统的局部信息，看不到一条产线、一个车间的完整状态。
标准不统一：同一个物理量，在不同厂商、不同设备那里，可能叫温度，也可能叫 Temp，也可能只是一串没人看得懂的 tag 编号。大模型怕的是”同物不同名、同名不同物”。
缺少情景化：工业数据本身只是时间戳和数值，脱离产线、工艺、班次、质量结果这些上下文，一段曲线到底是正常升温、工艺切换还是故障前兆，AI 只能瞎猜。
这就是为什么这三年大模型能力突飞猛进，工业场景的落地却始终是”雷声大、雨点小”。大家demo做得热闹，真正大规模铺开的项目却寥寥无几。根子不是企业没数据，是企业没有 AI Ready 的数据。工业 AI 缺的不是大模型，而是AI能读懂能理解的数据底座。
从 Ontology 到工业本体层：花两年时间，让 AI 读懂工业
ChatGPT 出来之后，我敏锐地感觉到这波浪潮跟 2016 年那波不一样，冲击只会比互联网、移动互联网更大。但研究得越深，越发现上面这几个窘境不解决，大模型在工业场景就是空中楼阁。
市场上现成的软件给了我很多启发 ⸺ Palantir 的 Ontology、PI System 的 Asset Framework、OPC-UA 的信息模型定义。但这些思想在 AI 时代需要被重新工程化，变成大模型真正能用的数据底座。2023 年底，我抽调研发人员成立了 IDMP（工业数据管理平台）研发小组，亚强带着丁博、营昭、秦冲等多位同学，对标 Ontology 和PI Asset Framework，一头扎进了工业本体层的开发。
工业本体层，本质上就是一个让 AI、应用和人都能理解、访问与使用的语义网络。它由几部分组成：一个面向 AI、应用与人的统一数据门户，一份覆盖全局的数据地图与目录，一张承载业务语义的数据关联网络。它的目的很明确 ⸺ 让工厂里每一个对象都有身份，每一条关系都被显式表达，每一条数据都带上业务语义。
我们在时序数据库的基础上建数据目录，做标准化和情景化。为了直观、也为了符合企业的层级管理习惯，我们用树状结构建模，但又容许树上的节点跟其他非父子节点建立关联，这样才能拼出一台设备、一条产线的完整数字镜像。每个节点又带着自己的测量值、软测量值、KPI、静态属性，也带着实时分析任务、可视化面板、事件和可执行的动作。数据标准化将命名、计量单位等进行统一。数据情景化让每个节点、每个属性都带上自己的业务语义，包括各种限值。
有了本体层，AI 才算真正”读懂”你的数据，而不是瞎猜。但大模型还有一道坎⸺没法直接处理工厂每天产生的 T 级实时数据流。为此我们用TDengine自己开发的流式计算引擎，把连续的数据流切成一个个带开始结束时间、带业务语义的”事件”，再交给大模型处理。
2026 世界人工智能大会，TDengine 的展台挤满了感兴趣的人群
不做大模型，只做工业智能体的”跑道”
在开发本体层的同时，我们还成立了工业智能体小组，由琳贺带着元湃、雪峰等几位研发进行，专门做工业智能体 Runtime。这个定位我想得很清楚：绝不自己去卷大模型，而是让系统能对接各种大模型 ⸺ 不仅自研 Agent，也能接 Codex、Claude Code、OpenCode 等第三方智能体。大模型、智能体还在飞速演进，我们不能把用户锁死在 TDengine 上。
Runtime 的作用，是给工业智能体一个可控、可管理、可扩展的运行环境：统一管理各种 Skills，让 AI 能按场景调用数据查询、实时分析、报警处理、报表生成、可视化等能力；同时把工业上下文喂给大模型 ⸺ 让它知道自己面对的是哪台设备、哪条产线、哪个工艺过程，而不是一堆孤立的字段。我们在里面做了大量 Harness Engineering，对大模型的输入输出、工具调用、权限边界和执行流程做约束，让 AI 不只是能聊天，而是能在工业现场真正干活、不闯祸。
Runtime 还支持多用户隔离，可以绑定多个 IM 通道，每个 Sub Agent 都跟用户绑定，只能访问该用户能访问的数据；涉及修改操作，可以设置安全级别，决定要不要人来把关。
时序数据库 + 工业本体 + 工业 Agent Runtime，三样东西合在一起，构成了 AI 时代的工业数据底座。TDengine，从一家时序数据库公司，升级成了一家工业 AI 数据底座公司。有了这个底座，软件不用再被厂商预先写死功能 ⸺ 分析页面、报表、操作入口，都可以根据企业自己的场景动态生成，让 “柔性软件”成为可能，软件界面实现千人千面。
从”智能问数”到”无问智推”：让数据自己开口
无论技术怎么变，工业场景的需求一直没变：提升效率、提升产品质量、降低能耗、按期交付、绿色低碳。传统的工业实时库、工业互联网平台努力了很多年，但受限于技术、系统复杂度和行业壁垒，大部分项目最后都停在了炫酷的大屏展示上，离真正解决问题还差了一截。
这次我们要做的，是把它做成一个发现问题、解决问题的引擎：不仅支持实时监测和各种可视化面板，更要支持过程分析 ⸺ 批次分析、窗口搜索、相似度匹配、关联分析、聚类分析、回归分析⸺ 目的是让用户定位问题更简单，而且要有强大的根因分析能力。
由于AI的加持，TDengine 提供“智能问数”的能力，你只要用自然语言描述你的问题，系统就能自动创建出实时分析任务、可视化面板，或查找你想要的数据。你更可以将相关的流程文档、运维手册上传到系统，这样可以随意询问任何生产相关的问题。
更进一步，我们还提供“无问智推”的能力。即使用户没有行业知识，不知道该怎么提问，系统也会自动检测到应用场景，自动推荐实时分析任务和可视化面板，自动生成各种复合指标。“智能问数”解决的是有问题但不会写 SQL 的人；“无问智推”解决的是连问题都还没想清楚的人。
在TDengine的系统里，任何一个有数据的页面，无论是可视化面板，还是一个数据列表，你都可以点击“AI洞察”按钮，立即获得数据分析结果和决策依据。在传统的系统里，你需要导出数据，然后导入一个专业分析软件，费时费力，现在一点就得结果。
TDengine 整体技术架构图
任何一家企业，都有自己的know-how, 有自己的专业知识沉淀，TDengine 都可以让你把它变成skills，上传到系统，做分析就用你特有的方法和流程了。TDengine 还提供时序模型的训练、管理和部署，你可以用自己的数据训练获得更好的时序数据预测、异常检测结果。
无问智推、智能问数、AI洞察、个性化Skills、一体化集成的模型训练与管理，大幅降低对了IT人员、数据分析师、业务专家的依赖，让他们从繁琐的工作中解放出来，而去挑战更大规模、更有难度的工作。我相信，在TDengine 这类软件的冲击下，传统的实时数据库、工业互联网平台将逐步被淘汰出市场。
为什么这次我不开源，而是选择免费
怎么提升生产效率、怎么提升产品质量、怎么降低能耗，这些问题市场上其实都有成熟方案。但往往要好几个软件协同才能拼出来 ⸺ 有了 PI Asset Framework，还得配 PI Vision，还得搭 Seeq、TrendMiner 这样的分析工具才能真正解决问题。这不仅让系统变复杂，拿到分析结果的时间变长，而且意味着采购和维护成本的上升。
对大企业而言，人才、资金都不是问题。但对全球数百万中小企业来说，这两样恰恰是最高的门槛，导致他们的数字化还停留在极原始的阶段，完全享受不到技术红利。
2019 年开源 TDengine 核心代码，我的目的是让全球程序员都能用上一款高性能时序数据库。这一次做工业本体层和智能体 Runtime，我想的是怎么让数百万中小企业享受到 AI 的红利。
想了很久，这次我决定不走开源老路，而是走免费。因为开源为了企业生存，必然会切出一个企业版，大量开源用户用不到那些真正必要的功能 ⸺ 零代码数据写入、权限管理、版本控制、数据备份，这些对企业来说恰恰是刚需。我不想做一个只能演示、不能真正用的免费版，也不想做一个功能阉割、最后还是逼用户付费的试用版。既然目标是帮中小企业跨过工业 AI 的门槛，就得把真正有价值的东西全部给出来。
最后我定了一条线：5000 测点以内的系统 ⸺ 覆盖了绝大多数中小企业数字化、智能化的场景⸺ 所有功能永久免费，免费升级，不阉割功能，也不阉割性能。让他们不用再依赖专业数据分析师、专业 IT 团队，就能用数据驱动生产和运营，持续改进流程，实现降本增效。
表面上我们损失了收入，但我相信换来的更多 ⸺ 海量中小企业用户会源源不断地反馈需求和问题，让产品持续被打磨，成为行业事实标准。作为一个程序员，兴奋的不是开发出的产品赚到多少钱，而是看到有多少人在用自己开发的产品。如果等我 80 岁、90 岁，还能看到有人在用 TDengine，那将是我最大的幸福。这是我 2019 年开源的初衷，也是这次决定所有功能永久免费的根本原因。
如果全球数百万企业能够获益，我相信TDengine一定能找到更好的生存和增长路径。过去的9年，虽然产品TDengine开源，我们仍然获得了相当不错的商业增长，就是很好的证明。
从2016年开始，每周跑至少40公里的距离，让我有充沛的精力
一个写了四十二年程序的人，还在跑道上
从 1984 年高一写下第一行 BASIC 程序算起，我做软件研发已经 42 个年头。2008 年初从美国芝加哥 Motorola 辞职回到北京，创办和信。2010年被台湾联发科收购后，2013年又创办快乐妈咪，后被太平洋网络收购。涛思数据是我2017年创办的第三家公司。每次创业，由于能写而且爱写程序，产品的原型与第一个版本，都是自己一个人先开发出来。
我本只想专注时序数据库的赛道，公司刚进入平稳的发展期，正打算松口气的时候，AI 浪潮扑面而来。我意识到，对一家时序数据库公司来说，这是一次进入工业软件赛道、把公司做到千亿规模的机会 ⸺ 这块蛋糕太大，太诱人。资金、团队都不是问题，缺的只是我这个创始人和 CEO 的决心。2025年初DeepSeek火爆，我觉得必须全力冲刺，因此每天工作在 14 小时以上，与研发团队一起写代码，与业务团队一起拜访客户了解需求，与市场团队讨论产品定位和宣传，感觉一下变成了二十岁的小伙子，有使不完的力气，没想到在接近退休的年龄，居然达到了人生的巅峰状态。
经过团队两年多的努力，TDengine 已经不再只是一款时序数据库的产品，而是演变成为工业AI的数据底座，提供从数据采集、存储、实时分析到可视化、根因分析等全栈的技术解决方案。而且通过AI的加持，让数据分析不再依赖数据分析师、IT工程师，让专家的知识、经验可以沉淀在系统里。通过所有功能永久免费的方式，更是让全球数百万的中小企业享受到 AI 带来的技术红利。
我瞄准的行业，工业数据处理，已经存在了几十年，有类似PI System的传统工业实时数据库，更有近十年流行的工业互联网平台，大家解决的是工业生产过程中的刚性需求，用数据来驱动运营，持续改善优化生产过程。但这个领域，几乎是完全被西门子、施耐德、GE、Aveva、Honeywell 等工业巨头把持。AI 带来的技术革命让我们颠覆这些巨头有了可能，而且相比20年前，中国工业突飞猛进，已经拥有全球最完整、规模最大的工业体系之一，给我们的产品提供了最好的试验场和市场舞台。另外一方面，相比20年前，中国的工程师红利十分突出。因此我对 TDengine 成为全球顶级的工业软件充满了信心，这是属于我们的舞台。
昨天发布会结束，我自己静静的坐了一会儿。42 年前那个对着Laser 310 和电视屏幕敲 BASIC 代码的高中生，想不到自己有一天会把核心代码开源出去，更想不到自己把公司最值钱的功能全部免费送出去，虽然忐忑但却是那样的开心。
如果你去涛思数据官网下载体验 TDengine，而且用起来，那就是对我这个仍在奋力奔跑的老程序员和我们团队的最大支持。使用过程中，有问题随时来找我，有建议也欢迎来交流。一个程序员的幸福，其实，就是这么简单。如果未来有一天，全球大量的工业企业都在用一支中国本土团队做出来的软件提升效率、降低能耗、改善质量，那我这个写了一辈子程序的程序员，就没有白倒腾。
继续奔跑，Leave a dent in the world!
陶建辉
涛思数据创始人
2026 年 7 月22日写于北京望京
