2026年3月，TDengine把slogan换了——从”高性能时序数据库”变成”AI时代的工业数据基座”。这家在全球跑了100多万实例、覆盖60多个国家的老牌厂商，突然开始强调自己是个”座”，而不是”库”。变化背后，是整个工业软件逻辑的重构。
一、AI来了，但底座不会消失
陶建辉有句话说得很直接：”AI不会让软件产品消失，AI会让’低壁垒的功能产品’失去存在价值。”
仪表盘再花哨，报表再精美，AI Agent几秒钟就能生成。过去靠功能堆出来的竞争力，正在迅速贬值。
但有些东西AI替代不了——数据采集系统、资产模型、生产监控、可靠的数据基础设施。这些是业务的根基。”AI可以分析发动机数据，但不会替代发动机本身。”
所以TDengine选择做那个”底座”：不跟AI抢活，让AI站在自己身上干活。
二、底座的第一层：TSDB，先把数据存好
做底座的前提，是把最基础的问题解决扎实——海量工业数据怎么存、怎么查、怎么长期保存。
工业现场的数据特性很苛刻：毫秒级采集、千万测点并发、数年历史沉淀。TDengine TSDB针对这些场景做了专门优化。
2.1 写入性能
TSBS测试显示，TDengine写入速度是InfluxDB的16.2倍、TimescaleDB的3.3倍。
2.2 压缩效率
列式存储+专用算法，压缩比最高可达1/10。
2.3 水平扩展
3.0版本支持10亿设备、100节点集群，解决高基数难题。
2.4 云原生架构
存算分离、Kubernetes编排，弹性伸缩。
三、底座的第二层：IDMP，让AI看得懂数据
但光有存储不够。工业数据的真正难点在于语义和上下文。
同一个数值”220″，可能是电压、温度、压力，甚至完全不同设备的读数。同一个温度传感器，在订单A（高负荷）和订单B（低负荷）下，正常范围天差地别。AI直接处理这种”裸数据”，幻觉问题会很严重。
IDMP（工业数据管理平台）就是来解决这个问题的。
3.1 数据目录
基于树状层次结构（映射”工厂-车间-产线-设备-测点”工业层级）的虚拟数据资产管理机制，通过元素模板对物理与逻辑实体进行标准化建模和情境化组织，将分散的二维表数据转化为具有统一业务语义、可被AI理解的结构化数据资产，实现从”查找表和列”到”管理具有上下文的业务对象”的转变。
3.2 数据标准化
统一命名规范、计量单位、数据类型定义。”220″是电压还是温度，”85″是摄氏度还是华氏度，清晰无误。
3.3 数据情景化
把订单号、批次号、班次、工艺配方作为标签附着在时间序列上。AI不仅知道”发生了什么”，还知道”在什么情况下发生的”。
四、底座的第三层：面向AI的开放接口
底座要能用，还得开放。
TDengine提供MCP接口，让AI Agent可以直接访问数据；支持发布/订阅机制，数据能被实时消费；基于角色的权限管理，确保数据安全。
陶建辉对未来软件形态的预判是：”用户/Agent → Agent Interface → 数据基座”。
界面会越来越薄，交互会越来越简单，但底座会越来越厚。
五、从”更好的数据库”到”AI的基础设施”
TDengine这次升级，不只是换了个slogan。
它标志着工业软件竞争维度的根本转变——过去比功能、比界面、比实施；未来比的是数据基础设施的完备性：能不能接入海量异构数据？能不能提供统一的数据语义？能不能支撑AI Agent高效运行？
对于企业来说，选型时不应只看存储性能，更要看数据语义层的完备性。一个”裸数据库”在AI时代很难发挥价值。
对于行业来说，TDengine的开源策略和开放架构，提供了一种生态建设的参考——不是做封闭的产品，而是做开放的基座。
从”高性能时序数据库”到”AI时代的工业数据基座”，TDengine的转身，或许是中国工业软件在AI时代寻找定位的一个缩影。
当AI Agent成为新的交互方式，当数据基础设施成为核心竞争力，谁能率先构建起完整、开放、智能的数据底座，谁就能在未来的竞争中占据主动。
六、FAQ：核心疑问解答
Q1、TDengine从时序数据库升级到工业数据基座，具体有哪些变化
TDengine的升级体现在三个层面。第一层是TSDB，强化了写入性能、压缩效率、水平扩展和云原生架构。第二层是IDMP，新增了数据目录、数据标准化、数据情景化能力。第三层是开放接口，提供MCP接口支持AI Agent直接访问数据。
Q2、为什么AI时代需要”数据基座”而不是”数据库”
数据库只能存储数据，而数据基座提供数据的语义和上下文。AI直接处理”裸数据”会产生幻觉，因为同一个数值在不同场景下含义不同。数据基座通过数据目录帮助AI定位数据，通过数据标准化让AI理解数据含义，通过数据情景化让AI了解业务上下文。
Q3、TDengine IDMP的核心能力是什么
IDMP的三大核心能力是数据目录、数据标准化、数据情景化。数据目录形成清晰的数据地图，数据标准化统一命名和计量单位，数据情景化把订单、批次、工艺等信息附着在时间序列上。这三者让AI能真正”理解”工业数据。
Q4、TDengine如何支撑AI Agent落地
TDengine通过MCP接口让AI Agent直接访问数据，支持发布订阅机制实现实时数据消费，基于角色的权限管理确保数据安全。这套架构让AI Agent可以高效获取所需的工业数据。
Q5、企业在AI时代选型数据库应该关注什么
不仅要看存储性能，还要看数据语义层的完备性。能否接入海量异构数据、能否提供统一的数据语义、能否支撑AI Agent高效运行，这些是关键指标。”裸数据库”在AI时代很难发挥价值。
TDengine采取开源策略，核心产品TSDB在GitHub上完全开源，全球运行实例超过100万。开源策略降低了使用门槛，聚集了开发者社区，有助于构建开放生态。
