AI落地的真正拐点，已经不在模型本身。
当通用大模型足够强、足够便宜之后，企业突然发现：真正卡脖子的，是自己的数据。散落在各处的交易记录、文档、图片、日志，以及那些还没被整理的向量，能不能被Agent真正用起来？
正是这一问，把数据层推到了台前。当数据库的使用主体从人变成了海量Agent，数据类型从结构化扩展到多模态，要求也从“存得下”变成了统一管理、实时检索、语义理解与安全合规。
这些变化正在重写整个数据市场的边界。
9月10日，2026 Inclusion·外滩大会《数智进化：让多模态数据成为AI核心燃料》见解论坛上，IDC中国企业软件市场研究经理王楠发布最新研究。
研究重新划定了“AI数据基础设施”的版图，并给出清晰判断：中国市场将从2025年的约149亿美元，增长到2030年的738亿美元，到2035年有望达到约1万亿人民币规模。
万亿级新市场正在打开，而最先卡位的，将是那些真正能把数据变成AI燃料的底座。
一、大模型不适配真实生产环境，企业选择“小模型微调+多模态底座”
通用大模型直接搬进企业生产环境，会遇到几堵绕不过去的墙。
第一堵墙是成本。
通用大模型参数量大、推理开销高，企业业务中每一次调用都在消耗算力。对于高频、规模化的生产场景，全量调用通用大模型的token成本和GPU算力开销，企业实在吃不消。
第二堵墙是延迟。
企业在线业务对响应时间的要求是毫秒级，而通用大模型动辄数秒的生成速度，无法嵌入交易、风控这类实时链路。
第三堵墙是幻觉与口径。
通用大模型缺乏对企业自有数据口径、业务规则和行业知识的理解，直接使用会导致回答失真。IDC在报告中提到，口径不一会导致AI回答失真，企业因此正在优先考虑数据质量、数据血缘和元数据，以确保AI输出的一致性和可信度。
第四堵墙是数据隐私与领域适配。
在金融、政务等强监管行业，数据不能出域，通用大模型无法直接接触企业核心数据；而行业知识散落在企业内部的文档、报表、流程系统中，通用模型既不掌握，也难以获取。
瓶颈既然在数据，解法也落在数据。
IDC此次研究给出的企业选型建议中，明确列出了一条关键路径：拥抱“小模型+多模态底座”模式——聚焦构建强大的多模态数据底座，结合行业知识与场景数据，通过小模型微调实现高效、可控的生产级AI落地。
企业不需要在每一个业务环节都调用参数量最大的通用模型，而是用自有场景数据微调出小模型，让模型在特定任务上足够专、足够快、足够便宜。
而微调的前提，是企业能够把散落在各处的数据——结构化的交易记录、半结构化的日志、非结构化的文档图片，以及AI原生需要的向量数据——统一管理起来，形成可供模型消化的“燃料”。
这解释了为什么多模态数据底座成为必选项。
IDC数据显示，企业新生成的数据资产中约90%为非结构化形态，文档、图片、音视频正在成为数据资产的主体。传统数据架构主要围绕结构化数据设计，处理这部分数据的能力缺口直接制约了AI落地。
二、新路径给数据基础设施带来冲击，万亿新市场诞生
“小模型+多模态底座”的生产级路径，对传统数据基础设施的冲击是全方位的。
蚂蚁集团基于OceanBase的实践显示，当Agent成为基础设施的使用方，其数量级远超人类工程师。据介绍，蚂蚁内部的AI应用平台“灵光”已累计生成数千万个“闪应用”，平均每个仅百余行数据，99%处于沉睡状态，极少数被唤醒时却要求秒级响应。
这意味着数据底座要解决的不再是把一个库做大，而是让百万级、千万级的库高密度共存、按需唤醒。
数据体量本身也在快速膨胀。IDC预计，中国数据生成量将从2025年的76.05ZB增长至2030年的146.65ZB，五年接近翻倍。
面对这个被重构的市场，IDC此次没有沿用传统的数据库、数据仓库分口径统计，而是重新划定了“AI数据基础设施”的市场边界，将其划分为三大子市场：
- AI数据管理平台：承担多模态数据的统一管理和处理，是AI应用的数据底座。这是规模占比最高的子市场。
- AI数据智能：利用AI提升数据治理、分析和使用效率，包括AI辅助数据治理（用生成式AI提高数据目录、分类分级、质量检测、知识抽取和文档理解效率），以及Data Agent与数据产品。这是增速最快的子市场。
- AI数据服务：从传统数据标注向更复杂的数据工程和数据运营体系升级，RAG知识库持续运营、Agent轨迹数据集构建、行业数据集更新等持续性服务占比持续提升，多模态非结构化数据爆发带动多模态、合成数据服务扩张。
据IDC数据，2025年中国AI数据基础设施市场规模约为149亿美元。IDC预测，2030年达到738亿美元，2025年至2030年复合增长率37.7%；到2035年达到1548亿美元（约合人民币1万亿元），较2025年增长超过10倍。
数据基础设施市场的天花板，已经从百亿级的数据库市场，切换到万亿级的AI数据基础设施市场。
三、OceanBase的新卡位：AI数据基础设施的底座与入口
IDC报告还提出，未来的竞争在于谁能够率先形成覆盖“数据管理—数据智能—数据服务—Agent消费”的完整闭环，而OceanBase的产品体系正在这一方向上布局。
2026年6月29日，OceanBase发布面向AI时代的湖库一体AI数据库，核心思路是将数据湖的开放与海量存储能力、数据库的事务处理与分析能力，以及多模态数据处理能力，统一到一套数据架构中，为AI应用和Agent提供统一的数据基础。
- OceanBase Lakebase：湖库一体的 AI 湖库，原生支持结构化、半结构化、非结构化等多模态数据统一管理与处理，并融合实时分析、混合搜索及开放计算等能力。
- Lakebase同时提供DataStudio等数据生产、治理和服务能力，以及面向Agent场景的数据沙箱，支持大规模生产级 Agent基于真实数据快速创建隔离环境，用于Agent评测、实验和验证。
- OceanBase DataPilot：面向经营分析和业务决策的数据智能Agent，作为企业业务数据的智能入口，让业务人员通过自然语言完成数据分析、报告生成和可信答案获取，将底层数据能力进一步转化为业务智能。
- AI数据生态： OceanBase同时通过seekdb、ConyrxtSeek等开源项目持续拓展AI数据与Agent生态，进一步打通从数据到AI、从AI到Agent的技术链路，让数据基础设施能够更直接地支撑AI应用的构建与运行。
这套产品组合正好对应IDC给出的市场分类的核心板块：Lakebase和seekdb对应AI数据平台，DataPilot和AgentSeek对应AI数据智能，DataStudio和持续数据服务对应AI数据服务。
OceanBase，承担起了AI应用和Agent的统一数据底座与数据入口的新角色。
四、目标是Databricks，OceanBase的增长空间才刚刚打开
市场格局变化了，OceanBase的价值自然需要重新定位。
传统数据库公司的估值逻辑，看的是市场份额、收入、利润和云化进度。在这个框架下，OceanBase面对的是分布式事务型数据库市场，天花板清晰可见。
然而，AI数据平台的估值逻辑看的是另一组指标：TAM（总可触达市场）、平台化能力、Agent数据入口、生态闭环、全球对标。
按照这个标准，OceanBase的价值定位标杆就是Databricks。
这家2013年由Apache Spark创始团队创立的公司，2026年8月13日完成50亿美元战略融资，估值1900亿美元。
仔细看这两家的产品，你会发现一个小细节：Databricks把面向Agent的数据库产品命名为Lakebase，OceanBase把湖库一体引擎也命名为Lakebase。
两家从相反方向出发的公司——Databricks从数据湖和数据分析起家，向数据库和企业应用延伸；OceanBase从分布式数据库和核心交易系统出发，向企业全量数据管理、Agent数据供给和数据服务拓展——把产品命名收敛到了同一个词上。
用OceanBase CTO杨传辉自己的话说就是：“不同的路，同一个终点。”
立足当前行业格局，OceanBase正处于高速成长的黄金起步阶段。
据彭博2026年7月29日消息，OceanBase正在推进首轮A轮融资，目标融资规模20亿至30亿元人民币，这也是其自诞生以来首次引入外部市场化资本。商业化层面，OceanBase 2026年年化收入突破14亿元，同比增速高达70%。
若以Databricks估值1900亿美元为目标，OceanBase的增长空间，将没有天花板。
结语：AI下半场的胜负手，在于数据基础设施
IDC在报告中写道：未来企业AI落地的竞争焦点将彻底从“模型军备竞赛”转向“数据基建比拼”。
头部模型的通用能力趋同且足以够用。当好模型不再稀缺，稀缺的就变成了数据层的能力差异。
数据层的和模型层的逻辑不太一样。数据基础设施的构建周期长、涉及环节多、迁移成本高，一旦形成技术壁垒和客户黏性，后来者很难在短时间内追上。这意味着，先行者的优势会随着时间推移不断放大。
放在中国市场来看，这个判断更加成立。中国不缺数据，也不缺场景。缺的是能把数据变成AI燃料的基础设施。这个空白正在被填补，而填补它的公司，或将定义下一代企业数据平台的形态。
热门跟贴