环球网

2025年，行业的聚光灯打在人工智能与大数据议题上。台上的讨论热烈而宏大——大模型参数、算力竞赛、算法突破——这几乎是今年所有科技论坛的标准配置。

而在此之外，Aloudata大应科技创始人&CEO周卫林却对另一个更为“朴素”的问题着迷：当所有人追逐模型的智能时，谁来解决数据的“脏活累活”？

图：Aloudata大应科技创始人&CEO周卫林

“数据、算力、算法，这三要素中，数据是根本，但也是最苦最累的一环。”周卫林在接受采访时直言不讳。这位从蚂蚁集团出来的技术创业者，选择了一条看似不那么性感的赛道——数据工程。

回归数据基础

在AI成为全民热潮的今天，周卫林的创业选择显得颇为“反常规”。他没有去做大模型应用，也没有追逐算力基础设施，而是回到了最基础的“数据清洗、整合、管理”领域。

“这不是偶然，而是必然。”他分析道，“大模型爆发后，数据需求呈指数级增长，但数据供给方式还停留在30年前——靠ETL工程师手工劳作。需求增长百分之几百，人力不可能同步跟上。”

他提出了一个比喻：“这就好比在电动车时代，你还在用马拉车的动力系统。”

2021年，周卫林带着团队独立创业，提出了“NoETL”创新理念。这不是要取消数据处理，而是要重构数据生产力——把传统依赖人力的ETL流程，转变为由AI与算法驱动的自动化数据工程体系。

“我们看到了一个根本性矛盾：数据需求的爆发式增长与传统数据生产力低下之间的鸿沟。这个鸿沟，正在成为AI规模化落地的最大障碍。”

诊断：AI时代的“数据悖论”

在采访中，周卫林透露了AI时代一个令人惊讶的“数据悖论”：企业拥有海量数据，AI具备强大能力，但二者之间却存在难以跨越的鸿沟。

“传统数据架构是为人设计的，不是为AI。”他指出现行体系的根本缺陷，“当大模型进入企业，它们面对的是一个完全陌生的数据环境。”

他举了一个生动的例子：“比如‘活跃用户数’这个指标，每家公司都有自己的定义口径。这些业务知识散落在分析师和IT人员的头脑里，或者藏在厚厚的文档中。大模型从公域知识中学不到这些私域逻辑。”

这就导致了“大模型不懂大数据”的尴尬局面。AI在查询企业数据时，会遇到与人相同的问题：数据找不到、找到不敢用、口径不一致、权限复杂。“更致命的是，”周卫林强调，“大模型是生成式的，它‘易于创造，难以判别’。在数据分析这类严肃场景中，‘幻觉’是致命的。”

因此，他提出了“可信智能”的概念：“企业可以接受AI‘不会’，但不能接受它‘胡说’。可信，是AI在企业中规模化的基线。”

在周卫林看来，当前企业面临两个根本挑战：一是如何构建对AI友好的数据土壤，让AI能够准确理解和使用企业数据；二是如何确保AI输出的结果是可信的，能够支撑业务决策。

“这不仅仅是技术问题，更是数据工程范式的革命。”

破局：构建数据语义的“罗塞塔石碑”

面对这些挑战，Aloudata大应科技的解决方案颇具哲学意味——他们要在业务世界与数据世界之间，建立一套通用的“语义翻译系统”。

“业界常见的做法是NL2SQL（自然语言转SQL），但我们走了一条不同的路。”周卫林介绍，Aloudata推出了NL2MQL2SQL技术路径——在自然语言与SQL之间，加入一层“指标查询语言”（MQL）。

“MQL就像企业数据的‘罗塞塔石碑’，”他引用了解读古埃及文的著名石碑的比喻，“它把散落在人脑中的业务知识，沉淀为机器可理解的标准语义。”

这个选择背后是深刻的技术洞察。“NL2SQL直接让大模型生成SQL，无法解决业务语义对齐问题。比如‘活跃用户’这个指标，大模型不知道具体口径，也无法全面了解企业复杂的数据资产，生成的SQL可能就是错的。而MQL层承载了企业的业务知识库，确保AI像人类专家一样准确理解业务需求。”

为了实现这一愿景，Aloudata大应科技构建了以“数据语义层”为核心的三大引擎：语义引擎负责业务语义的定义、执行和管理，确保基于明细数据进行灵活、深入的分析；物化加速引擎通过“自适应物化”和“智能回收”技术，解决基于明细数据查询的性能瓶颈；数据虚拟化引擎实现“零物理搬运”下的跨云跨域数据连接。

“我们要做的，是让企业的数据资产，能无缝转变为AI资产。”周卫林说。

验证：从麦当劳中国到中交一公局的实践样本

理论需要实践验证，而Aloudata大应科技的两个应用案例恰好代表了两种不同的范式。

麦当劳中国拥有近7000家门店，百亿级订单数据。“门店可以快速扩张到一万家，但培养一万个店长很难。”周卫林指出，“数字化管理成为必然选择，但传统数据架构已无法支撑如此大规模的数据分析。”

在这个项目中，Aloudata大应科技面临性能、成本、多引擎复用、资源隔离等多重挑战。“我们通过‘双引擎支持’与‘智能租户隔离’等技术，在保障SLA的同时，实现了与客户现有IT资源的无缝融合。”

更重要的是，这个案例证明了NoETL架构在超大规模场景下的可行性。“这不仅仅是一个技术项目，它已经成为了生产系统的一部分。”

而在中交一公局的案例中，验证的是另一维度的能力——在高严谨场景下AI落地的可靠性。作为央企，中交一公局对数据准确性、安全性要求极高。在这里，Aloudata的Data Agent实现了90%以上的准确率，为国央企的AI选型提供了技术信心。

“这两个案例分别代表了两种范式：一个是超大规模下的工程能力，一个是高严谨场景下的AI落地能力。”周卫林分析道。

壁垒：NoETL背后的护城河

随着案例积累和市场需求明朗，竞争也随之而来。但周卫林对Aloudata大应科技的护城河有着清晰认知。

“首先，NoETL本身是一个反定位，是对过去30年ETL体系的重构。”他指出，这导致在原有体系中做得特别好的公司反而有历史包袱，难以快速转向。

团队背景是另一个优势。“我们核心团队来自蚂蚁等公司，对大数据和AI的结合有深刻理解。这在行业里是稀缺的。”

四年的先发优势也让Aloudata大应科技积累了足够的技术和客户壁垒。“当客户把我们的产品作为数字化基建深度使用后，替换成本会越来越高。”

与云厂商的关系是外界关注的焦点。对此，周卫林明确表示：“我们与云厂商是合作大于竞争的关系。”

“云厂商的核心是提供算力与模型，而我们的核心是数据语义编织。我们利用云厂商的算力和模型，帮助客户更好地使用AI。这是典型的互补关系。”他透露，Aloudata大应科技正在积极构建合作伙伴生态，包括咨询、实施、解决方案和分销伙伴。“我们专注于产品和技术创新，把实施和服务交给生态伙伴。”

未来：数据智能时代的想象

展望未来3—5年，周卫林看到了一个正在分化的市场格局。“能建设好AI友好数据土壤的企业将获得5-10倍的成长加速度。”他判断，“而那些无法适应这一变革的企业，可能会在竞争中掉队。”

同时，他认为在“数字白领”普及的细分场景中，会涌现出一批新型公司。“这些公司不在大公司的竞争主航道，但在特定场景中能做到更高效率。”

商业模式也可能发生演变。“未来可能会出现从软件订阅到按‘数字白领’服务收费的模式转变。软件市场可能会变得更大，因为它逐渐替代了劳动力市场。”

对于Aloudata大应科技的具体规划，周卫林透露了两个重点方向：一是帮助企业“一键将数据资产转为AI资产”，解决迁移成本和效率问题；二是布局出海，服务客户的海外业务。

“我们已经过了技术攻坚期，现在的重点是构建规模化的商业体系。”他坦言，公司正从“技术驱动”转向“技术+商业双驱动”，需要建立完整的销售、营销和服务体系。

从50家客户扩展到500家客户，这对组织能力是巨大考验。“但这也是每个技术公司成长为伟大公司的必经之路。”