工业现场的数据断层，比想象中更严重。数字世界的AI渗透率已经到44%，物理世界却连8%都不到。涛思数据联合创始人李广在第十二届国际智慧制造暨工业AI（武汉）论坛上直接点出这个落差：没有高质量的时序数据基础，再强的AI也只是空中楼阁。
这场论坛2026年9月10日至11日在武汉举办，主题是“工业智变，AI支撑制造”。李广的演讲题目是“Agent纪元的时序基础：从时序数据库到AI原生的工业数据基础”。
三道断裂，卡住工业AI的脖子
李广把工业场景的障碍拆成三层：数据断裂、语义断裂、智能断裂。
数据断裂好理解——设备协议五花八门，采集上来的东西对不齐。语义断裂更麻烦，AI拿到一堆测点编号，不知道哪个是温度、哪个是压力、哪个属于哪台设备。智能断裂则是前两者叠加的结果：模型再准，喂进去的是垃圾，出来的还是垃圾。
他的判断是，时序数据是连通物理世界与数字世界的唯一桥梁，而工业本体建模是让AI真正理解物理世界的关键。2026年被看作工业AI智能体的生产应用元年，这个时间点不是随便定的。
六层架构，从采集一路铺到决策
TDengine的定位已经从时序数据库进化为AI原生的工业数据基础。整个链路分六层：数据汇聚、存储引擎、工业本体建模、流计算实时分析、工业智能体运行时、数据消费。
这六层不是堆概念，每一层解决一个具体问题。数据汇聚对接现场协议，存储引擎扛住高并发写入，本体建模给数据加上语义，流计算做实时分析，智能体运行时负责调度AI能力，最后到数据消费端出结果。
其中工业智能体运行时（IAR）是专为工业场景构建的，内置13个开箱即用的AI助手，覆盖数据查询、异常检测、根因分析、趋势预测、报告生成等全场景。
真实场景里的验证
李广分享了TDengine在电力、制造、水务、石化等行业的实践，覆盖设备预测性维护、批次质量分析、管网漏损监测、工艺参数调优等典型场景。
这些场景的共同点是：数据量大、实时性要求高、异常一旦漏掉代价大。比如管网漏损监测，靠人工巡检根本来不及，必须靠流计算实时分析加异常检测。
论坛期间，涛思数据展位通过演示中心呈现了TDengine工业AI的完整能力。最受关注的是“TDengine工业AI共创工作坊”——专家团队带着基础到场，用真实数据验证AI价值，5天交付根因分析、PoC验证与行动路线图。来自制造、能源、电力、水务等行业的参会嘉宾现场咨询并报名。
中小企业的门槛被拉低了
涛思数据推出了中小企业普惠计划：5000 tags以内全功能免费，涵盖IAR工业智能体、库内AI引擎和所有AI助手。
这个免费额度对多数中小制造企业够用。5000个测点的规模，覆盖一条产线或一个车间绰绰有余。
这里有个坑要提醒：免费额度是按tags算的，不是按设备数。规划测点的时候要提前算清楚，别等上线了才发现超了。
部署前值得确认的几件事
工业本体建模加工业智能体运行时，构成了AI原生的工业数据基础，为工业数据流带来从采集、存储、实时分析到可视化、事件管理、根因分析、AI洞察的全栈方案。底座是内置的高性能、分布式时序数据库。
实际落地前，建议先做两件事。一是确认现场数据源的协议覆盖情况，二是用真实数据跑一轮PoC，别拿demo数据糊弄自己。工业场景的数据质量参差不齐，demo跑通不代表现场跑通。
工作坊那5天交付根因分析和行动路线图，本质上就是逼着团队用真实数据验证价值。这个思路比先买license再摸索要稳得多。
核心功能对中小企业免费
