5 月 14 日的「从时序数据库到时序智能：TimechoAI 首场公开分享」线上直播中，天谋科技 CTO 乔嘉林、VP 赵馨逸以轻松圆桌对谈的形式，围绕时序大模型服务平台 TimechoAI 的产品定位、技术逻辑、核心价值与使用方式，带来了一场干货满满的深度分享。

我们为你总结了本次直播的内容要点，如果你对时序数据智能分析、时序大模型应用感兴趣，一篇文字即可为你解惑！

01 TimechoAI 是什么

Q1：最近大家都在关注 TimechoAI，它到底是什么？

乔嘉林：TimechoAI 是时序大模型服务平台，基于 IoTDB 进一步打造、面向时序数据分析场景的 AI 产品，核心定位就是为时序数据智能分析提供能力支撑。

Q2：实际项目里，时序预测的应用场景多吗？

赵馨逸：非常多。客户常问：数据存下来之后，到底该怎么用？举个真实案例：航空场景中，民航客机上有大量零部件，航空公司需要定期检修。如果能提前发现故障隐患，就可以做预测性维护，避免飞机飞行中出现故障，大幅降低因故障停飞带来的损失。这就是时序分析在工业场景里非常典型的业务价值。

02 时序分析流程的痛点

Q3：没有 TimechoAI 之前，大家通常怎么解决这类问题？

乔嘉林：过去做特定场景的智能分析，流程非常复杂，需要多类人员协同，一般需要三类角色：

• 领域专家：明确业务问题、判断价值、定义方向；

• 算法工程师：设计算法方案、验证技术可行性；

• 数据工程师：准备并提供高质量、可用的时序数据。

赵馨逸：在实际客户项目里，这种三方协同的模式推进周期会非常长，业务专家要提供业务输入，数据分析师要从数据角度给出思路，不同角色需要反复沟通、磨合，才能慢慢对齐解决方案。

乔嘉林：这种合作的过程遵循行业通用的 CRISP‑DM 跨行业数据挖掘标准流程，一共分为六个核心步骤：

1. 业务理解：搞清楚业务目标、痛点、落地价值与环节定位；

2. 数据理解：明确数据含义、业务机理、数据特征与关联关系；

3. 数据准备：对数据进行清洗、加工、整理，为建模做准备；

4. 模型构建：选择模型、调参、反复试验，搭建可用模型；

5. 模型评估：验证效果，不达标则需要回退前面步骤重新优化；

6. 部署上线：评估通过后，将模型正式投入业务使用。

赵馨逸：这里面业务理解和数据理解是最难的两步，它们就像整个项目的纲领，一旦方向错了，后续数据工程师、算法工程师的所有投入都可能白费。比如电力场景中预测居民用电量，需要先找到季节、气温、降雨等关键影响因素，而在工业场景里，提取这些因素本身就难度很高。

03 TimechoAI 的解决思路

Q4：那么 TimechoAI 是用什么思路解决这些问题的？

乔嘉林：我们并没有完全解决这个难题。把领域专家知识固化成一套稳定可输出的模型体系，本身就是行业难题，也是大家一直在追求的目标。

在无法一步到位的情况下，我们选择用软件技术工具降低时序智能分析的难度。行业的整体思路，就是围绕模型不断演进，在同样的输入下，让预测结果越来越准。

从规则模型、机器学习模型，到深度学习模型，再到如今的时序大模型，这也是我们产品的演进思路。

Q5：有了通用时序大模型，各行业客户都可以尝试使用吗？

乔嘉林：是的。我用数据库打个比方。数据库出现前，每个业务系统都要单独写数据管理代码；后来人们发现不同业务系统的数据建模、存储、查询有共性，于是抽象出通用数据库，每个行业都可以用它构建自己的上层应用系统。

时序大模型也是一样，它抽象出时序分析的通用基础能力，在这个底座上，各行各业都能搭建自己的领域大模型算法。

Q6：这个通用底层是怎么构造出来的？

乔嘉林：时序智能分析的场景多种多样：有的要预测未来变化，有的要识别曲线对应的事件（如开机还是关机） 。但无论哪种场景，都离不开数据表达、特征抽取、变换处理这些核心能力。

我们的思路就是把这一套与时序数据本质相关的通用方法和网络抽象出来，封装成一个核心基础模型，这就是时序大模型。

04 TimechoAI 的应用价值

Q7：有时序大模型，还需要小模型、机理模型吗？

乔嘉林：仍然需要。时序大模型像具备通用基础知识的底座，但不具备特定领域的专业知识。解决垂直场景问题，依然要结合专家经验，采用大模型+小模型/领域知识的组合方式。

Q8：那么大模型在分析过程中具体能帮上什么忙？

乔嘉林：主要有两点关键价值：

1. 降低建模难度：基于大模型底座做领域适配，可以大幅缩短模型设计与调优时间；

2. 降低数据依赖：大模型在预训练阶段已经学习了大量的高质量时序数据，可以减少训练样本量，让小样本场景也能落地。

Q9：没有模型研发能力的团队，也能用好大模型吗？

乔嘉林：完全可以。TimechoAI 支持零样本推理，具备开箱即用的能力，不用训练就能直接上传数据做预测，简单场景能快速达到基础效果；有研发能力的团队，则可以在大模型基础上快速优化，冲击更高精度。

作为模型研发方，我们无法穷尽时序大模型在每一个具体场景中的预测效果，这需要用户在自己的领域中去实际验证。正因如此，我们将 TimechoAI 的能力上云，目的就是降低验证门槛，鼓励大家在各自场景中尝试，共同探索模型的能力边界。

05 Timer 与 TimechoAI

Q10：TimechoAI 云服务具体怎么用、有哪些功能？

乔嘉林：TimechoAI 搭载的时序大模型 Timer 输入为时间序列，输出也为时间序列（预测结果）。输入可以是单变量，也支持多变量，包含需要预测的目标变量，以及影响它的协变量，模型能够直接输出未来的时序数据趋势。

Q11：那么 TimechoAI 搭载的时序大模型 Timer，迭代历程是怎样的？

乔嘉林：Timer 发源于清华大学软件学院，这也是 IoTDB 的发源地，由清华大数据团队研发，技术沉淀深厚，基于气象数据整合的气象大模型已服务中国气象局日常气象预报，相关成果发表于《Nature》正刊。

Timer 目前已迭代四个版本：

• Timer 1.0：验证开箱即用能力，确立时序基础模型定位；

• Timer 2.0（Timer‑XL）：支持多变量扩展，上下文长度扩展至数千，提升长上下文预测能力；

• Timer 3.0（Sundial）：引入生成式预测，预测结果遵循概率分布，2025 年 8 月发布后 Hugging Face 单月下载量超 500 万；

• Timer-3.5（Timer‑S1）：参数量扩至 83 亿，预测准确度随规模提升，预测性能位居时间序列通用预测基准 GIFT-Eval 第一。

每一代 Timer 迭代，我们都实现了国内与国际双重技术领先，面对谷歌、亚马逊等国际大厂的时序大模型，Timer 完全具备同台竞技、一较高下的实力。

Q12：大家怎么体验 TimechoAI 呢？

乔嘉林：可以直接访问 TimechoAI 的官网 ai.timecho.com，通过主页对话框即可通过对话框与时序大模型交互，上传数据并体验预测效果。

06 总结与未来

Q13：用几个关键词概括 TimechoAI？

乔嘉林：我这边有三个关键词：

• 基础：作为时序基础模型，为行业构建底层技术基建，支撑特定业务演化。

• 适配：需要与小模型、领域知识、行业机理深度结合，满足专业场景需求。

• 共创：需要与更多用户共同探索应用边界与落地价值。

赵馨逸：我总结为：

• 更低门槛：没有专业模型研发团队，也能快速上手并体验价值。

• 更低成本：云服务开箱即用，无需准备 GPU 服务器与部署环境。

Q14：TimechoAI 未来会怎么走？

乔嘉林：我们会持续迭代大模型内核，不断提升开箱即用的预测精度与场景适配性。同时丰富官网的真实数据集与应用案例，让用户更直观理解和使用大模型能力，让更多人能用时序大模型创造实际价值。

后续我们将持续推出用户案例、技术解读与直播分享。欢迎大家访问 ai.timecho.com 体验 TimechoAI！

更多内容推荐：

• 试用时序大模型云平台 TimechoAI

• 咨询时序大模型 Timer