10 月 9 日，中共中央、国务院印发《关于发展新质生产力的意见》（以下简称《意见》），围绕科技创新、产业转型升级、实体经济与数字经济深度融合、“人工智能+”等方面作出系统部署。
对工业企业而言，这些部署提供了几个值得关注的方向：一是传统产线和既有设备的数智化改造，企业可以从设备维护、能耗管理、生产调度等具体需求出发，寻找技术应用的切入点；二是已有数据的开发利用，长期积累的生产记录，需要通过质量治理和规范组织，提高可用性与复用效率；三是人工智能的场景化应用，将模型能力与实际工况、业务流程相结合，并通过应用效果验证投入价值。由此看，企业推进数智化转型，可以先梳理需要解决的生产问题、能够利用的数据资源，以及预期改善的业务指标，再选择适合的技术路径。
此次《意见》强调的科技创新、实体经济与数字经济深度融合、“人工智能+”等方向，与天谋科技长期以来围绕工业时序数据管理和智能分析开展的技术研发与产业实践高度契合。
从 Apache IoTDB 的早期研发与开源发展，到企业级时序数据库 TimechoDB 的产品化，再到时序基础模型、数据治理、数据集构建与智能体等方向的持续探索，天谋科技及其核心团队多年来一直在思考一个问题：
工业现场每天都在产生海量数据，如何让这些数据不只是被存储和记录，而是真正用于分析、预测，并服务于生产经营？
一、筑牢数据底座：让工业数据存得下、管得好
在工业现场，温度、压力、振动、电流、设备状态等数据每时每刻都在产生。一座工厂可能有数十万甚至数百万个测点，一套大型工业平台需要同时处理大量设备持续上报的信息，而电力、轨道交通等行业还需要保存和分析长期历史数据。
面对这些数据，数据库不仅要解决存储容量问题，还要兼顾持续高并发写入、数据压缩、快速查询、分布式管理和系统稳定性。
这正是 Apache IoTDB 诞生的背景。
自 2011 年起，清华大学软件学院相关科研团队便开始开展工业物联网时序数据管理技术研究。2017 年，IoTDB 在 GitHub 开源；2018 年进入 Apache 软件基金会孵化器，并于 2020 年正式毕业成为 Apache 顶级项目。
天谋科技由 Apache IoTDB 核心团队创立，基于这一开源技术体系持续研发企业级时序数据库 TimechoDB，面向工业用户对性能、可靠性、安全性及运维管理的需求，不断完善产品能力。
从底层时序文件格式 Apache TsFile，到面向不同业务需求的树表双模型，再到图片、音频、视频等多模态时序数据管理能力，相关技术也在随着工业场景的变化持续演进。
在基础软件安全可靠与自主创新方面，TimechoDB V2.0 于 2026 年 5 月通过安全可靠测评，获评分布式数据库 I 级；基于 IoTDB 研发的相关数据库产品也已入选国家首版次软件评测相关名单。
天谋科技通过首版次软件评测与安全可靠测评
(相应成果参见文末延伸阅读)
值得关注的是，《意见》提出加快突破关键核心技术、促进技术迭代升级。国家发展改革委随后发布的系列专家解读文章还进一步提及首版次软件的激励与风险补偿制度，强调通过应用牵引促进新技术产业化。
(国家发改委关于《意见》文章的解读参见文末延伸阅读)
对于工业基础软件而言，技术创新需要长期的研发投入。
也需要在实际应用中不断接受验证。从科研成果到开源项目，再到企业级产品和工业现场的规模化应用，Apache IoTDB 与 TimechoDB 的发展正是这样一个持续积累的过程。
2026 年以来，相关技术在产品研发、安全可靠、科研成果转化和国际交流等方面取得了一系列新的进展，也为后续产业应用提供了更多支撑。
二、提升数据质量：让海量数据真正成为可用的数据资源
数据库解决了数据的管理问题，但将数据存储下来，并不意味着这些数据就能直接用于分析，更不意味着它们已经满足人工智能的训练需求。
在实际工业场景中，来自不同设备和系统的数据往往有着不同的采样频率、时间精度和组织方式。部分数据存在缺失、异常、时间戳错位等问题，历史数据也可能因为缺乏统一管理而难以复用。
例如，要利用设备过去几年的运行数据训练故障预测模型，首先需要明确哪些数据可以使用、不同传感器的数据如何对齐、异常记录如何处理，以及怎样从连续数据中构建适合训练和评估的样本。
这些工作需要专门的数据治理与数据准备能力。
《意见》提出，促进实体经济和数字经济深度融合，健全数据产权相关制度，充分释放数据要素潜能。对工业企业来说，提高数据的质量、可用性和复用效率，是进一步发挥数据价值的重要基础。
围绕这些需求，天谋科技持续完善时序数据治理与数据集构建能力，支持数据质量评估、数据加工、样本组织与数据集管理，帮助企业将长期积累的原始时序数据整理为可用于后续分析和模型训练的数据资源。
与此同时，团队也在推动 Apache TsFile 从数据库底层存储格式，进一步拓展为面向时序数据交换、管理和 AI 应用的开放文件载体，并积极推进其与人工智能数据生态的集成。
这些工作的价值，不仅在于构建可用的数据集，也在于让数据处理过程更加规范、可复用，减少后续模型开发和业务应用中重复进行数据准备的成本。
工业数据的价值，正在从过去主要用于监控、查询和历史追溯，逐步延伸到模型训练、预测分析和更广泛的智能应用。
三、从数据分析到智能应用：推动时序数据库与 AI 深度融合
工业数据价值的释放，从来不是单靠某一项技术就能实现的。从数据管理、数据治理到智能分析，天谋科技多年来持续探索的，正是如何让这些能力相互协同，真正服务于工业生产和业务需求。
随着人工智能技术的发展，工业企业对时序数据的利用方式也在发生变化。
过去，企业更多利用历史数据进行查询、统计、可视化与规则告警。如今，越来越多的场景开始提出进一步的需求：能否根据设备运行趋势提前发现异常？能否预测未来一段时间的电力负荷？能否利用已有的历史数据，为设备维护和生产调度提供参考？
这些问题需要的不只是更快的数据库，也需要能够学习时间序列变化规律的智能模型。
与主要面向自然语言处理任务的语言大模型相比，时序基础模型更关注连续数值随时间变化的规律，包括趋势、周期性、变量之间的关联以及复杂波动等特征，并通过大规模预训练，探索提高模型在不同任务和数据集上的适用能力。
天谋科技与清华大学软件学院长期开展产学研合作，围绕清华科研团队研发的 Timer 系列时序基础模型，持续推进相关技术的工程化和产业应用。
基于这一技术方向，TimechoAI 时序大模型服务平台将数据质量评估、数据治理、模型训练、推理和效果评估等环节衔接起来，支持时序预测、异常检测等任务，并探索利用企业自身积累的工况数据，训练适合特定场景的时序模型。
通过与 TimechoDB 等数据管理系统协同，工业企业可以减少从历史数据提取、加工到模型训练与调用之间的重复工作，让数据更便捷地进入 AI 分析流程。
与此同时，天谋科技也在推进智能体技术与时序数据系统的结合。通过 TimechoAgent，利用 Skills、CLI、MCP 等技术连接数据库、模型与用户交互，探索通过自然语言完成数据查询、质量评估、模型预测及结果回写等任务，让专业的数据分析能力更方便地被业务人员使用。
2026 年 8 月，在以 DB × AI 为主题的时序数据技术创新大会上，天谋科技正式发布了由 Apache TsFile、TimechoDB、TimechoAI 和 TimechoAgent 等组成的多模态时序数智化软件栈，将技术能力从数据管理进一步延伸至模型训练、推理与智能应用。
从 DB + AI 到 DB × AI，变化并不只是把模型接到数据库后面，而是进一步探索数据管理、数据治理、模型分析与业务应用之间更紧密的协同。
数据库提供持续、可靠的数据供给，数据治理和数据集管理提高数据可用性，时序基础模型承担预测与分析任务，智能体则为这些能力的使用提供新的交互方式。
对于工业企业而言，这些技术之间的协同，有望减少数据与模型之间的使用障碍，让已经积累的数据更方便地进入实际业务流程。
四、深入产业现场：让技术创新在实际应用中创造价值
发展新质生产力，既包括培育新兴产业和未来产业，也包括利用新技术改造提升传统产业。
这也是工业数据技术价值最直接的体现：技术最终要解决生产现场的问题。
多年来，Apache IoTDB 已在能源电力、钢铁制造、轨道交通、油气化工等行业得到应用。不同场景面临的问题各不相同，但都对数据的持续管理和高效利用提出了实际需求。
在核电领域，Apache IoTDB 为跨基地工业数据的集中管理和分析提供支撑。
中核武汉在核电工业互联网平台建设中，采用 IoTDB 作为时序数据服务的核心组件，面向多个核电基地提供数据接入、存储、查询与同步能力。
此前公开的案例数据显示，相关平台实现了约 50.3 万个实时测点的数据接入和管理，累计处理超过 4000 亿条时序数据。通过集团中心与各核电基地的协同部署，为设备可靠性管理、关键设备状态分析、运行数字孪生等业务提供数据支撑。
在钢铁行业，工业数据的规模化管理则与设备智能运维紧密结合。
宝武装备智能科技有限公司（宝武智维）围绕钢铁设备的远程监测与智能运维需求，构建覆盖多个生产基地的工业数据平台，并采用 Apache IoTDB 作为大规模时序数据管理的核心组件。
根据此前公开的案例，宝武智维云平台已覆盖宝武集团 21 大生产基地，接入超过 60 万台设备，管理的数据总量超过 5 PB。通过对原有时序数据管理架构的改造，平台提升了海量数据的写入、存储和查询效率，也为设备状态监测、故障分析和智能模型应用提供了更充分的数据支持。
核电与钢铁，一个对安全可靠和长期稳定运行有着很高要求，一个面临着庞大的设备规模和复杂的生产工况。这些实践说明，工业数据基础设施不仅需要在性能测试中表现良好，更需要能够适应长期运行、多系统协同和不断变化的业务需求。
从实时监控、历史追溯到状态分析，再到进一步引入人工智能模型，数据技术所创造的价值，往往体现在一个个具体问题的解决中。
写在最后
从时序数据库到时序基础模型，从数据治理到智能体应用，技术在不断发展，但工业企业面临的许多基本问题始终没有改变：如何管理日益增长的数据，如何减少数据使用的成本，如何让分析结果真正服务于生产与业务。
此次《关于发展新质生产力的意见》对科技创新、产业升级、数据要素与人工智能应用作出了更加系统的部署，也为工业数据技术的持续创新和应用拓展提供了新的发展背景。
对天谋科技而言，长期以来的技术研发与产业实践仍将继续。我们将进一步完善时序数据库、时序基础模型及相关数据工具，让这些能力更好地协同，帮助工业企业更高效地管理和利用数据。
让数据真正用起来，在一个个具体的工业场景中创造价值，是天谋科技长期投入、也将继续坚持的方向。
延伸阅读
政策参考
技术创新与产品进展
工业应用案例
