企業AI轉向“小模型微調+多模態底座”，資料基建新市場。
AI落地的真正拐點，已經不在模型本身。
當通用大模型足夠強、足夠便宜之後，企業突然發現：真正卡脖子的，是自己的資料。散落在各處的交易記錄、文件、圖片、日誌，以及那些還沒被整理的向量，能不能被Agent真正用起來？
正是這一問，把資料層推到了台前。當資料庫的使用主體從人變成了海量Agent，資料類型從結構化擴展到多模態，要求也從“存得下”變成了統一管理、即時檢索、語義理解與安全合規。
這些變化正在重寫整個資料市場的邊界。
9月10日，2026 Inclusion·外灘大會《數智進化：讓多模態資料成為AI核心燃料》見解論壇上，IDC中國企業軟體市場研究經理王楠發佈最新研究。
研究重新劃定了“AI資料基礎設施”的版圖，並給出清晰判斷：中國市場將從2025年的約149億美元，增長到2030年的738億美元，到2035年有望達到約1兆人民幣規模。
兆級新市場正在打開，而最先卡位的，將是那些真正能把資料變成AI燃料的底座。
01.
大模型不適配真實生產環境
企業選擇“小模型微調+多模態底座”
通用大模型直接搬進企業生產環境，會遇到幾堵繞不過去的牆。
第一堵牆是成本。
通用大模型參數量大、推理開銷高，企業業務中每一次呼叫都在消耗算力。對於高頻、規模化的生產場景，全量呼叫通用大模型的token成本和GPU算力開銷，企業實在吃不消。
第二堵牆是延遲。
企業線上業務對響應時間的要求是毫秒級，而通用大模型動輒數秒的生成速度，無法嵌入交易、風控這類即時鏈路。
第三堵牆是幻覺與口徑。
通用大模型缺乏對企業自有資料口徑、業務規則和行業知識的理解，直接使用會導致回答失真。IDC在報告中提到，口徑不一會導致AI回答失真，企業因此正在優先考慮資料質量、資料血緣和中繼資料，以確保AI輸出的一致性和可信度。
第四堵牆是資料隱私與領域適配。
在金融、政務等強監管行業，資料不能出域，通用大模型無法直接接觸企業核心資料；而行業知識散落在企業內部的文件、報表、流程系統中，通用模型既不掌握，也難以獲取。
瓶頸既然在資料，解法也落在資料。
IDC此次研究給出的企業選型建議中，明確列出了一條關鍵路徑：擁抱“小模型+多模態底座”模式——聚焦建構強大的多模態資料底座，結合行業知識與場景資料，通過小模型微調實現高效、可控的生產級AI落地。
企業不需要在每一個業務環節都呼叫參數量最大的通用模型，而是用自有場景資料微調出小模型，讓模型在特定任務上足夠專、足夠快、足夠便宜。
而微調的前提，是企業能夠把散落在各處的資料——結構化的交易記錄、半結構化的日誌、非結構化的文件圖片，以及AI原生需要的向量資料——統一管理起來，形成可供模型消化的“燃料”。
這解釋了為什麼多模態資料底座成為必選項。
IDC資料顯示，企業新生成的資料資產中約90%為非結構化形態，文件、圖片、音視訊正在成為資料資產的主體。傳統資料架構主要圍繞結構化資料設計，處理這部分資料的能力缺口直接制約了AI落地。
02.
新路徑給資料基礎設施帶來衝擊
兆新市場誕生
“小模型+多模態底座”的生產級路徑，對傳統資料基礎設施的衝擊是全方位的。
螞蟻集團基於OceanBase的實踐顯示，當Agent成為基礎設施的使用方，其數量級遠超人類工程師。據介紹，螞蟻內部的AI應用平台“靈光”已累計生成數千萬個“閃應用”，平均每個僅百余行資料，99%處於沉睡狀態，極少數被喚醒時卻要求秒級響應。
這意味著資料底座要解決的不再是把一個庫做大，而是讓百萬級、千萬級的庫高密度共存、按需喚醒。
資料體量本身也在快速膨脹。IDC預計，中國資料生成量將從2025年的76.05ZB增長至2030年的146.65ZB，五年接近翻倍。
面對這個被重構的市場，IDC此次沒有沿用傳統的資料庫、資料倉儲分口徑統計，而是重新劃定了“AI資料基礎設施”的市場邊界，將其劃分為三大子市場：
AI資料管理平台
承擔多模態資料的統一管理和處理，是AI應用的資料底座。這是規模佔比最高的子市場。
AI資料智能
利用AI提升資料治理、分析和使用效率，包括AI輔助資料治理（用生成式AI提高資料目錄、分類分級、質量檢測、知識抽取和文件理解效率），以及Data Agent與資料產品。這是增速最快的子市場。
AI資料服務
從傳統資料標註向更複雜的資料工程和資料營運體系升級，RAG知識庫持續營運、Agent軌跡資料集建構、行業資料集更新等持續性服務佔比持續提升，多模態非結構化資料爆發帶動多模態、合成資料服務擴張。
據IDC資料，2025年中國AI資料基礎設施市場規模約為149億美元。IDC預測，2030年達到738億美元，2025年至2030年複合增長率37.7%；到2035年達到1548億美元（約合人民幣1兆元），較2025年增長超過10倍。
資料基礎設施市場的天花板，已經從百億級的資料庫市場，切換到兆級的AI資料基礎設施市場。
03.
OceanBase的新卡位：
AI資料基礎設施的底座與入口
IDC報告還提出，未來的競爭在於誰能夠率先形成覆蓋“資料管理—資料智能—資料服務—Agent消費”的完整閉環，而OceanBase的產品體系正在這一方向上佈局。
2026年6月29日，OceanBase發佈面向AI時代的湖庫一體AI資料庫，核心思路是將資料湖的開放與海量記憶體能力、資料庫的事務處理與分析能力，以及多模態資料處理能力，統一到一套資料架構中，為AI應用和Agent提供統一的資料基礎。
OceanBase Lakebase
湖庫一體的AI湖庫，原生支援結構化、半結構化、非結構化等多模態資料統一管理與處理，並融合即時分析、混合搜尋及開放計算等能力。
Lakebase同時提供DataStudio等資料生產、治理和服務能力
面向Agent場景的資料沙箱，支援大規模生產級Agent基於真實資料快速建立隔離環境，用於Agent評測、實驗和驗證。
OceanBase DataPilot
面向經營分析和業務決策的資料智能Agent，作為企業業務資料的智能入口，讓業務人員通過自然語言完成資料分析、報告生成和可信答案獲取，將底層資料能力進一步轉化為業務智能。
AI資料生態
OceanBase同時通過seekdb、ConyrxtSeek等開放原始碼專案持續拓展AI資料與Agent生態，進一步打通從資料到AI、從AI到Agent的技術鏈路，讓資料基礎設施能夠更直接地支撐AI應用的建構與運行。
這套產品組合正好對應IDC給出的市場分類的核心類股：Lakebase和seekdb對應AI資料平台，DataPilot和AgentSeek對應AI資料智能，DataStudio和持續資料服務對應AI資料服務。
OceanBase，承擔起了AI應用和Agent的統一資料底座與資料入口的新角色。
04.
目標是Databricks
OceanBase的增長空間才剛剛打開
市場格局變化了，OceanBase的價值自然需要重新定位。
傳統資料庫公司的估值邏輯，看的是市場份額、收入、利潤和雲化進度。在這個框架下，OceanBase面對的是分佈式事務型資料庫市場，天花板清晰可見。
然而，AI資料平台的估值邏輯看的是另一組指標：TAM（總可觸達市場）、平台化能力、Agent資料入口、生態閉環、全球對標。
按照這個標準，OceanBase的價值定位標竿就是Databricks。
這家2013年由Apache Spark創始團隊創立的公司，2026年8月13日完成50億美元戰略融資，估值1900億美元。
仔細看這兩家的產品，你會發現一個小細節：Databricks把面向Agent的資料庫產品命名為Lakebase，OceanBase把湖庫一體引擎也命名為Lakebase。
兩家從相反方向出發的公司——Databricks從資料湖和資料分析起家，向資料庫和企業應用延伸；OceanBase從分佈式資料庫和核心交易系統出發，向企業全量資料管理、Agent資料供給和資料服務拓展——把產品命名收斂到了同一個詞上。
用OceanBase CTO楊傳輝自己的話說就是：“不同的路，同一個終點。”
立足當前行業格局，OceanBase正處於高速成長的黃金起步階段。
據彭博2026年7月29日消息，OceanBase正在推進首輪A輪融資，目標融資規模20億至30億元人民幣，這也是其自誕生以來首次引入外部市場化資本。商業化層面，OceanBase 2026年年化收入突破14億元，同比增速高達70%。
若以Databricks估值1900億美元為目標，OceanBase的增長空間，將沒有天花板。
05.
結語：AI下半場的勝負手
在於資料基礎設施
IDC在報告中寫道：未來企業AI落地的競爭焦點將徹底從“模型軍備競賽”轉向“資料基建比拚”。
頭部模型的通用能力趨同且足以夠用。當好模型不再稀缺，稀缺的就變成了資料層的能力差異。
資料層的和模型層的邏輯不太一樣。資料基礎設施的建構周期長、涉及環節多、遷移成本高，一旦形成技術壁壘和客戶黏性，後來者很難在短時間內追上。這意味著，先行者的優勢會隨著時間推移不斷放大。
放在中國市場來看，這個判斷更加成立。中國不缺資料，也不缺場景。缺的是能把資料變成AI燃料的基礎設施。這個空白正在被填補，而填補它的公司，或將定義下一代企業資料平台的形態。 (智東西)