百分点科技苏萌：百思数据治理大模型将治理方法论“产品化”

11月16日，在“2025第四届数据治理年会”主论坛上，国内数据智能企业百分点科技正式发布百思数据治理大模型与百思数据治理平台(AI-DG)。作为业内首个深度聚焦数据治理领域的垂直大模型，此次发布标志着该领域正从以专家经验为核心的传统模式，向大模型驱动的“智能自治”新纪元演进。

“未来的AI竞争中，比参数规模更重要的是场景深度。”百分点科技CEO苏萌表示，“百思大模型的意义，不仅在于技术突破，更在于它把十年沉淀的治理方法论‘产品化’，进而赋能行业和客户完成高质量、高效率、高价值的数据治理。”

百思大模型以“知识+推理”定义治理智能

据介绍，百思大模型成为业内首个深度聚焦数据治理垂直领域的专业大模型。该模型以“知识+推理”为核心，构建了覆盖数据治理全生命周期的智能能力体系，深度融合数据治理专家、业务分析师、架构师等多角色知识，通过多阶段训练与模型融合，形成了集知识理解、智能规划、数据治理资产构建与价值分析于一体的全链路治理智能。

百思大模型具备深度语义解析与多步骤逻辑推理能力，可实时响应复杂治理问题，提供规则解读、标准对照与最佳实践推荐，实现专家知识的系统化传承与普惠化应用。基于客户战略目标与数据现状，自动生成涵盖规划设计、流程构建、资源调配的端到端治理方案，通过多行业场景知识库实现个性化匹配与动态优化。同时，依托强大的结构化生成能力，实现数据模型设计、质量规则配置、资产目录构建等关键工作的自动化，推动治理模式从“项目交付”向“资产运营”转型升级。智能评估数据治理对业务目标的支撑效果，动态追踪关键价值指标，精准回答“治理是否有效”的核心问题。

百思大模型基于先进开源基座模型开展深度领域适配，创新性提出数据治理“知识原语”理念，将复杂的数据治理知识体系解构为可计算、可组合的语义单元，构建了精准且可扩展的语义理解基础。

通过“通用指令学习领域增强能力对齐”的多阶段训练策略，针对不同治理业务域分别构建多个具备深度专业能力的“领域专家模型”。在此基础上，结合模型融合与知识回放等前沿技术，对多领域专家模型进行协同整合与能力升华，在充分吸收专业知识的同时有效抑制语义漂移与知识遗忘，最终形成统一的组织级大模型，全面覆盖领域知识、实施规划与执行技能等核心能力。

AI-DG以“对话+协同”实现治理闭环

AI-DG平台作为百思大模型的深度协同伙伴，承担着从“智能决策”到“高效执行”的关键使命。这一以大模型为核心、多智能体协作为载体、AI自主工程化交付为目标的下一代数据治理平台，正在重塑企业数据治理的实施范式。实践表明，平台可帮助客户将数据治理项目交付周期缩短70%以上，运营成本降低50%以上，其突破性成效源于对传统治理模式的系统性重构。

平台采用“对话式治理”新模式，用户通过自然语言描述业务需求，系统即可精准理解意图并自动调度多智能体协同工作，完成数据探查、标准制定、模型设计与集成开发的全链路任务。该创新交互将传统数月的设计开发周期压缩至天级，显著提升业务团队参与深度和治理效率。

围绕标准、质量、处理、安全等领域构建的专业智能体形成高度协同的执行体系。面对复杂治理任务时，各智能体基于领域知识自动分工、紧密配合，彻底解决传统治理中依赖人工传递导致的流程碎片化问题。这种自动化的任务流水线极大减少人工与重复劳动，从根源上降低人力成本与沟通损耗。

平台基于AI-Ready架构与智能体协同机制，提供体系化与场景化双模式治理能力。在体系化模式下，支持企业从战略规划入手，完成数据标准制定、模型设计到资产运营的全链路体系建设，确保治理系统化推进；在场景化模式下，用户通过自然语言描述业务痛点，系统即可智能解析并生成定制化实施路径，快速解决特定场景的数据问题。两种模式均依托多智能体协作与AI算法持续优化，在降低技术门槛的同时保障治理精准性与资源效率。

平台融合多模态数据处理能力，通过统一治理体系打破文本、图像、音视频等异构数据壁垒，实现结构化与非结构化数据的标准化管理；依托多模态模型自动提取实体、标签及语义关联，显著提升处理效率与准确性；同时支持跨模态联合分析，深度挖掘数据潜在联系，为业务提供多维度洞察，助力政企构建高质量、可运营的数据资产体系。

面对政务与央国企对数据安全与自主可控的迫切需求，百思大模型与AI-DG实现全栈信创适配，深度兼容国产化芯片、操作系统及数据库生态，支持灵活的本地化与私有云部署方案。平台严格遵循国家数据安全与合规标准，构建了“数据不出域、模型可审计、过程可追溯”的全链路安全保障体系，在确保数据治理全过程自主可控的同时，有效规避技术绑定风险。

此次百思大模型与百思数据治理平台的发布，不仅是百分点科技在Data+AI领域长期深耕的成果，更是对整个数据智能产业发展的有力牵引。它预示着，一个更智能、更高效、更经济的数据“智理”时代，正由蓝图加速照进现实。

免责声明：该文章系本站转载，旨在为读者提供更多信息资讯。所涉内容不构成投资、消费建议，仅供读者参考。