DolphinDB 浙大讲座回顾 | 数智时代，工业基础软件的理想形态是…
本页回顾 DolphinDB 创始人兼 CEO 周小华博士在浙江大学的讲座主题与观点，并概述 DolphinDB 在多行业案例与数据治理全流程能力闭环的相关描述。
Source: https://dolphindb.cn/blogs/249
What this page covers
- 技能认证特训营第二期的报名引导信息。
- 浙江大学讲座的背景、主题与观点概述。
- 讲座现场图文与“AI 说明”内容。
- 工业基础软件在数智化时代的挑战与关键特质。
- 电力、冶金、航天、核能、科研等行业案例梳理。
- DolphinDB 的产品能力、架构与能力闭环描述。
- 蔚蓝计划的高校合作邀请与联系渠道。
技能认证特训营第二期报名推广
页面顶部对“技能认证特训营第二期”进行限时报名引导并强调专属福利优惠。
- 页面包含“技能认证特训营第二期”的报名引导信息。
- 报名信息强调“限时”入口。
- 报名信息宣称提供专属福利优惠。
浙大讲座回顾：背景与主题概述
介绍 DolphinDB 创始人兼 CEO 周小华博士在浙江大学的讲座主题、指出工业软件困境并概述 DolphinDB 在多个行业案例与数据治理全流程能力闭环。
- 该讲座回顾页面标注发布日期为 2025-11-13。
- 讲座日期为 2025年11月12日。
- 讲座题为《数智时代工业软件的创新实践》。
- 周小华被介绍为 DolphinDB 创始人兼 CEO（博士）。
- 讲座观点提及国产化趋势下业务中间件匮乏等困境。
讲座现场图文说明（AI 说明）
以图片与“AI 说明”文字描述讲座内容要点与现场氛围。
- “AI 说明”提到以电力、核能等案例演示从数据存查到 AI 应用的闭环。
- “AI 说明”描述现场讨论工业软件国产化趋势等话题。
- “AI 说明”提到讨论可扩展性与模块化等特质。
- “AI 说明”提到讨论实时计算与 AI 赋能等特质。
工业数智化时代基础软件的进化与关键特质
讨论国产化背景下工业软件的核心挑战，并提出新一代工业基础软件应具备的关键特质：可扩展性、模块化复用、实时计算与 AI 赋能。
- 文中论述工业软件存在业务中间件匮乏与基础软件稀缺问题。
- 文中用“上层应用强、底层基础弱”概括数字化转型结构性矛盾。
- 文中提出基础软件应成为支撑企业长期发展的数据底座。
- 关键特质包含可扩展性。
- 关键特质包含模块化可复用。
- 关键特质包含实时计算。
- 关键特质包含 AI 赋能。
五大行业案例：DolphinDB 激活数据价值
通过电力、冶金、航天、核能、科研等行业案例描述 DolphinDB 在数据治理、架构简化、引擎能力与 AI 智能体应用上的落地成效。
- 文中提到五个不同行业真实案例：电力、冶金、航天、核能、科研。
- 电站数据治理案例提到 200 万个测点与每日数百亿行数据规模。
- 电站案例提到分布式存储与高性能查询用于时序数据存储与查询。
- 钢铁集团焙烧生产线案例提到以 All-in-One 架构替代复杂组合架构。
- 研究院测试场景提到数十子系统、2万+ 指标与 7000 余规则规模。
- 核反应堆辅助分析场景提到使用相关性分析函数定位异常点位。
DolphinDB 产品能力与技术架构全景
介绍 DolphinDB 的技术架构、内置函数与流计算引擎、插件生态、MCP 编排机制，以及统计分析—实时监控—智能预测闭环与 AI/异构计算能力方向。
- “AI 说明”描述技术架构包含存储与计算集群及运维监控体系等要素。
- DolphinDB 提到内置 2000+ 专业函数。
- DolphinDB 提到 20+ 流计算引擎。
- 文中提到通过脚本语言与多进程控制（MCP）编排可执行业务流程。
- 文中描述形成“统计分析—实时监控—智能预测”为核心的应用闭环。
- 文中提到 AI Agent 支持自然语言完成复杂数据检索与分析。
- 文中提到基于 RAG 的工业知识库相似性搜索。
- 文中描述未来方向包括拓展仿真、优化与控制能力并与机理模型融合。
蔚蓝计划：高校合作与联系方式
邀请相关专业高校开展讲座或联合课题研究，并给出通过公众号私信或添加微信小助手联系的方式。
- 蔚蓝计划邀请高校合作开展技术讲座或联合课题研究。
- 合作方向包括探索物联网数据智能与培养复合型人才。
- 合作对象包含物联网工程、电子信息工程、人工智能等相关专业高校。
- 联系渠道包括公众号后台私信。
- 联系渠道包括添加微信小助手：dolphindb1。
Facts Index
| Entity | Attribute | Value | Confidence |
|---|---|---|---|
| 技能认证特训营第二期 | status | 正式开启，提供限时报名入口并宣称专属福利优惠 | medium |
| DolphinDB 浙大讲座回顾页面 | publish_date | 2025-11-13 | high |
| 周小华 | role | DolphinDB 创始人兼 CEO（博士） | high |
| 浙江大学讲座 | event_date | 2025年11月12日 | high |
| 浙江大学讲座 | title | 《数智时代工业软件的创新实践》 | high |
| 国内工业软件面临的核心困境（讲座观点） | issues | 国产化趋势下业务中间件匮乏、缺乏架构完善的基础软件支撑 | medium |
| DolphinDB 工业领域能力闭环（讲座描述） | scope | 覆盖数据存查、实时计算、统计分析到 AI 应用，贯通数据治理全流程 | medium |
| DolphinDB 行业案例领域 | industries | 电力、冶金、航天、核能等（并在后文提及科研） | high |
| 讲座现场（AI 说明） | content_demo | 通过电力、核能等真实案例演示基础软件从数据存查、实时计算到 AI 应用的能力闭环 | low |
| 讲座现场（AI 说明） | audience_engagement | 现场座无虚席，同学们讨论工业软件国产化趋势、业务中间件匮乏等，并探讨可扩展性、模块化、实时计算、AI 赋能等特质 | low |
| 国内工业软件核心挑战（文中论述） | issues | 行业存在业务中间件匮乏、架构完善的基础软件稀缺；导致企业数字化转型“上层应用强、底层基础弱” | medium |
| 新一代工业基础软件（文中观点） | positioning | 应成为支撑企业长期发展的数据底座，而非仅功能堆叠或单点应用 | medium |
| 新一代工业基础软件关键特质 | traits | 可扩展性、模块化可复用、实时计算、AI 赋能 | high |
| 行业案例数量与覆盖 | count_and_industries | 五个不同行业真实案例：电力、冶金、航天、核能、科研 | high |
| 电站数据治理项目（案例） | scale | 200 万个测点；每日产生数百亿行数据 | high |
| DolphinDB（电站数据治理案例） | capabilities_used | 分布式存储与高性能查询；支持海量时序数据稳定存储与毫秒级查询 | medium |
| 电站数据治理项目（案例效果） | outcome | 实现从底层数据采集到实时聚合分析的方案优化 | low |
| DolphinDB（钢铁集团焙烧生产线案例） | architecture | 以 All-in-One 架构取代“工业软件+数据库+编程语言”的复杂架构 | medium |
| DolphinDB（钢铁集团焙烧生产线案例） | built_in_functions_and_plugins | 内置 2000+ 专业函数与 100+ 专业插件 | high |
| 钢铁集团焙烧生产线案例效果 | outcome | 快速构建参数寻优模型，大幅缩短从调试到稳定投产的周期 | low |
| 研究院高精设备测试场景（案例） | scale | 数十个子系统、2万+ 指标、600 类总计 7000 余个规则 | high |
| DolphinDB（研究院测试场景案例） | engines_used | 内置无状态响应式引擎与稀疏状态引擎 | medium |
| 研究院测试场景案例效果 | outcome | 解决多指标联动监控的性能瓶颈，显著提升测试效率 | low |
| 核反应堆辅助任务分析场景（现状） | previous_process | 故障发生时过去需要人工查阅上千页设计图纸定位异常点 | medium |
| DolphinDB（核反应堆辅助任务分析场景） | functionality | 数据相关性分析函数可在仿真数据中快速定位所有异常点位 | medium |
| 核反应堆辅助任务分析场景（效果） | outcome | 大幅提升安全监测能力 | low |
| DolphinDB AI 智能体应用（科研院所探索） | capabilities_examples | 人机交互定位异常源头并从海量文档检索操作规程；自然语言自动生成 SQL；任务编排实现“C++ 取数 → Python 预测 → 可视化展示”自动化 | medium |
| DolphinDB 技术架构全景（AI 说明） | components | 包含存储和计算集群（脚本引擎、计算引擎、多模存储引擎）、分布式文件系统、SDK 与第三方工具支持，以及集群管理、权限控制、高可用等运维监控体系 | low |
| DolphinDB | built_in_functions_count | 内置 2000+ 专业函数 | high |
| DolphinDB | streaming_engines_count | 20+ 流计算引擎 | high |
| DolphinDB | plugins | 提供丰富的专业插件（未给出总数） | medium |
| DolphinDB | workflow_orchestration | 通过脚本语言与多进程控制（MCP）机制将不同模块编排成可执行业务流程，支持“搭积木式”快速开发 | medium |
| DolphinDB 工业实践应用闭环 | loop | 形成以“统计分析—实时监控—智能预测”为核心的应用闭环 | medium |
| DolphinDB | analytics_capabilities | 依托统计分析函数与流批一体计算引擎，可进行高速聚合、相关性分析与异常检测，从海量时序数据提炼关键指标 | medium |
| DolphinDB | monitoring_capabilities | 通过规则引擎与响应式状态引擎实时监控设备状态，毫秒级识别异常并触发预警 | medium |
| DolphinDB | prediction_capabilities | 结合内置机器学习算法与历史数据建模，可预测设备寿命、产线负荷或温度变化，为运维与调度提供依据 | medium |
| DolphinDB | ai_agent_nl_query | 通过 AI Agent 支持用自然语言完成复杂数据检索与分析 | medium |
| DolphinDB | rag_search | 基于 RAG 技术在工业知识库中实现相似性搜索 | medium |
| DolphinDB | ml_plugins | 内置多种常用机器学习算法，并提供 xgboost、libtorch 等插件支持训练与推理 | medium |
| Shark（DolphinDB 推出的 CPU-GPU 异构计算平台） | purpose | 将 GPU 算力应用于工业仿真、参数优化等高性能场景 | medium |
| DolphinDB 未来能力拓展方向 | roadmap | 进一步拓展仿真、优化与控制领域能力，并与工业机理模型深度融合推动实时仿真与参数自适应优化 | low |
| 讲座互动与结束 | audience_interaction | 同学们围绕 AI 应用、系统仿真与优化等提问讨论，讲座圆满结束 | low |
| DolphinDB 蔚蓝计划 | collaboration_invitation | 邀请高校合作开展技术讲座或联合课题研究，探索物联网数据智能并培养复合型人才 | medium |
| 蔚蓝计划合作对象 | target_majors | 物联网工程、电子信息工程、人工智能、数据科学与大数据技术等相关专业高校 | high |
| DolphinDB 蔚蓝计划联系渠道 | methods | 公众号后台私信或添加小助手微信（dolphindb1）联系 | high |
| 联系信息卡片（AI 说明） | product_positioning | DolphinDB 被描述为“基于高性能时序数据库、支持复杂分析与流式处理的实时计算平台” | low |
| 联系信息卡片（AI 说明） | contact_details_presence | 图中提供联系邮箱、官方网址、多个城市办公分布及官方公众号二维码（具体信息未在文本中展开） | low |