4 月 29 日，清華團隊揭秘：時序大模型如何讓數據“活”起來線上直播圓滿結束。清華大學軟件學院博士生，IoTDB 原生機器學習引擎 AINode 研發同學劉雍在線上面向數千人次的時序數據分析人員與 AI 大模型行業關注者，就時序大模型的發展趨勢，清華團隊自研時序大模型成果，與基于 IoTDB AINode 構建的時序分析系統進行了深度講解。

感謝線上參與聆聽、提出問題的所有朋友，完整直播回放可在?Apache IoTDB/天謀科技視頻號觀看。下面我們將為您梳理此次直播的主要內容，方便您依據內容進行回顧：

01

時序大模型：

基于深度學習的時序分析工具

工業 4.0 與大數據時代，對于時序數據的管理應用愈發受到重視，多產業目前處在從“采數”到“用數”轉變的關鍵轉型期，急需實現時序預測、異常檢測、時序填補、時序分類等功能。而旨在設計模型結構，從海量數據中自動挖掘模式與特征的深度學習技術，無疑是實現時序分析場景的合適選擇。

面對傳統時序分析的諸多挑戰，面向時序數據特性設計、專門服務時序分析的時序大模型領域發展迅速。通過規模預訓練與模型微調提升適配性，時序大模型有望推進時序數據領域的通用感知與決策智能化。

02

Timer、Timer-XL、Sundial：

預測效果優勢明顯

清華大學團隊持續深耕時序大模型研發，自研實現?Timer、Timer-XL、Sundial（日晷）等多項研發成果，在少量數據泛化、動態回溯窗口、預測上下文通用性、引入生成式預測等方向均實現架構與功能創新。

基于龐大數據量的預訓練建模，清華團隊自研時序大模型成果的預測效果和推理效率表現優異，超過國內外頭部模型，能以更小的推理代價實現卓越的零樣本預測準確性，并支持時序缺失填補、時序異常檢測等多類應用場景。

03

IoTDB AINode：

管理分析一體化引擎

受限于分析平臺與數據管理系統的集成難題，海量時序數據的分析價值依然亟待挖掘與釋放。為更好地在數據庫功能層面集成分析系統，降低分析門檻，減少數據遷移，時序數據庫 IoTDB 實現智能分析節點 AINode，集成前沿機器學習算法與深度模型，用戶可基于 SQL 在數據庫中實時構建、管理與調用智能算法。

目前，IoTDB AINode 已支持時序預測、異常檢測、時序標注等多類內置算法包與時序預測、時序基礎模型，同時能夠實現“一次編譯，多次加速”，顯著提升算法執行性能，為工業物聯網智能運維等場景提供強大的 AI 智能分析一體化支撐。

規上企業應用實例

能源電力：中核武漢｜國網信通產業集團｜華潤電力｜大唐先一｜上海電氣國軒｜清安儲能｜某儲能廠商｜太極股份

航天航空：中航機載共性｜北郵一號衛星

鋼鐵、金屬冶煉：寶武鋼鐵｜中冶賽迪｜中國恩菲

交通運輸：中車四方｜長安汽車｜城建智控｜德國鐵路

智慧工廠與物聯：PCB 龍頭企業｜博世力士樂｜德國寶馬｜北斗智慧物聯｜某物聯大廠｜昆侖數據｜怡養科技｜紹興安瑞思