人工智能中最有价值的数据集是无人保留的数据集

在第一版中，我曾论证下一代人工智能——世界模型、物理人工智能——将在从未上线的数据上取得胜利。这就是我的论点。

本版是证明，而且比我预期的要窄。因为当你停止理论化并真正倾听市场——来自真实经济的数千个有日期、独立的数据信号——它并没有指向一个模糊的“工业数据”机会。它一次又一次地指向一个数据集。

以下是我们两个月倾听所学到的。

1. 机器听到了什么：5,000 个信号，一种反复出现的形态

我们的平台运行在一个简单、刻意不炒作的原则上，我们称之为信号优先：我们不从关于数据在哪里的观点开始。我们从事实开始——一轮融资、一次并购交易、一次数据合作、一次招标、一次物联网部署、一次监管备案——每一个都有日期，每一个都来自行业媒体，每一个都指向一个产生数据的主题。

在过去八周里，引擎收集了约 5,000 个此类信号。然后它做了一件重要的事情：它拒绝信任任何一个信号。一个主题只有在至少三个独立来源汇聚于它时，才能成为一个真正的“细分市场”——这是防止一个响亮标题炒作的护栏。在此标准下，195 个细分市场通过了确认。

而这才是引人注目的部分。这约 5,000 个信号产生了数千个潜在主题——但它们会收敛为少数几个家族，而每一个家族都代表着物理经济的运作：

• 能源、电网、可再生能源与存储——约 1,000 个集群，约 2,500 个信号
• 供应链、物流与货运——约 620 个集群，约 2,200 个信号
• 机器人与工业自动化——约 455 个集群，约 1,500 个信号
• 出行、电动汽车、汽车与车队——约 530 个集群，约 1,350 个信号
• 采矿、关键矿产与材料——约 310 个集群，约 1,000 个信号

不是“人工智能”。不是“大型语言模型”。不是网络。市场一直在谈论在真实世界中运行的机器——以及，隐含地，那些机器每秒产生且无人维护的数据。

2. 问“什么数据，为谁？”——它会收敛到一个细分市场

信号告诉你热点在哪里。真正的问题是：这实际上产生了什么数据集，谁会为此付费？

我们现在已经绘制了413 个真实数据持有者（比上一版中的 311 个有所增加——地图正在复利增长）。当我们对每个持有者实际拥有的数据进行分类时，分布并非平坦。一个细分市场远远领先于其他所有细分市场：

• 我们所绘制的每个持有者中有 43% 都归结为相同的用例：预测性维护——413 个中的 179 个。排名靠后的（工业监控、文档智能、监管 RAG、诊断 AI）远远落后。
• 这 179 个中的 100% 都是时间序列数据。每一个都是。机器日志、传感器遥测、车队遥测——物理世界的原始信号，带有时间戳。
• 它干净利落地跨越了各个行业：工业（89）、出行/车队（58）、能源与其他（23）、医疗保健（7）——与信号所强调的家族相同。
• 需求方有一个主导的买家画像：工业人工智能和维护优化供应商。

这是我们收集到的所有信息中最常出现、最独立确认的模式。市场并非在寻找“数据”。它在寻找预测性维护时间序列——并且它在响亮地呼唤。

3. 为什么是这个细分市场，而不是其他市场：问题的成本是惊人的

预测性维护并非偶然成为最普遍的细分市场。它建立在全球经济中最大的未解决成本之一之上。

根据西门子公司的2024 年停机真实成本报告，全球 500 家最大公司每年因计划外停机损失估计达1.4 万亿美元——相当于其收入的 11%，约等于西班牙的 GDP。在最糟糕的情况下，汽车工厂每小时计划外停机现在成本高达230 万美元——每秒超过 600 美元——自 2019 年以来，每小时的成本大约翻了一番。

这正是预测性维护旨在解决的痛点。因此，其市场是真实的，而非承诺：独立分析师估计，到 2025 年，全球预测性维护市场的规模约为130 亿至 140 亿美元（Grand View 约 142 亿美元；Fortune Business Insights 约 136.5 亿美元；Mordor 约 141 亿美元；MarketsandMarkets 约 121 亿美元）。增长估计差异很大——从约 11% 到约 34% 的复合年增长率，具体取决于公司——因此请将增长率视为一个范围，而不是一个确定的数字。但方向是明确的：向上并向右，持续十年。

一个巨大的、量化的、经常发生的成本——而解决它的数据正是我们的持有者未充分利用的数据。

4. 为什么无法抓取：这些数据存在于防火墙后面

这就是为什么这个细分市场在结构上与实验室已经耗尽的网络文本市场不同。

预测性维护时间序列不在互联网上，而且永远不会在互联网上。它存在于 SCADA 系统、工厂历史数据库、CMMS 数据库和 PLC 中——位于运营防火墙后面，其格式是为了控制而构建，而不是为了发布。没有爬虫能够访问它。

而且其中大部分甚至从未被使用过。引用最多的数字——Seagate 和 IDC 的Rethink Data——发现企业可用的数据中只有32% 被投入使用；另外 68% 未被利用（2020 年）。Forrester 估计，未用于分析的企业数据比例为60-73%（2016 年）。这些数字比较旧，而且是关于企业数据总体的——但它们准确地描述了每个工厂、电网和车队中闲置的储备。

只要一个公司设法聚合了其中一小部分，其规模就可见一斑。在其 SEC 文件中，互联运营公司Samsara报告称，每年有超过25 万亿个数据点通过其平台流动——并明确表示，“传感器、计算……的成本和可用性阻碍了对物理运营数据的广泛分析。”二十五万亿个数据点，而这只是一个私有平台。其余的都是未知的。

这就是稀缺资产的定义：巨大、有价值，并且对所有想对其进行训练的人来说都是封闭的。

5. 买家已经到来——他们是一类全新的模型

多年来，“谁会购买运营时间序列？”是一个合理的问题。在 2024 年，这个问题不再存在——因为一整类新的人工智能出现了，它们恰恰需要这个。

过去两年产生了第一波时间序列基础模型：谷歌的TimesFM、亚马逊的Chronos、Salesforce 的Moirai、IBM 的Granite / Tiny Time Mixers、CMU 的MOMENT、Nixtla 的TimeGPT。与改变文本和图像的“预训练一个大模型，泛化到所有地方”的配方相同——现在针对的是随时间变化的信号。

但它们遇到了我们一直在描述的同样的障碍。谷歌的 TimesFM 是在约 1000 亿个时间点上预训练的，这些时间点大部分来自 Google Trends 和 Wikipedia 页面浏览量——公共网络数据，而不是一小时的 SCADA 或传感器遥测数据。构建这些模型的 शोध者们直言不讳：

“基础模型通过在大型、结构一致的语料库上进行预训练，彻底改变了视觉和语言——然而工业时间序列没有类似的基底。”——FactoryNet, 2026

“与语言不同，语言拥有海量的公共预训练数据（以 TB 为单位），时间序列数据相对稀缺，非常多样化且公开有限。”——IBM Research, Tiny Time Mixers (NeurIPS 2024)

资本遵循同样的逻辑。机器健康专家Augury以10 亿美元以上的估值筹集了 7500 万美元（2025 年 2 月）；工业维护平台Tractian筹集了1.2 亿美元（2024 年 12 月）。预测性维护数据的买家不再是假设性的。他们已经获得资金，正在建设，并且极度渴望我们 413 个持有者所拥有的储备。

底线

第一版说下一代人工智能需要从未在线的数据。第二版告诉你哪种数据，因为市场一直在指向它：来自物理经济的预测性维护时间序列——机器、电网、车队、矿山。

这是我们收集到的最常出现的信号。这是我们绘制的最大的细分市场（占每个持有者的 43%）。它 100% 是时间序列数据。它建立在一个每年 1.4 万亿美元的问题之上。它无法被抓取。并且一类全新的基础模型刚刚出现，无法在没有它的情况下进行训练。

一方面：运营商拥有稀缺的、未被利用的资产——通常没有意识到它是未来十年人工智能的燃料。另一方面：新一代模型及其周围的供应商，准备为此付费。两者之间缺失的是匹配、验证和信任交易的基础设施。

这就是我们正在构建的。

如果您运营机器、电网、车队或工厂——您几乎肯定拥有预测性维护时间序列，有人现在愿意为此付费。如果您正在构建需要真实运营信号的人工智能——这就是它的所在地。无论哪种方式，现在都是时候谈谈了。

— Salim Labriki, d-nvest

方法说明：市场规模数据是专有的供应商估计，按公司归属；在分析师意见不一致的地方（尤其是在复合年增长率方面），我们显示范围而不是选择一个数字。“信号”是带有日期的外部事实（媒体/注册表）；只有当≥3 个独立来源汇聚于一个主题时，该主题才被计为合格。