“Token的价值释放，不在于数据的多少，而在于数据AI-Ready的程度。

过去四十年，中国靠实体产业“站起来”。未来四十年，要靠生产性服务的智能化“走上去”。

11月4日，万联易达集团联合新华社《中国名牌》杂志社举办“2026产业智能体互联网峰会——AI重构生产性服务”乌镇咖荟，正式发布了产业智能体互联网产品WanSurfing。这是一个让智能体能够跨企业进行供需对接、商务洽谈的“A2A协作交易网络”。

但智能体要真正“谈成生意”，还缺两块地基：一是支撑模型训练和智能体执行的可信数据底座；二是智能体跨企业、跨域交互时的安全机制。

万联易达数据中心负责人周宜在接受数据猿采访时，用一句话给出了他的判断：“Token的价值释放，不在于数据的多少，而在于数据AI-Ready的程度。”

当智能体开始“谈生意”

然后呢？

这场会议的议题设置，没有停留在泛泛的“AI赋能产业”，而是把焦点对准在一个更具体的领域：生产性服务。中国拥有全球最完整的产业体系，正处在从产业大国向服务强国跨越的关键关口，而生产性服务业的智能化水平，是决定产业竞争力的核心变量。

万联易达集团董事长于泽国判断，人工智能已经从回答问题走向解决问题，“这不是在旧技术上应用新技术，而是在创造一个前所未有的新物种”。中国经济体制改革研究会副会长樊纲则提供了经济学注脚：当信息成本和交易成本大幅下降，把服务外包给专业公司比企业自建更划算，生产性服务业的爆发有其必然性。

会上，万联易达推出产业智能体互联网核心产品WanSurfing，并现场演示了企业智能体协同作业、交易闭环的完整案例。据介绍，WanSurfing为国内首款面向企业用户的组织级A2A（Agent-to-Agent，智能体对智能体）协作交易网络。它的定位不是又一个AI工作台，而是以智能体为核心载体，推动产业智能体互联网的建设重心从“横向可信连接底座”向“企业经营纵深落地”延伸。可信连接解决的是智能体的发现、确权与互联互通。WanSurfing要解决的，则是智能体之间如何真正做生意，供需对接、商务洽谈、合作落地。

但在这背后，一个真实的问题随之浮现：当智能体走进千行百业执行真实任务，支撑它们的数据从哪里来、质量够不够？当不同企业的智能体开始跨域交互，安全由谁来兜底？这两个问题，都指向同一个关键词：数据。

数据如何“AI-Ready”？

峰会前一日，万联易达数据中心负责人周宜在接受数据猿采访时，把公司的数据能力拆解为三层架构，分别是：可信数据空间、全模态数据管理和本体建模。可信数据空间解决“可信”（身份、数据产品、交易可信），全模态数据管理解决“高质量”，本体建模解决“可理解”。他给出了一个后来被反复引用的判断：“Token的价值释放，不在于数据的多少，而在于数据AI-Ready的程度。”

万联易达数据中心负责人周宜

“如果要说重要性，我认为三层都重要。”他认为，这三层缺了任何一层，都无法支撑数据的使用和与场景的贴合。

第一层是可信数据空间，解决的是“可信”的问题。周宜把可信包拆成了几个维度：

第一是身份可信。互联网是开放协议，谁都可以进入，诈骗多发的原因之一就是身份不透明，可信的第一步是先解决“你是谁”。第二是数据产品可信。过去没有数据空间时，我有数据就可以卖给你，但你无法确认数据是否真的属于我；现在通过数据确权和资产登记，明确持有权、加工使用权、经营权，买方不必担心来源不合规。第三是交易可信。每一笔交易都有电子合约，授权可以精确到某个企业的某一个人、某一台服务器、某一个应用，甚至某个时间段——比如只允许工作日上班时间调用。“数据可信了，才敢用、才敢流通”。

第二层是全模态数据管理，解决的是“高质量”的问题。“现在很多企业真正的难处，往往不是没有数据，而是数据拿来了用不上。”周宜说，数据散落在自有系统、生态伙伴和各地公共数据平台里，来源不同、形态不同，标准也不统一。同一张运单就能看出三层差异：在运单表里，它是一组结构化字段；在车机里，它是秒级上报的连续轨迹；在回单上，它是一张要识别才能用的照片。同一个客户，销售系统里一个编码、财务系统里另一个编码；同一个“接单时间”，司机端打卡记一次、运单表里按另一套口径再记一次，两者能差出几个小时。“这就是典型的多源异构——来源多、模态多、口径不一。”全模态数据管理要做的第一步，不是清洗，而是先把多源数据对齐到同一套实体和口径；然后才是清洗、标注、治理，沉淀成可以被模型和智能体直接调用的高质量数据集。“让数据接入后真正能解决业务问题，让管理者能看到数据价值，让AI能够使用到这些数据。”

第三层是本体建模，解决的是“可理解”的问题。本体建模完成后，语义可以被理解，AI才能用得更好，解决“用不用得好”的问题。

本体建模的目标是让语义统一。怎么避免其变成另一个“手工作坊”？周宜的答案是八个字：机器跑量，人来拍板。具体做法是，先由大模型从业务文档、操作手册中自动抽取本体，不需要人工逐条梳理。但抽取之后需要业务专家来确认。

难点在于文档往往滞后于业务：业务在迭代、规则在迭代，设计文档却停在最初版本。随着新条例、规则制度的发布，旧内容也需要修正迭代。所以机器负责梳理，最终由业务专家来确认和拍板。

在治理方法论上，周宜强调这是一个双向过程：一方面是”Data for AI“，数据要为AI服务，治理标准比面向人时更高。另一方面是”AI for data“，用AI辅助语义构建、自动标注、质量校验。”并不是说治理变简单了，而是效率更高、目标更明确了。过去企业做治理要从不同业务视角分别理解数据，缺乏统一标尺。现在从AI视角出发，治理目标反而更清晰。“他把这套做法的核心诉求概括为”驾驭工程“，环境必须安全，数据必须可信，本体必须可解释、可溯源。

这并非概念空转。在万联易达自身的场景里，司机入驻核验过去人工需要七八分钟，现在通过自训练的小模型读取证照，再经数据空间调用权威数据源核验，缩短到约5秒；在运价估算环节，引入天气、路网、交通管制、多式联运等多维数据，尽可能缩小误差，减少货主与司机之间的争议订单。这些真实场景的打磨，构成了WanSurfing能够跑通A2A交易的数据底座。

智能体跨域交互

安全谁来兜底？

当各家都有自己的智能体，跨组织协作时，各参与方的数据治理水平、安全策略、对敏感数据的定义都不一样，矛盾随之而来：如果先要求达标，项目可能跑不起来。如果先让智能体去做适配，适配成本又不好预估。在万联易达的实践中，更倾向哪个方向——要求参与方先达到数据门槛，还是做动态适配？

周宜给出的答案不是二选一：“可信底线是门槛，语义适配交给本体层。”门槛设在安全与合规的基线上，身份互认、数据使用控制、权限溯源，这是准入基线，不让步。但只设最低可信门槛，不要求每家全量达标，否则协作规模起不来。语义差异的适配成本，则通过基于本体的统一MCP网关来收敛：网关作为智能体访问系统的闸门，按智能体身份和可访问的本体范围做权限映射，让每家不用重做数据。

标准上同样不搞一刀切。周宜的结论是：可信、合规是不可让步的底线——可验证、可溯源、可用不可见，所有数据一视同仁，这条线不能松。但在高质量和可理解两项上按场景分级。金融风控、定价、在途监管这类强决策场景，语义统一和验证标准要高。行情资讯、长尾知识类场景，过了可信门槛接入、再通过语义分析持续收敛就够了。“如果所有场景都一步到位，很多长尾知识就会被挡在门外，得不偿失。”配套的还有兜底机制：沙箱预验证、按效付费，从工程和商务两个层面提供双重保障。

安全与性能的天然张力，在金融场景里体现得最典型。周宜介绍，金融行业的核心诉求是“宁可慢一点，也不能出错”——原始数据不能出域，容错率极低，所以隐私计算这类密态计算虽然性能有损耗，却在金融领域应用最广。这也解释了为什么数据沙箱、智能体沙箱成为当前技术演进的方向：为每个智能体分配独立的隔离运行环境，既保障数据安全，也对智能体的危险行为进行隔离。

基础设施层面，万联易达的可信数据空间已与北京市区域功能节点打通，截至2026年11月，万联易达侧可链接5万多个数据产品。但周宜坦言，从5万个数据产品里找到适合自己的那一个，本身就是难题——用户要懂业务场景、懂AI、懂数据。他们的解法是一方面对全域数据产品按区域、行业和场景分类，另一方面提供AI找数能力：用户用自然语言输入需求，系统从全网匹配数据产品。

拐点不在技术

在场景与组织

谈到底层设施的规模化，周宜认为最大的障碍其实并不在技术：“技术之外，难点更多在战略层面。”

企业做数据改造，技术投入是可预见的成本，最大的隐性成本是业务层面的改变，尤其是组织架构的调整。他举了一个印象深刻的例子：一家有几千家线下门店的企业，董事长发现生产、销售、营销、设计、库存每个部门报上来的数据都是80分，但到了他那里，业务整体不及格。原因在于数据没有打通，业务运行方式仍然割裂。壁垒不透明，过去很多事情可以靠人为操作在部门之间消化。数据和智能化把壁垒打开，这些环节就不得不交给智能体按规则执行。“所以数字化一定是一把手工程。”周宜说。

至于行业拐点何时到来，他的判断仍然落在场景上：“要找到更多高价值场景，同时找到能够支撑这些场景的数据。场景、数据和AI要紧密结合，而前提是围绕场景。”

采访结尾，周宜说了一个值得琢磨的变化：过去的逻辑是“数据代表权力”——我有什么权利、能拿到什么数据；未来的逻辑是“有什么数据就有什么权力”——当高价值数据能用在特定场景，那才是能力。

这个从“权”到“能力”的翻转，反过来也定义了产业智能体互联网的进度条：所谓“黄金10年”能不能到来，取决于多少企业的数据真正做到了AI-Ready。台前的交易入口可以一夜上线，幕后的数据地基只能一层一层打。接下来值得跟踪的，不是又接入了多少家企业，而是跨主体数据调用量有没有起来，非关联方之间的A2A交易闭环，能不能从案例变成日常。

文：梦芸 / 数据猿
责编：凝视深空 / 数据猿