问题——制造业加速迈向智能化，数据成为新的生产要素，但“数据难用”依然是普遍痛点；一方面，工厂、实验台架和产品本体布设大量传感器，持续产生时序数据和日志数据；另一方面，数据类型分散、时间尺度不一、格式各异，导致采集、存储、检索、分析各环节脱节。数据越多，工程师越容易陷入“找数据、对数据、解释数据”的低效循环，拖慢质量闭环与故障定位，并抬高测试和迭代成本。 原因——行业变化让工业软件的竞争焦点发生转移。过去，围绕特定设备和流程打造的定制化工作流是门槛和差异化来源；但随着自动化工具、通用分析能力和智能应用普及，流程层面的可复制性增强，企业更缺的是“能承载数据洪流并让其可被调用”的底层能力。部分高端制造场景中，单个项目的传感器数量可达百万级，数据从微秒级振动到小时级温度变化跨度巨大，既需要实时写入和高并发读取，也需要跨批次、跨工位、跨版本的可追溯关联。同时，企业诉求从“存下来”升级为“用起来”，要求把数据转化为可操作的工程洞察，而不是停留在报表或静态归档。 影响——数据基础设施的能力正在直接影响制造效能和成本结构。业内人士反映，在高频自动化测试场景下，日均测试可达千万次，数据沉淀规模庞大，存储与治理费用可能高达每月数百万美元。更关键的是，如果数据无法快速定位与复用，投入的存储与算力难以转化为质量提升、良率改善和交付提速。反之，若能对多源数据实现统一管理与可追溯调用，就有望在故障预测、工艺优化、质量追踪等环节形成闭环：当指标出现异常波动，系统可自动关联历史样本、同类工况与相似案例，缩短排障周期，提高决策确定性，并为持续改进提供依据。 对策——围绕该需求，一批创业公司将重点放在工业数据“底座”建设上。总部位于美国加州埃尔塞贡多的Sift Stack由两名具有航天工程背景的创业者于2022年创立，早期主要为航天器、汽车等复杂机械提供数据管理工具，技术思路源于其对遥测数据处理系统的实践经验，强调在测试、制造与运行全过程中对物理组件的传感器数据进行实时捕获与分析。公司近期调整定位，将核心价值聚焦于“处理海量异构数据并服务智能分析”，不再以定制流程为主要卖点，而是通过统一数据管道和机器可读的信息封装，让智能工具能够直接调用数据进行判断与推理。在资本层面，公司于2025年完成新一轮融资，投后估值上升，投资机构看重其客户基础以及在智能制造数据基础设施领域的布局。 前景——多方迹象显示，制造业“软硬一体”的趋势将更强化，数据基础设施的重要性会持续上升。随着自动化工厂、机器人和高端装备渗透率提高，每台设备都可能成为持续输出数据的“节点”，数据管理能力将从后台支撑走向前台竞争力。一上，企业将更关注数据的可追溯、可解释与可复用，以支撑研发迭代、质量治理与合规审计；另一方面，围绕数据底座的标准化、接口开放与安全治理也将成为新议题。可以预见，未来工业软件的价值将更多体现在把数据转化为可执行的工程行动，并形成跨团队、跨周期的知识沉淀，推动制造向更高效率、更稳定质量和更快交付演进。
从蒸汽机到电力系统，历次工业革命都由关键动力技术的突破推动。在智能化时代，数据管理能力正在扮演类似角色。Sift Stack的案例表明，当传统产业与数字技术深度融合时，能解决底层架构问题的创新者，往往更容易带动行业升级。这场从数据管理起步的变化，可能会重新塑造全球制造业的价值链格局。