AI Ready / Readable
数据基础设施

战略总纲：以专有资产 × 智能体服务构建增长飞轮

1.1 战略命题：将资产转化为可复制服务

华大的优势不是某一项孤立能力，而是能够持续将稀缺样本与多组学技术转化为专有数据集，训练领域模型，并通过华大自研智能体在受控工作流中完成交付。因此，战略单元不应是单独的数据集、模型或工具，而是“数据 + 模型 + 智能体 + 领域验证”组成的可复制服务包。

六层飞轮描述的是同一套运营系统：资源与工具生产差异化数据，CNGBdb BioLens 将数据治理为可服务资产，基座模型将数据沉淀为可复用智能，DCS Cloud（含 Genpilot）与 Cyto Coscientist 将智能转化为面向客户的服务，服务结果、专家复核和新增标注再回流资产层。规模由此转化为可持续积累的生产力。

1.2 战略聚焦与边界

1.3 数据基础设施定位：资产与服务的运营系统

数据基础设施不是后台资料库，而是将五大数据产出转化为受控资产，并让华大模型与智能体安全使用这些资产的运营系统。其职责覆盖身份与标准、数据产品与 release、受控计算、Skill/MCP、证据可追溯和服务反馈。BioLens 是统一的服务与编排层，连接资产底座、DCS Cloud、Cyto Coscientist 与经授权的外部智能体接口。

五大数据产出计划：数据基础设施的核心工作领域

五大国际大科学合作项目，五年内系统性产出 5 EB 多模态数据，覆盖基因组、时空组、单细胞、病理影像等维度。数据基础设施围绕这五个方向，统一开展数据连接、治理、AI 可读与对外服务。Source: strategy.html

2.1 数据基础设施 × 五大方向

五个方向共 5 EB 数据，核心工作围绕分层标准体系展开。每个方向涉及多组学（基因组、转录组、蛋白组、代谢组、单细胞、时空等）、表型、图像与影像数据，每种数据类型均有其专业标准；这些标准进一步组装为方向级标准（如 STOC 空间组学标准体系、HGP2 人群遗传标准体系），形成「基础标准 → 方向标准」的分层架构。通过这套标准连接内部数据与外部数据源，编织跨方向数据网络。

数据流入遵循统一入口：经数据管理计划（DMP）入驻，按 AI Ready 六项标准（真实与完整、配对与对齐、标准与可复现、合规与受控、可训练与可评测、可服务与可运营）完成验收后进入管线。入库后，经标准化治理与治理扩展（本体化、版本化、派生资产管理），形成可被 AI 消费的数据产品。最终封装为Skill，供 BioLens、Cyto Coscientist、DCS Cloud（含 Genpilot 智能体）等统一调用——实现「一次治理、多处应用」。

2.2 AI Ready 高质量数据集与「一数多用」

数据基建产出不再以「维护了多少系统」衡量，而以「交付多少可被 AI 消费的数据产品」定义价值。据此确立两大核心标准：AI Ready 高质量数据集（数据产品形态）与「一数多用」（数据复用能力）。

AI Ready 高质量数据集：六个可验收条件

每一数据计划都须从「采得更多」升级为「交付更可用的数据产品」：

• 1真实与完整——保留原始观测、样本来源、实验协议、仪器与批次信息；关键队列覆盖纵向时间与临床/表型结局。
• 2配对与对齐——建立供体–样本–组织–空间坐标–分子–图像–分析结果的稳定关联，支撑跨层联合分析。
• 3标准与可复现——统一组织、疾病、细胞类型、表型与实验本体；冻结参考版本、处理流程与 release manifest。
• 4合规与受控——同意书、数据使用范围、许可、跨境限制与访问决策机器可读；派生数据与模型同样纳入治理。
• 5可训练与可评测——训练前完成用途确认、去重与污染检查；独立留出集、外部测试集与 Benchmark 与训练资产分离。
• 6可服务与可运营——面向科研、报证、模型与产品形成数据集、参考资源、分析工作流与 API/Skill，而非一次性文件交付。

「一数多用」：让复用成为能力，而不是口号

同一份数据可服务不同场景，但须在主体授权、用途范围、最小必要、可追溯、可撤销框架内运行。以标准数据资产 + release manifest 为单一事实源，派生为四种可控数据产品：

数据枢纽：从数据生产到 AI 服务的受控通路

数据枢纽承接五大数据产出计划，将持续产生的数据转化为受控、可复用、可服务的资产。L0 治理与 L1 接入并行发生：GigaNorn 持续发布版本化的身份、元数据、本体、质量和模态规则；DMP / DM / DCS 在计划、准入、核验与受控处理中执行这些规则，接入数据暴露的问题再反馈推动标准迭代。数据通过二者联合门禁后进入 L2 DataBrick，再由 L3 BioLens 发布服务。应用和智能体不直接连接源系统或数仓存储；BioLens Brain 作为横向编排与策略控制面覆盖全链路。

3.1 总体架构与职责边界

L0–L3 定义四类职责，而非严格串行的流水线。L0 与 L1 共同构成并行的“治理—接入域”：GigaNorn 对身份、元数据、本体、质量和模态 Profile 进行版本管理；DMP、DM 将标准落实到计划、准入、授权、权威位置与 Release，DCS 为数据画像、规范化修复和异常处理提供受控环境。接入过程中发现的 Schema 不匹配、元数据缺失、质量异常和新模态需求，反向进入 GigaNorn 的标准变更流程。只有通过身份、元数据、授权、完整性和模态 Profile 联合门禁的数据，才能进入 DataBrick。随后由 DataBrick 负责 D0–D4 产品，BioLens 负责服务契约与接口。

3.1.1 分层交付物与控制点

3.2 治理层 · GigaNorn 与数据标准

五大方向包含序列变异、稀疏矩阵、空间坐标与影像、表型队列及多模态病例关联。治理标准因此采用统一实体与策略核心 + 分模态 Profile：核心层对齐项目、参与者/标本、样本、实验、文件、Release、同意、质量和来源；模态 Profile 定义权威格式、坐标体系、Schema、分区索引、QC 与允许访问粒度。在保留专业结构的同时支撑跨方向服务。

3.2.1 标准落地四要素

3.2.2 面向模型的验收结果

3.2.3 GigaNorn 平台组件

GigaNorn Scientific Data Intelligence Platform（科学数据智能基础设施）通过三个协同模块落实「Identify · Understand · Converse」：Norn 负责身份与登记，Snotra 负责元数据与本体治理，Bragi 提供受控的自然语言接口。三者共享实体模型、策略和版本记录，而非建设三套独立系统：

3.3 接入与汇聚层 · DMP / DM / DCS

接入与汇聚在数据到达过程中同步执行 GigaNorn 标准：DMP 校验计划、必填元数据、模态 Profile、用途、质量目标与授权；DM 核验权威位置、完整性、实体关系和 Release 归属；DCS 为数据画像、规范化、异常修复与计算到数据提供受控环境。不符合项不能静默放行或各自打补丁，而应进入拒绝、修复、例外审批或标准变更流程。所谓汇聚，是在权威位置之上建立符合标准的统一清单与关系图，而不是把全部源文件复制到新孤岛。

3.4 DataBrick · 受治理多模态数据仓

DataBrick 是位于 DMP、DM、DCS 与 CNGBdb BioLens 之间的受治理多模态数据仓，不替代权威源系统：DMP 管理计划、用途与授权，DM 核验权威位置与 Release，DCS 提供受控计算。DataBrick 将获批 Release 加工为版本化、可追溯的 D0–D4 数据产品；BioLens 再将其发布为面向检索、分析、训练和智能体的统一数据服务。

3.4.1 DataBrick D0–D4 数据产品模型

D0–D4 定义 DataBrick 内部的数据产品演进，与 3.1 的 L0–L3 业务架构分层不同。不同模态、不同用途可按条件分别演进；高层产品由低层派生并保持反向链接，不覆盖权威源数据。BioLens 的每次服务调用均须解析到明确的 DataBrick 产品 Release。

3.4.2 模态 Profile 与五大方向数据服务矩阵

平台统一的是契约，不是强迫所有数据转换为一种物理格式。每类数据保留权威社区格式，同时增加 BioLens Profile，明确标识、坐标、Schema、索引、分区、质量和访问模式。下表格式为目标 Profile，须经项目及领域 Owner 验证后发布。

3.4.3 DataBrick 六类交付产品

3.4.4 产品契约、物化与发布

每个数据产品必须声明 Owner、允许/禁止用途、实体粒度、模态 Profile、源 Release、Schema、坐标与参考版本、质量阈值、授权策略、访问模式、更新频率、留存、SLO、单位成本及证据输出。逻辑产品引用权威源；只有当查询时延、训练吞吐、可复现或隔离需求足以证明存储及生命周期成本合理时，才创建物理物化。

3.5 CNGBdb BioLens · 统一数据服务层

BioLens 是位于 DataBrick 之上的服务层，不再建设另一套数据仓。它从获授权的 DataBrick 产品中组装面向场景的数据能力：BioLens Search 提供交互式发现与证据检索；API、MCP、Skill、查询端点与工作空间适配器提供稳定机器契约。Genpilot、Cyto Coscientist、获批准的 Claude Science 类智能体及合作方产品，均按授权范围消费同一套服务。DCS Cloud 提供面向客户的云端工作空间与执行环境，但不持有底层数据产品。每次请求必须解析到同一 DataBrick Release、策略决策和审计记录。

3.5.1 服务契约与智能体接口

3.6 智能体与应用消费

消费端通过 BioLens 服务使用同一条 DataBrick 产品链的不同视图：BioLens Search 主要提供 D1–D2 的交互式发现、对象定位、队列筛选与证据引用；DCS Cloud 按授权提供 D0–D3 的受控计算、分析及训练交付；Genpilot、Cyto Coscientist 与获批准的 Claude Science 类智能体通过受控 Skill、MCP 和 API 调用 D1–D4 服务；模型复核或临床研究工作台消费获批 D4 证据。任何消费端不得把索引可见等同于载荷可访问，不得绕过 BioLens 策略或直连源系统。

3.6.1 BioLens Search（原 OmicSeek）· 交互式数据服务

BioLens Search 是 D1–D2 产品的发现与查询入口：解析基因、变异、组装、物种、参与者、样本、实验、细胞类型、组织、影像区域、表型和队列等实体，选择兼容 Release 与授权视图，调用实体、队列、区间、矩阵或影像索引，并返回带来源、版本、质量和访问条件的结构化结果。它负责发现与证据准备，不替代 DCS 受控计算或治理决策。

3.7 BioLens Brain · 编排与控制面

BioLens Brain 是 CNGBdb BioLens 覆盖 L0–L3 的横向编排与策略控制组件：对每个请求，在 L0 解析实体、本体、用途、授权和质量规则；在 L1 核验计划、权威位置、源 Release 与受控执行环境；在 L2 选择具名的 DataBrick D0–D4 产品 Release、对象、切片、队列、物化和证据产品；在 L3 调用 BioLens Search、API、MCP、Skill、查询或工作空间服务。随后执行隐私、成本和确认闸门，记录数据、模型、工具、参数与结果的完整血缘。它不持有 DataBrick 产品或源数据，也不替代任何一层的控制与责任人。

下表是当前实现快照，不等同于目标架构契约。框架版本、模型名称、重试上限与 KPI 数量在文档发布时须从配置中心或 CMDB 同步；长期架构以接口、控制要求和服务目标定义，避免被具体技术版本锁定。

3.7.1 BioLens Brain 技术实现视图

该技术视图细化 3.1 的业务架构，不构成第二套串行模型。数据源、治理、DataBrick 数仓产品、BioLens 数据服务与应用表示能力路径；BioLens Brain 单独作为横向控制面，按任务调用各层已授权能力。

智能服务：将数据与模型转化为可验证的智能体服务

All in AI 不是把所有工作接入通用大模型，而是建立数据发布版与领域模型 → 标准能力接口 → 华大自研智能体产品 → 场景交付 → 证据反馈的运营闭环。DCS Cloud 是受控服务平台，Genpilot 与 Cyto Coscientist 是主要智能体产品；通用智能体仅通过授权接口接入。科研、医学支持、检测和诊断按照风险递增原则设置验证、审批与责任边界。

4.1 模型资产组合：分开管理现有能力与建设目标

5 EB 是五大数据产出计划的规划原始数据规模，不等同于可直接训练的语料。只有通过知情同意与授权核验、质量控制、去重去标识、训练测试隔离及血缘登记的数据发布版，方可进入模型研发。模型价值以经过验证的场景效果衡量，不以参数量或训练数据量单独衡量。

4.2 产品架构：平台、智能体与生态接口边界清晰

4.3 场景交付：证据与责任先于自动化

4.4 AI 工程与治理：建立可追溯的发布闭环

4.5 运营指标与验收

数智基建：数据枢纽与 All in AI 的运行底座

IT 基础设施是高质量数据「流转」与「转化」的关键管道和载体。当前资源形态为区域化本地 HPC、存储与云端/超算租赁 AI 算力的混合体。目标架构演进为云为主、本地为辅。弹性资源以工作负载吞吐、排队时延、单位成本和服务 SLO 验证，不公开名义峰值与资产规模。华大算力网连接获批片区和云地域，支撑策略受控、数据就近执行。

5.1 云优先架构与工作负载放置

基础设施不是简单的云/本地二分，而是依据数据分级、服务目标、弹性需求、依赖位置、全生命周期成本与恢复要求放置工作负载。DCS Cloud 是主要云服务环境；数据枢纽提供受治理的 Release 与策略；算力网连接采集端和本地例外区与云服务，且不得绕过访问控制。注：下文 L0–L3 为 IT 底座视角（云基础→统一控制→平台→应用）；第三章则是 L0 治理与 L1 接入并行协同，通过联合门禁后进入 DataBrick 数仓与 BioLens 服务。

5.2 存 · 大规模容量工程与数据生命周期

五大方向长期数据产出应作为逻辑原始数据产出估算，不能直接等同于受治理资产、有效训练数据或物理容量需求。容量工程分别对账原始产出、压缩去重后的物理留存、AI Ready 发布与实际消费；记录数据量、样本或病例、Release、质量与授权状态，并追踪任务、有效样本、结果产物及证据完整度。

GENOS 压缩（研发选项）：「仅存模型预测偏差」的路线可能降低基因组存储量，但必须通过可复现实验验证无损性、解压一致性、吞吐、计算成本、格式长期可维护性与恢复风险，方可纳入容量假设。

5.3 管 · 机房基建与全生命周期资产化管理

「管」维度覆盖区域化核心机房基建与数据/设备全生命周期资产管理。它是连接存、算、传、安的运营基座，确保物理资源有账可查、数据有主可认、闲置资源盘活利用。

5.4 算 · 云优先弹性调度

云上 GPU/CPU 是训练、推理、批量分析和智能体服务的默认执行池。统一调度器依据获批数据位置、敏感度、工作负载 SLA、排队时延、资源供给、价格以及适用的碳/能耗约束，选择云地域、加速卡类型、执行队列或本地例外区。本地 HPC 用于获批的稳定基线和例外场景，不作为默认扩容路径。

5.5 传 · 数据流动与跨区连接

网络连接采集点、本地例外区、云地域与灾备位置。目标不是让所有数据无差别流动，而是通过计算到数据减少传输；对获批副本、Release 分发与恢复流量，明确带宽、加密、校验与成本策略。骨干规模仅保留在受控网络报表中；后续容量由实测峰值入库、副本窗口和恢复目标驱动。

5.6 安 · 云安全、合规与韧性

云优先不等于责任外包。研究院仍对数据分级、同意与用途控制、身份治理、密钥归属、配置基线、访问复核、证据留存和事件响应负责；云厂商仅对共享责任模型中约定的服务范围负责。高风险服务须明确 RTO/RPO、备份恢复演练、事件预案，并定期复核访问权限和恢复能力。

5.7 平台支撑、运营与验收

IT 设施以云原生、策略受控的方式支撑数据枢纽与 All in AI。运营单元是服务，而非设备：每项服务都有 Owner、数据分级、工作负载放置决策、SLO、成本中心、安全基线、恢复目标和证据链。基础设施以可信服务交付与单位经济性验收，而不以设备数量或名义容量单独验收。

5.7.1 智能化运维：从监控到受控自动化

Linux 自动巡检机器人纳入云优先底座的运营能力。现有材料已展示多指标采集、动态基线研判、根因报告，以及跨监控系统汇总存储节点状态。它的战略价值是闭合「遥测 → 诊断 → 获批动作 → 验证 → 证据」的运营链路，而不是让大模型直接控制生产系统。

5.7.2 大规模基础设施交付路径

组织与人才：40 人双团队能力配置

数据中心在统一 O3 责权下管理数据枢纽与数智基建两个团队，各 20 人。人员不按小组平均分配，而按服务责任和工作负载配置；团队负责人和组长均计入 40 人编制，两名团队负责人由组长兼任。整体能力覆盖五大数据产出、BioLens 与智能体服务、云优先运营及 5 EB 存管算传安工程。

6.1 编制分配总盘

6.2 岗位能力与交付矩阵

6.3 跨团队责任矩阵

A · 最终负责R · 主责执行C · 必须协作I · 知会每项能力只设一个最终负责小组，可有多个执行小组，不设多个最终 Owner。

6.4 人员能力分布矩阵

L3 · 架构与牵引L2 · 独立交付L1 · 正确协作矩阵定义小组应达到的能力深度，不要求所有成员成为全栈专家。

6.5 交叉领域能力要求

人员采用T 型能力标准：每人至少具备一个 L3/L2 主专业、一个不低于 L2 的相邻专业，并达到全链路协作所需的共同基础。目标不是人人精通所有领域，而是确保科研意图、数据语义、软件、AI、基础设施与合规在交接过程中不失真。

6.5.1 团队级能力覆盖与单点风险控制

6.5.2 能力建设与上岗门槛

6.6 作战单元与绩效机制

工程路线图：从基线验证到规模化运营

这是一个采用滚动规划 + 阶段门的多年工程：五年定方向，滚动维护未来 12–18 个月基线，只对下一季度做详细计划。5 EB 是规划上限，不是一次性建设目标；投资根据需求、风险、服务水平、恢复能力和单位经济性分批批准。

7.1 五条工程主线

7.2 阶段推进与治理

7.3 数据枢纽季度发布列车

Y1Q1 指项目基线正式批准后的第一个完整季度。未来四个季度形成承诺发布基线，后续季度作为滚动目标，每半年重新校准。每季度只定义一个组织可识别的标志性发布，内部可包含多个迭代；只有通过适用阶段门，并具备发布说明、验收证据、Owner 和运营支持，才计为正式发布。