過去一年，AI 的敘事故事已經(jīng)從“大模型卷參數(shù)”演變成了“智能體上崗”，AI 產(chǎn)業(yè)進(jìn)入了第二階段。這個(gè)階段的主角，不再只是模型公司，還包括那些能夠把數(shù)據(jù)、算力、模型、應(yīng)用串成閉環(huán)的平臺(tái)型玩家。

全球市場(chǎng)來看，AI 數(shù)據(jù)公司 Databricks 是這類玩家的典型代表，這也是支撐其上千億美元估值的基礎(chǔ)。

據(jù)外網(wǎng)報(bào)道，Databricks 正在洽談新一輪融資，目標(biāo)估值區(qū)間為 1650 億至 1750 億美元。把時(shí)間線拉長(zhǎng)看，Databricks 的融資路徑更驚人。2024 年底，它的估值還是 620 億美元；不到兩年，數(shù)字跳到了 1750 億美元的量級(jí)。截至目前，這家成立十三年的公司累計(jì)融資總額已接近 300 億美元。領(lǐng)投方包括 Thrive Capital、Insight Partners、a16z 等一線基金。

為什么一家做“大數(shù)據(jù)”的公司，在 AI 時(shí)代變得如此值錢？

答案是大模型競(jìng)爭(zhēng)之外，決定 AI 能否落地、能否創(chuàng)造商業(yè)價(jià)值的核心，也需要一整套生態(tài)，而 AI 時(shí)代的數(shù)據(jù)底座就是其中的核心之一。Databricks 憑借湖倉(cāng)一體架構(gòu)、成熟的開源生態(tài)與全棧 Data+AI 能力，打通了從原始數(shù)據(jù)存儲(chǔ)、計(jì)算分析到大模型、智能體開發(fā)部署的全鏈路，解決了長(zhǎng)期困擾企業(yè)的數(shù)據(jù)孤島、算力割裂、模型落地難等痛點(diǎn)。它不再是單純的大數(shù)據(jù)工具廠商，而是 AI 時(shí)代企業(yè)不可或缺的 “數(shù)據(jù)操作系統(tǒng)”。資本市場(chǎng)正是看準(zhǔn)了這一核心價(jià)值，才愿意持續(xù)給出高估值。

但構(gòu)建這樣一個(gè)數(shù)據(jù)操作系統(tǒng)，絕非簡(jiǎn)單疊加 AI 功能，而是要重構(gòu)數(shù)據(jù)的采集、理解、組織與供給全鏈路——讓 Agent 能自主發(fā)現(xiàn)數(shù)據(jù)源、理解業(yè)務(wù)語義、調(diào)用權(quán)限策略、執(zhí)行跨系統(tǒng)推理，并在閉環(huán)中持續(xù)進(jìn)化。

這也是騰訊云正在做的。

2025 年 9 月全球數(shù)字生態(tài)大會(huì)上，騰訊云副總裁黃世飛官宣了大數(shù)據(jù)產(chǎn)品矩陣全面升級(jí) Data+AI 能力體系，明確以 AI Agent 賦能，解決傳統(tǒng)數(shù)據(jù)平臺(tái)在多模態(tài)處理和智能化上的核心短板； 2026 年 1 月 Agentic AI Summit 上，發(fā)布 TCLake+EMR AI 數(shù)據(jù)湖方案與 DIaaS 平臺(tái)，以統(tǒng)一存儲(chǔ)、統(tǒng)一計(jì)算、統(tǒng)一調(diào)度、統(tǒng)一自治的 “四個(gè)統(tǒng)一”，推動(dòng)數(shù)據(jù)平臺(tái)進(jìn)入 “統(tǒng)一底座階段”； 近日 AI 產(chǎn)業(yè)應(yīng)用峰會(huì)上，更進(jìn)一步推出 DataBuddy、WeData、AI 原生數(shù)據(jù)底座三層架構(gòu)，搭建起人和 Agent 協(xié)同工作的智能入口、統(tǒng)一控制面與數(shù)據(jù)底座。

從上云，到湖倉(cāng)，到AI-Ready，再到今天的Agent-Ready，騰訊在重建模型的同時(shí)，也在底層的數(shù)據(jù)基建上下苦功夫。不到一年時(shí)間，騰訊云已經(jīng)搭建了一套完整的 Data+AI 能力。

騰訊 2025 年報(bào)也印證了這一判斷：金融科技與企業(yè)服務(wù)板塊中，企業(yè)服務(wù)跑出了20% 的獨(dú)立增長(zhǎng)行情。云服務(wù)收入中，AI 相關(guān)需求成為核心增長(zhǎng)極。理解了這個(gè)背景，再來看騰訊云發(fā)布的 AI Native 大數(shù)據(jù)平臺(tái)升級(jí)，就不再是簡(jiǎn)單的產(chǎn)品發(fā)布，而是一場(chǎng)蓄謀已久的"底層戰(zhàn)役"。

Agent不是"錦上添花"——它正在成為數(shù)據(jù)平臺(tái)的第一用戶

在剛剛結(jié)束的騰訊云 AI 產(chǎn)業(yè)應(yīng)用大會(huì)上，騰訊云副總裁黃世飛提出了一個(gè)核心論斷：“Agent正在成為數(shù)據(jù)平臺(tái)的重要使用者。隨著數(shù)據(jù)對(duì)象、價(jià)值鏈路和使用模式發(fā)生變化，Agent-Ready 數(shù)據(jù)平臺(tái)不僅要服務(wù)人的分析決策需求，更要服務(wù)Agent 的數(shù)據(jù)理解、任務(wù)執(zhí)行和業(yè)務(wù)協(xié)同需求，讓人和 Agent 能夠基于同一套數(shù)據(jù)體系協(xié)同工作。”

（圖：騰訊云副總裁黃世飛在騰訊云AI產(chǎn)業(yè)應(yīng)用峰會(huì)上解讀Agent-Ready）

這進(jìn)一步指出了騰訊云此次升級(jí)的重點(diǎn)——從架構(gòu)層面重新定義數(shù)據(jù)平臺(tái)。其Agent-Ready 的三層體系——DataBuddy、WeData、AI原生數(shù)據(jù)底座——每一層都在解決"Agent 如何與數(shù)據(jù)深度協(xié)同"的問題。

在數(shù)據(jù)底座上，騰訊云做了四層智能：存儲(chǔ)智能、計(jì)算智能、數(shù)據(jù)智能、系統(tǒng)智能。前兩層是"地基"——解決的是 Agent 能不能跑、跑得快不快的問題；后兩層是"上層建筑"——解決的是 Agent 夠不夠聰明、平臺(tái)夠不夠自治的問題。

騰訊AI Native的升級(jí)戰(zhàn)略

先說地基。

• 存儲(chǔ)智能：讓Agent在一張表上找到一切

傳統(tǒng)數(shù)據(jù)平臺(tái)有一個(gè)容易被忽略的問題：數(shù)據(jù)是碎的。結(jié)構(gòu)化數(shù)據(jù)在數(shù)倉(cāng)里，向量在獨(dú)立的向量數(shù)據(jù)庫(kù)里，圖片在對(duì)象存儲(chǔ)里。對(duì) Agent 來說，要做一次跨模態(tài)的檢索和關(guān)聯(lián)，要在多個(gè)系統(tǒng)之間來回跳轉(zhuǎn)，效率極低。

Morgan Stanley 預(yù)測(cè)，2024 至 2027 年全球 AI Token 消耗量將增長(zhǎng)4400 倍，且新增數(shù)據(jù)中 92% 為非結(jié)構(gòu)化數(shù)據(jù)。數(shù)據(jù)的體量和形態(tài)都在劇變，但大多數(shù)企業(yè)的存儲(chǔ)架構(gòu)還停留在上一個(gè)時(shí)代。

對(duì)此，騰訊云給出的答案是TCLake——AI多模態(tài)Lakehouse。這個(gè)底座的核心由三個(gè)自研技術(shù)支撐：

（圖：騰訊云 AI多模態(tài) Lakehouse 全景圖 ）

TCCatalog是統(tǒng)一數(shù)據(jù)控制面，覆蓋結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化以及AI模型的統(tǒng)一數(shù)據(jù)目錄，實(shí)現(xiàn)跨源、跨平臺(tái)、跨引擎訪問。左邊連各類數(shù)據(jù)源，右邊對(duì)接各類計(jì)算引擎——Spark、TCHouse、TensorFlow、PyTorch，一處配置，全局可達(dá)。

TCIceberg基于 Apache Iceberg，在對(duì)原 Iceberg 無任何入侵的前提下實(shí)現(xiàn)了批流一體與部分列更新等開源增強(qiáng)能力。底層 TCLance 支持音視頻、圖片、文檔、Embedding 等非結(jié)構(gòu)化數(shù)據(jù)，通過自適應(yīng)索引和壓縮算法降低存儲(chǔ)成本。兩者融合，真正實(shí)現(xiàn)同一張表上支持多類型數(shù)據(jù)。結(jié)構(gòu)化數(shù)據(jù)兼容開源 Iceberg、Hudi、Delta，支持流讀流寫；非結(jié)構(gòu)化數(shù)據(jù)和 Embedding 向量通過自適應(yīng)索引和壓縮算法降低存儲(chǔ)成本。

TCQA是原生加速引擎。通過計(jì)算感知、冷熱數(shù)據(jù)分層、緩存優(yōu)化，在 TPC-DS 基準(zhǔn)測(cè)試中，開啟 TCQA 后計(jì)算耗時(shí)降低 22%，數(shù)據(jù)傳輸量大幅減少。

三者組合的效果是什么？在企業(yè)知識(shí)庫(kù)場(chǎng)景中，新一代存儲(chǔ)架構(gòu)可將存儲(chǔ)成本降低至傳統(tǒng)方案的十分之一，檢索性能有效提升。在城市智能巡檢場(chǎng)景中，多源異構(gòu)數(shù)據(jù)歸攏到一張統(tǒng)一表后，一條標(biāo)準(zhǔn)SQL就能完成過去需要串聯(lián)三四個(gè)系統(tǒng)才能實(shí)現(xiàn)的多模態(tài)檢索。

• 計(jì)算智能：跑通從結(jié)構(gòu)化到跨模態(tài)的全鏈路

存得下，還得算得動(dòng)。Agent 時(shí)代的計(jì)算負(fù)載從結(jié)構(gòu)化標(biāo)量計(jì)算變成了跨模態(tài)的數(shù)據(jù)計(jì)算。同時(shí)，Agent 搭個(gè)應(yīng)用只需掛一個(gè)后端存儲(chǔ)就能跑，對(duì)計(jì)算引擎的靈活性和效率要求極高。

騰訊云在這層布了兩個(gè)自研引擎和一個(gè)統(tǒng)一調(diào)度底座：

Meson是結(jié)構(gòu)化數(shù)據(jù)處理引擎，投入兩年多迭代。作為原生向量化查詢引擎，它可無感加速 Spark SQL與 DataFrame 工作負(fù)載，兼容 Spark API 及函數(shù)級(jí)fallback 機(jī)制，不改業(yè)務(wù)代碼就能提升性能。TPC-DS 1TB 測(cè)試中整體性能達(dá)到社區(qū)版本的 3.6 倍，部分計(jì)算密集型場(chǎng)景最高5倍以上，CPU 資源消耗降低 50%，使用該引擎的客戶已超過 100 家。

（圖：Meson結(jié)構(gòu)化數(shù)據(jù)處理引擎 ）

Xpark是跨模態(tài)計(jì)算引擎，解決傳統(tǒng)引擎處理不了圖片、視頻等非結(jié)構(gòu)化數(shù)據(jù)的問題。其 SQL-First AI Function 能力讓用戶可以用 SQL 做 AI 推理和訓(xùn)練——"SQL 即 AI"。推理吞吐相比開源方案提升 3 倍，GPU 利用率接近 100%。

（圖：Xpark性能）

TCRay是統(tǒng)一調(diào)度底座，實(shí)現(xiàn) CPU+GPU 資源的統(tǒng)一管理和調(diào)度。它不僅做底層的權(quán)限、計(jì)費(fèi)、網(wǎng)絡(luò)集成，還對(duì) Ray Core、Ray Data、Ray Train、Ray Serve四大模塊做了深度優(yōu)化，并在開源 Ray 基礎(chǔ)上增強(qiáng)作業(yè)調(diào)度、任務(wù)恢復(fù)、資源彈性與大規(guī)模作業(yè)穩(wěn)定性。支持在 Spark、Ray、Meson、Xpark 等框架間進(jìn)行全局資源調(diào)度與智能彈縮。

這使得計(jì)算引擎從封閉的"獨(dú)行俠"變成了可被上層各種 Agent 和應(yīng)用編排調(diào)用的"公共算力池"。 DataBuddy 調(diào)它，WeData 調(diào)它，第三方 Agent 也可以調(diào)它。面向集團(tuán)型企業(yè)的復(fù)雜場(chǎng)景，同一平臺(tái)內(nèi)同時(shí)完成傳統(tǒng)數(shù)據(jù)工程與深度學(xué)習(xí)訓(xùn)練，數(shù)據(jù)與算力直接復(fù)用。

地基打好之后，才能談 Agent 的智能程度和平臺(tái)的自治能力。

• 數(shù)據(jù)智能：從單Agent到Agent團(tuán)隊(duì)

單個(gè) Agent 查個(gè)數(shù)沒問題，遇到多步驟、多數(shù)據(jù)源、多角色的復(fù)雜任務(wù)就力不從心。于是，騰訊云構(gòu)建了由 SQL Agent、Code Agent、RAG Agent 和 Report Agent 組成的多 Agent 協(xié)作體系。用戶只需用自然語言下一道指令，系統(tǒng)自動(dòng)組織分工。拿"慢 SQL 調(diào)優(yōu)"來說：運(yùn)維 Agent 負(fù)責(zé)收集慢 SQL 和集群負(fù)載，開發(fā)Agent 做自動(dòng)化調(diào)優(yōu)再交由運(yùn)維 Agent 驗(yàn)證，分析 Agent 匯總所有結(jié)論生成報(bào)告。整個(gè)過程從3人4小時(shí)縮減到1人15分鐘。

NL2SQL 的行業(yè)平均水平大概 70%。騰訊云通過"雙引擎反饋鏈路"——TCAnalyst-NL2SQL加上統(tǒng)一語義層——做到了90%以上。其技術(shù)創(chuàng)新包括數(shù)據(jù)庫(kù)約束驗(yàn)證機(jī)制、數(shù)據(jù)庫(kù)內(nèi)容感知和后訓(xùn)練技術(shù)，相關(guān)論文已入選數(shù)據(jù)庫(kù)領(lǐng)域頂級(jí)會(huì)議 VLDB。在BIRD-Bench評(píng)測(cè)中，TCDataAgent斬獲全球第三、國(guó)內(nèi)第一。

• 系統(tǒng)智能：從"人工救火"到"自動(dòng)駕駛"

Agent 時(shí)代的數(shù)據(jù)平臺(tái)，運(yùn)維復(fù)雜度不降反升——多模態(tài)數(shù)據(jù)處理、模型訓(xùn)練、推理等新負(fù)載跟原來的 SQL 處理完全不同。騰訊云通過自研智能管家TCInsight實(shí)現(xiàn)自動(dòng)調(diào)優(yōu)、自動(dòng)運(yùn)維和自動(dòng)治理三大能力。用戶通過對(duì)話式交互就能完成任務(wù)調(diào)優(yōu)，系統(tǒng)每天自動(dòng)診斷問題并給出修復(fù)建議，對(duì)于低危操作甚至直接執(zhí)行。

目前相關(guān)能力已累計(jì)處置事件超過 10 萬次，資源優(yōu)化可降低 15% 的資源消耗，故障根因定位時(shí)間從 4.5 小時(shí)縮短至 30 分鐘。

四層智能解決的是底座問題。但企業(yè)還需要一個(gè)平臺(tái)來統(tǒng)一管控這一切。

WeData 就是這層"神經(jīng)系統(tǒng)"。通過統(tǒng)一元數(shù)據(jù)、數(shù)據(jù)語義、編排和權(quán)限體系，它打通數(shù)據(jù)開發(fā)、機(jī)器學(xué)習(xí)和 AI 應(yīng)用全流程。其統(tǒng)一語義層將指標(biāo)口徑、業(yè)務(wù)術(shù)語、業(yè)務(wù)規(guī)則沉淀為 Agent 可理解、可調(diào)用的統(tǒng)一語義資產(chǎn)。針對(duì)游戲、零售等行業(yè)還沉淀了行業(yè)數(shù)據(jù)模型和業(yè)務(wù)語義體系。

DataBuddy 通過 WeData 統(tǒng)一控制面調(diào)用底層能力——TCLake 負(fù)責(zé)存儲(chǔ)，Meson/Xpark 負(fù)責(zé)計(jì)算，TCRay 負(fù)責(zé)調(diào)度。引擎的性能提升直接喂給上層Agent，Agent的任務(wù)結(jié)果又回流到數(shù)據(jù)層形成新的知識(shí)沉淀——這個(gè)傳導(dǎo)鏈條一旦跑通，平臺(tái)就不再是靜態(tài)的工具集，而是一個(gè)不斷進(jìn)化的有機(jī)體。

結(jié)語

可以看到，AI 浪潮行至下半場(chǎng)，賽道的競(jìng)爭(zhēng)邏輯已經(jīng)改寫。如何讓 AI、Agent 真正嵌入企業(yè)日常工作流，降低落地門檻、發(fā)揮實(shí)際價(jià)值，恰恰是騰訊擅長(zhǎng)的領(lǐng)域。這也戳中了當(dāng)下產(chǎn)業(yè)最核心的痛點(diǎn)：如今企業(yè) AI 落地的瓶頸，早已不是大模型 “夠不夠聰明”，而是技術(shù)能否真正 “用起來”。

騰訊云此次推出的 AI Native 大數(shù)據(jù)平臺(tái)，以存儲(chǔ)、計(jì)算、數(shù)據(jù)、系統(tǒng)四大智能為骨架，搭配 WeData 全域協(xié)同體系，本質(zhì)上就是將數(shù)據(jù)能力、智能體能力深度融入業(yè)務(wù)場(chǎng)景。它不再是孤立的技術(shù)產(chǎn)品，而是打通場(chǎng)景、連接用戶、持續(xù)迭代的生態(tài)載體。在 Agent 全面普及的新時(shí)代，技術(shù)本身逐漸趨同，能夠承載轉(zhuǎn)化、落地應(yīng)用的流量與場(chǎng)景入口，正在成為行業(yè)最稀缺的資產(chǎn)。這種由生態(tài)決定進(jìn)化上限的發(fā)展模式，相比比拼單一產(chǎn)品性能，具備更長(zhǎng)久的生命力。

從這個(gè)角度來看，AI 下半場(chǎng)的競(jìng)爭(zhēng)，屬于騰訊的節(jié)奏或許才剛剛開始。