从智能系统到行动系统

Year: 2026 · ▶ 在 YouTube 观看

Stephanie Wong (Global Lead, Developer Programs) · Yasmeen Ahmad (Managing Director, Data Cloud)

Switch language → en

话题段落 (13)

  • 00:00:00 · 介绍 — Stephanie Wong
    • Stephanie Wong 介绍 Yasmeen Ahmad 来讨论 Google 数据云的最新进展。
  • 00:00:18 · 从智能系统到行动系统 — Yasmeen Ahmad
    • 讨论开始于数据角色如何从提供智能演变为通过智能体系统实现直接行动。
  • 01:12 · 数据策略与背景的重要性 — Yasmeen Ahmad
    • Ahmad 解释说，一个成功的智能体 AI 策略不仅需要干净的数据，还需要丰富的、机器可读的业务背景，而这些在以前是‘看不见的工作’。
  • 03:50 · 语义理解的角色 — Stephanie Wong
    • Wong 询问这一转变是否得益于 AI 智能体对数据拥有语义和推理理解的新能力。
  • 05:52 · Gemini Enterprise 与现有数据资产 — Stephanie Wong
    • 对话转向 Gemini Enterprise 如何作为一个新的前门，使组织能够激活其 BigQuery 和 Looker 资产。
  • 06:24 · 将数据云与 Gemini Enterprise 集成 — Yasmeen Ahmad
    • Ahmad 详细介绍了集成如何让业务用户通过 Gemini Enterprise 与他们的数据聊天，而无需了解底层的数据平台。
  • 07:04 · Deep Research Agent 集成 — Yasmeen Ahmad
    • Ahmad 描述了 Deep Research Agent 如何连接到知识目录，以便对企业和网络数据进行推理，从而获得更丰富的洞察。
  • 08:23 · AI 智能体和数据栈的力量 — Stephanie Wong
    • Wong 强调，AI 智能体代表了技术栈中一个强大而灵活的层，用于执行函数调用和深度研究等操作。
  • 08:56 · 通过跨云湖仓解决数据分散问题 — Stephanie Wong
    • 提出了数据分散的挑战，并询问 Google 的跨云湖仓以及对 Apache Iceberg 等开放标准的支持如何提供帮助。
  • 09:53 · 智能体规模下的成本与性能 — Stephanie Wong
    • Wong 询问 Google 的 AI 优化基础设施和无服务器方法如何帮助客户高效地扩展他们的 AI 雄心。
  • 10:06 · 优化全栈以提高效率 — Yasmeen Ahmad
    • Ahmad 解释说，Google 优化了从芯片到数据引擎的每一层技术栈，以高效处理来自智能体群的增加负载。
  • 19:02 · 智能体时代的未来 — Stephanie Wong
    • Wong 询问 Ahmad 在数据云的新智能体时代中最让她兴奋的是什么。
  • 19:10 · 结论：见证行动系统在实践中的应用 — Yasmeen Ahmad
    • Ahmad 对看到客户已经开始实施智能体群以驱动真正的行动并实现前所未有的投资回报率表示兴奋。

产品发布 (6)

  • 05:52 · Gemini Enterprise (Mentioned)
    • 充当数据的‘新前门’ · 与 BigQuery 和 Looker 资产集成 · 实现与业务数据的对话式交互
  • 10:18 · BigQuery Spark (with Lightning Engine) (New Feature (Lightning Engine))
    • 比原生 Apache Spark 快 5 倍 · 性价比是市场替代品的 2 倍 · Apache Spark 的托管服务
  • 10:18 · Data Agent Kit (Announced)
    • 为 AI 智能体提供插件、扩展、工具和技能 · 使智能体能够原生理解 Google 的数据云 · 连接智能体以跨系统采取行动
  • 11:03 · Cross-Cloud Lakehouse (Mentioned)
    • 提供单一的通用平面来查看所有数据 · 支持 Apache Iceberg 等开放标准 · 连接到数据所在地，无需移动数据
  • 12:53 · Knowledge Catalog (Mentioned)
    • 为非结构化数据创建推断的模式和描述 · 与 Deep Research Agent 连接 · 为智能体提供通用的上下文引擎
  • 13:04 · Deep Research Agent (New Integration)
    • 连接到知识目录 · 对企业数据、网络数据和文档进行推理 · 提供深入、丰富和全面的答案

竞品/对比 (3)

  • 11:18 · vs AWS — 被提及为一个多云环境，客户在此运行 SaaS 应用程序或存储数据 (S3 Glue)，这些数据可通过 Google 的跨云能力访问。
  • 12:04 · vs Databricks — 被提及为一个数据平台，其 Unity Catalog 可以通过 Google 的跨云解决方案访问。
  • 12:06 · vs Snowflake — 被提及为一个数据平台，其 Polaris catalog 可以通过 Google 的跨云解决方案访问。

Benchmark 数字 (5)

  • 15:26 · BigQuery 性能提升: 提升 35%
    • 与去年相比
  • 15:35 · BigQuery 成本降低: 降低 40%
    • 与去年相比
  • 16:25 · BigQuery AI 推理效率: 230倍
    • 在 BigQuery 数据上运行 AI 推理时
  • 15:48 · Apache Spark with Lightning Engine 性能: 快 5 倍
    • 原生 Apache Spark
  • 15:52 · Apache Spark with Lightning Engine 性价比: 好 2 倍
    • 市场上的专有替代品

金句 (6)

  • 00:21 — Stephanie Wong:

    Original (EN): The system of intelligence really is changing and evolving into a system of action. 智能系统确实正在改变和演变为行动系统。

  • 01:12 — Yasmeen Ahmad:

    Original (EN): What we see with generative AI, and in particular now these agentic systems, is driving action is much easier. 我们看到，借助生成式 AI，特别是现在的这些智能体系统，驱动行动变得容易得多。

  • 03:20 — Yasmeen Ahmad:

    Original (EN): That context was never built into data platforms. That context was what I call invisible work that was outside the data platform in the human mind. 那种背景从未被构建到数据平台中。那种背景我称之为‘看不见的工作’，它存在于数据平台之外的人类思维中。

  • 08:58 — Stephanie Wong:

    Original (EN): But the challenge though is that data still can be scattered across many places and environments. 但挑战在于，数据仍然可能分散在许多地方和环境中。

  • 14:13 — Yasmeen Ahmad:

    Original (EN): As these agents come online, they are hungry. And it’s not just single agents, it’s swarms of agents that we are seeing. 随着这些智能体上线，它们是饥渴的。而且我们看到的不仅仅是单个智能体，而是智能体群。

  • 17:11 — Yasmeen Ahmad:

    Original (EN): Only Google is working on infrastructure, the model innovation, the data innovation, all together. 只有 Google 在同时致力于基础设施、模型创新和数据创新。

视觉信号

On-screen (4)

  • 00:00:00 · Google Cloud Next '26 标志
    • 为活动和年份打上品牌烙印。
  • 00:04:08 · 字幕条：Stephanie Wong，全球开发者项目主管，Google Cloud
    • 标明主持人和她的职位。
  • 00:42:08 · 字幕条：Yasmeen Ahmad，数据云董事总经理，Google Cloud
    • 标明客座演讲者和她的职位。
  • 20:21:23 · 白色背景上的 Cloud Next '26 标志
    • 视频片段的片尾品牌标识。

Stage (2)

  • 00:00:00 · 视频开场，Stephanie Wong 坐在一个录音室环境中，桌子上放着麦克风和耳机。
  • 00:11:11 · 镜头切换到广角镜头，显示 Stephanie Wong 和 Yasmeen Ahmad 面对面坐在一张标有‘Google Cloud Next’的桌子旁。

关键主题

智能体 AI · 数据云 · 行动系统 · 生成式 AI · 数据策略 · 多云 · 跨云湖仓 · BigQuery · Gemini Enterprise · Apache Iceberg · 数据治理 · AI 智能体 · 知识目录 · 成本优化 · AI 基础设施

要点

  • 范式正在从‘智能系统’（提供洞察）转向‘行动系统’（AI 智能体执行任务），而这得益于生成式 AI。
  • 一个成功的智能体 AI 策略需要一个强大的数据基础，这不仅包括干净的数据，还包括丰富的、机器可读的业务背景。
  • Google 的智能体数据云旨在通过垂直整合的技术栈提供这一基础，从定制硬件 (TPU) 到数据平台 (BigQuery) 和 AI 模型 (Gemini)。
  • Gemini Enterprise 充当一个简化的、对话式的‘前门’，让用户能够与他们的数据进行交互，从而抽象化了底层系统的复杂性。
  • 像 Apache Iceberg 这样的开放标准对于实现真正的多云和跨云数据策略至关重要，它允许在数据所在地进行查询，而无需进行昂贵的数据迁移。
  • Google 正在推出像 Data Agent Kit 这样的工具，并将 Deep Research Agent 等服务与知识目录集成，以赋能智能体群执行复杂的多步骤任务。
  • 随着 AI 扩展到‘智能体规模’，管理成本和性能变得至关重要。Google 正在优化其技术栈的每一层以提高效率，并提到了在 BigQuery 和 Spark 上的显著改进。
  • 数据和 AI 开发的未来是‘意图驱动工程’，从业者专注于高层目标和成果，而 AI 智能体则处理底层的实现任务。