先说结论

这场论坛最值得记住的不是任何单个发布，而是一个正在结算的事实：数据平台的用户正在换人。主持人、DataFun创始人王大川在开场把论坛主题翻译成大白话——大数据计算正在从"人写作业、批量处理"迈向"Agent驱动、智能编排"；阿里云计算平台事业部负责人汪军华则给了量化注脚：今年MaxCompute从无到有，Agent调用入口占比已经从约1%涨到接近10%。围绕这个变化，MaxCompute、Hologres、开源大数据平台（DLF/Flink/EMR/StarRocks）、DataWorks在同一场论坛里完成了体系化的"Agent原生"改造，而具身智能公司穹彻智能、吉利、万物云这些客户已经把Agent用进了真实生产线。但所有讲者几乎同时承认另一件事：Agent能写出语法正确的SQL，却未必写得出语义正确的SQL，而且错误结论人眼看不出来——语义与可控性，正在取代算力与文件格式，成为这个行业的下一张账单。

计算主体的换人：从"人写作业"到Agent占一成入口

整场论坛的叙事起点是两条需求曲线的合流。汪军华认为，多模态数据让数据体量"百倍千倍提升"，处理这些数据不再只是CPU计算，还要GPU和大模型推理、打标；与此同时，使用平台的主体从人变成了Agent，平台的应对是提供MCP、Skills等接口，让Agent用自然语言直接驱动大数据平台。调度层面随之变形：以前只需管CPU，现在要同时统一调度CPU、GPU和外部大模型的token调用量——这是他给出的"大数据AI一体化"的具象定义。

AMD全球副总裁、中国区企业与商用事业部总经理刘宏兵（转写误作"刘红兵"，经外部核验应为刘宏兵）从算力侧给出同一判断的镜像版本。他的三个关键词是开放、异构、开放系统：混合负载里CPU仍担当数据挖掘、任务分配和推理应用的角色，“并不仅仅是GPU的辅助”；CPU/GPU异构协同是第二道挑战；而AMD的ROCm软件栈"早几年还很弱"，这几年靠互联网伙伴的落地反馈快速成熟。他复盘AMD从部件商到方案商的路径时提到，AMD先后并购了网络厂商与整机厂商——转写把前者误作"Panasonic"，经外部核验应为2022年约19亿美元收购的DPU厂商Pensando，后者是2024年约49亿美元的ZT Systems，由此拼出CPU、GPU、800G网络到整机柜的完整方案。

王大川的收尾判断值得单独记下：平台这一侧，身份从"服务人"悄悄转向"支撑AI运行"；客户那一侧，“两张清单变成了一张”。这条链条的观察指标很直接——Agent调用占平台入口的比例（MaxCompute今年约1%到10%，张志国称）、多模态项目在建AI项目中的占比（他引用的预测是从2023年约1%到2027年40%以上），以及GPU与CPU在数据管线中的配比。对读者的启发是：评估任何数据基础设施，今后都应先问"Agent能不能直接用它"，而不是只看人的使用体验。

把湖、仓、GPU和模型缝进一张底座

入口换人之后，平台内部的技术栈被重新缝了一遍。MaxCompute负责人张志国的分享给出了最完整的分层：存储上用Object Table把OSS、S3湖上的非结构化数据按结构化方式纳管，今年再补上Blob数据类型满足大对象的随机访问；算力上发布Serverless弹性GPU，并通过AI Function直接调用百炼上的模型；引擎上从面向Data Engineer的SQL扩展为SQL加Python的双引擎；开发效率上，多模态管线从"以周计"压缩到一两天交付。最极端的弹性数字来自客户侧：穹彻智能的吕俊（转写"穷彻/穷车"，经外部核验为穹彻智能，创始人卢策吾教授，2023年由非夕科技孵化）说，MaxCompute团队最新一次为他们拉起了约十二万核CPU——这家公司的具身世界模型Noe-0（转写"No一零"，经核验确于2026年8月发布技术预览）用接近十万小时数据训练，单日入库数据约10TB、峰值50TB、年化约3.6PB，且"未来还有两到三个数量级的跨越"。

吕俊的三个痛点解释了为什么具身智能是这类平台的最佳试金石。其一，算力需求是脉冲式的：白天采集、夜里跑链路，而算法"不收敛"意味着随时可能新增一个处理环节、对存量数据全量重算；其二，视频、点云加大模型标注（穹彻已完全放弃人工标注）让链路"只能依赖Python"；其三，众包数据坏得多，管线必须做成幂等的，出问题只重跑坏的部分而不全量回灌。他的结论是数据平台要"为未收敛而设计"，并向湖仓一体的AI原生形态收敛。

开源大数据平台负责人王峰（花名莫问）的分享则把同一逻辑铺到了开源生态：DLF数据湖底座同时支持Iceberg、Lance和阿里自主开源的Apache Paimon（转写误作"Parquet"，经外部核验Paimon为流批一体湖格式，其2.0多模态方向与"Omni Table"宽表概念为节目称）；湖流一体用毫秒级流存储Apache Fluss（转写"Floss"，经核验确为阿里开源的流存储项目）与Paimon组合实现实时离线一体；入湖靠Flink的connector生态边同步边清洗、边调大模型打标；湖上加工用EMR新推的全托管Ray加Daft方案（转写"ERMAR睿和Deft"，Daft经核验为面向多模态的分布式DataFrame引擎）；StarRocks（转写"Yammer Starrocks"应为EMR StarRocks）升级为统一多模态实时检索引擎。两个案例最有说服力：千问大模型训练用它做训练数据的质量评测与选样——按重复率、相关性等维度筛候选，并通过Agent与StarRocks多轮迭代选样（王峰称）；大疆旗下智驾品牌卓驭科技（经外部核验）用它做"下雨夜晚+车祸图片"式的混合检索选样——标量条件过滤天气和时间，向量条件检索相似图片，再join排序。

这一层的二阶影响在于：当"模型ready"成为数据平台的第一设计目标，湖格式、检索引擎和算力调度的选型标准都被重写——不是BI查询的秒级响应，而是训练样本的质量与吞吐。观察指标是训练数据管线上的单位成本（吕俊称serverless让他们"从买多少转换成用多少"）和选样迭代轮次。对做平台的读者，启发是王峰那句总结：模型ready与Agent ready必须同时做，只做前者会在下一轮换人时出局。

Agent的手可以伸多长：沙箱、血缘与三道防线

如果说前半场讲的是"让Agent能用"，后半场反复打磨的是"让Agent敢用"。Hologres负责人姜伟华（经外部核验为其研发负责人）对矛盾的陈述最坦率：Agent要多步深入分析就需要对数据增删查改，但OLAP多是线上系统，“Agent随便操作很容易把线上系统搞挂”；即使只读，Agent随手生成的SQL也可能打爆资源有限的实例；而Agent"更关注功能对不对，不关注性能好不好"。Hologres 5.0的解法组合拳包括自适应执行、基于历史查询的HBO优化、query级serverless执行，以及本场最有辨识度的发布——数据沙箱：对TB乃至PB级数据快速克隆一个沙箱，Agent在里面任意建表、删改、长时间执行都不影响原实例，计算资源独立，最后经人工审批才合并回原库。姜伟华给它的定性是"让Agent可以犯错"，因为"我们坚决要防止生产Agent破坏线上生产数据"。配套的还有语义视图、SQL内自定义Agent（把Agent当UDF一样的算子用，可用Python定义后在DataFrame上apply，把"用户评价转评分"这类任务做成一分钟延迟的增量管线）、图检索（服务本体论与知识图谱建置），以及兼容Postgres的行级权限补全。现场演示把整套机制串成了一条完整链路：点击订单匹配率跌破20%自动告警，推到钉钉群后一键开启数据沙箱，Agent在沙箱里查元数据、复现问题、克隆表做根因分析、用新的Dynamic Table逻辑回放验证，人工审批后才把变更合并回原库。他引用的成绩——向量检索约9.75万QPS、TPC-H 3TB世界第一、Open Memory在LoCoMo基准96.82分（接口兼容Mem0）——均为节目称，外部仅能部分印证TPC-H记录的存在。

凌越科技大数据技术专家韩帅把"敢用"翻译成了工程纪律。他们的生产级Data Agent基于阿里的AgentScope 2.0（转写"A策略scoop二点零"，经外部核验为阿里开源的生产级多Agent框架，叠加在ReAct推理范式之上——转写"React推理盒"）构建，一条执行主轴、两个反馈闭环（面向用户的SSE交互、面向系统的trace上报评测）、一个状态底盘。三条经验几乎是生产Agent的方法论内核：让模型处理不确定性、让工程系统守住确定性（权限、安全、门禁不能塞进提示词）；关键决策归人、业务现场可恢复（回退不是撤回聊天记录，而是回退表结构、代码和中间产物）；生产级与demo的区别就是"不越界的产出范围加可验证的产出标准"。他那句收尾——“Agent化不是在数据平台上加一个聊天入口，而是让平台能力真正参与到生产任务中去”——可以当作整场论坛的注脚。

DataWorks产品负责人田奇铣（转写"田奇显/田奇响"，经外部核验为田奇铣）则把语义问题摆到了台面中央：“Agent能写出语法正确的SQL，但不一定能写出语义正确的SQL；更致命的是，如果输出错误结论，人看不出来对错。不是模型不够聪明，而是Agent没有业务常识、不受控。“DataWorks的五项升级对应一个员工成长隐喻：先懂业务（语义图谱Context Graph，用AI自动构建并增量更新，六层语义能力，将开放MCP服务，图谱可导出防lock-in）、再能干活（15个专家套件80多项skill、云托管定时任务让Agent实例停机也不中断调度）、然后才敢信任（数据安全、行为审计含Agent任务血缘、成本管控三道防线）、能力可扩展（六项开放能力）、最终主动思考（自主巡检，任务失败事件触发自动发现-分析-解决）。他给出的内部数字：叠加语义层后业务回答准确性93.24%、SQL生成一致性99%以上，且用flash档模型能逼近旗舰模型效果以降token成本——均为田奇铣称的内部测试。压轴发布的新产品ADA则把这场论坛的所有Agent能力收拢成"Agent军团”：主Agent Ada Work做多智能体协同与路由，把MaxCompute、Flink、EMR等各引擎的Agent编队去完成跨引擎任务，知识引擎与DataWorks同款，自定义Agent支持低代码与高代码两种构建方式（其全称转写不清，疑为Agentic Data AI）。

万物云数据架构师陈家平的分享证明了这套东西真的在生产线上跑。这家2022年9月在港交所上市（经外部核验）的物业公司把数据开发运维拆成四大痛点——重复劳动、湖仓运维人工值守、脏数据事后补救、经验孤岛——然后用五层智能体系（需求层编排、规划层路由、操作层五个skill执行、运维层保障、知识层做底座）把DataWorks Data Agent嵌进去。数据入湖场景拆成九步，“Agent完成99%的工作，最终发布由人确认”（陈家平称）；数据开发拆成八步，核心价值是"规范内置”，人不再需要记住各种规范。这条"变化→机制→影响"链的二阶影响很清楚：数据团队的精力从救火转向防火，经验从少数人脑中固化为可复用资产。观察指标是Agent完成任务的人工确认率、故障自愈比例和血缘可追溯覆盖率。

从streaming agent到亚运解说：数据流Agent化的外溢

王峰在后半段提出的streaming agent概念，是这轮变化向企业信息流的外溢：不是个人办公或编程助理，而是把大模型能力嵌进金融风控的交易流、媒体的视频流、商超的摄像头流，“让企业信息流成为智能体”。他与央视共创的体育赛事智能解说Agent已经跑在2026名古屋亚运会上——游泳、射击等节目的智能化解说已上线央视App（王峰称；经外部核验，央视总台确实持有这届亚运会的主转播权，这是综合性洲际赛事首次由非东道主媒体担任主转播商，但AI解说本身为节目称）。工程约束写得很实：流处理框架接入视频流、做预处理和赛事上下文拼接，大模型必须在五到十秒内给出解说，“不能说错，没有改的机会”。这解释了为什么流式数据平台适合做这件事——状态管理和数据质量控制正是它的老本行。

吉利控股集团AI与大数据平台部长姚海涛的案例则展示了另一头的"端"。智能汽车让整车变成小型分布式系统，数据量指数级上涨且跑在全球各地；海外corner case定位遵循"二八悖论"，斯德哥尔摩的车出问题而研发在杭州，过去要盘点谁的签证好、飞一周去现场采总线数据——他们70%的时间花在问题分析之前的数据拉通与采集上（姚海涛称）。自研Venus车端设备加云端平台（EMR Serverless Spark清洗、Hologres分析）把问题提报从45分钟压到3分钟闭环、问题聚集率降低上百倍（均为姚海涛称）。他的下一步判断与全场同频：未来使用数据分析的更多是Agent而非人和BI报表，而车辆研发工程师的专业在底盘和三电，中间的技术鸿沟要靠Agent来抹平。

把九位讲者的话叠起来，这个行业的路径已经相当清晰：数据对象全模态化、算力异构弹性化、引擎Python化、入口Agent化，然后是语义层、沙箱、血缘、门禁这些"信任基础设施"的补课。真正的分界线不在Demo的惊艳程度，而在两点——业务常识能不能低成本装进Agent（语义图谱、知识沉淀），以及犯错的爆炸半径能不能被控制住（沙箱、审计、可恢复的业务现场）。明年再看这场论坛，值得盯的指标是：Agent调用入口占比能否从10%走向多数、语义层建设成本是否降到中小企业可用、以及第一起"Agent搞挂生产线"或"Agent在沙箱里救回生产线"的公开案例。对普通从业者的启发或许最朴素：你不必急着学会所有大数据技能，但最好想清楚，当平台的手脚都交给Agent时，你的经验能不能变成它守得住的那份规范。

注：本文基于云栖大会2026「Agent驱动的全模态大数据计算创新」论坛回放转写整理（2026-09-23上午场，国博二期博览厅C）。转写中的专名错误已按上下文校正并注明，未能完全确认的（如"MaxStream/MaxFrame"引擎名、ADA产品全称、DataWorks"flash/max"模型档位等）保留原样或标注"疑似"。除标注"经外部核验"外，所有数字与判断均归属现场讲者，“节目称"表示来自现场陈述、未经独立核实。