Google 获评 Gartner 首份湖仓平台魔力象限领导者

Sirish Chandrasekaran

Data Cloud 产品战略与增长副总裁

Gaurav Saxena

产品管理总监

立即试用 Gemini

通往职场 AI 的前门

立即试用

Gartner 在其首份 Data Lakehouse Platforms 魔力象限中将 Google 评为领导者，并且在愿景方面处于最远的位置。我们认为，这一认可印证了我们的客户每天都在经历的一项根本性转变：在智能体时代，企业湖仓不再是被动的数据存储库，而是智能体基于您的全部数据进行推理和行动的基础。

湖仓最初的出现，是为了将数据仓库的可靠性带到开放、低成本存储之上，但定义这一品类的基准如今正在发生变化。领先企业正迅速从静态报表转向自主 AI 智能体，这些智能体能够监控运营、标记异常并实时执行业务工作流。为支持这一转变，组织需要一个平台，使成千上万的智能体能够持续读取、推理并作用于企业数据，而无需先移动这些数据。传统且碎片化的数据技术栈受制于脆弱的管道、重复的存储和割裂的治理，它们根本不是为智能体规模工作负载所需的规模、性能和延迟而设计的。

我们在技术栈的每一层都设计了我们无边界的 Lakehouse，以消除这种复杂性和隐性成本。无边界的 Lakehouse 专为智能体跨 PB 级数据进行推理而设计，它将您的数据资产统一到跨云、数据平台和 SaaS 应用之间，让您能够将智能体建立在受治理的业务上下文之上，并将 Gemini 直接带到您的数据旁。这使得您的团队能够从管理基础设施转向编排业务成果。

就地激活您的全球数据足迹

对于大多数组织而言，扩展 AI 的最大障碍是企业数据无处不在，横跨多个云、运营数据库和 SaaS 平台。将所有这些数据迁移到单一物理位置既缓慢又昂贵，还会带来治理风险。

我们的 无边界的 Lakehouse充当跨越您分布式环境的桥梁，以激活您的数据。它构建于开放的 Apache Iceberg 之上，将您的多云、SaaS 和运营数据连接成一个受治理的统一数据网络。组织可以立即开始分析跨 AWS、Azure 和 Google Cloud 的数据集，无需昂贵的数据副本或复杂的迁移，并从中受益于：

• 开放而不牺牲性能： 直接在开放的 Iceberg 表上，通过 BigQuery 和 Managed Service for Apache Spark 运行分析和 AI，价格性能与原生存储相当。
• 高速跨云经济性： 通过 Cross-Cloud Interconnect 和智能缓存，建立通往 AWS 和 Azure 的私有高速路径既简单又经济高效。通过仅缓存查询所触及的活动数据块，湖仓可在本地服务重复查找，保护数据驻留并消除可变 egress 费用。
• 垂直集成的安全与治理： 无论数据驻留在何处都保持其受到保护，这一点不容妥协。 凭证售卖 在 Lakehouse 运行时目录中有助于确保安全策略随您的智能体直接到达您的数据所在之处。

德国银行业领军者 Commerzbank将其 AI 战略建立在我们的无边界 Lakehouse 和 Apache Iceberg 之上，在呼叫中心和营销部门部署 AI 智能体，同时满足严格的欧洲银行业法规。如今，统一的基础正在为整个银行的 AI 提供支持。营销团队将营销活动制作时间从数周缩短到数天，并让呼叫中心坐席能在数秒内获得经过验证的下一步行动。

智能体需要的是业务上下文，而不仅仅是访问权限

自主智能体的准确性取决于它所理解的业务上下文。湖仓弥合了智能体与企业数据之间的鸿沟，自动从您的存储层采集元数据并将其传递到您的上下文引擎。Lakehouse 运行时目录 直接与 Knowledge Catalog 集成，后者充当您企业数据的通用上下文引擎。它会自动聚合和整理来自您所有来源（无论 Google 内部还是外部）的元数据和语义上下文，对其进行丰富以提取含义，并将这一统一上下文提供给您的所有智能体（无论您构建还是使用）。Knowledge Catalog 的关键能力包括：

• 跨企业的统一聚合： 单一的、受治理的语义层可防止多云资产之间的指标漂移。随着 扩展聚合在 Knowledge Catalog 中正式可用，组织可以在一个平面上统一 Looker、dbt 和 BigQuery 中的元数据、指标和业务逻辑。
• 开箱即用的智能体接地： 将智能体锚定在经验证的业务逻辑中可加速开发并建立信任。 Gemini grounded with Knowledge Catalog 和 上下文集（两者均处于预览阶段）让团队将整理好的指标和指令打包成令牌高效的捆绑包，供智能体通过标准 API 和 Model Context Protocol 使用。
• 无代码上下文优化： 仅提供最相关的上下文可降低延迟、降低令牌成本并防止昂贵的推理循环。借助 Knowledge Catalog 中全新的工作室体验（处于预览阶段），数据管理员可获得智能体优先、无代码的环境，以解决定义缺口并安全地治理智能体获授权访问的确切上下文。

Bloomberg Media 将其对话式查询直接建立在 Knowledge Catalog 语义层之上，实现了查询准确性提升 63%，并在其业务团队中消除了幻觉。

业务背景只是等式的一半。因为智能体不仅进行分析，还会采取行动，所以你的分析湖仓和运营数据库必须作为一个系统来运作。这就是 BigQuery、Managed Service for Apache Spark、Spanner 和 AlloyDB 被设计为协同工作的原因，使无边界湖仓成为整个 Agentic Data Cloud 的数据基础。

以智能体湖仓赋能从业者

要释放湖仓的全部潜力，需要转变人们处理数据的方式。过去，数据工程师、数据科学家和业务用户工作在彼此割裂的孤岛中。湖仓通过集成与 Gemini 直接集成，充当协作的连接组织，让你能够直接在统一湖仓数据之上构建、测试和运行 AI 智能体。

• 面向技术团队的意图驱动工作流：借助Data Agent Kit，数据从业者可以使用简单的文本提示，直接从他们偏好的 IDE 和 CLI 中编写代码、构建 notebook 并运行 ML 模型。团队无需从头编写样板代码，而是可以使用预构建的智能体技能和 MCP 工具来构建复杂的数据管道，并在 15+ 项 Google Cloud 数据服务之间无缝协作
• 为业务用户提供主动且个性化的洞察：对话式分析以通俗语言为业务用户提供可信答案，无需等待数据团队构建自定义报告。一键发布进一步扩展了这一能力，即时将已批准的技术模型转化为对话式工具，让员工无需任何编码经验即可用通俗语言提问、运行准确的报告，并安全地将自定义智能体落地到日常工作流中。

PayPal 利用这些能力将其 Looker 语义模型直接连接到 AI 智能体，使商业智能团队只需定义一次指标模型，5,000 名员工便能以接近 100% 的准确率查询实时数据，将洞察速度提升 50%。

将 AI 驱动的引擎引入湖仓

要做出实时影响业务的决策，AI 智能体需要直接在数据所在之处运行复杂的推理循环。我们将 Google 领先的人工智能和高性能处理引擎直接引入开放表格式，让你无需承担数据复制的复杂性即可挖掘巨大价值。请考虑以下用例：

• 以前所未有的规模运行分析：要在 PB 级开放数据上驱动实时行动，需要高度优化的计算。在BigQuery 中，我们通过流式扩缩容和内置工作负载加速等智能优化，使查询速度提升 40% 以上，同时将查询处理成本降低 50% 以上；而我们的Lightning Engine for Apache Spark运行开放格式的 Spark 工作负载，其性价比优势是领先替代方案的 3 倍以上。
• 就地 AI 与机器学习：通过TabFM的预览版，业务团队可以通过简单的 SQL 查询对表格数据生成即时预测洞察；而 BigQuery 中的TimesFM 3.0则可对现有数据提供高级多变量预测。
• 经济高效的智能体规模数据处理：智能体会持续且短时突发地查询数据，因此为闲置计算付费会迅速累积。BigQuery 流式扩缩容 引入按秒计费且无最短时长限制，取消了昂贵的一分钟最低计费，带来高达 34% 的计算成本节省。

在规模化的同时最大化效率，避免成本失控

Google Cloud 的无边界湖仓通过在计算、AI 处理和 token 消耗方面带来复合节省，重新定义了企业 AI 经济学。当智能体对数百万行数据应用 AI 时，token 支出可能迅速成为一笔非常大的开支项。Knowledge Catalog 通过过滤并仅传递每个提示所需的精确元数据和指标，避免将大量无组织的数据集发送给你的 LLM，从而防止昂贵的 token 消耗，显著减少 token 用量。BigQuery AI 增加了内置的 token 控制，让团队可以在查询运行前估算用量、设置硬性限制，并通过优化模式自动切换到更小、更高效的模型。结果是，与逐行生成式 AI 处理相比，BigQuery 成本优化的 AI 函数使用的 token 减少了 230 倍。

接下来是什么？

要了解更多关于我们的定位以及我们如何加速你的数据之旅，请下载免费的2026 年 Gartner 数据湖仓平台魔力象限报告。

Gartner，《数据湖仓平台魔力象限》，Aaron Rosenbaum、Michael Gonzales、Masud Miraz、Ramke Ramakrishnan、Xingyu Gu、Robin Schumacher、Prasad Pore，2026 年 11 月 4 日。Gartner 和 Magic Quadrant 是 Gartner, Inc. 和/或其关联公司的商标。Gartner 不为其出版物中描绘的任何公司、供应商、产品或服务背书，也不建议技术用户只选择那些评级最高或获得其他称号的供应商。Gartner 出版物由 Gartner 的业务和技术洞察组织的意见构成，不应被解释为事实陈述。Gartner 对此出版物不作任何明示或暗示的担保，包括任何适销性或特定用途适用性的担保。此图表由 Gartner, Inc. 作为更大研究文档的一部分发布，应在整个文档的上下文中进行评估。Gartner 文档可向 Google 索取。

发布于

• 数据分析