Databricks数据+AI峰会2026主要收获.pdf

报告摘要

通用本体（Genie Ontology）是最大的亮点，也是我们认为产品故事中最具差异化的部分。C EO阿里·戈德西将当今智能体的核心局限性归结为企业背景知识图谱缺乏高质量地图，而非底层大语言模型的缺陷。没有这个地图，智能体被迫实时搜索各种来源，往往只能覆盖企业知识图谱中一小部分，同时浪费时间和计算资源。在此，Genie本体被定位为一个经过学习、具备权限感知的企业知识图谱，它不仅连接Databricks以外的系统，还使用所谓的“本体排序”（OntoRank）来识别最权威的片段，并将这些片段注入Genie或其他任何智能体，以提供恰当的背景信息。这使得Genie能够在合理的时间内，以显著更高的准确率（引用数据为84.5%）追求期望的输出。我们认为，随着Databricks正确地将智能体系统的实用性定义为搜索问题而非缺乏智能，这一点将日益重要，这将使AI系统在企业环境中具有实质性的更高价值。

湖屋 RT / Rayden 是另一个重要宣布，尤其对于能动世界而言。databricks认为，当今的数据架构通常涉及使用具有相同底层数据的独立实时实例，以实现亚秒级响应时间。这不仅需要运营复杂度，而且管理方指出，随着每秒查询次数（qps）的扩展，各供应商现有的引擎往往难以保持持续的低延迟性能，内部基准测试显示，在低100到中1k的qps范围内会出现延迟峰值或故障。rayden是一种新的底层引擎，它正好解决了这个问题，旨在直接在湖屋上支持毫秒级分析，并容忍12k+ qps，同时保持亚秒级响应时间。我们认为，随着代理在组织架构中普及并在生产环境中并发运行，这变得具有战略意义，因为这些工作流将越来越依赖数据层上的低延迟响应，以便代理能够持续迭代。