📊 Data+AI 全球日报

来源： Snowflake 官方财报（SEC 8-K）
摘要： Snowflake 9 月 2 日盘后公布 2027 财年第二季度财报，兑现昨日 Watchlist 预告。产品营收 14.92 亿美元（同比 +37%，连续第三个季度加速），总营收 15.47 亿（+35%），调整后 EPS 0.62 美元超预期。净收入留存率维持在 126%，剩余履约义务 90 亿美元（+30%），年化超百万美元客户 828 家（+27%）。AI 是核心驱动：CoCo 账户突破 9100 个（单季新增超 2000），CoWork 扩展至 5800 个账户，上半年上线超 330 项产品功能。公司上调全年产品营收指引至 60.7 亿美元（+36%，原 58.4 亿），非 GAAP 营业利润率指引升至 14.5%。盘后股价大涨约 23%。
为什么对数据平台重要： 这是继 MongoDB 之后数据平台 AI 叙事的第二个财报兑现，且方向相反——Snowflake 用"产品营收连续三季加速 + AI 收入显著提升"证明 AI 负载真实拉动增长，坐实"agentic enterprise runs on Snowflake"的叙事。NRR 守住 126% 是关键信号：AI 工作负载在存量客户中真实增购，而非仅靠新客。对比前一日 MongoDB 因"AI 已计入价格"盘后重挫，Snowflake 盘后大涨 23%，表明市场对不同厂商的 AI 兑现度开始分化定价。对采购方与竞品的启示：AI 收入已成为数据云增长的第二引擎，但兑现节奏与指引透明度决定估值弹性。

来源： IBM 官方公告
摘要： IBM 与 Confluent 9 月 2 日宣布，IBM Granite Time Series 时序基础模型以 Early Access 形式落地 Confluent Cloud，将预测与异常检测直接嵌入企业数据流。四款互补模型——PatchTST-FM-r1（概率预测）、FlowState-r1.1（采样率无关）、TTM-r3（效率优先）、TSPulse（异常检测与补值）——均小参数设计（1M 至 260M 参数、免 GPU、CPU 推理），通过 Flink SQL 的 AI_FORECAST 与 AI_DETECT_ANOMALIES 函数直接调用，单参数即可切换模型、无需重构流水线。推理结果写回 Kafka topic，供告警、看板、湖仓与 AI 智能体消费。Confluent 管理模型 serving、扩缩容与运行，无需独立 ML 环境；Confluent Platform 本地化支持后续推出。
为什么对数据平台重要： 时序智能正从"每个数据集一个定制模型"的工程项目，变成"流内可调用的函数"。传统路径下团队只能为少数高价值序列建模，其余靠安全库存与冗余兜底；时序基础模型一次预训练、跨未见序列泛化，把预测下沉到数据产生之处，消除 ETL 延迟导致的"批处理预测落地即过时"。对数据平台团队，这压缩了"流处理 + 独立 ML 栈"的架构价值，实时预测、异常检测与优化能力成为流平台的即取即用功能；对采购方，CPU 免 GPU 推理与零配置模型切换，把时序智能的成本门槛大幅拉低。

来源： DBTA
摘要： Oracle 与 AWS 9 月 2 日深化合作，Oracle Exadata Database Service on Exascale Infrastructure 在 Oracle AI Database@AWS 上正式 GA，并扩展至 22 个 AWS Region，双方签署长期战略合作协议。这意味着企业可以在 AWS 内运行原生 Oracle Exadata 数据库服务，叠加 Oracle 的 AI Database 能力，同时享受 AWS 的弹性与区域覆盖。此前 Oracle Database@AWS 已逐步铺开，此次 GA 将 Exascale 基础设施层带入，进一步降低客户将 Oracle 核心负载迁上 AWS 的门槛。
为什么对数据平台重要： 数据库巨头与云巨头的合作从"竞争对立"走向"混合云互操作"，标志企业数据库上云路径的进一步清晰化。对采购方，这削弱了"锁定单一云"的顾虑——Oracle 核心工作负载可跑在 AWS 上，同时保留 Exadata 的性能与自治能力；对云厂商格局，Oracle 以"数据库 + AI 数据库"嵌入 AWS，AWS 以区域覆盖与弹性换取企业级负载，是存量企业数据库市场云化的重要信号。值得跟踪的是 Oracle AI Database@AWS 的采用速度，以及 Azure、Google Cloud 会否跟进同类互操作。

来源： 阿里云产品动态
摘要： 阿里云 9 月 2 日发布检索分析服务 Elasticsearch 版「AI 引擎版」，基于 OSS 的无状态多租户架构，将 OSS 作为唯一持久化存储，写入层与查询层无状态设计、计算/缓存/存储解耦。核心能力包括：Slice 原生多租户隔离（一租户一 Slice，支持亿级租户规模、沉睡租户不占资源）、全文 + 向量混合检索（同一引擎支持 BM25、结构化过滤、向量与混合检索，面向千亿级向量与毫秒级查询）、秒级零拷贝分支（copy-on-write，适配评测/灰度/A/B/回滚）与 Scale-to-Zero 自动弹性。兼容现有 Elasticsearch API、查询 DSL 与生态工具，并与 mem-0、FalconSeek、SearchLake 结合，面向企业知识库、RAG、AI Coding 及垂直领域检索。
为什么对数据平台重要： 检索引擎正在从"单集群全文搜索"重构为"面向智能体的大规模多租户数据底座"。Agent 时代的一个用户、一个 Agent、一个代码仓库都可能成为独立检索租户，绝大多数长期沉睡、少数突发活跃，选型问题从"用哪种向量索引"升级为"如何管理海量租户及其冷热数据"。阿里云用 OSS 持久化 + 无状态计算 + 租户级 Slice 回应这一负载，把成本与活跃数据线性挂钩，与 Snowflake/腾讯云 TDSQL NEXA 的"对象存储原生 + 弹性计费"路线同向。对采购方，冷热分离与"不访问不付费"的多租户检索，是 Agent 规模化后控制检索成本的关键杠杆。

来源： Databricks 官方博客
摘要： Databricks 9 月 2 日扩展 Genie Agents 能力。Agent mode（多步推理循环）对全部 Genie Agents 开放，并新增 Agent Mode API，开发者可将多步推理集成到自定义应用、聊天机器人与定时报告，经 Server-Sent Events 流式返回，支持可视化与数据表。核心新增是文件推理：Agent 可分析 Unity Catalog volumes 中存储的 PDF、文档、幻灯片与图片，最多挂载 10 个 volumes，在同一对话中结合结构化数据与非结构化内容回答跨类型问题（如"流失客户最多的区域及其离职访谈主题"），全程遵守 Unity Catalog 权限。Genie Code 同步增强，可用自然语言创建 Agent 基线、诊断失败、总结反馈趋势。
为什么对数据平台重要： 智能体正从"只查结构化表"进化到"表 + 文档联合推理"，把非结构化数据纳入受治理的分析闭环。关键在治理边界：文件推理始终沿用提问者权限，且内容搜索索引会提升检索速度但也让敏感内容更易被发现，构建者需收敛 volumes 范围、只索引必要内容。对数据平台团队，这印证了"受治理的多模态数据访问"是 Agent 数据底座的核心能力——不是让 Agent 读更多，而是让它在权限边界内读得更准、答得可追溯。对采购方，表与文档联合分析能否替代部分 ETL 与非结构化分析工具，值得以自有负载验证。

来源： Databricks 官方博客
摘要： Databricks 9 月 2 日发布 Big Book of AgentOps，将 AgentOps 定义为智能体上线后构建、评估、部署、治理、观测与改进的运营纪律，并沉淀为可复制的运营手册。全书六大章节：四种 Agent 架构及其反模式、四种部署架构（从单 workspace 到多账户多 Agent 企业拓扑）、七阶段项目管线、评估与反馈闭环、适配非确定性系统的 DevOps 实践、干系人对齐与成本归属。核心理念是 Agent 的每个运行时选择（工具调用、检索、权限检查、重试）都是质量/风险/延迟/成本的变量，只看最终输出会漏掉全部。手册附客户实证：FactSet 文本转代码智能体准确率提升 44%，DXC 平台 TCO 降 30%，ICE 文本转 SQL 达 77% 句法准确率（均为厂商披露、未给基线）。
为什么对数据平台重要： AgentOps 从概念走向可操作的运营方法论，标志行业重心从"模型能力"转向"智能体运行的可靠性、可观测与成本治理"。对数据平台团队，这直接衔接 7 月 Prefect 收购 Dagster、9 月 Orchestra 的 Agentic Control Plane 等信号——数据编排与智能体治理正在融合，成为数据平台的竞争卡位。手册把成本归属、最小权限、评估集建设等做法前置，回应了"智能体规模一上去，账单与权限先失控"的普遍焦虑。需注意手册方法论 Databricks 原生（Unity Catalog/Gateway/MLflow），非 Databricks 栈团队需自行映射。

今日无合格信息。

来源： VLDB 2026
为什么值得继续看： VLDB 2026 本周（8/31-9/4）持续发布成果。Databricks 联合创始人兼首席架构师 Reynold Xin 发表主旨演讲《数据库工程的三个黄金时代》，提出 AI Agent 改变软件工程生命周期，带来操作型分析、向量检索等新负载与高并发、迭代式 OLTP 新使用模式，据此提出 Lakebase 架构（存储计算分离应用于 OLTP），并以 LTAP（Lake Transactional Analytical Processing）统一 Lakebase 与 Lakehouse。Databricks 现场展示 AutoLiquid（自动聚类，95% 案例优于人工调参）与 Ultron（历史负载查询优化，join 延迟中位数降 25%）。阿里云 CTO 周靖人 9 月 3 日上午（ET）主旨演讲聚焦 Qwen、Wan 大模型训练与推理系统。
需要等待什么信号确认： Lakebase 与 LTAP 架构的技术细节与开源/产品化时间表；本周剩余厂商官方博客与论文（自动优化、GPU 原生、Agent 数据访问方向）能否转化为云服务能力；阿里云周靖人演讲对"数据库与大模型协同"的产业级主张。

来源： PANews 融资周报
为什么值得继续看： 多家媒体周报援引知情人士称英伟达同意以 129 亿美元收购开源 AI 平台 Hugging Face，约为其 2023 年估值三倍，但双方尚未通过官方渠道公布交易细节。Hugging Face 是模型与数据集分发枢纽，其开源治理与数据集平台中立性对数据资产格局影响重大。
需要等待什么信号确认： 双方官方公告或监管申报文件；交易结构中对 Hugging Face 开源治理与数据集平台中立性的安排。

来源： 智东西（转引福布斯）
为什么值得继续看： 据《福布斯》援引两名知情人士，美国 AI 训练数据初创公司 AfterQuery 估值已达 32 亿美元（约 215 亿人民币），较五个月前的 3 亿美元增长约十倍；该公司据称已实现盈利，并为新一轮融资确定了领投方，但具体融资金额与投资方身份尚未公布，AfterQuery 拒绝置评。其平台汇集近 10 万名专业人士，为前沿大模型提供专家推理数据、强化学习环境与模型评测服务，数据已用于英伟达 Nemotron 3 Ultra 模型训练。创始人年仅 22-23 岁，从 YC 2025 冬季批次到独角兽仅约 18 个月，为 YC 史上最快。
需要等待什么信号确认： 新一轮融资的正式公告与金额、投资方；其与英伟达、Thinking Machines Lab 及中国 AI 实验室合作的实际规模；训练数据供应链从基础标注向专家复杂任务数据的迁移节奏。