从数据处理到agent的链路正经历显著简化。
7月30日，记者获悉，腾讯云正式推出智能数据湖计算平台AIDLC，聚焦自动驾驶、具身智能、Agent等前沿AI应用场景，提供涵盖数据治理、模型训练、在线推理及Agent应用构建的一站式能力。以腾讯自研的WorkBuddy为例，在接入AIDLC后，其处理同等规模数据的端到端耗时降低80%，完成相同任务所需的算力资源缩减至原先的约20%。
（腾讯云智能湖计算AIDLC架构）
传统AI应用开发流程中，企业通常需先借助Spark进行数据清洗与特征工程，再将结果写入存储系统，随后由AI团队基于Ray等框架开展模型训练与推理。各环节分散于不同平台，导致数据频繁迁移，权限体系、元数据管理与算力调度也需独立维护。
为破解这一瓶颈，AIDLC首次实现Spark与Ray在统一平台内协同运行：Spark承担海量结构化/半结构化数据的预处理与特征构建，Ray则负责多模态数据解析、模型训练、实时推理以及Agent任务编排。二者共享底层数据湖、算力资源池与统一权限模型，数据加工完毕后可无缝流转至后续AI阶段，彻底消除跨平台搬运开销。
AIDLC采用Serverless设计理念，支持算力按需秒级伸缩、按实际使用时长精准计费，企业无需预置或运维专属集群。据悉，该平台也是业内首个在同一环境中提供生产级Spark与Ray全托管服务的数据湖计算平台。
情感新闻资讯类网站模板(带手机端)，支持可视化，自定模型内容，简洁后台易上手，支持自定义内容栏目等。模板特点： 1、安装即用，自带人人站CMS内核及企业站展示功能（产品，新闻，案例展示等），并可根据需要增加表单 搜索等功能（自带模板） 2、带手机端 3、前端banner轮播图文本均已进行可视化配置 4、伪静态页面生成 5、支持内容模型、多语言、自定义表单、筛选、多条件搜索等功能 6、支持多种URL
在异构算力整合方面，AIDLC将CPU、GPU、TPU等资源纳入统一调度池，依据任务类型（如ETL、训练、推理）动态分配最优硬件。任务终止后资源自动释放并复用于其他作业，有效缓解固定集群长期空转问题。整体资源利用率提升可达数倍，并已完成对国产主流GPU芯片的适配，助力企业在信创底座上稳定承载AI负载。
为进一步优化计算效能，AIDLC集成腾讯云自研向量化执行引擎Meson与多模态计算引擎Xpark。Meson全面兼容Spark API、SQL语法及主流生态组件，在标准基准测试中查询性能提升3.6倍，部分复杂分析场景加速比达5倍，CPU占用率下降近50%；Xpark面向文档、图像、音视频等多模态内容，内置超50种专用算子，相较开源方案推理吞吐量提升3倍，GPU利用率可持续维持在接近满载水平。
除强化数据处理与模型训练能力外，AIDLC亦深度适配Agent生命周期管理。Agent运行过程中生成的行为轨迹、记忆快照与用户反馈均可沉淀至数据湖，经清洗、标注与增量训练后反哺模型迭代；平台还通过MCP协议、Skills框架及OpenAPI能力开放接口，使WorkBuddy、CodeBuddy等Agent可直接调用平台的数据处理、模型训练与智能分析能力。
该范式已在腾讯内部规模化验证。WorkBuddy在日常交互中持续产出对话记录、文档解析结果及用户行为反馈，单字段数据量已达GB级别，月度数据增长逾100%。接入AIDLC后，上述数据可自动完成清洗、特征提取、模型微调及效果评估闭环，构建起高复用性的数据—训练一体化流水线。
在自动驾驶领域，博世测试车队每日采集海量视频流与传感器原始数据，其中抽帧与格式转换主要消耗CPU资源，而数据脱敏、模型训练与感知推理则高度依赖GPU。依托博世ARENA统一管控平台，相关数据处理、推理服务及部分训练任务已实现集中调度。目前，该平台已沉淀200余个标准化推理模板，日均执行推理任务超万个，显著加快自动驾驶“数据采集—模型迭代—实车验证”闭环效率。
随着企业AI演进路径由静态模型迈向动态Agent，数据平台的角色亦从支撑报表分析，跃迁为驱动Agent持续进化的核心基础设施。除AIDLC外，腾讯云已围绕Agent-Ready战略，构建起覆盖底层计算引擎、统一控制平面与上层DataAgent服务的全栈式数据平台体系，加速推动企业数据资产向可感知、可决策、可行动的智能应用转化。
