为什么Databricks值1700亿？腾讯云用Agent Ready数据平台给出了答案

过去一年，AI 的叙事故事已经从“大模型卷参数”演变成了“智能体上岗”，AI 产业进入了第二阶段。这个阶段的主角，不再只是模型公司，还包括那些能够把数据、算力、模型、应用串成闭环的平台型玩家。

全球市场来看，AI 数据公司 Databricks 是这类玩家的典型代表，这也是支撑其上千亿美元估值的基础。

据外网报道，Databricks 正在洽谈新一轮融资，目标估值区间为 1650 亿至 1750 亿美元。把时间线拉长看，Databricks 的融资路径更惊人。2024 年底，它的估值还是 620 亿美元；不到两年，数字跳到了 1750 亿美元的量级。截至目前，这家成立十三年的公司累计融资总额已接近 300 亿美元。领投方包括 Thrive Capital、Insight Partners、a16z 等一线基金。

为什么一家做“大数据”的公司，在 AI 时代变得如此值钱？

答案是大模型竞争之外，决定 AI 能否落地、能否创造商业价值的核心，也需要一整套生态，而 AI 时代的数据底座就是其中的核心之一。Databricks 凭借湖仓一体架构、成熟的开源生态与全栈 Data+AI 能力，打通了从原始数据存储、计算分析到大模型、智能体开发部署的全链路，解决了长期困扰企业的数据孤岛、算力割裂、模型落地难等痛点。它不再是单纯的大数据工具厂商，而是 AI 时代企业不可或缺的 “数据操作系统”。资本市场正是看准了这一核心价值，才愿意持续给出高估值。

但构建这样一个数据操作系统，绝非简单叠加 AI 功能，而是要重构数据的采集、理解、组织与供给全链路——让 Agent 能自主发现数据源、理解业务语义、调用权限策略、执行跨系统推理，并在闭环中持续进化。

这也是腾讯云正在做的。

2025 年 9 月全球数字生态大会上，腾讯云副总裁黄世飞官宣了大数据产品矩阵全面升级 Data+AI 能力体系，明确以 AI Agent 赋能，解决传统数据平台在多模态处理和智能化上的核心短板； 2026 年 1 月 Agentic AI Summit 上，发布 TCLake+EMR AI 数据湖方案与 DIaaS 平台，以统一存储、统一计算、统一调度、统一自治的 “四个统一”，推动数据平台进入 “统一底座阶段”； 近日 AI 产业应用峰会上，更进一步推出 DataBuddy、WeData、AI 原生数据底座三层架构，搭建起人和 Agent 协同工作的智能入口、统一控制面与数据底座。

从上云，到湖仓，到AI-Ready，再到今天的Agent-Ready，腾讯在重建模型的同时，也在底层的数据基建上下苦功夫。不到一年时间，腾讯云已经搭建了一套完整的 Data+AI 能力。

腾讯 2025 年报也印证了这一判断：金融科技与企业服务板块中，企业服务跑出了20% 的独立增长行情。云服务收入中，AI 相关需求成为核心增长极。理解了这个背景，再来看腾讯云发布的 AI Native 大数据平台升级，就不再是简单的产品发布，而是一场蓄谋已久的"底层战役"。

Agent不是"锦上添花"——它正在成为数据平台的第一用户

在刚刚结束的腾讯云 AI 产业应用大会上，腾讯云副总裁黄世飞提出了一个核心论断：“Agent正在成为数据平台的重要使用者。随着数据对象、价值链路和使用模式发生变化，Agent-Ready 数据平台不仅要服务人的分析决策需求，更要服务Agent 的数据理解、任务执行和业务协同需求，让人和 Agent 能够基于同一套数据体系协同工作。”

（图：腾讯云副总裁黄世飞在腾讯云AI产业应用峰会上解读Agent-Ready）

这进一步指出了腾讯云此次升级的重点——从架构层面重新定义数据平台。其Agent-Ready 的三层体系——DataBuddy、WeData、AI原生数据底座——每一层都在解决"Agent 如何与数据深度协同"的问题。

在数据底座上，腾讯云做了四层智能：存储智能、计算智能、数据智能、系统智能。前两层是"地基"——解决的是 Agent 能不能跑、跑得快不快的问题；后两层是"上层建筑"——解决的是 Agent 够不够聪明、平台够不够自治的问题。

腾讯AI Native的升级战略

先说地基。

• 存储智能：让Agent在一张表上找到一切

传统数据平台有一个容易被忽略的问题：数据是碎的。结构化数据在数仓里，向量在独立的向量数据库里，图片在对象存储里。对 Agent 来说，要做一次跨模态的检索和关联，要在多个系统之间来回跳转，效率极低。

Morgan Stanley 预测，2024 至 2027 年全球 AI Token 消耗量将增长4400 倍，且新增数据中 92% 为非结构化数据。数据的体量和形态都在剧变，但大多数企业的存储架构还停留在上一个时代。

对此，腾讯云给出的答案是TCLake——AI多模态Lakehouse。这个底座的核心由三个自研技术支撑：

（图：腾讯云 AI多模态 Lakehouse 全景图 ）

TCCatalog是统一数据控制面，覆盖结构化、半结构化、非结构化以及AI模型的统一数据目录，实现跨源、跨平台、跨引擎访问。左边连各类数据源，右边对接各类计算引擎——Spark、TCHouse、TensorFlow、PyTorch，一处配置，全局可达。

TCIceberg基于 Apache Iceberg，在对原 Iceberg 无任何入侵的前提下实现了批流一体与部分列更新等开源增强能力。底层 TCLance 支持音视频、图片、文档、Embedding 等非结构化数据，通过自适应索引和压缩算法降低存储成本。两者融合，真正实现同一张表上支持多类型数据。结构化数据兼容开源 Iceberg、Hudi、Delta，支持流读流写；非结构化数据和 Embedding 向量通过自适应索引和压缩算法降低存储成本。

TCQA是原生加速引擎。通过计算感知、冷热数据分层、缓存优化，在 TPC-DS 基准测试中，开启 TCQA 后计算耗时降低 22%，数据传输量大幅减少。

三者组合的效果是什么？在企业知识库场景中，新一代存储架构可将存储成本降低至传统方案的十分之一，检索性能有效提升。在城市智能巡检场景中，多源异构数据归拢到一张统一表后，一条标准SQL就能完成过去需要串联三四个系统才能实现的多模态检索。

• 计算智能：跑通从结构化到跨模态的全链路

存得下，还得算得动。Agent 时代的计算负载从结构化标量计算变成了跨模态的数据计算。同时，Agent 搭个应用只需挂一个后端存储就能跑，对计算引擎的灵活性和效率要求极高。

腾讯云在这层布了两个自研引擎和一个统一调度底座：

Meson是结构化数据处理引擎，投入两年多迭代。作为原生向量化查询引擎，它可无感加速 Spark SQL与 DataFrame 工作负载，兼容 Spark API 及函数级fallback 机制，不改业务代码就能提升性能。TPC-DS 1TB 测试中整体性能达到社区版本的 3.6 倍，部分计算密集型场景最高5倍以上，CPU 资源消耗降低 50%，使用该引擎的客户已超过 100 家。

（图：Meson结构化数据处理引擎 ）

Xpark是跨模态计算引擎，解决传统引擎处理不了图片、视频等非结构化数据的问题。其 SQL-First AI Function 能力让用户可以用 SQL 做 AI 推理和训练——"SQL 即 AI"。推理吞吐相比开源方案提升 3 倍，GPU 利用率接近 100%。

（图：Xpark性能）

TCRay是统一调度底座，实现 CPU+GPU 资源的统一管理和调度。它不仅做底层的权限、计费、网络集成，还对 Ray Core、Ray Data、Ray Train、Ray Serve四大模块做了深度优化，并在开源 Ray 基础上增强作业调度、任务恢复、资源弹性与大规模作业稳定性。支持在 Spark、Ray、Meson、Xpark 等框架间进行全局资源调度与智能弹缩。

这使得计算引擎从封闭的"独行侠"变成了可被上层各种 Agent 和应用编排调用的"公共算力池"。 DataBuddy 调它，WeData 调它，第三方 Agent 也可以调它。面向集团型企业的复杂场景，同一平台内同时完成传统数据工程与深度学习训练，数据与算力直接复用。

地基打好之后，才能谈 Agent 的智能程度和平台的自治能力。

• 数据智能：从单Agent到Agent团队

单个 Agent 查个数没问题，遇到多步骤、多数据源、多角色的复杂任务就力不从心。于是，腾讯云构建了由 SQL Agent、Code Agent、RAG Agent 和 Report Agent 组成的多 Agent 协作体系。用户只需用自然语言下一道指令，系统自动组织分工。拿"慢 SQL 调优"来说：运维 Agent 负责收集慢 SQL 和集群负载，开发Agent 做自动化调优再交由运维 Agent 验证，分析 Agent 汇总所有结论生成报告。整个过程从3人4小时缩减到1人15分钟。

NL2SQL 的行业平均水平大概 70%。腾讯云通过"双引擎反馈链路"——TCAnalyst-NL2SQL加上统一语义层——做到了90%以上。其技术创新包括数据库约束验证机制、数据库内容感知和后训练技术，相关论文已入选数据库领域顶级会议 VLDB。在BIRD-Bench评测中，TCDataAgent斩获全球第三、国内第一。

• 系统智能：从"人工救火"到"自动驾驶"

Agent 时代的数据平台，运维复杂度不降反升——多模态数据处理、模型训练、推理等新负载跟原来的 SQL 处理完全不同。腾讯云通过自研智能管家TCInsight实现自动调优、自动运维和自动治理三大能力。用户通过对话式交互就能完成任务调优，系统每天自动诊断问题并给出修复建议，对于低危操作甚至直接执行。

目前相关能力已累计处置事件超过 10 万次，资源优化可降低 15% 的资源消耗，故障根因定位时间从 4.5 小时缩短至 30 分钟。

四层智能解决的是底座问题。但企业还需要一个平台来统一管控这一切。

WeData 就是这层"神经系统"。通过统一元数据、数据语义、编排和权限体系，它打通数据开发、机器学习和 AI 应用全流程。其统一语义层将指标口径、业务术语、业务规则沉淀为 Agent 可理解、可调用的统一语义资产。针对游戏、零售等行业还沉淀了行业数据模型和业务语义体系。

DataBuddy 通过 WeData 统一控制面调用底层能力——TCLake 负责存储，Meson/Xpark 负责计算，TCRay 负责调度。引擎的性能提升直接喂给上层Agent，Agent的任务结果又回流到数据层形成新的知识沉淀——这个传导链条一旦跑通，平台就不再是静态的工具集，而是一个不断进化的有机体。

结语

可以看到，AI 浪潮行至下半场，赛道的竞争逻辑已经改写。如何让 AI、Agent 真正嵌入企业日常工作流，降低落地门槛、发挥实际价值，恰恰是腾讯擅长的领域。这也戳中了当下产业最核心的痛点：如今企业 AI 落地的瓶颈，早已不是大模型 “够不够聪明”，而是技术能否真正 “用起来”。

腾讯云此次推出的 AI Native 大数据平台，以存储、计算、数据、系统四大智能为骨架，搭配 WeData 全域协同体系，本质上就是将数据能力、智能体能力深度融入业务场景。它不再是孤立的技术产品，而是打通场景、连接用户、持续迭代的生态载体。在 Agent 全面普及的新时代，技术本身逐渐趋同，能够承载转化、落地应用的流量与场景入口，正在成为行业最稀缺的资产。这种由生态决定进化上限的发展模式，相比比拼单一产品性能，具备更长久的生命力。

从这个角度来看，AI 下半场的竞争，属于腾讯的节奏或许才刚刚开始。