作者｜连冉
过去，数据平台遵循「提交任务—等待反馈」的节奏；而在 Agent 时代，智能体拿到结果后会立即验证、并发试错并发起下一轮调用。这种高频、并发的交互模式，将管控与隐形计算的压力放大了数十倍，成为 2026 年云计算面临的新负载挑战。
随着 AI 从模型调用向自主 Agent 演进，阿里云智能集团首席技术官李飞飞指出，智能体落地取决于 Model（智能上限）、Context（业务理解）和 Harness（工具调用与持续运行）。为此，阿里云在云栖大会上发布了基于「芯云模一体」战略的全栈升级，旨在提升模型生产、智能落地及系统自我进化三大效率。
当模型走进真实世界，数据先成了瓶颈
AI 进入物理世界后，处理对象从文本代码转向视频、点云等多模态数据。穹彻智能首席科学家吕峻指出，具身智能的数据处理链条长、版本迭代慢，当前核心痛点已从数据规模转向数据质量及精细化标注。
针对这一挑战，阿里云对 MaxCompute 和 EMR 进行了针对性升级：
- 统一调度与全模态处理：MaxCompute 实现 CPU、GPU 和大模型 Token 的统一调度，支持通过自然语言组织数据处理任务；
- 高效数据管线：EMR Serverless Spark 支持多引擎及开放湖表格式，使具身智能数据处理耗时减少 40%，PB 级数据可直接生成标准训练集；
- 训练加速：PAI-DLC 3.0 引入 Xfuse联合分析技术，自动定位性能瓶颈，使多模态模型端到端训练速度提升 2.4 倍。
阿里云研发副总裁汪军华强调，AI 基础设施已进入芯片、云平台与模型协同设计的阶段，模型架构需适配硬件特性以降低成本。
智能到应用，Agent 改变了平台的使用方式
Agent 在企业落地面临数据语义理解、权限控制及推理稳定性等新问题。传统数据工具依赖工程师明确指令，而 Agent 需依靠上下文和语义层自主决策，这对数据治理提出了更高要求。
构建 Agentic Lake 与安全沙箱
阿里云提出将 OpenLake 升级为 Agentic Lake，通过 DataWorks 提供跨引擎语义层，让 Agent 能围绕业务目标组织数据流程。新发布的 AI 原生大数据服务 ADA 采用多智能体协同，通过自然语言入口调动各类引擎完成任务。
在安全方面，魏博文指出，涉及高风险操作时，Agent 需在可控制、可回滚、可审计的数据沙箱中运行。企业需细化权限体系，管理 Agent 的任务调用范围及异常接管机制。
适配 Agent 的推理与实时计算
针对 Agent 长时段、波动大的推理负载，PAI-InferX 通过智能路由、KV Cache 存储等能力提升服务稳定性；PAI-RLS 则提供托管式强化学习服务。在直播、风控等实时场景中，Flink Streaming Agent 支持多模态流数据接入与动态编排，如央视体育的实时 AI 解说案例所示，实现了画面、声音与事件的同步理解。
从应用到进化，当运行反馈成为基础设施的新燃料
随着系统复杂度上升，依赖专家人工调优已难以应对 Agent 产生的频繁且复杂的任务。阿里云推动基础设施向「自我进化」转变，利用应用产生的负载数据反哺系统优化。
自动化优化与模拟仿真
PAI-CrystalLLM 相当于大模型训练的「风洞」，仅用不到 1% 的 GPU 资源即可模拟万卡集群训练效果，帮助发现通信与配置问题，带来 2%-10% 的 MFU 绝对提升。同时，Agent 可主动插入 Profiling 分析瓶颈，形成从诊断到优化的自动闭环。
自进化查询优化器
Hologres 的自进化查询优化器通过分析真实 Workload，自主发现并完成优化项。数据显示，其在四个月内使优化器性能提升 100%，湖上查询性能提升 38%。
穹彻智能的实践表明，基于阿里云 Data+AI Pipeline，其数据处理吞吐提升超十倍，模型训练效率提升约 50%，显著压缩了迭代周期。
尽管基础设施能力不断增强，但无尽前延 CTO 张林峰指出，在 AI for Science 等涉及物理实验的场景中，受限于设备接口和软件效率，Agent 尚难独立完成从计算到实验验证的完整闭环。基础设施的核心价值在于降低试错成本、缩短反馈链路，而数据质量、算法路线及行业软件仍是决定智能上限的关键。
