我对科技公司夸大其词的宣传早已司空见惯。任何一个身处人工智能相关新闻发布洪流中的人都能理解这一点。一切都是颠覆性的、改变世界的、最棒的、最好的富余通，诸如此类。
而谷歌也不例外，它同样擅长夸大其词。但当一家以数据管理为核心基因的公司谈到“根本性变革”，并表示世界正在因“数据和人工智能正在实时重塑它”而发生变化时，我们可以认为这些说法相当可信。
就在谷歌云东京2025大会召开之际，谷歌发布了一系列公告，预示着企业数据管理方式将迎来重大变革。
谷歌数据云业务总经理亚斯敏·艾哈迈德（Yasmeen Ahmad）在一篇博客中写道“我们与数据互动的方式正在经历根本性变革，从人类主导的分析转变为与智能体的协作。”
她将这种转变称为“智能体变革”，她将其描述为“一个新时代，在这个时代，专业的人工智能智能体将自主且协作地工作，以前所未有的规模和速度解锁洞察力”。
如果是其他公司提出这样的说法，可能会被视为空谈。但谷歌正在发布一系列新产品公告，为数据科学家和工程师提供实实在在的能力，以支持这些说法。
人工智能聊天机器人和智能体之间有着微妙的区别。聊天机器人擅长对话，而智能体则是执行自主任务的工具。一些用户会使用聊天机器人来执行任务，就像我使用ChatGPT分析一些业务数据时那样。智能体（如ChatGPT智能体）则使用对话界面接收指令。
一个理解智能体的好方法是将其视为代理团队成员。也许一个智能体负责数据标准化（清理数据），另一个负责迁移。每个智能体都使用人工智能能力执行一项或多项定义好的任务。
在这种情况下富余通，谷歌正在研究能够为数据工作者自动化和简化任务、能够相互通信、能够解放专业人员免于繁琐工作以便他们专注于“更高价值任务”的智能体。谷歌还在尝试让智能体在虚拟团队中协同工作。
当然，有人会质疑智能体是否真的在解放高级专业人员的时间，还是在抢走初级员工的工作。但另一方面，当我全身心投入一个项目时，没有人帮我做那些繁琐的工作。所以，任何我能交给智能体处理的事情，都意味着我有更多时间用于项目和写作。
随着这些智能体的四处运行，传统数据库已无法满足它们的需要。智能体在数据孤岛之间进行推理或自动化处理。它们需要访问历史数据和实时数据。
传统的数据管理方法（如实时OLTP（在线事务处理）和深度OLAP（在线分析处理））对数据的隔离程度过高，以至于人工智能无法从趋势和当前活动中获得洞察力。
帮助统一所有这些能力的一种方法是增强数据库产品。几年前，谷歌为AlloyDB添加了列式引擎。AlloyDB是谷歌云平台上完全托管的数据库服务，专注于PostgreSQL用户，非常适合那些需要PostgreSQL特定解决方案的人。
列式引擎是指工作负载查询特定列的数据，只读取分析所需的字段。这会导致查询速度更快，并允许进行向量化执行，即一次性对整个数据列应用操作。
现在，谷歌正在为其全球分布、强一致性、高可用性和可扩展性的数据库服务Spanner添加列式引擎，该服务专为需要全球覆盖和高事务完整性的企业设计。
这也为谷歌的无服务器、高度可扩展且经济高效的多云数据仓库BigQuery增添了力量，该仓库专为业务敏捷性而设计。顾名思义，BigQuery非常适合那些需要对大型数据集运行快速SQL类查询的用户。
谷歌表示富余通，Spanner中的这种新列式功能可以将实时事务数据上的分析查询速度提高约200倍。凭借这样的性能，我们可以实现实时情况的即时响应。
在构建基于企业的人工智能系统时，您需要智能体根据真实数据做出决策。基于虚假数据执行实时操作可能会很快导致糟糕的结果。这就是RAG（检索增强生成）的用武之地。本质上，RAG将大型语言模型与实时数据访问相结合。
当您在提供实时数据和历史信息时，您会开始看到在Spanner和BigQuery中对搜索进行向量化处理的必要性。但要让向量搜索高效运行，传统上一直很困难。谷歌正在AlloyDB中添加自适应过滤功能，以自动维护向量索引并优化对实时操作数据的快速查询。
谷歌还在BigQuery中引入了自主向量嵌入和生成功能，该功能可以自动准备和索引多模态数据以进行向量搜索。这是为智能体创建一种语义记忆的关键步骤。
谷歌还宣布了在BigQuery中直接运行人工智能查询的能力。这，嗯，是个大新闻。现在，BigQuery用户可以让人工智能在大量结构化和非结构化数据上施展魔法，提出复杂问题（包括像“哪些客户感到沮丧？”这样的主观问题），并在现有分析工具中直接获得答案。
除了为智能体合作和数据访问奠定基础外，谷歌还宣布了一系列新功能，将智能体嵌入其最大的数据工具中。让我们逐一看看。
数据工程智能体专为数据工程师设计，BigQuery中的这个智能体可以简化和自动化复杂的数据管道。整个工作流程可以通过自然语言提示来驱动，从数据摄取到转换，再到数据质量评估和标准化。
Spanner迁移智能体与数据工程智能体相关，Spanner迁移智能体可以简化从遗留系统到BigQuery的数据迁移。这种迁移通常非常繁琐且可能存在风险，但现在智能体可以完成大部分繁重的工作。
数据科学智能体数据科学家专注于分析和解释复杂数据，而数据工程师则专注于数据基础设施。据谷歌称，新的数据科学智能体“可以触发整个自主分析工作流程，包括探索性数据分析、数据清理、特征化、机器学习预测等。它会制定计划、执行代码、对结果进行推理并展示其发现，同时允许您提供反馈并同步协作。”
代码解释器作为去年推出的对话式分析智能体的增强功能，代码解释器接收业务分析问题并将其转换为Python代码，为用户准备自定义分析。这一切都在谷歌数据云中运行，并使用谷歌数据云的安全基础设施。它还包括一个API，供开发人员将对话式分析智能体和代码解释器功能集成到自定义代码中。
作为这一系列重大公告的一部分，谷歌正在推出Gemini CLI的一个扩展，称为Gemini CLI GitHub Actions。
CLI代表命令行界面，基本上是计算机的终端界面。尽管大多数用户在MS-DOS迁移到Windows后就不再使用终端了，但程序员至今仍大量使用命令行。在终端模式下工作可以让程序员更快地添加工具并控制编码过程，而无需从菜单和图标中查找和选择项目。
上个月，当谷歌推出Gemini CLI时，它基本上将Gemini聊天机器人的功能带到了终端中。现在，谷歌扩展了这一功能，在终端环境中提供了一些智能体功能。
你们中的一些人可能想知道这与我在5月份写过的谷歌编码智能体Jules相比如何。首先，Jules在安全的云虚拟机中运行，而Gemini CLI GitHub Actions在终端中运行并与GitHub Actions（基于GitHub的工作流工具）集成。
谷歌表示，与Jules相比，Gemini CLI GitHub Actions的范围相当有限。Jules可以读取您的整个代码库，规划并呈现解决编码挑战的方法，然后执行它。Gemini CLI GitHub Actions则专门针对智能问题分类、加速拉取请求审查和按需协作。
问题分类功能帮助程序员管理特定的错误报告和功能请求。拉取请求是GitHub要求程序员确认将编码更改集成到分支和主代码库中的方式。按需协作本质上是在您想要讨论代码时设置一个聊天会话。
我可以很容易地看到程序员会同时使用这两个工具。Jules对于更大的项目和更大的改动来说会很棒，而Gemini CLI GitHub Actions则适用于更快的更新和修复。
您如何看待谷歌正在推动的智能体变革？您是否已经开始将智能体集成到自己的工作流程中？谷歌的哪个新数据工具或功能最吸引您——数据工程智能体、查询内人工智能推理，还是其他什么？您认为智能体是在帮助高级专业人员、取代初级职位富余通，还是两者兼有？您对直接在BigQuery中运行人工智能工作流有何看法？请在下面的评论中告诉我们。
双悦网提示：文章来自网络，不代表本站观点。
