摘要：用戶可以通過自然語言描述需求，讓智能體自動生成生產就緒的結構化查詢語言（SQL）代碼，無需移動數據或掌握復雜框架，即可在谷歌的數據分析平臺BigQuery內完成模型訓練、推理和工作流自動化，覆蓋從特征工程到模型訓練、評估、調優、部署和推理的端到端機器學習生命周期。

繼最強大模型Gemini 3、新一代圖像生成模型Nano Banana Pro之后，谷歌本周再次亮出人工智能（AI）技術新成果——BigQuery AI，將機器學習（ML）、生成式AI功能、向量搜索和智能體工具整合至其數據分析平臺BigQuery，讓數據科學家和分析師能夠通過簡單的指令完成從數據處理到AI模型部署的全流程。

谷歌于11月21日宣布推出BigQuery AI，這是其自主數據到AI平臺的最新升級。該平臺整合了此前分散的AI能力，包括內置機器學習（ML）、生成式AI函數、向量搜索以及面向不同角色的智能體工具。用戶可以通過自然語言描述需求，讓智能體自動生成生產就緒的結構化查詢語言（SQL）代碼。

BigQuery AI這一工具旨在打破技術壁壘，使各類用戶無需移動數據或掌握復雜框架，即可在BigQuery內完成模型訓練、推理和工作流自動化。

這一發布標志著谷歌在數據與AI融合領域的深化布局。通過將先進AI模型直接引入數據環境，BigQuery AI省去了數據遷移和基礎設施管理的復雜環節，讓企業能夠更快從數據洞察轉向實際行動。谷歌稱，開云集團旗下德國運動品牌彪馬（PUMA）已利用該平臺的ML能力實現受眾細分，使頂級細分群體的點擊率提升149.8%，轉化率增長4.6%。

生成式AI直達多模態數據

BigQuery AI的核心優勢之一是通過簡單的SQL命令，將谷歌及合作伙伴的AI模型直接應用于BigQuery中的多模態數據。AI函數將大語言模型（LLM）和嵌入模型集成到SQL查詢中，支持內容生成、分析、摘要提取、結構化數據提取、分類和數據豐富等任務。用戶還可利用這些函數完成過濾、評級等常規操作。

托管AI函數讓系統自動選擇成本和質量最優的模型。嵌入和搜索功能則提供語義理解能力，超越傳統關鍵詞檢索。向量搜索允許按含義和上下文搜索，而非僅匹配精確詞匯，可發現概念相關的項目。這些能力支持檢索增強生成（RAG）、多模態搜索、數據去重、聚類和推薦引擎等應用場景。

一站式ML生命周期管理

BigQuery AI簡化了從數據處理到AI推理的完整流程，將代碼帶到數據所在位置，而非反向操作。用戶無需移動數據或管理基礎設施，即可使用SQL或Python直接在BigQuery中訓練和運行模型。

該平臺覆蓋從特征工程到模型訓練、評估、調優、部署和推理的端到端生命周期，用戶無需掌握專門的ML框架。在模型選擇上，平臺提供內置模型、支持導入在Vertex AI中訓練的自定義模型，或使用預訓練模型（如TimesFM）進行零樣本推理。統一推理功能支持通過批處理、實時流或遠程推理無縫執行預測。

用戶可在BigQuery Studio、集成AI功能的Colab Enterprise筆記本或自選IDE中開發。谷歌在4月推出的BigQuery ML創新中，新增了尖端預訓練預測模型TimesFM，大幅簡化預測問題，并支持使用LLM生成或提取結構化數據。

面向各類用戶的智能體工具

BigQuery AI整合了針對不同數據專業人員的智能體和輔助AI能力，自動化各類工作流程。數據工程智能體允許用戶通過自然語言描述需求，構建、修改和管理數據管道。它將普通語言請求轉化為生產就緒的SQL代碼，自動執行數據清理、轉換和模式建模等復雜任務。

數據科學智能體幫助自動化端到端數據科學工作流，創建多步驟計劃、生成和執行代碼、對結果進行推理并展示發現。用戶可通過簡單提示生成可視化、解釋和轉換代碼，以及自動解釋和修復錯誤。對話式分析智能體則讓業務用戶跨越技術障礙，用自然語言提問并獲得清晰可執行的情報，真正實現數據民主化。

除第一方智能體外，BigQuery還提供構建定制智能體的工具套件。對話式分析API提供將自然語言處理能力嵌入自有產品的構建模塊。智能體開發套件（ADK）為構建和部署復雜多智能體系統提供全棧框架，模型上下文協議（MCP）則標準化了AI模型與數據庫及其他工具的通信方式。數據畫布和代碼補全等輔助AI功能進一步簡化和加速日常任務。