以 AI 代理與 AI 原生基礎架構，重新定義企業資料的價值

現今的世界不僅只是有了改變，資料與 AI 正每分每秒為世界開創新局面。我們與資料互動的方式正經歷根本性的轉變，從過去由人工主導的分析，轉向與智慧代理（intelligent agents）協作的新夥伴關係，這就是「 代理轉型（agentic shift）」，一個由各種專業 AI 代理能自主運作以及互相協作的新時代。它將以超乎想像的規模和速度，解鎖資料背後的洞察。在 Google Cloud ，我們不僅是這場轉型的參與者，更致力於建構其核心智慧、互聯生態系，以及 AI 原生的資料平台，為這個轉變提供驅動的力量。

要實現 AI 代理的願景，企業需要一個截然不同的資料平台 — 不是各種分散工具的組合，而是一個統一、 AI 原生的雲端 — 而這就是 Google 的資料雲端（Data Cloud ）；其核心是我們統一的分析與營運引擎，打破長久以來商業交易資料和策略分析之間的隔閡。 Google 資料雲端為 AI 代理提供對業務完整且即時的理解，使其從單純一套流程，進化為一個具備自我感知與自我調校的可靠系統。

今天，我們在三大關鍵領域推出得以實現這項願景的重大創新：

1. 全新的資料代理套件：專為不同的資料用戶 （從資料科學家、工程師到商業分析師）設計的 AI 代理，成為各領域用戶的專業級合作夥伴。
2. 支援 AI 代理協作的互聯網絡：一系列 API、工具和協定，讓開發者能將 Google 的 AI 代理與自己的代理及 AI 服務整合，打造一個統一的智慧生態系。
3. 統一的 AI 原生基礎架構：透過整合資料、提供持續性記憶體（persistent memory） 並嵌入 AI 驅動的推理能力，為 AI 代理提供強大的運作基礎。

以專業的資料代理作為專家合作夥伴

AI 代理時代的序幕，是由一群全新的專業 AI 代理揭開。它們提供了一個 AI 原生的介面，能輕鬆將使用者的「意圖」轉化為具體的「行動」。

• 專為資料工程師所設計：我們在 BigQuery 中推出了資料工程代理（Data Engineering Agent；預覽版），以簡化並自動化複雜的資料流程。現在，只需要輸入自然語言指令 ，就能簡化從 Google Cloud Storage 等來源擷取資料、執行資料轉換及維護資料品質的完整工作流程。只要簡單描述需求，例如：「建立一個資料管道載入一個 CSV 檔，清洗指定欄位，並與另一張資料表合併」，AI 代理就會自動生成並協調整個流程。

• 專為資料科學家所設計： 我們正在重塑 BigQuery 和 Vertex AI 中以 AI 為優先的Colab Enterprise Notebook 體驗，並推出全新的資料科學代理（Data Science Agent；預覽版）。在 Gemini 的支援下，資料科學代理能觸發完整的自動化工作分析流程，包含探索性資料分析（EDA）、資料清理、特徵工程（featurization）、機器學習預測等。它會建立計畫、執行程式碼、對結果進行推理並呈現其發現，同時允許使用者提供回饋並同步協作。

• 專為商業用戶與分析師所設計：去年，我們推出了對話式分析代理（Conversational Analytics Agent ），讓用戶能以自然語言提問並從他們的資料中分析出所需的答案。今天，我們更將這個 AI 代理提升到另一個層次，推出全新的 Code Interpreter（預覽版）。這項強化功能，能處理許多超越簡單 SQL 能力範疇的關鍵商業問題，例如：「進行顧客分群分析，將客戶分成不同的群組」。 Code Interpreter 由 Gemini 的進階推理能力所驅動，並與 Google DeepMind 合作開發，能將複雜的自然語言問題轉譯為可執行的 Python 程式碼。它提供完整的分析流程，包括生成程式碼、提供清晰的自然語言解釋，並建立互動式的視覺化圖表，而這些流程都在 Google 資料雲端安全且受治理的環境中進行。

建構互聯的 AI 代理生態系

AI 代理生態系並非一個封閉的循環，而是一個為開發者打造的開放平台。當開發者不僅能使用既有的代理，還能加以擴展並整合至自己的智慧系統，打造更廣大的網路時，AI 代理轉型的真正潛力才能被完全釋放。我們的第一方 AI 代理提供了強大且開箱即用的功能，同時也提供包含 API、開發工具和協定等基礎模組，讓企業能建構客製化的 AI 代理、將對話式智慧整合到現有應用程式中，並協調複雜、多個代理的工作流程，以解決各種獨特的商業挑戰。

為了實現這一點，我們推出了一整套 Gemini Data Agents APIs，首先登場的是全新的對話式分析 API（Conversational Analytics API；預覽版）。這個 API 提供了基礎模組，讓開發者可以將 Looker 強大的自然語言處理和 Code Interpreter 功能直接整合到自己的應用程式、產品和工作流程中。透過這項 API，使用者將能打造出獨特、互動性高、且易於使用的資料體驗，真正符合自身特定的商業需求。

除了對話式體驗，我們也提供了從零開始打造客製化 AI 代理的工具。我們新的資料代理 API（Data Agents API）和 Agent Development Kit （ADK），讓使用者可以建構專為獨特業務流程量身打造的專業 AI 代理。這一切安全的互動，是基於我們對模型脈絡協定（Model Context Protocol ， MCP）的投入，其中包含了為資料庫設計的 MCP 工具箱（MCP Toolbox for Databases），以及新推出的 Looker MCP Server （預覽版）。

統一且 AI 原生的資料基礎架構

AI 代理及其所創建的網絡，無法依靠在傳統的資料堆疊上運作；它們需要一個「認知基礎（cognitive foundation）」，不僅能統一來自整個企業的資料，更要提供理解語意的能力，並具備可供推理的持續性記憶體。

這個 AI 原生基礎架構的一項核心要素，就是整合線上交易處理（OLTP）與線上分析處理（OLAP）系統中儲存的即時交易資料與歷史分析資料。我們首先以 AlloyDB 的資料欄引擎（columnar engine for AlloyDB）做為起點，大幅提升 PostgreSQL 工作負載的分析效能。今天，我們將這項效能承諾延伸至旗艦級水平擴展資料庫，推出全新的 Spanner 欄位式引擎（Spanner columnar engine；預覽版）。在 Spanner 欄位式引擎上進行分析查詢，其效能比在 SSD 等級的 Spanner 列儲存（row store）上快上近 200 倍， 且能直接在交易資料上執行。做為我們統一的 資料雲架構的一部分，這項創新也透過Data Boost 直接讓我們的分析引擎 BigQuery 受惠。它利用 Spanner 資料欄引擎縮短交易與分析工作負載間的差距，加快 BigQuery 對即時營運資料的分析速度。

有了這個統一的資料層（data plane）後，接著就是要賦予 AI 代理一個基於企業真實資料的完整記憶體。為了確保 AI 代理提供可靠的資訊並避免產生幻覺（hallucinations），它們必須採用一種稱為「檢索增強生成（Retrieval-Augmented Generation， RAG）」的技術。有效的 RAG 基礎，能同時涵蓋即時營運資料和深度歷史資料的向量搜尋（vector search）。這也是為什麼我們將向量搜尋和生成能力直接嵌入資料基礎架構中，讓 AI 代理能同時存取交易型和分析型的記憶體。

然而，優化向量搜尋是相當複雜的，開發者時常需要在效能、品質和營運成本之間做出困難的權衡。在 AlloyDB AI 中，自主調整過濾（adaptive filtering；預覽版）的全新功能解決了交易型記憶體的問題，它能自動維護向量索引，並針對即時營運資料的快速查詢進行優化。為了提供深度的分析型記憶，我們也將自主向量嵌入與生成（autonomous vector embeddings and generation）功能導入 BigQuery。現在， BigQuery 可自動處理並索引多模態資料，使其支援向量化檢索，是為 AI 代理構築豐富且持久的語意記憶關鍵性的一步。

最後，在這個統一且易於存取的資料基礎上，我們將 AI 推理能力直接整合到我們的查詢引擎中。透過 BigQuery 中全新的 AI 查詢引擎（AI Query Engine；預覽版），所有資料從業人員都能在 BigQuery 內部直接對結構化和非結構化資料執行 AI 驅動的運算，快速且輕鬆地獲得主觀性問題的答案，例如：「這些客戶評論中，哪些看起來最不滿意？」

未來，屬於 AI 代理的時代

今天所發布的各項創新 — 從為每位使用者設計的專業 AI 代理，到驅動它們的 AI 原生基礎架構 — 不僅僅是一份發展藍圖，它們更是建構新型態「代理型企業（agentic enterprise）」的關鍵基石。透過構建一支全新的 AI 代理工作團隊，讓代理在一個開放、互聯的網絡中協作，並將它們根植於一個消彌「營運」與「分析」界線的統一資料雲，我們提供的是一個嶄新平台，讓使用者不只是整合者，更是創新者。這將徹底改變企業與資料互動的方式，從複雜的人工分析，進化為人類團隊與 AI 代理之間強而有力的協作夥伴關係。

AI 代理的時代已經來臨。我們非常期待看到你創造的成果，誠摯地邀請你加入這趟旅程，與我們一同重新定義資料的無限可能。