继最强大模型Gemini 3、新一代图像生成模型Nano Banana Pro之后，谷歌本周再次亮出人工智能（AI）技术新成果——BigQuery AI，将机器学习（ML）、生成式AI功能、向量搜索和智能体工具整合至其数据分析平台BigQuery，让数据科学家和分析师能够通过简单的指令完成从数据处理到AI模型部署的全流程。
谷歌于11月21日宣布推出BigQuery AI，这是其自主数据到AI平台的最新升级。该平台整合了此前分散的AI能力，包括内置机器学习（ML）、生成式AI函数、向量搜索以及面向不同角色的智能体工具。用户可以通过自然语言描述需求，让智能体自动生成生产就绪的结构化查询语言（SQL）代码。
BigQuery AI这一工具旨在打破技术壁垒，使各类用户无需移动数据或掌握复杂框架，即可在BigQuery内完成模型训练、推理和工作流自动化。
这一发布标志着谷歌在数据与AI融合领域的深化布局。通过将先进AI模型直接引入数据环境，BigQuery AI省去了数据迁移和基础设施管理的复杂环节，让企业能够更快从数据洞察转向实际行动。谷歌称，开云集团旗下德国运动品牌彪马（PUMA）已利用该平台的ML能力实现受众细分，使顶级细分群体的点击率提升149.8%，转化率增长4.6%。
生成式AI直达多模态数据
BigQuery AI的核心优势之一是通过简单的SQL命令，将谷歌及合作伙伴的AI模型直接应用于BigQuery中的多模态数据。AI函数将大语言模型（LLM）和嵌入模型集成到SQL查询中，支持内容生成、分析、摘要提取、结构化数据提取、分类和数据丰富等任务。用户还可利用这些函数完成过滤、评级等常规操作。
托管AI函数让系统自动选择成本和质量最优的模型。嵌入和搜索功能则提供语义理解能力，超越传统关键词检索。向量搜索允许按含义和上下文搜索，而非仅匹配精确词汇，可发现概念相关的项目。这些能力支持检索增强生成（RAG）、多模态搜索、数据去重、聚类和推荐引擎等应用场景。
一站式ML生命周期管理
BigQuery AI简化了从数据处理到AI推理的完整流程，将代码带到数据所在位置，而非反向操作。用户无需移动数据或管理基础设施，即可使用SQL或Python直接在BigQuery中训练和运行模型。
该平台覆盖从特征工程到模型训练、评估、调优、部署和推理的端到端生命周期，用户无需掌握专门的ML框架。在模型选择上，平台提供内置模型、支持导入在Vertex AI中训练的自定义模型，或使用预训练模型（如TimesFM）进行零样本推理。统一推理功能支持通过批处理、实时流或远程推理无缝执行预测。
用户可在BigQuery Studio、集成AI功能的Colab Enterprise笔记本或自选IDE中开发。谷歌在4月推出的BigQuery ML创新中，新增了尖端预训练预测模型TimesFM，大幅简化预测问题，并支持使用LLM生成或提取结构化数据。
面向各类用户的智能体工具
BigQuery AI整合了针对不同数据专业人员的智能体和辅助AI能力，自动化各类工作流程。数据工程智能体允许用户通过自然语言描述需求，构建、修改和管理数据管道。它将普通语言请求转化为生产就绪的SQL代码，自动执行数据清理、转换和模式建模等复杂任务。
数据科学智能体帮助自动化端到端数据科学工作流，创建多步骤计划、生成和执行代码、对结果进行推理并展示发现。用户可通过简单提示生成可视化、解释和转换代码，以及自动解释和修复错误。对话式分析智能体则让业务用户跨越技术障碍，用自然语言提问并获得清晰可执行的情报，真正实现数据民主化。
除第一方智能体外，BigQuery还提供构建定制智能体的工具套件。对话式分析API提供将自然语言处理能力嵌入自有产品的构建模块。智能体开发套件（ADK）为构建和部署复杂多智能体系统提供全栈框架，模型上下文协议（MCP）则标准化了AI模型与数据库及其他工具的通信方式。数据画布和代码补全等辅助AI功能进一步简化和加速日常任务。
