这是什么

阿里云 EMR（大数据处理平台）负责人李钰本周在 Apache Flink Forward Asia 2026 上提出一个判断：AI 数据基础设施的下一战场不在模型，而在底层数据是否被整合到「一份」。我们注意到，目前绝大多数生产级 RAG（让模型先查资料再回答）和 Agent（能自主调用工具完成任务的 AI）系统，跑的都是「双系统架构」——一边是数据湖（保存原始数据的超大仓库），一边是向量数据库（把数据转成数学坐标、按相似度检索的专用库），中间靠一长串 ETL（定时搬运和转换的脚本）串起来。早期能跑，但 Agent 一旦持续读写、频繁更新，问题就会浮出水面：数据改一次索引就要重刷，线上和离线看到的可能不是同一份数据，冷数据也得常驻集群付费。

行业怎么看

共识是，存储、治理、检索这三层正在向同一份数据收敛。分歧在于由谁来牵头。Databricks 从 Lakehouse（湖仓一体架构）一侧往外扩，Zilliz（Milvus 背后公司）从向量库一侧往外扩，而阿里云代表的 Paimon × Milvus 路径，强调湖格式中立、引擎可替换，绕开「数据归谁」这个敏感问题。但我们也想提一条反对声音：把湖格式当成统一底座，意味着 Spark、Flink、检索引擎都要深度耦合，工程复杂度未必下降；同时向量检索追求极致低延迟，把它和湖存储粘在一起是否会以性能换通用性，目前仍缺大规模生产案例验证。

对普通人的影响

对企业 IT：数据团队可能从「两套系统运维」回归到「一份数据管理」，治理成本下降但选型复杂度上升，未来两年湖格式之争会直接影响采购决策。

对个人职场：懂「湖仓一体 + 向量检索」全栈的人会变稀缺，传统 ETL 工程师需要补齐 AI 工程能力，单一技能溢价开始收窄。

对消费市场：基础设施整合会传导到应用层，多模态检索（同时理解文本、图片、视频的搜索）和长期记忆型 AI 产品的落地速度可能加快，但具体便宜多少、什么时候来，目前看不清。