Snowflake Unveils Business Ontology and Sub-15-Second Streaming Engine

By Umesh PatelOriginal title: Snowflake Expedition 大会亮出哪些新能力?一文梳理重磅更新 | 技术趋势
58AI Score

At its Expedition conference, Snowflake announced an evolution from cloud data platform to a unified AI engine, anchored by a native Business Ontology and Cortex Sense that centralize business definitions to constrain agent semantics and curb hallucinations. It also introduced a real-time streaming architecture with sub-15-second end-to-end latency and conversational BI positioned to replace seat-based dashboard tools, bridging operational data, analytics workflows and AI inference.

Full Report

Contents23 sections

2026 年 Snowflake Expedition 大会上,Snowflake 展示了一系列覆盖平台架构的重大升级,正逐步由云数据平台演进为支持自主 AI 智能体、实时流式应用和对话式商业智能的统一引擎。

此次发布围绕一个核心理念展开:AI 的价值取决于其所依托的企业业务上下文。 通过引入原生业务本体(Business Ontology)、端到端延迟低于 15 秒的实时流式架构,以及旨在替代传统按用户席位授权的仪表板工具的对话式 BI,Snowflake 正在打通运营数据、分析工作流与 AI 推理之间的界限。

1. 以可信的企业业务事实为 AI 提供支撑

为了避免 AI 智能体产生幻觉或彼此得出相互矛盾的结论,Snowflake 正将语义管理能力直接引入数据平台。

业务本体

企业 AI 面临的一项重要挑战,是准确理解业务术语的实际含义。例如,有人提出这样一个问题:

“上个季度我们的客户收入是多少?”

财务、销售和营销部门对“客户”和“收入”的定义可能各不相同。如果 AI 智能体独立解释这些术语,即使生成的查询在技术上完全正确,最终得到的业务答案也可能偏离提问者的真实意图。

Business Ontology 通过提供集中管理机制,帮助企业定义业务概念、概念属性及其相互关系,从而应对这一挑战。

在 Snowflake 平台中,Business Ontology 旨在通过 Horizon Context 存储账户级业务定义,帮助团队建立可供智能体使用的权威业务定义。

主要能力包括:

  • 从现有数据源导入业务术语表和本体定义;
  • 通过数据管理工作流审核和批准业务定义;
  • 定义不同业务概念之间的关系;
  • 关联跨业务领域的概念;
  • 向 CoCo 和集成的智能体开放已获批准的定义;
  • 与现有 Semantic Views(语义视图)协同工作,而非取而代之。

例如,一家零售企业可以分别维护财务部门和营销部门对“客户”的定义,同时在适当情况下建立两者之间的关联。当智能体回答财务问题时,就可以使用经过批准的财务定义,而无须假设所有部门都采用相同的术语标准。

因此,Business Ontology 有助于减少语义歧义,提高不同 AI 应用之间的一致性,并让企业知识能够在团队之间重复利用。

Cortex Sense

Business Ontology 有助于建立统一的权威定义,但企业还需要发现已经分散在各个系统中的知识。

Cortex Sense 能够从代码、Horizon Context 元数据、Semantic Views、文档、BI 工具以及使用行为信号等来源中发现企业业务上下文,并帮助保持这些信息的时效性。

这项能力与 Business Ontology 和 Semantic Views 形成互补:

  • Cortex Sense: 发现现有知识;
  • Business Ontology: 管理经过批准的业务概念;
  • Semantic Views: 为分析工作负载提供结构化语义定义。

这些能力相结合,可以减少为每个 AI 应用单独构建上下文所需的工作量。

试想一家企业经过多年运营,已经积累了大量 SQL 逻辑、BI 报表、业务文档和分析模型。团队无须为每个智能体手动重建这些知识,而是可以逐步建立更加可复用的企业上下文基础。

由此,企业能够减少重复的知识工程工作,获得更加一致的分析结果,并为理解业务的 AI 智能体提供更坚实的基础。

Cortex AI Gateway 与治理能力

只能回答问题的 AI 助手面临的是一类挑战,而能够调用工具、查询数据和启动工作流的 AI 智能体,则带来了另一类挑战。企业需要控制智能体可以调用哪些工具,并确认发起调用的用户或系统是否具有执行相应操作的权限。

Cortex AI Gateway 为智能体交互引入了治理能力,包括对 MCP 工具调用进行策略验证。它为智能体提供统一的控制平面,能够根据 Snowflake 现有的基于角色的访问控制(RBAC)策略,实时验证每一次模型上下文协议(MCP)工具调用。此外,它还提供成本控制、动态模型路由(token 效率最高可提升至 3 倍),以及完整的可观测性能力,将智能体执行轨迹记录到受治理的 SQL 表中。

这使企业能够在保持访问和执行过程可控的同时,持续扩展智能体能力,减少为每个 AI 应用单独构建治理机制的需求。

AI 成本治理与动态模型路由

Cortex AI Gateway 的成本治理能力支持按团队、部门、智能体和应用等维度归集支出。企业可以在智能体、用户或账户级别设置严格的成本上限,一旦达到设定限额,系统就会停止执行。

动态模型路由则解决了另一个相关问题:并非所有任务都需要使用同一种模型。分类任务可能只需要成本较低的模型,而复杂推理任务则可能需要能力更强的模型。

这些能力有助于提升 AI 支出的可预测性,让企业更清楚地了解资源消耗情况,并有望改善智能体工作负载的成本与性能平衡。

Cortex Training:模型定制化训练

Cortex Training 是 Snowflake 提供的一项 AI 能力,重点在于通过模型训练或适配,提升 AI 模型在特定任务中的表现,使其更好地满足业务需求。

主要价值包括:

  • 提高准确性: 根据特定业务领域和应用场景调整模型行为;
  • 提升相关性: 帮助模型更好地理解企业特有的术语和业务模式;
  • 支持定制化: 让 AI 能力更加贴合企业业务需求;
  • 减少人工工作量: 提升 AI 输出在企业工作流中的实用性。

智能体协作

Snowflake 正在构建一个共享生态系统,允许团队将经过验证的 CoCo 工作流发布为可复用的技能,以节省 token 消耗。与此同时,Snowflake 还推出了 AI Data Package,其中包含 60 多个行业数据集,并预先配置了 CoWork 智能体。

2. 端到端延迟低于 15 秒的实时架构

Snowflake 正在简化传统流式数据技术栈,使团队能够在无须依赖外部查询服务数据库的情况下,将原始事件生成到应用交互式查询的端到端延迟控制在 15 秒以内。

Datastream 与 Snowpipe Streaming

Datastream 引入了完全托管、兼容 Kafka 的事件总线,直接与 Confluent 展开竞争。Snowpipe Streaming 支持每张表最高 20 GB/s 的数据吞吐量,并借助 Elastic Channels(弹性通道),让数千个数据生产者能够同时写入数据,无须进行人工协调。它还可以将 Topic(主题)中的数据物化为 Snowflake 表和开放式 Iceberg 表。

流式转换

开发人员现在可以使用标准 SQL,以声明式方式编写数据流转过程中的转换逻辑,在数据正式落地之前完成处理。

交互式分析(Interactive Analytics)

Interactive Analytics 旨在高并发场景下提供低延迟查询能力。通过 Interactive Tables(交互式表)和 Interactive Warehouses(交互式计算仓库),Snowflake 能够替代 ClickHouse 等外部查询服务层,在超高并发条件下实现亚秒级查询延迟(100~300 毫秒),支持超过 10,000 QPS,并且相较第一代硬件,计算 Credit 消耗最多可降低 40%。

企业可以更快地将流式数据用于分析,从而支持依赖最新数据的各类应用场景。

3. 传统仪表板与旧式应用托管模式的变革

Snowflake 正通过将全栈能力引入自身安全边界,积极拓展传统 BI 和外部应用托管市场。

Snowflake Dashboards

Snowflake Dashboards 直接对标 Tableau 和 Power BI。用户无须从空白画布开始构建仪表板,只需通过自然语言提出问题,即可生成图表,并将其固定到仪表板中。该产品取消了按用户席位收费的许可模式,直接基于 Snowflake 计算仓库的资源消耗运行,同时提供迁移工具,支持自动转换传统 BI 系统中的现有分析资产。

Snowflake App Runtime(Serverless)

开发人员现在可以直接在 Snowflake 内部托管基于 Node.js 和 Next.js 的全栈应用。

全新的 Serverless(无服务器)计算层能够在收到第一个 HTTP 请求时自动启动,并在空闲后暂停运行,同时无须在代码库中存储任何凭证。

面向智能体的 Streamlit

Streamlit 应用现在可以将自身的数据和功能作为 MCP 工具开放,使 AI 智能体能够通过自然语言交互访问应用并触发操作,而无须进行屏幕抓取。

Postgres 数据镜像

Postgres Data Mirroring 支持将 Snowflake Postgres 表持续复制到更广泛的 Snowflake 环境中,用于分析和 AI 工作负载。用户只需执行一条命令或点击几次,即可完成配置,无须借助外部工具。

同样,Snowflake 也支持将数据同步至 Postgres,目前处于私人预览(Private Preview)阶段。这些模式可以将事务型应用与分析处理连接起来。例如,应用可以在 Postgres 中收集事务事件,将相关数据提供给更广泛的分析工作负载,并利用分析结果支持更加个性化的应用体验。

4. 开放湖仓与可互操作的计算引擎

支撑上述 AI 和实时工作负载的底层基础,是围绕 Apache Iceberg 构建的、具备高度互操作性的存储与计算层。

Adaptive Spark 与 Snowpark Connect

原生 PySpark、Java 和 Scala 代码现在可以直接在 Snowflake 计算资源上运行,无须管理外部 Spark 集群,从而显著降低总体拥有成本(TCO)。现有基于 Spark 3.5、使用 DataFrame 和 SQL API 的 PySpark、Java 和 Scala 工作负载,可以通过 Snowpark Connect for Spark 运行。不过,RDD、Structured Streaming(结构化流处理)以及部分 Java/Scala UDF 功能仍需要改写代码。

Snowpark Connect 进一步增强了 Snowflake 与现有 Spark 代码和 Iceberg 表之间的互操作性。

零拷贝数据集成

Snowflake 扩展了零复制数据集成网络,面向 Salesforce 和 Workday 的集成功能现已正式发布(GA),支持在不提取数据的情况下进行实时查询。Snowflake 可以查询 Salesforce Data 360 中的数据;与此同时,Data 360 也可以通过 JDBC 查询联邦功能读取 Snowflake 中的实时数据,并通过 Horizon 访问由 Snowflake 管理的 Iceberg 数据。对于能够通过受支持的零复制机制直接访问的数据,这些集成能力可以减少企业维护独立数据抽取管道的需求。

开放数据共享

基于 Apache Polaris 的 Open Data Sharing,能够允许兼容 Iceberg REST Catalog 的客户端访问受治理的数据。

与此同时,Horizon Catalog 现在支持直接访问由外部系统管理的 Iceberg 表,包括双向读写操作。当企业希望保留对计算引擎和目录技术的自主选择权,同时简化数据访问流程时,这项能力尤为重要。

它能够提升跨平台灵活性,减少不必要的数据移动,并为受治理数据的重复利用创造更多机会。

Hybrid Tables 升级

兼顾事务处理和分析能力的 Hybrid Tables(混合表)完成了底层优化。在无须修改任何代码的情况下,其吞吐量最高可提升 8 倍,延迟最多可降低 4 倍。

写入—审计—发布(WAP)分支机制

数据工程师现在可以先将变更写入隔离的 Iceberg 分支,在任意计算引擎上完成数据验证,再通过零复制的元数据快速前移操作,将变更合并至生产环境。

总结

Snowflake 正由数据平台演进为一个集成式平台,让企业 AI、数据工程、数据分析和业务应用能够协同运行。其目标是帮助客户将 AI 真正投入生产环境,使其更加可信、能够高效扩展,并让智能体执行具有实际业务价值的工作。Snowflake 更广泛的企业 AI 战略围绕四大支柱展开:

  • 企业数据上下文: 为 AI 提供所需的业务定义和上下文信息。
  • AI 模型选择: 为不同任务选择合适的模型。
  • 软件与应用: 构建能够发挥 AI 和数据价值的应用体验。
  • 集成式控制平面: 对 AI 运行过程进行治理、编排、观测和管理。

客户最终能够获得的业务价值包括:

  • 节省时间: 自动化处理重复性工程任务和业务工作。
  • 降低成本: 减少基础设施开销,并控制 AI 支出。
  • 降低风险: 提升安全性、治理能力、可审计性与可信度。
  • 加速业务成果转化: 更快获得洞察并作出决策,帮助团队及时把握业务机会。

免责声明: 本文所表达的观点仅代表作者个人立场,不一定代表其雇主 Snowflake 的观点。