阿里云升级AI基础设施，数据吞吐提升超10倍

具身智能的一版数据，从采集完成到进入下一轮模型训练，可能耗时两周至一个月。视频、点云、动作轨迹等数据要经过预处理、质检和标注，一条链路会被调用十几至数十次，存储、计算与模型资源的调度效率直接影响迭代速度。

机器人、科学计算和智能体会持续产生新数据，数据不再只是训练前的原料，而是贯穿“数据到智能、智能到应用、应用到进化”的循环。训练数据生产本身也同时消耗CPU、GPU、模型Token、存储和网络，阿里云因此在MaxCompute中统一管理这些资源，并通过MaxFrame、SQL AI Function及领域Skill让数据处理直接调用AI能力。

在义乌小商品城场景中，该引擎每天处理百万级图片和数十亿级Token；穹彻智能的数据生产管线吞吐提升超过10倍，并以十万级弹性算力单元应对任务峰值。穹彻还在推进模型标注、质检替代大量人工，以便快速适应标注规则变化。行业所谓“数据墙”，正从数据数量不足转向质量、标注和低成本处理能力不足。

围绕数据、算法和算力三类瓶颈，PAI-EgoX覆盖多视角、鱼眼等具身数据处理，PAI-RoboX支持VLA、世界模型、微调、强化学习和评测，PAI-TurboX优化训练、推理及数据处理性能。DLC 3.0的Xfuse把基础设施、框架和模型任务信息结合起来诊断瓶颈；模型、云与芯片也需协同设计，减少数据搬运、等待和适配成本。

AI for Science同样需要连接基础模型、科学软件、开发环境和多种计算任务，材料、化学、生物等领域还要把实验验证结果反馈给下一轮计算。进入企业应用后，Agent会高频、并发地访问数据，平台必须提供数据沙箱和明确权限，确保智能体在受控范围内操作。

OpenLake正向Agentic Lake演进，借助Skill、接口和语义能力让智能体发现资产、理解数据并调用计算引擎；DLF统一承载结构化、半结构化、非结构化、向量及流式数据。ADA通过多个专业Agent连接语义图谱、本体、知识检索和数据资产，Flink Streaming Agent则持续处理视频、音频、文件与业务流，让数据平台同时存储事实、解释语义并提供实时上下文。