【导语】当工程师提交数据处理代码后去喝咖啡，等待十几分钟甚至几十分钟再回来查看结果，这种“等待—反馈”节奏正被 Agent 打破。Agent 拿到一次结果便立刻验证，并并发尝试第二、第三种方案，快速发起下一轮调用。阿里云在云栖大会上提出，Agent 正成为 2026 年云计算必须面对的新负载，并沿着模型生产效率、智能落地效率、系统自我进化效率升级全栈能力。
Agent 改写平台使用方式，负载压力十倍百倍上升
人使用平台，通常提交相对确定的任务；Agent 使用平台，则会不断换着法子完成目标。管控压力与隐形计算压力因此被放大。阿里云智能集团首席技术官李飞飞将智能体落地拆为三个词：Model 决定智能上限，Context 决定 Agent 是否读得懂业务，Harness 决定其能否调起工具、把事做完并持续运行。阿里云强调“芯云模一体”，让芯片、云平台与模型走向协同设计，打通从原始数据到业务决策的全栈。
01 模型走进真实世界，数据先成瓶颈
AI 进入物理世界后，数据形态从文本、代码扩展到视频、点云、运动轨迹和传感信号。原始数据容易积累，清洗、质检、标注并转换为训练集才是难点。穹彻智能首席科学家吕峻表示，具身智能数据从采集到进入训练可能经过几十道处理，一次数据版本迭代短则两周、长则一个月；长期看可用数据规模仍有两到三个数量级缺口，现阶段更直接的问题是数据质量。
阿里云升级 MaxCompute 和 EMR 应对数据生产链。MaxCompute 将 CPU、GPU 和大模型 Token 纳入统一调度，MaxFrame 和 SQL AI Function 可直接调用模型处理图片、文本等全模态数据；EMR Serverless Spark 支持 Spark、Ray、Daft 等全模态引擎，并连接 Paimon、Iceberg 等开放湖表格式。按照阿里云公布的数据，这套方案让具身智能数据处理耗时减少 40%，PB 级原始数据可直接生成 LeRobot、RLDS 格式训练集。PAI-DLC 3.0 引入 Xfuse 后，多模态模型端到端训练速度提升 2.4 倍。
阿里云智能集团研发副总裁、计算平台事业部负责人汪军华指出，模型架构若与芯片缓存、通信方式和推理框架不匹配，落到真实硬件上仍可能成本高企。AI 基础设施由此进入更强调联合设计的阶段。
02 智能到应用，Agent 改变平台使用方式
企业数据分散在数据湖、数仓、搜索和实时计算系统中，指标口径与业务规则隐藏在字段背后。Agent 依赖上下文、语义和权限系统作出判断，信息缺失时，自动化程度越高，风险越大。阿里云推动 OpenLake 走向 Agentic Lake：开放湖仓承载统一、实时的全模态数据，湖上计算引擎通过 Skill、MCP 和调用接口向 Agent 开放；DataWorks 提供跨引擎语义层、数据治理与任务编排。AI 原生大数据服务 ADA 采用多智能体协同，用户从自然语言入口提问，系统调动离线计算、实时分析、搜索和 AI 训推等引擎完成任务。
阿里云资深产品解决方案总监魏博文表示，Agent 可以拥有较高自主性，但涉及数据增删改查等高风险操作时，需要在可控制、可回滚、可审计的数据沙箱中运行。推理基础设施也随 Agent 运行方式变化：PAI-InferX 通过智能路由、Cache 感知调度、KV Cache 存储和模型预热处理持续推理负载；PAI-RLS 提供托管式强化学习服务。Flink Streaming Agent 支持视频、音频和事件流实时接入与理解，央视体育实时 AI 解说即需同步理解画面、声音和赛事事件。
03 从应用到进化，运行反馈成为新燃料
Agent 进入应用后会持续制造新数据、任务轨迹和计算负载。过去依赖专家的性能优化，正转向反馈闭环。汪军华描述，Agent 可主动在训练任务中插入 Profiling，分析瓶颈，调用训练框架 Skill 生成优化任务，比较结果并形成报告。PAI-CrystalLLM 用不到 1% 的 GPU 资源模拟万卡集群训练效果，据阿里云内部实践为训练任务带来 2% 至 10% 的 MFU 绝对提升；Hologres 自进化查询优化器在四个月内自主发现并完成 28 项优化，优化器性能提升 100%，湖上查询性能提升 38%。
穹彻智能基于 MaxCompute、Hologres、DataWorks 和 PAI 搭建云上 Data+AI Pipeline，按照阿里云公布的数据，数据处理吞吐提升超过十倍，模型训练效率提升约 50%。不过，基础设施自我优化仍有边界。无尽前延 CTO 张林峰认为，AI for Science 中偏计算型学科更易被改造，但进入生物实验、科学仪器和物理世界操作后，科学软件效率、老旧接口与实验设备自动控制能力都会限制闭环。Agent 基础设施的价值不是替企业完成所有创新，而是降低数据处理与模型试错成本，缩短应用反馈进入下一轮训练的距离。竞争关键正从承载多少模型，转向能否让数据、模型和系统一起更快进化。