阿里云 EMR Serverless Spark 全托管 Ray 再进化：加速构建全模态数据处理新基建

阿里云 EMR Serverless Spark 自今年4月推出全托管 Ray 以来 ，能力持续升级：在同一工作空间内深度集成 Spark 与 Ray，以统一湖仓存储、统一 CPU & GPU 资源池、统一安全和运维体系，承载从结构化数据处理到 AI 训练数据预处理、后训练、推理与服务的完整链路。目前，该能力已在具身智能、智能制造、自动驾驶等行业实现生产级落地，支撑企业在一套云原生平台上高效完成数据治理、样本加工、模型开发和规模化生产。

Data + AI 深度融合，呼唤全链路计算底座

生成式 AI 正在重塑企业的数据处理范式。传统数据工程主要面向结构化表、日志和文本；而具身智能、自动驾驶等新一代 AI 系统工程，则持续产生第一视角视频、连续图像、语音、传感器记录和控制轨迹。除了数据规模扩大，数据形态、算子类型和资源需求也在发生深刻变化：一条生产流水线中，既包含大规模SQL、Join、去重和统计，也涵盖视频解码、图像理解、向量化、样本过滤、模型推理等 Python 原生任务，并同时消耗CPU、GPU、网络和存储带宽。

具身智能中的 Egocentric 数据是典型代表。机器人或可穿戴设备以第一视角记录人与环境的持续交互，单个样本往往同时包含视频片段、语音、文本指令、动作序列和时间戳。自动驾驶同样需要围绕海量路测数据完成切帧、场景识别、长尾目标发现、标注、去重、特征生成和回灌。当前大量视觉、语音、强化学习和大模型工具均围绕 Python 生态构建，这些任务需要可横向扩展的 Python 分布式运行环境；与此同时，样本目录管理、批量ETL、数据质量、湖表写入和跨任务治理，仍然依赖成熟的大数据处理能力。

为此，阿里云 EMR Serverless Spark 全托管 Ray 不断优化协同能力：Spark 负责规模化数据处理、SQL 分析与湖仓读写，Ray 负责 Python 原生分布式计算、多模态数据处理、训练推理与模型服务。二者面向同一业务流程无缝协同，共同构成 Data + AI 一体化计算底座，为用户提供面向数据与 AI 工作负载的全托管 Lakehouse 引擎。

架构演进：极致全模态内核优化，统一数据和算力底座

产品演讲路径

从正式上线开始，产品围绕可靠性、Ray内核优化、Spark 与 Ray 协同，以及统一数据和算力底座持续增强。6 月进一步增加 Ray Job、History Server 等能力，完善批处理和常驻集群两种使用形态。

今天，Spark 与 Ray 已在同一工作空间中共享湖仓数据、CPU/GPU 资源池、安全和运维体系，共同支撑从数据治理、样本加工到训练与推理的完整链路。

Spark × Ray 双引擎架构

EMR Spark：高性能数据工程与湖仓处理

EMR Serverless Spark 的结构化执行引擎 Fusion 2.0 在 TPC-DS 100T 官方 Benchmark 取得世界第一的成绩，相比前榜首性能提升 100%，性价比提升 500%。

除标准 Benchmark 外，Fusion 2.0 基于海量生产实践，围绕I/O、数据倾斜、半结构化数据解析、大规模Shuffle、磁盘溢写及历史信息利用等场景开展 QO/QE 联合优化，使大量真实作业获得数倍性能提升。

EMR Ray：稳定高性能的多模态处理与推理

Ray 是全栈 AI 计算框架，包含 Ray Core 和 Ray AI Libraries，涵盖资源管理、高性能存储、计算原语、多模态数据处理、AI训练、AI推理服务等重要功能。

稳定性内核增强： EMR Ray Core 做了诸多优化提升稳定性，包括 Ray Head 高可用、多级节点容错、基于磁盘水位的自动扩缩容、GCS外挂高可用Redis、坏卡自动检测隔离等。

多模态处理能力： EMR Ray 的多模态处理能力主要来自 Ray Data、Daft on Ray、Data-Juicer on Ray，以及丰富的 Python 多模态处理生态。多模态处理和结构化处理并非割裂，而是侧重点不同------结构化处理侧重关系算子，而多模态侧重图片、文本、音视频的原生类型支持、GPU加速推理、大模型推理等。

三大性能优化： EMR Ray & Daft 的性能优化包含三方面。一是拓展 Fusion 边界 ，把关系算子的优化复制到 Ray Data 和Daft，包括向量化算子、对接 Celeborn、Query Optimizer、Pipeline 多线程、磁盘溢写等；二是提升 GPU 利用率 ，方法包括自动拆解和异步化 CPU 和 GPU 算子/UDF、自动扩容 CPU 避免 GPU 饥饿、自适应显存超卖等；三是提升调用大模型服务的优化，包括异步化、Batch化、多层次 QO 优化等，同时降低 Token 消耗和作业 e2e 延迟。

双形态作业提交： EMR Ray 提供 Ray Cluster 和 Ray Job 两种作业提交形态。前者复用常驻集群最大化降低冷启动时间，适用于环境复用、低延迟场景；后者按作业申请资源，适用于环境不统一、稳定性要求高的批处理场景。

EMR Ray 稳定高效支撑了多种工作负载，包括视频切割、抽帧、图片打标、图片向量化、文本生成等场景。

统一底座：一份数据、一池算力、无缝融合

统一数据底座

Spark 和 Ray 构建在统一的数据管理底座之上，既支持开源开放的 Hive Metastore (HMS) + OSS 架构，也支持全托管 DLF 方案；既覆盖 Paimon、Iceberg、Delta、Hudi 等分钟级新鲜度的湖格式，也支持 Fluss 这种新兴的秒级流存储。

数据底座为 Spark 和 Ray 提供统一的全模态数据存储和管理服务，避免数据冗余。以 Paimon 为例，结构化和多模态数据分别以结构化和 Blob 类型存储，向量数据以 Vector 类型存储，同时提供标量和向量索引文件。Spark 和 Ray 在同一份 Paimon 数据上读取、加工、生成、检索数据，互为上下游，真正做到一份数据、多引擎平权。

统一算力与基础设施

Spark 和 Ray 共用一份算力池，工作空间的 CPU 和 GPU 算力按需、细粒度在两个引擎之间统一高效供应。Spark 释放的资源能立即被 Ray 消费，反之亦然，从而消除资源碎片、最大化利用率。

除了算力池，Spark和 Ray 还共享其他基础设施，包括统一的认证鉴权体系、统一的 Cache 服务、挂载 CPFS/NAS/OSS 的能力、监控报警等。整体架构如下所示：

Spark × Ray 融合计算

Spark 和 Ray 的融合计算有两种方式：

- 管线串联： 作为数据管线的不同节点，互为依赖处理不同模态的数据，以持久化的表或 Raw Data 作为传输介质。

- RayDP 零拷贝： 依赖 RayDP 让 Spark 运行在 Ray 上，通过 Ray Object Store 实现 Spark Dataframe 和 Ray Dataset 之间的零拷贝互转，从而在一个作业里同时运行 Spark 和 Ray。

行业落地案例

Ray 发布以来，已在具身智能、智能制造、自动驾驶等行业落地多个客户。

多模态数据处理并非单一算子问题。例如，一个视频数据集往往需要经历解析、切分、质量过滤、内容去重、语义标注、向量化和格式转换。全托管 Ray 为 RayData、Daft、Data-Juicer 等面向 AI 数据而生的引擎与工具提供统一运行底座，使企业能够在不自建 Ray 基础设施的前提下使用 Python 多模态生态。

案例一：自动驾驶路测长尾场景标注

自动驾驶路测会产生大量摄像头图片，其中绝大多数是正常道路场景。该流水线直接读取 OSS 中的路测图片，过滤低质量画面，再调用千问多模态模型识别施工区域、行人横穿、事故车辆、救护车及恶劣天气等长尾场景，最终将标注结果直接写回 OSS。

代码示例

Ray Data 是面向 AI 与多模态数据处理的分布式数据引擎，可通过 Python API 将图片读取、质量过滤和大模型推理等 I/O、CPU 与 GPU 算子组织为流水线，并由 Ray 统一完成资源调度、并发控制与背压管理。EMR Ray 原生支持读写OSS，可从 OSS 并行读取海量图片，完成处理后将标注结果分布式写回OSS，简化多模态数据流水线的开发与运维。

INPUT_PATH = "oss://<bucket>/autonomous/camera_frames/"
OUTPUT_PATH = "oss://<bucket>/autonomous/scene_labels/"

PROMPT = """
判断这张自动驾驶路测图片属于哪个场景。
只返回以下一个标签，不要输出解释：
NORMAL、PEDESTRIAN_CROSSING、CONSTRUCTION、
EMERGENCY_VEHICLE、ACCIDENT、BAD_WEATHER。
"""

ray.init()

# 使用 CPU 并行过滤分辨率过低、过暗或低对比度图片。
def filter_image_quality(batch: pd.DataFrame) -> pd.DataFrame:
    keep = []
    
    for image in batch["image"]:
        height, width = image.shape[:2]
        gray = image.mean(axis=2) if image.ndim == 3 else image
        
        brightness = float(gray.mean())
        contrast = float(gray.var())
        
        keep.append(
            width >= 1280
            and height >= 720
            and 25 <= brightness <= 230
            and contrast >= 100
        )
    
    return batch.loc[keep].reset_index(drop=True)


start = time.time()

# Ray Data 直接读取 OSS 图片。
ds = ray.data.read_images(
    INPUT_PATH,
    include_paths=True,
    file_extensions=["jpg", "jpeg", "png"],
)

# CPU 图片质量过滤。
ds = ds.map_batches(
    filter_image_quality,
    batch_format="pandas",
    batch_size=64,
    concurrency=32,
    num_cpus=1,
)

# EMR Ray 内置大模型算子：
# 将 OSS 图片路径直接提交给百炼多模态模型，并自动管理批次与并发。
ds = ai_query(
    ds,
    prompt=PROMPT,
    data_column="path",
    output_column="scene_label",
    model="qwen3.7-plus",
    concurrency=16,
    batch_size=8,
    options={"enable_thinking": False},
)

# 移除解码后的图片数据，只保存路径和模型标签。
ds = ds.select_columns(["path", "scene_label"])

# Ray Data 分布式直接写回 OSS。
ds.write_parquet(OUTPUT_PATH)

print(ds.stats())
print("Runtime:", time.time() - start)

案例二：具身智能 Egocentric 视频抽帧筛选

训练具身智能模型理解和复现人类日常操作动作时，研发人员通常会让真实人类佩戴头戴式摄像头（Head-mountedCamera），在厨房等真实生活场景中执行烹饪、切菜、翻炒等操作，采集大量第一人称视角（Egocentric）的原始视频。这类视频记录了人类在厨房中翻炒食材的完整过程，是训练VLA（视觉-语言-动作）模型的宝贵数据来源。

这些视频中包含大量无价值的冗余帧------例如操作间隙的静止画面、模糊镜头，或镜头朝向地面/天花板时拍摄到的无效内容。我们需要一个高效的自动化流水线，从海量视频中抽取关键帧，并利用多模态大模型对图片进行智能筛选，最终只保留包含有效烹饪操作内容（例如"锅具"或"食材处理"）的高质量图片帧，用于后续的模型训练。

代码示例

Daft 提供 Python DataFrame 与 SQL 接口，可将视频解码、图像处理、模型推理等 CPU/GPU 算子组织为流水线，并由 Ray 负责分布式资源调度。其面向多模态数据的流式执行与背压机制，有助于让 I/O、CPU 预处理和 GPU 推理并行衔接，并支持 Paimon 等开放数据格式。

import daft
from daft import col
from daft.functions import encode_image
from daft.emr.functions import emr_udf
from daft.emr.functions import ai_query
from daft import lit

# 流式读取 OSS 视频，仅提取关键帧，每2秒采样一次
df = daft.read_video_frames(
    path="oss://<your-bucket>/cooking_videos/*.mp4",
    image_height=480,
    image_width=640,
    is_key_frame=True,           # 只取关键帧，减少冗余
    sample_interval_seconds=2.0, # 采样频率
    max_frames_per_video=100,    # 限制单视频最大帧数
    io_config=io_config,
)

# 1. 编码为 JPEG
df = df.with_column("jpeg_bytes", encode_image(col("data"), "JPEG"))

# 2. 批量上传至 OSS (并发控制最大化 I/O 吞吐)
df = df.with_column(
    "oss_path",
    emr_udf(
        FrameUploader,
        construct_args={"output_base": output_base},
        concurrency=4,
        batch_size=32,
    )(col("path"), col("frame_index"), col("jpeg_bytes")),
)

# 调用 Qwen 模型进行视觉判断
df = df.with_column(
    "llm_result",
    ai_query(
        prompt=lit("判断这张图片是否包含有效的烹饪操作画面（如锅具、食材处理、手部操作等）。如果包含请只回复KEEP，不包含请只回复DROP，不要输出其他内容"),
        data=col("oss_path"),      # 传入 OSS 路径，模型服务端直接拉取
        model="qwen3.6-plus",
        concurrency=32,            # 32并发，充分利用模型吞吐
        batch_size=32,
        options={"enable_thinking": False},
    ),
)

from daft.functions import get as struct_get

df = df.with_column("llm_content", struct_get(col("llm_result"), "content"))
df = df.with_column("keep", col("llm_content").upper().contains("KEEP"))

# 物化结果，统计保留与删除数量
df = df.collect()
result_dict = df.to_pydict()
total = len(result_dict["keep"])
kept = sum(1 for k in result_dict["keep"] if k)
dropped = total - kept

# 删除 LLM 判定为 DROP 的帧
if dropped > 0:
    df_drop = df.where(col("keep") != True).select("oss_path")
    df_drop = df_drop.with_column(
        "deleted",
        emr_udf(OSSDeleter, concurrency=4, batch_size=32)(col("oss_path")),
    )
    df_drop.collect()

结语

阿里云 EMR Serverless Spark + Ray 双引擎构建全模态数据处理的新基建，通过极致内核优化和统一数据、算力底座，彻底打通了大数据工程与 AI 模型训练的割裂。结合 RayData、Daft、Data-Juicer 等多模态引擎，以及 CPFS、OSS 等高性能存储生态，阿里云正在为全球的 AI 开发者提供一套最具竞争力的数据新基建。

参考文档：

• 阿里云 EMR Serverless Spark 2026-04-15 功能发布记录： help.aliyun.com/zh/emr/emr-...

• 创建 Ray 集群： help.aliyun.com/zh/emr/emr-...

• 向 Ray 集群提交任务： help.aliyun.com/zh/emr/emr-...