当模型开始理解物理世界，当 Agent 开始进入真实生产，数据平台需要提供哪些新的能力？在 2026 云栖大会上，阿里云智能集团计算平台事业部 EMR 负责人李钰以《EMR：Agentic Lake 全模态数据处理与极速分析》为题，分享了相关实践与思考。
去年 EMR 的判断是：开放让计算与存储连接起来，高效使规模化使用成为可能，智能让产品的专业能力更容易被使用。这些判断依然成立，但过去一年出现了两个值得关注的变化：Agent 从单轮、多轮对话进入真实生产；模型的应用则从数字场景拓展到物理世界，开始学习空间、时间与动作之间的关系。
李钰提到，面向这些新场景，AI-Ready Data Infra 需要具备三项关键能力：在数据生产上，让视频、点云、动作和传感信号在时间、空间与质量上保持一致，能够还原真实动作；在数据服务上，除传统在线服务外，还要通过标量、向量、全文等组合查询支持模型迭代与样本圈选；在长期生产中，让可信的成功与失败经验经过治理转化为知识，成为 Agent 下一轮工作的基础。EMR 的年度升级正是围绕这三项能力展开。
Serverless Spark：让多模态采集成为可训练资产
具身智能对数据生产提出了不同于传统分析的要求。人形机器人需要对齐视频、点云和关节轨迹；工业操作臂需要从高频力控信号中识别有效动作；四足机器人则需要融合相机、IMU 与地形信息。这些场景共同要求数据在时间、空间和质量上保持一致，能够还原真实动作。
EMR 宣布即将发布 Serverless Spark 具身智能数据处理平台，将精准重建、批量处理与可视化交付结合起来，以 Serverless 按需弹性承接端到端训练数据生产。平台面向 PB 级多源采集，支持 LeRobot / RLDS 数据集交付，原生对接 Paimon / Iceberg。
可信重建与质量验证贯穿交付
以头戴式设备采集的第一视角视频为例，看见动作并不等于准确还原动作。近距离定位误差会影响手与物体的接触关系，多人干扰可能导致操作手身份切换，遮挡和运动模糊则可能造成轨迹断裂。
平台通过双目融合、佩戴者双手关联与时序关系，恢复手部、相机与世界运动。对于轨迹缺口，仅在两端可信、身份一致且通过检查时进行短缺口补全；长缺口或身份切换不强行补全，避免将缺乏依据的推断带入训练集。
交付环节支持将 EgoAir ZIP 数据处理为 LeRobot v3 标准数据，同步提供重建结果、动作时间线和相机 / 世界双视角回放。输入检查、可信重建、标准输出、同步回放与发布质检贯穿全流程，让数据既可训练，也可回放、可核验。
精度与效率协同提升
根据团队内部测试，在 HOT3D Quest3 的 100 条数据上，EMR 双目优化相较 HandFlow 原版单目方案，将手部定位误差指标 MPJPE 从 70.03 mm 降至 28.47 mm，误差降低 59.3%。在独立的 EgoAir 具身视频测试中，两阶段优化后，折算产品处理耗时从 902.499 秒降至 536.550 秒，累计减少 40.5%。
规模化生产还需要通用引擎与异构计算支撑。Fusion 2.5 通过 SIMD JSON、多表达式复用和 scan sharing 减少重复计算，优化 Spill、Shuffle、排序与关联执行，并结合模型分池、跨阶段流水和按负载调度提升资源效率。团队完整 12 项内部测试的平均加速比为 2.08×，其中 Cache Table 代表场景达到 3.09×，比较基线为去年云栖大会发布的 Fusion 2.0 版本。
Serverless StarRocks：在同一份湖仓资产上统一分析与检索
经营分析需要多维聚合，在线服务需要高频点查，模型数据圈选则需要结构化、地理、全文与向量条件组合。若每类需求分别依赖数据副本和查询引擎，应用层就需要承担跨系统关联、结果拼接与一致性校验，训练目标变化时容易引入重复加工。
本次大会重磅发布 EMR Serverless StarRocks 全模态全场景在线分析服务，面向 Paimon / Iceberg / Lance 等开放 Lakehouse 数据形态，基于 One Data 复用共同数据资产，由一套引擎组合完成在线分析与检索，索引和缓存服务于统一查询与性能。
一条 SQL 承接复杂圈选意图
智能驾驶团队可能需要寻找指定区域内、雨天夜间、满足车速条件、出现车辆加塞，且与参考片段相似的样本。这一需求同时涉及结构化过滤、地理条件、全文匹配和向量排序。
加工引擎从视频、LiDAR 和车辆信号中形成标签、文本、向量与属性后，StarRocks 用一条 SQL 组合条件，完成过滤、召回和排序。团队可以先预览候选样本，再调整条件，持续收敛到目标数据。需求变化由查询承接，减少应用层反复拆分查询、跨引擎拼接结果的复杂性。
统一圈选也已用于阿里内部 AI Data for Qwen 的数据准备。Paimon on Pangu 承载共同资产，Ray / AI Function 等能力提取属性、标签、文本与向量，StarRocks 承接圈选、预览和分布检查，确认内容与质量后由平台导出训练集。加工、圈选和交付围绕同一套资产展开，使数据随训练目标变化持续复用。
四类湖仓负载的性能优化
EMR 围绕元数据解析、数据合并、索引访问和统一查询执行进行优化。大会披露的内部测试中，TPC-DS 10 TB 场景下，StarRocks + DLF Paimon 相较此前公开基线，性价比提升 50%；YCSB 点查场景下，1 KB 和 10 KB 数据大小下的性能分别达到 105,000 和 44,000 QPS。
向量测试在 VectorDBBench Cohere 10M、Top 10、50 并发、保持 99% 召回率的场景下，面向 DLF Paimon 和 Lance 湖表数据的查询性能分别达到 19,308 和 18,772 QPS。全文测试在 Amazon Reviews 1.5 亿行数据上达到 353 QPS，查询时延为 130 ms。各负载独立测试，不代表同时运行时的混合吞吐。
Managed Agent：让长期生产工作积累可信经验
具身数据生产与全模态分析主要解决 Model-ready，长期生产 Agent 则提出 Agent-ready 的要求。生产现场的数据分布、负载和软件版本持续变化，过去有效的方法需要重验。完成一次任务，不等于能够长期胜任复杂工作。
大会正式发布 EMR Agent 与 Managed Agent 平台，将长期生产 Agent 的共性能力提供给开发者。平台管控覆盖开发部署、资源管理、运行运维，以及权限、必要审批、沙箱、可观测和审计；引擎内核负责组合数据与工具、随新证据推进任务，并保留可信过程信息。
以作业诊断为例，Agent 需要关联日志、指标和配置形成方案，再结合真实结果检验方法及适用范围。失败任务尤其需要保留上下文、查询数据、方案、决策和人工更正，经验证与治理后形成领域知识，支持后续工作。持续进化的基础不是简单保存对话，而是积累有依据、可复用的专业经验。
平台通过 API 原语开放 Agent 引擎，开发者可以装配模型、专业工具与领域知识，带入任务上下文，设置执行边界并检查交付。首个实战应用 EMR Agent 覆盖 EMR on ECS、Serverless Spark 和 Serverless StarRocks，提供诊断、巡检、慢 SQL 分析，以及授权处置、验证状态和可回看报告。
李钰将这一目标类比为建设 Agent 时代的"Hadoop"：把复杂工作推进、可信信息管理与知识积累封装为共用基础设施，让业务团队聚焦领域建模与 Agent 本体，而不必重复实现底层机制。
从数据供给走向生产能力
今年的 EMR 产品能力升级以开放湖仓为共同基础：Serverless Spark 将真实采集转化为可靠训练资产，Serverless StarRocks 让同一份资产服务分析与检索，Managed Agent 则让可信经验支持持续工作。EMR 通过弹性计算、统一查询和治理复用连接 Model-ready 与 Agent-ready，协同阿里云 Agentic Cloud，支撑模型与智能体进入真实生产环境。