企业AI进入深水区:Cloudera把"AI 工厂"建在企业数据的"原产地"|cloudera|元数据|数据源|调用

AI能力逐渐普及之后，企业需要解决的下一个问题是，如何让其进入真实的业务环境。

进入2026年，企业AI的竞争将更多落在系统层面，包括模型如何接入企业数据、调用业务工具，以及如何在不同的 IT 环境中完成部署和管理。Cloudera首席业务官兼Applied AI总经理Abhas Ricky预计，未来的AI支出中，推理将成为企业AI的主要成本项。

这意味着，企业AI的成本和算力需求，将越来越多地集中在模型的日常运行上。模型需要持续调用企业数据和业务工具，而这些资源通常分散在本地数据中心、私有云、公有云和边缘节点，部分数据甚至处于物理隔离状态。

所以，推理规模上升之后，企业首先要解决的，就是模型如何进入原有的数据和 IT 环境。

而这，恰恰是更复杂的地方。

一般来说，大型企业不会把所有数据都放在同一个位置。核心数据跑在本地数据中心，一部分业务搬到私有云或者公有云；工厂、门店产生的海量数据留在边缘；还有一部分数据，受安全、合规规则限制，只能放在物理隔离的环境里。

所以，AI一旦进入真实业务，面对的就是一套复杂的数据环境。模型不仅要获取数据，还要知道哪些数据可以访问、调用哪些工具，以及如何在现有业务系统中完成任务。

因此，Cloudera 将业务重心聚焦于混合云场景下的 AI 应用落地。当前，该平台管理的数据规模已超 25EB，公司已投入 10 亿美元用于技术能力建设。

其核心思路，是让Agentic AI在不改变企业原有的数据布局前提下，进入不同的数据环境，在数据所在的位置进行推理，并进一步连接企业已有的工具和业务系统。

01 稳健与敏捷“双轨制”：Kona与Maui协同进化

往往，大型企业的IT系统一般同时承载两类需求。比如，银行的核心交易系统、制造企业的生产报表系统，最重要的是稳定，系统一旦上线，升级就需要考虑上下游业务的牵连；另一类是AI创新和新业务应用，需要更快地试错和部署。如果所有系统都按照同一套节奏推进，稳定性和创新效率就很难同时兼顾。

对此，Cloudera持续升级两条并行的产品路线：一条是强调成熟稳健的“Kona”，另一条是侧重模块化创新的“Maui”。

先说“Kona”。“Kona”对应最新发布的 Cloudera Base 7.3.2，主要承载关键生产工作负载。经过数年的平台工程投入，这一版本获得了长达六年的生命周期，官方支持将延续至 2032年，也是Cloudera目前支持周期最长的 LTS 版本。

围绕企业生产系统的实际需求，Kona的升级主要集中在三个方面。

其一是开放互操作。 Kona围绕Apache Iceberg 和开放数据格式构建了共享数据层，使Impala、Spark、Flink等计算引擎可以访问同一套数据资产，也能与 Snowflake、Databricks 等外部环境协同工作。

由此，企业可以保留已有的技术体系，同时降低不同引擎和平台之间的数据流通成本。

其二是存储的解耦与自动化。除了Cloudera Object Store，Kona还支持NetApp、MinIO等S3兼容对象存储。Cloudera Lakehouse Optimizer可持续执行Iceberg表维护，其核心能力是小文件合并（compaction），同时包括快照过期、孤儿文件清理和数据布局优化，减少大量依赖人工执行的湖仓维护工作。

其三是让AI 进入生产环境。在与7.3.2配套运行的Cloudera Data Services中，Cloudera AI Inference service已具备生产级模型服务能力，Cloudera AI Agent Studio也已正式发布（GA），进而让生成式AI能够与企业现有的数据治理、安全和计算体系结合。

对于需要严格控制数据边界的企业而言，这意味着AI应用可以逐步进入核心业务系统。

再说“Maui”。Maui的Cloudera Anywhere Cloud更强调部署速度和环境适应能力。其整合了Cloudera在2025年收购Taikun后获得的Kubernetes管理能力，采用组合式架构，并将Agent-first 作为重要设计方向，面向混合云、主权云和隔离网络等复杂环境，可提供统一的数据与AI服务。

具体来看，速度是Anywhere Cloud直观的变化。Cloudera首席产品官Leo Brunnick 指出，传统数据服务从裸机部署到正式可用，平均需要约 60 天；Anywhere Cloud则能将这一过程压缩到60分钟以内。这对于需要快速验证AI应用的业务团队而言，可以大幅缩短部署周期，更快完成测试和验证。

Kona和Maui 的协同价值，还体现在新旧体系的兼容适配层面。Anywhere Cloud既能够独立部署，也可以接入企业已有的Cloudera 数据平台，直接读取 Ozone、Hive 这些已有的数据资产。企业原有系统则继续运行成熟业务，新服务按需逐步上线即可。

“同一套代码只写一次，随后部署到多个环境”，概括了这套松耦合架构的核心思路。其降低了企业进行大版本迁移的压力，也让数据和AI服务能够在多云、主权云，以及隔离网络中保持一致的部署方式，并通过统一控制平面进行管理。

简单来说，在这套双轨体系中，Kona负责守住长期生产系统的稳定性，Maui则承担快速部署和创新扩展。两条产品路线通过开放数据格式、现有资产连接能力和统一管理体系形成协同，让企业可以根据不同工作负载的成熟度，选择各自合适的升级与部署节奏。

02 Cloudera Anywhere Cloud让企业AI敏捷落地

数据与AI服务完成跨环境灵活部署后，新的挑战随之产生：数据分布在本地数据中心、边缘站点、隔离网络，AI推理该选择何处运行？

一般而言，高质量上下文通常存储于私有环境，外部模型无法直接访问。“数据、元数据与知识产权必须置于企业划定的安全边界之内。”Abhas Ricky指出，如果把PB级的数据全部集中搬到公有云，再去做模型训练和推理，不仅传输耗时长，网络开销也会居高不下。尤其能源、金融、医药这类行业，数据一旦跨出安全边界，还会触碰合规监管，带来知识产权方面的隐患。

针对这一痛点，Cloudera“AI 工厂” 的整体解决方案中的关键能力就是Sovereign Inference——主权推理。其核心逻辑是：模型在企业的安全边界之内运行，让算力主动靠近数据。这样一来，企业可以牢牢掌控数据存储位置、模型运行环境，以及整个推理过程。

埃克森美孚（ExxonMobil）的实践，展示了这一方案在场景的应用效果。

埃克森美孚（ExxonMobil）的业务遍布全球，其油井、海上设施、传感器和工业控制系统每时每刻都在产生大量数据。其中许多数据直接关系生产运行，需要及时处理，网络波动也不能影响关键业务。

针对复杂的混合部署环境，埃克森美孚提出了“让计算靠近数据”的算力部署原则。埃克森美孚系统架构师 Monika Thulasi 解释道：“图像、视频等持续性分析任务运行于本地 GPU，短时算力峰值、概念验证场景按需调用云端资源。长期任务本地化运行，减少昂贵云算力的持续占用；云端弹性资源专用于应对临时业务需求。”

进一步，利用Cloudera的Anywhere Cloud把推理能力带到了网络条件受限的边缘站点。物理AI监测应用可以直接在现场分析数据，发现异常并给出修复建议。自动化部署也节省了大量准备时间：原本约需6小时的完整流程，现在只需65分钟。

埃克森美孚解决的是数据与算力之间的物理距离，而在医药研发领域，艾伯维（AbbVie）的问题则集中在数据本身。艾伯维的数据来源众多，专业关联复杂。完成汇集之后，还要理清数据之间的关系，否则研究人员和模型很难准确查找和调用。

目前，艾伯维已经接入超过 270 个数据源，并在此基础上构建了知识图谱。这些知识图谱将分散在不同系统中的信息串联起来，为药物研发和模型调用提供更完整的上下文。

但是，随着模型接入数量增加，艾伯维的 TCO（总拥有成本）核算中，除了模型调用产生的Token费用，还包括工作流改造、数据治理、算力资源和人员投入等一系列隐性投入。

于是，为解决多模型管理难、成本不可控、上线周期长的问题，艾伯维基于 Cloudera Anywhere Cloud 构建了集中式LLM网关，统一治理企业内部模型流量、实现负载均衡与资源监控。

03 写在最后：混合架构的“长期主义”

“企业数据分散，不同工作负载对性能、安全和成本有着不同要求。公有云依然发挥着重要作用，但大型企业未来的长期运营形态，仍将保持混合架构的特征。”Cloudera 首席执行官Charles Sansbury强调。