Lakehouse for Apache Iceberg (舊稱 BigLake)

運用 Google 的 Lakehouse，翻新資料基礎。將舊版 Hadoop 遷移至無伺服器的 Cloud Storage，並在 BigQuery 中直接查詢 Iceberg 和 Delta Lake，統一跨雲端資料。Lakehouse Iceberg REST 目錄可消除資料孤島，為 Spark、Trino 和 Flink 提供可互通的執行階段。有了 Hive 目錄支援功能，您可以輕鬆將 Hadoop 工作負載翻新為 Iceberg。

您可以沿用現有的 Iceberg 管道，並透過 BigQuery 或 Managed Spark 順暢讀取或寫入資料表，同時運用 BigQuery 的進階功能，輕鬆完成現代化作業。在完全相同的 Iceberg 資料表上執行 Spark ETL 和 BigQuery AI，不必移動資料，大幅提升資料科學效率。在 BigQuery 中建構對話式數據分析代理，與 S3 中的資料搭配使用。

使用 BigQuery AI 結合結構化 Iceberg 資料表與非結構化資料，並透過 BigQuery ObjectRefs 執行單一 SQL 推論，支援多模態分析。使用時間回溯功能訓練 Gemini Enterprise Agent Platform 模型，對資料偏移進行偵錯。將全球 REST 目錄整合至統一的資料網格、以經濟實惠的方式分析大規模記錄，並直接在整合式筆記本中建構模型，加速 AI 工作流程。

享受流暢的 Spark 體驗。使用整合式 IDE，以單一 Iceberg 資料為基礎執行 SQL、Spark 和 Python。Antigravity VS Code 擴充功能是全新的 AI 合作夥伴，可透過自然語言生成管道、偵錯程式碼，以及自動執行 CI/CD。此外，我們的向量化 Lightning Engine 可將 Spark 執行速度提升 4.5 倍，且無需變更任何程式碼。

運用 BigQuery 的規模，同時維持儲存空間的彈性。在 BigQuery 中執行多陳述式交易，以一個不可分割的單元更新多個 Iceberg 資料表，確保金融等級的一致性。使用 BigQuery 的進階執行階段和 Iceberg 分區支援功能，建立分區/分群資料表，並運用區塊修剪功能，以符合成本效益的方式高速執行查詢。

統合交易和分析資料，推動事件導向的 AI 代理。自動將 Spanner 和 AlloyDB 的資料，透過 CDC 持續複製到 Lakehouse Iceberg 資料表。接著使用 SQL 持續查詢來監控串流資料、立即執行 AI 推論，並觸發下游動作，為最重要的營運工作負載提供即時情報。

Knowledge Catalog 會自動探索 Cloud Storage 中的 Iceberg 資料表，並將中繼資料直接登錄至 Lakehouse 執行階段目錄，實現整合式的治理層。這項整合機制有助於您定義集中式安全政策，確保 BigQuery 和開放原始碼處理引擎的資料列和資料欄層級存取控管機制一致。