Lakehouse for Apache Iceberg（以前称为 BigLake）

使用 Google 的 Lakehouse 对数据基础进行现代化改造。将旧版 Hadoop 迁移到无服务器 Cloud Storage，并通过直接在 BigQuery 中查询 Iceberg 和 Delta Lake 来统一跨云数据。Lakehouse Iceberg REST 目录消除了孤岛，为 Spark、Trino 和 Flink 提供了可互操作的运行时。借助 Hive 目录支持，您可以轻松对 Hadoop 工作负载进行现代化改造并迁移到 Iceberg。

使用 BigQuery 或托管式 Spark 引入现有的 Iceberg 流水线并无缝读取或写入这些表，同时利用高级 BigQuery 功能轻松实现现代化改造。在完全相同的 Iceberg 表上运行 Spark ETL 和 BigQuery AI 且无需移动数据，从而为数据科学提供强大支持。在 BigQuery 中构建对话式分析智能体，以处理 S3 中的数据。

使用 BigQuery AI，通过 BigQuery ObjectRefs 将结构化 Iceberg 表与非结构化数据相结合，实现单 SQL 推理，从而支持多模态分析。使用时间旅行功能训练 Gemini Enterprise Agent Platform 模型，以调试数据偏移。将全球 REST 目录联合到统一的数据网格中，以经济实惠的方式分析大规模日志，并直接在集成式笔记本中构建模型，从而加速 AI 工作流。

解锁顺畅的 Spark 体验。使用统一的 IDE 在单个 Iceberg 数据副本上运行 SQL、Spark 和 Python。新的 Antigravity VS Code 扩展程序可充当 AI 合作伙伴，根据自然语言生成流水线、调试代码并自动执行 CI/CD。此外，我们的向量化引擎 Lightning Engine 可将 Spark 执行速度提高到原来的 4.5 倍，而且无需更改任何代码。

利用 BigQuery 的规模，同时保持灵活的存储。在 BigQuery 中执行多语句事务，将多个 Iceberg 表作为一个原子单元进行更新，确保实现金融级一致性。借助 BigQuery 对 Iceberg 的高级运行时和分区支持来创建分区表/聚簇表，这些表利用块剪枝来实现高速、经济高效的查询执行。

通过统一事务型数据和分析型数据，为事件驱动型 AI 智能体提供支持。自动将 Spanner 和 AlloyDB 中的 CDC 持续复制到 Lakehouse Iceberg 表中。接下来，使用 SQL 持续查询来监控这些流式数据，即时运行 AI 推理，并触发下游操作，从而为您的关键运营工作负载提供实时智能。

Knowledge Catalog 通过自动发现 Cloud Storage 中的 Iceberg 表并直接将它们的元数据注册到 Lakehouse 运行时目录中，提供统一的治理层。通过这种集成，您可以定义集中式安全政策，确保 BigQuery 和开源处理引擎之间的一致行级和列级访问权限控制。