騰訊雲在 2026 年 10 月 30 日舉行的騰訊全球數位生態大會大數據專場上，公布面向具身智能、自動駕駛等 Physical AI 場景的一體化多模態資料處理與模型訓推方案。方案涵蓋資料處理、模型訓練、推理和仿真驗證；不過，現有公開資料對部分元件的具體分工及客戶案例披露有限。30

為什麼要把流程整合起來？

具身智能與自動駕駛的研發，會處理影片、感測器等多模態資料，並透過模型訓練和仿真驗證反覆迭代。騰訊雲的發布資訊指出，這些工作過去可能散落在不同工具中，造成資料重複準備、協作不易，以及資料資產難以重複運用等挑戰。30

這次方案結合 DataBuddy 工作流程與資料湖計算 AI DLC，將資料管理、開發編排和模型任務整合到同一平台，串接資料處理、訓練、推理與仿真驗證。騰訊雲將其定位為面向 Physical AI 研發的端到端流程。30

公開資訊提到哪些元件？

發布資料提及，Xpark 和 Meson 用於多模態資料清理、品質檢查、標註及樣本準備；DataBuddy 工作流程與 AI DLC 則負責方案中的資料管理、開發編排和模型任務整合。30 這些能力涵蓋從整理訓練資料到執行模型工作的多個環節，但目前資料不足以逐一確認各元件完整的輸入、輸出與排程關係。

較早的騰訊雲開發者文章將 TCLake+EMR 描述為可統一承載結構化與非結構化資料的資料湖方案，並提到 CPU、GPU 混合排程，以及從資料準備、訓練評估到部署推理的流程；文章也介紹 Xpark 支援多模態分析、前處理、訓練與推理。35 騰訊雲產品資料則指出，TCLake 提供結構化與非結構化資料的統一管理，以及多模態資料目錄等能力。14

這些資料可協助理解資料底座和計算引擎的背景，但不能據此推定本次方案中所有元件的最新架構細節。尤其是 TCRay 在這條流程中的具體職責，現有發布摘要沒有提供足夠資訊；仿真結果如何回流，以及如何減少重複準備、提升資料資產重用，也尚未獲充分說明。

效能數字：有報導說法，缺乏測量細節

一則媒體頁面摘要稱，資料準備時間由 15 天縮短至 2 天、GPU 使用率提升近 200%，單卡成本下降 35%。31 這些數字應視為報導中的成效說法，而非經獨立驗證的基準測試：摘要未交代工作負載、比較基準或測量方法。摘要也只提到「單卡成本」，沒有說明是否按日計算，因此不宜改寫成「每日 GPU 成本下降 35%」。

黃世飛談 Agent 時代的資料平台

騰訊雲副總裁黃世飛表示，Agent 正成為資料平台的新使用者，企業使用資料的方式和計算負載也隨之改變。他指出，面向 Agent 的資料平台需要準確理解業務、支援受控執行任務，並有效承載多模態資料處理、模型訓練與推理。30

這段說法點出方案的產品方向：資料平台不只負責儲存和處理資料，也要連結資料工作流程與 AI 任務。不過，公開資訊並未因此證明這套方案在不同客戶環境中都能達到相同成效。

DataBuddy 的應用進展與資訊界線

騰訊雲表示，DataBuddy 已應用於金融、零售和教育領域的資料開發、治理與分析，讓更多業務人員能透過自然語言取得資料洞察。30 這是目前可從該場發布資訊確認的產業應用概況。

現有來源不足以核實卓譽科技、BioMap 的具體部署細節，也無法確認 EMR DIaaS、TCRay 在多組學處理或虛擬細胞訓練中的使用情況。此外，九學王從試點轉入正式生產的時間、語義層對問答準確率的量化影響，以及金融和政務客戶的私有化部署安排，均缺乏足夠資料佐證。另有媒體摘要提到騰訊雲計畫推出 TCLake「格物」平台，但「XPhysis」這個英文名稱尚未獲核實，完整架構描述也缺乏足夠資料支持。31

**簡單來說：**這次發布的重點，是把多模態資料準備、模型訓推與仿真驗證納入同一條研發流程。現有資料支持方案的整體範圍及部分元件用途；至於效能數字、客戶案例和更完整的架構細節，仍需要更多可核實資訊才能判斷。

騰訊雲在 2026 年 10 月 30 日舉行的騰訊全球數位生態大會大數據專場上，公布面向具身智能、自動駕駛等 Physical AI 場景的一體化多模態資料處理與模型訓推方案。方案涵蓋資料處理、模型訓練、推理和仿真驗證；不過，現有公開資料對部分元件的具體分工及客戶案例披露有限。30

為什麼要把流程整合起來？

具身智能與自動駕駛的研發，會處理影片、感測器等多模態資料，並透過模型訓練和仿真驗證反覆迭代。騰訊雲的發布資訊指出，這些工作過去可能散落在不同工具中，造成資料重複準備、協作不易，以及資料資產難以重複運用等挑戰。30

這次方案結合 DataBuddy 工作流程與資料湖計算 AI DLC，將資料管理、開發編排和模型任務整合到同一平台，串接資料處理、訓練、推理與仿真驗證。騰訊雲將其定位為面向 Physical AI 研發的端到端流程。30

公開資訊提到哪些元件？

發布資料提及，Xpark 和 Meson 用於多模態資料清理、品質檢查、標註及樣本準備；DataBuddy 工作流程與 AI DLC 則負責方案中的資料管理、開發編排和模型任務整合。30 這些能力涵蓋從整理訓練資料到執行模型工作的多個環節，但目前資料不足以逐一確認各元件完整的輸入、輸出與排程關係。

較早的騰訊雲開發者文章將 TCLake+EMR 描述為可統一承載結構化與非結構化資料的資料湖方案，並提到 CPU、GPU 混合排程，以及從資料準備、訓練評估到部署推理的流程；文章也介紹 Xpark 支援多模態分析、前處理、訓練與推理。35 騰訊雲產品資料則指出，TCLake 提供結構化與非結構化資料的統一管理，以及多模態資料目錄等能力。14

這些資料可協助理解資料底座和計算引擎的背景，但不能據此推定本次方案中所有元件的最新架構細節。尤其是 TCRay 在這條流程中的具體職責，現有發布摘要沒有提供足夠資訊；仿真結果如何回流，以及如何減少重複準備、提升資料資產重用，也尚未獲充分說明。

效能數字：有報導說法，缺乏測量細節

一則媒體頁面摘要稱，資料準備時間由 15 天縮短至 2 天、GPU 使用率提升近 200%，單卡成本下降 35%。31 這些數字應視為報導中的成效說法，而非經獨立驗證的基準測試：摘要未交代工作負載、比較基準或測量方法。摘要也只提到「單卡成本」，沒有說明是否按日計算，因此不宜改寫成「每日 GPU 成本下降 35%」。

黃世飛談 Agent 時代的資料平台

騰訊雲副總裁黃世飛表示，Agent 正成為資料平台的新使用者，企業使用資料的方式和計算負載也隨之改變。他指出，面向 Agent 的資料平台需要準確理解業務、支援受控執行任務，並有效承載多模態資料處理、模型訓練與推理。30

這段說法點出方案的產品方向：資料平台不只負責儲存和處理資料，也要連結資料工作流程與 AI 任務。不過，公開資訊並未因此證明這套方案在不同客戶環境中都能達到相同成效。

DataBuddy 的應用進展與資訊界線

騰訊雲表示，DataBuddy 已應用於金融、零售和教育領域的資料開發、治理與分析，讓更多業務人員能透過自然語言取得資料洞察。30 這是目前可從該場發布資訊確認的產業應用概況。

現有來源不足以核實卓譽科技、BioMap 的具體部署細節，也無法確認 EMR DIaaS、TCRay 在多組學處理或虛擬細胞訓練中的使用情況。此外，九學王從試點轉入正式生產的時間、語義層對問答準確率的量化影響，以及金融和政務客戶的私有化部署安排，均缺乏足夠資料佐證。另有媒體摘要提到騰訊雲計畫推出 TCLake「格物」平台，但「XPhysis」這個英文名稱尚未獲核實，完整架構描述也缺乏足夠資料支持。31

**簡單來說：**這次發布的重點，是把多模態資料準備、模型訓推與仿真驗證納入同一條研發流程。現有資料支持方案的整體範圍及部分元件用途；至於效能數字、客戶案例和更完整的架構細節，仍需要更多可核實資訊才能判斷。