关于湖仓一体，网上的介绍不少，渠道服务商也很多，但似乎鲜有能真正介绍明白原理和应用定位；与此同时，也经常有人问，你们一帮做 AI 的，怎么就做数据库了？只能尴尬笑笑，我们是做湖仓智能的。不管怎样，想来还是很有必要写一写，聊一聊，权当创业故事。
一、引子
大概几年前，我还在前司负责广告投放相关的算法落地，当时我们遇到一个很棘手的问题，就是第三方移动程序化广告里的实时机器学习问题，简单来讲，因为我们拿不到 App 里的user profile数据，我们唯一能利用的就是用户的稀疏行为数据，且由于移动广告业务的特点，我们必须实时 capture 用户的即时兴趣；用户上一分钟的行为，我们希望建模到下一分钟的模型里面，因为即便是同一个用户ID，不同时刻不同场景的用户实时心智也是不一样的，相应的广告推荐也是完全不同的，这对我们的技术挑战空前。
传统的方式是用户实时反馈数据落盘，数据 ETL，样本拼接，然后做模型的 Online Learning，线上 inference，整套体系下来最快也是是小时级的模型更新体系，这个最早在我们做手机淘宝的个性化推荐体系时是完全ok的，因为我们是在某个独角兽 App 里做 in-house 的推荐，可以简单的从实时召回层面去实现实时的个性化推荐，模型层面做到小时级更新已经是完全 ok 的，但现在不行。
然后我们开始调研，湖仓一体/流批一体大概就是从那个时候进入我们的视野，简单来讲，我们需要基于湖仓一体的体系，解决实时机器学习里的实时训练样本生成问题。这里面虽然flink能够解决实时计算的问题，但是flink没有存储，无法解决数据的回滚、容错，也没法支持新增特征的历史数据回溯合并。因此综合来讲，具备流批一体能力的湖仓一体框架才是最适合的。
之后我们调研了国际流行的开源框架：Hudi、Iceberg、Delta Lake 等，但发现原始的设计有种种问题，最典型的比如小文件的支持能力较差，而如果回到我们互联网应用，一次流式写入为一个小文件的话，数十亿甚至百亿以上的流式写入小文件是不可想象的。此外，还有大量其他问题，比如流批一体中单个样本流的实时更新的能力（Upsert）不足，以及多个样本流的多流并发写（Merge on Read）的并发能力不足，都会严重影响到实时机器学习样本的构造。彼时对于我们，这是一个近乎无解的问题。我们以下图粗略展示我们最初的 motivation：
上图是互联网搜广推时代，一个典型的样本构造示例，一般包含三大数据流体系：
A）用户特征：包括用户的基本属性，用户的历史行为和最近的实时行为等
B）物品特征：物品的各类属性，包括离散的属性和统计值连续属性等
C）用户交互反馈：算法模型中的标签（Label）
对于某个单个的数据流体系，会发生某个字段/实时兴趣的更新（删除、增加、变更），同时多个数据流，要进行多流合并，从而成为一条完整的训练样本实例，这里可以按主键自动扩展 Schema，做高效的 Merge on Read，而不用采用低效的 join 操作。
如果上述的小文件支持、Upsert、MOR等性能得到完美保证，问题似乎能到解决；但依然有非常棘手的问题，如果基于湖仓一体框架能高效形成一批实时训练样本，那又如何直接高效喂到下游的机器学习框架当中？换句话讲，湖仓一体的底座如何能无缝衔接AI框架的生态？毕竟，传统的湖仓一体框架都是java实现，都只能支持大数据生态！
所以敲黑板，我们最早接触并深入湖仓一体，是为了解决实时机器学习里的训练数据流体系，是不是很有趣。
二、AI Infra
回到整个 AI 的基础 infrastructure，其实主要包含三大块：离线训练体系，在线推理体系，衔接在离线的数据流体系；今天很多人都有一种错觉，以为 AI 的 Infra 主要是离线训练和在线推理两大块；之所以有这样的错觉，很大一个原因就是，今天很多的 AI 创业者，并没有完善的一线互联网应用的从业经历，其实从互联网应用落地的角度来讲，第三部分怎么构建完善的数据体系非常重要，也非常核心。
这个在前阵子贾扬清大神的一篇访谈文章里也表达过类似意思：“把应用当中所得到的数据，以一种回流的方式收集回来，训练下一波更好的模型。到今天这个方法论依然适用，就是在行业竞争中，谁能有数据，谁能够把用户的反馈更好地调试成“下一波训练的时候可以更好的应用”的数据，这也是核心竞争力之一。”
（https://mp.weixin.qq.com/s/zpIioK4oiXez0sQKgeCW0A）
所以，从这个角度来看，湖仓一体其实就是 AI 的基础核心 infrastructure 之一，至少在 AI 应用生态落地当中如此。
三、湖仓才是未来
数字化经济的核心是数据要素，围绕整个数据要素的统一管理和价值释放的pipeline，存在大数据和AI两个生态体系，首先我们从大数据技术架构的演进方向来看。
大数据架构经历了：传统数仓 —> 数据湖 —>数据湖仓的演变，具体如下图所示，其核心是：满足企业对快速增长的数据管理及多样化数据价值释放的诉求。
当然这里面存在难点，如流批架构的统一、元数据扩展性差等已知问题，这些都影响了湖仓一体的实际落地。那么，如果我们能顺利解决这些问题呢，那就会有如下的优势：
1）低成本：区别于搭建昂贵的数仓，数据湖提供海量存储和弹性计算，成本降低10倍，维护开销低
2）时效性高：摒弃传统的 T+1 跑数流程，报表分钟级更新，计算资源开销低
3）数据统一：以湖为中心构建统一的数据中台进行资产管理，统一取数，口径一致
4）多种数据应用支持：在湖上支持 BI 报表、大屏、AI 等多种数据应用，充分释放数据价值
接着，我们来到AI生态体系，除了前面最早提到的在实时机器学习体系，基于湖仓一体构建实时AI训练数据体系的诉求，横向的来到我们今天的大模型时代，让我们再看看情况如何。如果大模型应用的时代真的来临，那对数据层面又会有哪些要求：
1）大规模：海量异构数据，文本、图片、视频，结构化和非结构化类型数据
2）质量高：需要对海量数据进行大量的采集、清洗、标注等数据预处理工作
3）迭代快：需要数据-模型-数据快速反馈迭代
而上述一系列诉求，显然特别适合基于湖仓一体构建大模型的数据底座，原因包括两点：
1）湖仓能低成本且高效地支持海量异构数据的存储和管理
2）湖仓能支持大数据生态的数据预处理框架；
这里的**难点和挑战在于：
1）已有对接的大数据生态的数据预处理性能如何能进一步的提升，毕竟原始数据是存储在云原生的对象存储之上；
2）同时能一体化支持 AI 大模型的开源生态；
如果能做到这两点，那么湖仓一体就能成为大模型时代的数据底座，整体可以如下图示意：
四、LakeSoul 新一代的数智化底座
基于前面的介绍，相信大家已经大概了解，我们为什么要重新设计一个湖仓一体的框架，尽管在彼时，这算不上一个热门的方向，但我们坚信，如果解决好前面提到的几点，那 LakeSoul 就会成为新一代的大数据+智能的基础底座，意义不可谓不大。
我们首先看下 LakeSoul 的基础技术框架示意：
整体的设计思路就是：人无我有，人有我优。
1）人无我有：通过 Rust 原生语言实现的 NativeIO，统一封装 Java 和 Python 接口，大数据生态、AI 生态统一支持，实现一体化的数据底座；整体示例如下图：
通过这样的设计，我们就很容易实现一个大模型的使用案例：
详细内容可以参考我们之前的公众号文章：大模型时代，我们需要怎样的数据湖？
2）人有我优：前面提到已有湖仓框架在大数据生态的种种功能缺陷和挑战，基于此，LakeSoul 做了针对性的全新的架构和实现，主要优势包括：
A）不同于国际其他湖仓一体框架如 Hudi、Iceberg 等，LakeSoul 采用集中式的元数据服务层，能支撑超大规模的湖仓文件管理和更高的并发读写能力；
B）作为云原生湖仓框架，对云存储以及 HDFS 的读写性能是重中之重，LakeSoul 选择使用 Native Code （Rust 语言）重新实现 IO 层的读写逻辑，将全量、增量的读写逻辑都迁移到了新的 IO 层实现，使得在大数据和 AI 计算引擎中均可访问实时数据。同时 IO 层也做了大量性能优化，在湖仓框架中具有显著的性能优势；
C）LakeSoul 支持多流并发 Upsert、增量流式 CDC 读取等读写方式，并与 Spark、Flink 做了深度集成，从而更为完善地支持高效低延迟的流式增量数据建模；
D）支持多种数据库、消息队列的整库实时入湖、出湖，支持自动 Schema 演进，全局自动小文件合并服务、自动数据清理服务等，让 LakeSoul 具备优秀的生态连接能力和易用性。
这个环节，我们在之前的公众号文章里做了大量介绍，这里不在赘述，可以参考之前的若干文章链接：
LakeSoul 发布 2.2.0 版本，全面升级 Native IO，扩大云原生湖仓性能领先幅度
LakeSoul 国产湖仓框架新篇章：开源基金会孵化，国产信创认证，新版本重磅发布
五、回到数元灵
基于前面的介绍，再回到数元灵究竟是做什么的，相信大家清晰了很多。数元灵整体的定位就是：一站式湖仓智能，即湖仓一体的数智化底座 + 智能应用的生态体系。
我们基于新一代的数智化底座 LakeSoul，既提供了数字化时代下的数据中台底座，又给 AI 的生态应用提供了智能化的数据底座。回到智能应用的生态落地，数元灵有自研的AI应用生态框架 MetaSpore，目前已打造了完善的智能SaaS 产品，包括：
A）低代码个性化推荐
B）智能金融风控
C）智能文案生成引擎
D）BI Copliot
E）新一代智能客服
这些内容在我们之前的公众号文章里也都有过介绍，大家可以自行翻阅。
这样基于我们的 LakeSoul + MetaSpore，就形成了 1+N 的数智化产品生态。回到大的政策背景，就是：围绕数据要素的核心，AI 赋能，产业焕新。
想起创业总总，身边一直总有人问，你们对标的是国外哪家巨头，从最早觉得Databricks跟我们最像，到现在觉得这些都不重要，数元灵做自己就好。
