● Databricks 数据与 AI 峰会 2026 · 闭门论坛 + 现场幻灯片复盘

Databricks 这两天到底在聊什么？
核心议题、现场幻灯片精析与趋势研判

日常工作 · 2026-06-16 · 供 Austin 学习与判断趋势用 · 三源交叉验证

一句话：今年峰会的口号是"The agentic wave is here（智能体浪潮已至）"——主线从"造智能体"彻底转向 把成群的智能体管起来、放进生产。本报告把你给的 2 份内部议程、全网公开发布、以及 15 张现场幻灯片三方对照，帮你看清方向。

6/15–18
旧金山 Moscone
30,000+
现场参会（150+ 国家）
15 张
现场幻灯片（一手）
97 / 13
AI 安全框架 风险/组件
3 源
交叉验证
内部文件 🔵
你给的两份闭门论坛执行单（Run of Show），非公开。
公开调研 🟢
Databricks 官网/新闻稿/官博 + 媒体，全网公开。
现场幻灯片 ⭐
朋友在会场截屏的 15 张讲台幻灯片，一手 session 内容。
交叉验证 🟣
多源相互印证——议题真的落地成了产品。

1一句话总览：今年的"母题"

只记一件事，就记这个。

全局判断 · THE BIG PICTURE

从"智能体各跑各的"到"把智能体管起来"：企业 AI 进入"治理与落地"之年

造一个智能体已经不难；难的是公司里同时跑成百上千个智能体（各连不同模型、工具、数据库）时，怎么管住、算清成本、守住安全、出事能追溯。

三个来源指向同一条主线，所以是高置信度判断：

🔵 内部文件CTO Matei Zaharia 的 CIO 论坛演讲直译《从"智能体失控"到"智能体掌控"》From Agent Chaos to Agent Control；高管论坛单设《AI 安全鸿沟：多数企业都漏掉了什么》，由自家 CIO + 现场 CISO 主讲。
🟢 公开调研官博把痛点点名为"智能体乱局（Agent Chaos）"，发布 Unity AI Gateway（AI 统一网关）做运行时治理，CTO 当场开源 Omnigent统一编排各家智能体。媒体标题："Databricks 驯服 AI 智能体""这是 AGI 时刻"。
⭐ 现场幻灯片有一整张大字过渡页："The tipping point is now. The agentic wave is here. Are you ready?"（临界点就是现在，智能体浪潮已至，你准备好了吗？）——这是 Databricks 给全场定的基调。

✓ 三方交叉验证 议题名、产品发布、讲台口号全部对齐——"管 Agent"不是话术，是真做成了产品矩阵。

2会议基本盘 公开调研

外部视角的全景。

时间地点：2026 年 6 月 15–18 日，旧金山 Moscone 会展中心；"全球最大数据与 AI 大会"，现场 3 万多人、150+ 国家、800+ 分会。

主舞台（4 位联合创始人）：Ali Ghodsi（CEO）、Matei Zaharia（CTO）、Arsalan Tavakoli-Shiraji（现场工程高级副总裁）、Reynold Xin（首席架构师）。外部嘉宾：OpenAI 总裁 Greg Brockman（现场）、微软 CEO 萨提亚·纳德拉（预录）、百事首席数据与 AI 官 Magesh Bagavathi。

客户与生态：阿斯利康、奔驰、纳斯达克、诺和诺德、百事、Rivian、维珍航空、华纳音乐、Zillow、万事达、Meta、Block 等；合作伙伴 240+（埃森哲、AWS、微软、谷歌、德勤、Salesforce 等）。

⚠️ 你的两份内部文件是高管论坛与 CIO 论坛两场闭门活动的技术执行单；15 张幻灯片是会场讲台实拍（带 Databricks 实时翻译浮层）。两者都比公开新闻更"贴肉"。

3两份内部议程讲了啥 内部文件

议题已转中文，原英文附小字。

高管论坛 Executive Forum：① 开场（含埃森哲合作页，Ron Gabrisko·CRO）② 主旨《让"企业智能"真正落地》Realizing Enterprise Intelligence（Arsalan，50min）③《如何成为 AI 时代的数据驱动型领导者》（Craig Wiley·VP AI）④《更好客户体验背后的"数据+AI"底座》（道富银行 CIO + Dick's 体育 CTO）⑤《下一代企业 AI：携手 OpenAI》（+ OpenAI CFO Sarah Friar）⑥《AI 安全鸿沟：多数企业漏掉了什么》（Databricks CIO + 现场 CISO）。

CIO 论坛 CIO Forum（四位创始人全上）：① 开场（Andy Kofoid）②《愿景、战略与路线图》（CEO Ali Ghodsi，70min）③《打造"智能体优先"的实时数据平台》（Arsalan）④《让数据与 AI 走进每一位员工》（Reynold Xin）⑤《从"智能体失控"到"智能体掌控"》（CTO Matei Zaharia）⑥ 炉边对谈：NBA 金州勇士主帅 Steve Kerr（晚宴娱乐）。

4⭐ 现场幻灯片精析（一手素材）

15 张幻灯片拼起来是一个漂亮的"漏斗"：先用高管视角发问 → 再给数据底座的技术答案 → 最后给安全治理的答案。下面按这三幕分析+总结。

第一幕 · 高管视角的"灵魂拷问"先把 CXO 心里的问题摆出来，制造紧迫感
AI 落地处在什么阶段？ What is the state of AI adoption?
一条四阶段成熟度时间轴：
1
没真用 AI
只拿大模型做调研/写作
2
AI 泛滥
到处是 AI，却看不到影响
3
有意义的落地
渐进、可持续的提效
4
流程重构
从根上用 AI 重做流程
启示：多数企业卡在第 2 阶段"AI 泛滥"。真正的价值在第 4 阶段"流程重构"——这正好呼应"企业智能"叙事：光会用 AI 不够，要重做流程。
AI 真的提升生产力了吗？ Is AI increasing productivity?
核心反共识：用了 AI ≠ 生产力提升。目标应是：① 奖励可复用的成果、不奖励"AI 垃圾产出（AI slop）" ② 定义生产力的衡量标准 ③ 追踪节省的时间。
启示：难得的"泼冷水"页。给管理者一个抓手：别看"用没用 AI"，要看"省没省时间、产出能不能复用"。
怎么让团队真正用起来？ How do I enable my team?
想当然（有了自然语言工具人人都能用）vs 现实（改变习惯很难、要专注投入）vs 行动项（定义什么叫"好"再让团队试 / 评估"AI 原生"就绪度 / 让管理者角色进化）。
答案就只是 FDE 吗？ Is the answer just FDEs?
FDE=前置部署工程师（厂商派驻现场帮落地）。能帮：流程重构、上下文工程/数据整合、加速见效；要当心：取代了内部主导权、用了全定制黑盒、没有清晰的成功定义。
启示：Databricks 自己也在卖 FDE 式服务，却主动讲"别过度依赖"——这是给 CIO 的诚实提醒，也是"内部能力 vs 外包"的经典张力。
把地基打好：高管最关心的四个问题 Putting the foundation in place — Top executive questions
① 数据接入还重要吗？ ② 怎么给智能体喂上下文？ ③ AI 时代的安全长什么样？ ④ 怎么控住 AI 成本？
启示：这四问是整个 deck 的"提纲"，下面两幕就是逐一作答。而且和你内部论坛的议题、和公开产品发布几乎一一对应（见第 6 节交叉验证表）。
第二幕 · 数据底座的技术答案回答"数据接入"和"智能体上下文"两问，引出 Lakebase / Lakehouse//RT
数据接入还重要吗？ Does data ingest still matter?
结论：直接把模型放到原始数据上跑，行不通。要考量四点：成本、延迟、质量、可扩展性。
启示：反"RAG 万能论"。再强的模型也救不了脏数据/慢数据——数据工程不但没过时，反而是 Agent 时代的前提。
怎么给智能体喂上下文？ How do I give my agents context?
两类上下文：静态上下文（稳定、变化慢 → 传统方式抓即可）vs 隐性上下文（大量沉淀在组织里的"机构知识" → 目前只能靠 FDE 人工提取）。
启示："隐性上下文靠人肉提取"是当前最大瓶颈，也是机会点——谁能把组织里的隐性知识自动结构化，谁就抓住了 Agent 落地的关键。
下一个百亿 App/Agent 需要什么数据库？ What do the next 10 billion apps and agents need in a database?
这是 Lakebase 的定位页，三大支柱：熟悉（全托管无服务器 Postgres：开源/生态广/可扩展）· 敏捷（无服务器/可像 Git 开分支/划算）· 关键业务级（无限扩展/快/可靠）。
"复制数据"是旧共识（正在被打破） Accepted wisdom: Copy your data
旧架构被迫复制成两套：数据仓库（1–2s 延迟、全功能、原生治理）+ 单独实时层（<100ms 但数据不新鲜、用例受限、治理断裂）。为了又快又全，企业被迫两头复制——这就是要被消灭的痛点。
Meta 证言：实时湖仓 Lakehouse//RT "...query results in 10s of milliseconds..."
Meta 数据工程负责人：用 Lakehouse//RT，在最大的表上扛高并发，典型查询几十毫秒返回，数据直接在湖上、不用再单搭一套系统。公开已证实 官方：Lakehouse//RT 由新引擎 Reyden 驱动，比现有实时栈快最高 16 倍、小数据 10ms / 大数据 <100ms。
"数据库引擎工厂"：用历史负载自优化 Decades of workload history feed a factory of database engines
用 ZB 级扫描数据 + 千万亿级生产 trace + 万亿级查询历史，喂一个自优化闭环（ML 模型 → 选对算法和数据结构 → 自主测试新改动 → 回到 ML）。
启示：这是 Databricks"为什么能又快又省"的护城河叙事——引擎自演进，新对手很难短期追上这个数据飞轮。
第三幕 · 安全与治理的答案回答"AI 时代安全"和"控成本"两问，收口到"管 Agent"
Databricks AI 安全框架（DASF） Databricks AI Security Framework
系统性穷举 AI 风险：一个 AI 系统的 13 个组件上、共 97 个风险，分 DataSecOps / ModelSecOps / DevSecOps 三大运维域，外层是治理总罩。其中 "AI Agents"组件风险最多（约 40 个）。
启示 + 公开已证实 这就是 DASF v3.0（97 风险/73 控制/13 组件），且"智能体 AI"是本版新增的第 13 个组件（+35 风险/+6 控制，专管 agent 记忆、规划、工具调用、MCP 威胁），对标 MITRE ATLAS/OWASP/NIST。→ 用数字坐实了"智能体是最大风险面"。
Unity AI Gateway（AI 统一网关，标 NEW） Control and audit your entire AI estate
用统一治理、可见性、护栏管控整个 AI 版图；每周 7,000+ 用户；治理 LLM 与 MCP 端点，每个端点带限流/用量追踪/推理表/成本。截图里有一份真实的"模型用量榜"：
模型（按 7 天 token 流量）用量
Claude Opus 4.570.2M
Claude Opus 4.631.2M
GPT-5.410.9M
Claude Sonnet 4.69.3M
⭐ 一手洞察：在 Databricks 自家网关上，流量前二全是 Claude Opus（4.5/4.6），合计 ~100M，远超 GPT-5.4。这是企业实际用量的真实信号——对你（用 Claude 做产品）是个有利的市场佐证。（模型版本号照现场 UI 记录，不做版本考据）
守护智能体企业：用 OODA 闭环 Securing the Agentic Enterprise — manage your risk lifecycle
安全不再是单点产品，而是一个可运营的 OODA 闭环（观察→定位→决策→行动）+ 产品矩阵：
OBSERVE 观察
看见/绘制/治理资产
  • AI Hub
  • SAT 密钥扫描
  • Unity Catalog
ORIENT 定位
把数据变成有优先级的信号
  • Lakewatch（智能体 SIEM）
  • Databricks Risk App
  • AI 治理框架
DECIDE 决策
知道该处理哪些风险
  • AI Hub
  • AI 安全框架（DASF）
  • Databricks Risk App
ACT 行动
即时处置风险
  • Unity AI Gateway
  • Paved Path to Production
  • BlackIce OSS
启示：部分已证实 Lakewatch（安全湖仓上的 AI SIEM）公开已证实；AI Hub、BlackIce OSS 公开稿未单独检索到，属现场幻灯片提及。整张图说明：Databricks 想做的不止"一个网关"，而是把 AI 安全做成一套运营方法论。

5七大核心议题（三方融合）

把内部 🔵 / 公开 🟢 / 现场 ⭐ 三源汇到每个议题。

议题 01 · 三方验证

智能体的治理与管控（年度头号）

权限、成本、行为边界、可追溯、可审计。

🔵 内部Matei《从"失控"到"掌控"》；高管论坛《AI 安全鸿沟》（自家 CIO + CISO 主讲）。
🟢 公开Unity AI Gateway（成本封顶/智能路由/行为策略/全链路追踪）+ 开源 Omnigent（统管 Claude Code/Codex/Pi）+ Lakewatch 智能体 SIEM。
⭐ 现场"智能体浪潮已至"过渡页；网关 UI（7,000+ 周用户、模型用量榜）；"守护智能体企业"OODA 闭环（见上节）。
议题 02 · 验证

"企业智能"成为新叙事

从"数据智能平台"升级到帮企业"实现企业级智能"。

🔵 内部高管压轴《让"企业智能"落地》；CEO 70min 讲愿景路线图。
🟢 公开母题=不比模型跑分，比"哪种架构能让企业把 AI 上生产"。
⭐ 现场四阶段成熟度（卡在第2"AI泛滥"，目标第4"流程重构"）+ "AI use≠提效"反共识，给"企业智能"补了可落地的判据。
议题 03 · 三方验证（本届最硬）

面向智能体的实时数据底座：LTAP + Lakebase + Lakehouse//RT

让智能体实时"读数据—推理—执行"，干掉数据搬运。

🔵 内部Arsalan《打造"智能体优先"的实时数据平台》（现场 Demo）。
🟢 公开LTAP（交易+分析一体，写入即 Delta/Iceberg、免 ETL）+ Lakebase GA（无服务器 Postgres）+ Lakehouse//RT（实时湖仓，新引擎 Reyden，最高快 16×、10ms~<100ms，Beta）。Ghodsi："上一代基础设施成了谁都付不起的瓶颈，LTAP 把它拿掉。"
⭐ 现场"数据接入仍重要/原始数据喂模型行不通"→ Lakebase 三支柱 → "复制数据"反模式 → Meta"几十毫秒"证言 → "引擎工厂"自优化飞轮。一条完整的论证链，全在讲台上。
议题 04 · 验证

模型层：深绑 OpenAI + 全模型中立

前沿模型住进企业数据所在地；不押单一供应商。

🔵 内部《下一代企业 AI：携手 OpenAI》（+ OpenAI CFO Sarah Friar）。
🟢 公开OpenAI 战略合作（约 $1 亿，接入 GPT-5.5）；Agent Bricks 同时原生支持 Anthropic/Gemini/Qwen/Kimi/Grok。
⭐ 现场网关用量榜：实际企业流量前二是 Claude Opus 4.5/4.6（远超 GPT-5.4）。"全模型中立"是真的，但用脚投票时 Anthropic 领跑。
议题 05 · 验证

数据与 AI 平民化：人人可用（Genie）

不懂 SQL 也能用大白话问数据。

🔵 内部Reynold Xin《让数据与 AI 走进每一位员工》。
🟢 公开Genie（自然语言 BI）+ Genie Ontology（业务语义）+ Unity Catalog 术语表/业务域 + Databricks One。
⭐ 现场"原始数据喂模型行不通"+"隐性上下文靠人提取"→ 平民化的前提是先有语义层和上下文工程，否则人人能问、人人问不准。
议题 06 · 三方验证

AI 安全与统一治理（Unity Catalog / DASF）

一套治理骑在所有目录与 AI 资产之上。

🔵 内部《AI 安全鸿沟：多数企业漏掉了什么》（CIO + CISO）。
🟢 公开目录联邦（不搬数据治外部目录，万事达演示）+ DASF v3.0（97 风险/13 组件，新增智能体组件）+ Lakewatch SIEM + OpenSharing。
⭐ 现场DASF 全景图（13 组件标风险数，AI Agents 最多）+ "守护智能体企业"OODA 产品矩阵 → 把"安全鸿沟"具体到可执行的框架。
议题 07 · 验证

生态落地：从"实验"到"规模化生产"

靠 SI/云厂商和真实客户案例把 AI 推进生产。

🔵 内部开场埃森哲合作页 + 客户对谈（道富银行 CIO / Dick's 体育 CTO）+ Craig Wiley 讲领导力。
🟢 公开埃森哲-Databricks 业务集团（2.5 万持证顾问）+ AWS/微软/Salesforce 联动 + Meta/百事/万事达客户案例。
⭐ 现场"FDE 不是万能"页：能加速落地，但别让外包取代内部主导权——给"怎么落地"补了风险视角。

6⭐ 交叉验证总表（三方）

现场幻灯片把"内部议题↔公开产品"的链条补成了三方闭环。

话题🔵 内部议题🟢 公开产品⭐ 现场幻灯片验证
管 Agent从"失控"到"掌控" / AI 安全鸿沟Unity AI Gateway / Omnigent / Lakewatch"浪潮已至"+OODA 安全闭环+网关 UI✓ 强
实时数据底座智能体优先的实时数据平台LTAP / Lakebase / Lakehouse//RT(Reyden)数据接入→Lakebase→反"复制数据"→Meta证言→引擎工厂✓ 强
AI 安全AI 安全鸿沟（CIO+CISO）DASF v3.0（97/13）/ Unity Catalog 治理DASF 全景图（Agents 风险最多）✓ 强
模型层携手 OpenAI（+CFO Friar）OpenAI $1亿/GPT-5.5 + 全模型中立网关用量榜：Claude Opus 领跑✓ 强
平民化让数据与 AI 走进每位员工Genie / Genie Ontology / Databricks One"原始数据行不通"+静态/隐性上下文✓ 强
控成本（高管四问之一）网关成本封顶/智能路由高管四问"怎么控 AI 成本"+网关用量追踪✓ 强
生态落地埃森哲页 + 客户对谈埃森哲业务集团 + 客户矩阵"FDE 不是万能"风险视角✓ 中

7三个来源各自独有

拼在一起才完整——每个来源都贡献了别处没有的信息。

🔵 只在内部文件

  • 四位创始人全摆给 CIO 专场（规格暗示 CIO 是头号入口）
  • 具体客户高管：道富银行 CIO、Dick's 体育 CTO
  • OpenAI 来的是 CFO（谈商业落地）vs 主舞台总裁（谈愿景）
  • 晚宴请 NBA 勇士主帅 Steve Kerr、设在 MOMA

🟢 只在公开信息

  • 产品命名与量级：LTAP、Lakehouse//RT、Reyden 引擎、DASF v3.0、Omnigent
  • Lakehouse//RT 比现有快 16×；Agent Bricks 年处理 1 千万亿+ token
  • DASF：智能体是新增第 13 组件（+35 风险）
  • 主舞台 Brockman/纳德拉；万事达演示目录联邦

⭐ 只在现场幻灯片

  • 叙事漏斗：高管四问→数据答案→安全答案（公开稿拆开发，看不出这条主线）
  • 模型用量榜：Claude Opus 4.5/4.6 流量领跑（真实企业用量）
  • 反共识页："AI use≠提效"、"原始数据喂模型行不通"、"复制数据"是旧共识
  • 四阶段成熟度模型、OODA 安全闭环、"AI Agents 风险最多"

8趋势研判：给你的方向判断

把上面的料提炼成 6 条可用于判断的趋势（含"对你意味着什么"）。

1"管 Agent"是一个正在被定义的新品类

当企业里智能体爆炸式增长，"谁来管、怎么算账、出事怎么追"成刚需。Unity AI Gateway、Omnigent、Lakewatch、DASF 都在抢这个心智。

对你：AI 的"运行时治理 / AI SIEM / 面向 AI 的 FinOps"是新蓝海，上下游创业窗口正打开；做 AI 产品也要尽早把"可观测+成本+审计"内建。
2数据库在为 Agent 重写：实时 + 一体化

LTAP/Lakebase/Lakehouse//RT 的核心是"别再复制数据"。Agent 要实时读写，1–2s 延迟的旧仓库扛不住。

对你：评估任何"AI 应用/Agent"项目时，先问数据底座是不是实时一体化——还在靠 ETL 搬运两套系统的，规模化时会卡死。
3安全从"单点产品"变"可运营闭环"

DASF v3.0（97 风险/13 组件、智能体成第 13 组件）+ OODA 安全循环，说明 AI 安全正在方法论化、框架化。

对你：合规/安全是 Agent 进企业的最后一道闸，也是最硬的付费理由；"智能体记忆/工具调用/MCP"是新风险面，相关工具有机会。
4企业实际用量：Claude Opus 领跑

Databricks 自家网关 7 天流量榜，前二是 Claude Opus 4.5/4.6（~100M），远超 GPT-5.4。这是"用脚投票"的一手数据。

对你：你押 Claude 做产品有真实企业用量背书；选型/对外叙事时可引用"企业级实际流量 Anthropic 领先"。
5瓶颈在"隐性上下文"，不在模型

讲台反复强调：原始数据喂模型行不通、隐性的机构知识还得靠人(FDE)提取。模型够强了，缺的是"喂给它的上下文"。

对你："上下文工程 / 把组织隐性知识自动结构化"是被点名的痛点——产品切入点比"又一个套壳"清晰得多。
6"临界点就是现在"——行动窗口

"The agentic wave is here"是 Databricks 给全场定的基调：成熟度卡在"AI 泛滥"的企业很多，真正做到"流程重构"的少。

对你：窗口期里，把单点"用 AI"升级成"重构一条流程"的玩家会拉开差距——无论自用还是对客户讲故事，这是高地。

9学习抓手 + 名词速记

复述用一段话 + 名词表。

一段话复述今年峰会

主线从"造智能体"转向"管智能体"（"浪潮已至"）。三层都在补"上生产"的短板：数据层用 LTAP/Lakebase/Lakehouse//RT 干掉数据搬运、做到实时；模型层深绑 OpenAI 又全模型中立（但企业实际流量 Claude Opus 领跑）；治理层用 Unity AI Gateway + DASF + OODA 闭环把成群的 Agent 管起来。最高规格留给 CIO/高管，落地靠埃森哲等生态。

名词速记 公开 现场

LTAP
交易+分析一体架构，写入即 Delta/Iceberg、免 ETL；让 Agent 实时读写。
Lakebase
无服务器 Postgres（本届 GA），三支柱：熟悉/敏捷/关键级；也当 Agent 记忆库。
Lakehouse//RT + Reyden
实时湖仓，新引擎 Reyden 驱动，比现有快最高 16×、10ms~<100ms（Beta）。
Unity AI Gateway
AI 统一网关：管模型/Agent/MCP，成本封顶、智能路由、护栏、全链路追踪。
Omnigent
开源的智能体编排"控制面"，统管 Claude Code/Codex/Pi 等。
DASF v3.0
Databricks AI 安全框架：97 风险/73 控制/13 组件，智能体是新增第 13 组件。
Lakewatch
建在安全湖仓上的"智能体 SIEM"，AI 驱动的威胁检测与响应。
Genie
自然语言问数据的对话式 BI；Genie Ontology 让它懂业务行话。
FDE
前置部署工程师：厂商派驻客户现场帮落地；能加速但别取代内部主导权。
OODA 闭环
观察→定位→决策→行动，被用作"智能体企业安全"的运营方法论。

10常见疑问

几个你可能追问的点。

哪些确定真实，哪些要打折扣？
内部议程 🔵 是你给的一手文件（仅做中文转写）；现场幻灯片 ⭐ 是会场实拍（一手）；公开 🟢 来自官网/官博/媒体。标 ✓ 的是多源印证、最稳。少数现场出现、公开未单独检索到的（AI Hub、BlackIce OSS）我已明确标注"现场提及"，不当成已证实。
Lakehouse//RT、LTAP、Lakebase 到底什么关系？
一套组合拳：LTAP 是架构思想（交易+分析统一在一份数据、免 ETL）；Lakebase 是落地的无服务器 Postgres（管交易型 OLTP）；Lakehouse//RT 是在湖仓上跑实时分析的产品（由新引擎 Reyden 驱动，毫秒级）。合起来就是"Agent 要的实时数据底座"。
为什么现场幻灯片这么有价值？
公开新闻是"一条条产品"，内部执行单是"一行行议题标题"；而现场幻灯片把它们串成了一条叙事漏斗（高管四问→数据答案→安全答案），还带了公开稿不会放的真实数据（模型用量榜）和反共识观点（AI≠提效）。这是判断"他们真正在想什么"的最好材料。
对我（创业/投资）最该追的一条线？
"管 Agent"。当 Agent 数量爆炸，运行时治理、AI SIEM、面向 AI 的成本管理会成刚需，这是正在被定义的新品类。其次是"把组织隐性上下文自动结构化"——被讲台点名为当前最大瓶颈。

11来源清单

内部 2 份 + 现场 15 张（你提供，未公开）；公开来源如下，可点击核对。

内部 现场

  1. DB DAIS Executive Forum 26 RoS（高管论坛执行单，2 页）· DB DAIS CIO Forum 26 RoS（CIO 论坛执行单，4 页）
  2. 会场幻灯片实拍 15 张（带 Databricks 实时翻译浮层，©2026）

公开调研 · Open Source

  1. 官网2026 峰会主题与阵容
  2. 新闻稿发布 Lakehouse//RT（Reyden 引擎/16×/毫秒级）
  3. 官博Lakehouse//RT 技术介绍
  4. 新闻稿发布 LTAP
  5. 官博DASF v3.0：智能体安全新风险与控制
  6. 官博Unity AI Gateway 新功能（策略/护栏/可观测/成本）
  7. 官博Agent Bricks（Choice/Context/Control + Omnigent）
  8. 官博Unity Catalog 更新（目录联邦/OpenSharing）
  9. 新闻稿Databricks × OpenAI 合作
  10. 埃森哲埃森哲-Databricks 业务集团
  11. 媒体VentureBeat：解决拖慢 Agent 的数据管道难题
  12. 媒体SiliconANGLE：宣告"管道时代终结"
  13. 媒体TechTimes：开源 Omnigent