在大模型技術迅猛發展的今天，AI?正深度重塑數據基礎設施，推動其向智能化快速演進。如何將?AI?深度融入數據管理，釋放數據的潛在價值、提升運營效率，成為企業在構建?AI?驅動的數據資產管理體系的核心問題。

在近期舉辦的“DataFun?AI+BI智能驅動峰會”上，騰訊游戲公共數據平臺部專家戴詩峰分享了騰訊游戲在AI驅動下進行數據基礎設施智能化革新的實踐。他圍繞騰訊游戲數據發展背景、AI驅動的資產體系重塑、智能湖倉架構建設以及AI智能場景應用探索四大核心議題，展示了如何通過“人+AI”雙引擎模式，驅動游戲業務的智能化升級，開啟數據治理的新篇章。

?騰訊游戲數據發展的三階段

戴詩峰回顧了騰訊游戲數據的二十年歷程，將其數據能力演進劃分為三個階段。在早期的端游時代，騰訊游戲的數據體系主要圍繞統一日志結構搭建，針對不同游戲需求進行逐一定制（CaseByCase）。這種方式雖然支撐了基礎運營分析，但數據資產缺乏沉淀，新需求響應依賴人工，效率較低。隨著2015年前后移動游戲的爆發，數據中臺模式應運而生，騰訊游戲將分散的日志加工成可復用的指標、畫像、模型等標準資產，涵蓋了更廣泛的用戶生命周期運營、精細化營銷等需求。

當下，游戲行業正迎來AI賦能的轉折點。2020年起，騰訊游戲開始打造"能被大模型理解的數據資產"，通過血緣染色、智能標注等技術讓?AI?解析資產含義，同時在前端探索搭建統一自助服務門戶，整合數據探索平臺與LLM集成應用，使得90%的業務需求無需人工開發，推動數據從?“技術專屬”?真正走向?“業務自助”。

?AI時代數據技術的核心要求

戴詩峰強調，在數據框架演進至優化階段，數據技術體系需圍繞?“數據?AI?化內核、湖倉一體基座、業務自助化界面”?三大核心構建，才能實現從?“數據石油”?到?“智能汽油”?的轉化。

首先，數據?AI?化內核要求資產既能被人工理解，也能被?AI?理解。騰訊游戲通過原始數據的血緣染色和智能化標注，結合本地化資產模型訓練，建立起持續運營機制。其次，湖倉一體基座則需應對?PB?級訓練數據的成本與性能挑戰，統一管理結構化（如運營數據）與非結構化數據（如游戲語音、圖片），實現流批一體化計算，讓實時與離線數據能被統一訪問。最后，業務自助化界面則聚焦降低使用門檻，支持自然語言查詢生成報表、基于角色推薦數據集、無代碼生成預警規則等，讓業務人員直接?“用數據說話”。

?基于AI的智能資產中臺構建

戴詩峰指出，面對傳統數據中臺的“新需求響應滯后、業務難訪問明細數據、存儲成本高企”這三大痛點，騰訊游戲通過構建智能資產中臺實現突破，核心是 “雙目標驅動 + 知識圖譜閉環”。

雙目標驅動以 “資產復用率” 為北極星指標，通過本地化評價模型提升 AI 對資產的理解準確率，同時要求大模型覆蓋 100% 數據開發場景、業務自助需求滿足率超 90%。知識圖譜閉環將資產分為基礎資產（人工可理解）與優質資產（人機雙理解），通過特征聚類、血緣分析關聯數據鏈路與業務標簽，目前已覆蓋 5500 + 資產表、10W + 數據列，資產推薦 TOP3 準確度達 95.3%。

值得注意的是，在智能資產中臺里，“讓?AI?理解資產”并不是模糊的概念。為保障資產體系持續迭代，騰訊游戲還構建了十一步資產建設與應用閉環，涵蓋從資產規范定義、候選資產生成到需求匹配、模型認證、圖譜構建，再到應用反饋與資產下架的完整生命周期。通過持續評估模型理解準確率并調優，確保整個資產體系能夠動態進化。

?智能湖倉架構的建設與升級

任何上層應用的突破，都離不開底層架構的支撐。騰訊游戲的數據架構伴隨著業務發展不斷升級，從2010年分散的關系型數據庫體系，到2015年引入Hadoop，但仍存在離線和實時數據壁壘的大數據架構，最終在2022年啟動、2023年完成全部業務遷移至湖倉一體架構，實現了數據管理效率與業務支撐能力的躍升。

湖倉架構的核心價值在于打破數據湖與數據倉庫的界限，通過統一平臺管理數據，引入彈性伸縮計算和運營托管等機制，具備支持事務（確保數據一致性）、統一管理異構數據、兼容?BI?工具訪問、打通端到端數據流、保持開放性、適配多場景等七大核心特性。

戴詩峰提到，湖倉架構設計圍繞?“隨需而動、豐儉由人、資產自治”?三個原則。“隨需而動”?即技術服務于業務需求，如線上活動、高時效性場景需要實時數據才搭建實時鏈路；“豐儉由人”?是指不同業務根據自身情況選擇，預算足、追求速度的業務將數據放?“倉”?里，對時效要求不高的業務直接用工具訪問?“湖”，業務可自主選擇計算加速層和引擎層的使用方式；“資產自治”?則實現資產自治理，高頻有價值的資產自動沉淀優化，低頻無效資產自動降級釋放資源，無需人工持續干預，有效提升資源利用效率。這三個原則共同確保了湖倉架構既能精準匹配業務需求，又能實現資源利用效率的最大化。

這種架構帶來的業務價值是立竿見影的。目前騰訊游戲基于湖倉架構實現了業務支撐能力的雙重躍升：在交付模式上，過去冗長的需求流程被依托湖倉動態資產和AI能力的快速交付所取代。在數據時效上，實現了日志接入即實時化，湖中數據保持實時可用，有力支撐了前端資產和看板的實時更新，為業務決策提供了更及時的依據。

?AI在數據場景的應用探索

在智能資產體系與湖倉架構支撐下，AI?已深度融入數據服務全場景，形成分層化的應用體系。

戴詩峰認為，最基礎的業務應用是經營分析可視化。當前團隊投入精力最多的是精細化運營場景，業務人員常常需要在查看報表后進行更靈活的動態分析（如對比新老活動數據），這高度依賴明細數據的提取能力，騰訊游戲正借助流式計算和湖倉架構來加速響應。而輔助決策等更高級場景，雖AI有潛力，但目前受限于穩定性和知識理解深度，仍需以預研探索為主，現階段的核心仍聚焦于提升精細化運營的效率。

在精細化運營場景中，數據提取并非簡單的?Text-to-SQL?過程，而是需要一整套的工程化平臺支撐。從需求拆解、資產探查、SQL?生成，到批量跑數、結果驗證，整個過程并非“需求→結果”的直線，而是靠工程化平臺串聯“找數據、寫邏輯、跑任務、驗結果”等環節，實現高效支撐精細化運營，讓業務及時拿到所需數據。

在數據底座、資產及領域模型支撐下，Text-to-SQL只是起點，還可延伸出?Text-to-DSL，覆蓋智能問答等場景，形成一個價值閉環。需求拆解和生成過程中沉淀的新特征或口徑，會被反饋回資產建設體系，或成為個人特征，或升級進入公共資產目錄，不斷豐富知識庫，反哺后續的需求理解和應用深化，推動業務與資產體系迭代，讓數據應用更深入、高效。

?結語

騰訊游戲通過AI驅動的數據新基建，實現了從"數據石油"到"智能汽油"的轉化。未來，團隊將持續深化資產體系與湖倉架構的智能化融合，積極探索AI在實時場景的創新應用，如實時玩家情感分析、自動化運營策略生成等，為游戲業務創新注入源源不斷的智能動力。

?書籍推薦

《大模型工程化：AI驅動下的數據體系》是騰訊游戲數據團隊基于多年游戲數據工作的實踐經驗，發布的技術專著。該書深入講解了大模型技術的發展、應用及工程化原理，并特別聚焦于游戲領域的應用。