在大模型技术迅猛发展的今天，AI 正深度重塑数据基础设施，推动其向智能化快速演进。如何将 AI 深度融入数据管理，释放数据的潜在价值、提升运营效率，成为企业在构建 AI 驱动的数据资产管理体系的核心问题。

在近期举办的“DataFun AI+BI智能驱动峰会”上，腾讯游戏公共数据平台部专家戴诗峰分享了腾讯游戏在AI驱动下进行数据基础设施智能化革新的实践。他围绕腾讯游戏数据发展背景、AI驱动的资产体系重塑、智能湖仓架构建设以及AI智能场景应用探索四大核心议题，展示了如何通过“人+AI”双引擎模式，驱动游戏业务的智能化升级，开启数据治理的新篇章。

◼腾讯游戏数据发展的三阶段

戴诗峰回顾了腾讯游戏数据的二十年历程，将其数据能力演进划分为三个阶段。在早期的端游时代，腾讯游戏的数据体系主要围绕统一日志结构搭建，针对不同游戏需求进行逐一定制（CaseByCase）。这种方式虽然支撑了基础运营分析，但数据资产缺乏沉淀，新需求响应依赖人工，效率较低。随着2015年前后移动游戏的爆发，数据中台模式应运而生，腾讯游戏将分散的日志加工成可复用的指标、画像、模型等标准资产，涵盖了更广泛的用户生命周期运营、精细化营销等需求。

当下，游戏行业正迎来AI赋能的转折点。2020年起，腾讯游戏开始打造"能被大模型理解的数据资产"，通过血缘染色、智能标注等技术让 AI 解析资产含义，同时在前端探索搭建统一自助服务门户，整合数据探索平台与LLM集成应用，使得90%的业务需求无需人工开发，推动数据从 “技术专属” 真正走向 “业务自助”。

◼AI时代数据技术的核心要求

戴诗峰强调，在数据框架演进至优化阶段，数据技术体系需围绕 “数据 AI 化内核、湖仓一体基座、业务自助化界面” 三大核心构建，才能实现从 “数据石油” 到 “智能汽油” 的转化。

首先，数据 AI 化内核要求资产既能被人工理解，也能被 AI 理解。腾讯游戏通过原始数据的血缘染色和智能化标注，结合本地化资产模型训练，建立起持续运营机制。其次，湖仓一体基座则需应对 PB 级训练数据的成本与性能挑战，统一管理结构化（如运营数据）与非结构化数据（如游戏语音、图片），实现流批一体化计算，让实时与离线数据能被统一访问。最后，业务自助化界面则聚焦降低使用门槛，支持自然语言查询生成报表、基于角色推荐数据集、无代码生成预警规则等，让业务人员直接 “用数据说话”。

◼基于AI的智能资产中台构建

戴诗峰指出，面对传统数据中台的“新需求响应滞后、业务难访问明细数据、存储成本高企”这三大痛点，腾讯游戏通过构建智能资产中台实现突破，核心是 “双目标驱动 + 知识图谱闭环”。

双目标驱动以 “资产复用率” 为北极星指标，通过本地化评价模型提升 AI 对资产的理解准确率，同时要求大模型覆盖 100% 数据开发场景、业务自助需求满足率超 90%。知识图谱闭环将资产分为基础资产（人工可理解）与优质资产（人机双理解），通过特征聚类、血缘分析关联数据链路与业务标签，目前已覆盖 5500 + 资产表、10W + 数据列，资产推荐 TOP3 准确度达 95.3%。

值得注意的是，在智能资产中台里，“让 AI 理解资产”并不是模糊的概念。为保障资产体系持续迭代，腾讯游戏还构建了十一步资产建设与应用闭环，涵盖从资产规范定义、候选资产生成到需求匹配、模型认证、图谱构建，再到应用反馈与资产下架的完整生命周期。通过持续评估模型理解准确率并调优，确保整个资产体系能够动态进化。

◼智能湖仓架构的建设与升级

任何上层应用的突破，都离不开底层架构的支撑。腾讯游戏的数据架构伴随着业务发展不断升级，从2010年分散的关系型数据库体系，到2015年引入Hadoop，但仍存在离线和实时数据壁垒的大数据架构，最终在2022年启动、2023年完成全部业务迁移至湖仓一体架构，实现了数据管理效率与业务支撑能力的跃升。

湖仓架构的核心价值在于打破数据湖与数据仓库的界限，通过统一平台管理数据，引入弹性伸缩计算和运营托管等机制，具备支持事务（确保数据一致性）、统一管理异构数据、兼容 BI 工具访问、打通端到端数据流、保持开放性、适配多场景等七大核心特性。

戴诗峰提到，湖仓架构设计围绕 “随需而动、丰俭由人、资产自治” 三个原则。“随需而动” 即技术服务于业务需求，如线上活动、高时效性场景需要实时数据才搭建实时链路；“丰俭由人” 是指不同业务根据自身情况选择，预算足、追求速度的业务将数据放 “仓” 里，对时效要求不高的业务直接用工具访问 “湖”，业务可自主选择计算加速层和引擎层的使用方式；“资产自治” 则实现资产自治理，高频有价值的资产自动沉淀优化，低频无效资产自动降级释放资源，无需人工持续干预，有效提升资源利用效率。这三个原则共同确保了湖仓架构既能精准匹配业务需求，又能实现资源利用效率的最大化。

这种架构带来的业务价值是立竿见影的。目前腾讯游戏基于湖仓架构实现了业务支撑能力的双重跃升：在交付模式上，过去冗长的需求流程被依托湖仓动态资产和AI能力的快速交付所取代。在数据时效上，实现了日志接入即实时化，湖中数据保持实时可用，有力支撑了前端资产和看板的实时更新，为业务决策提供了更及时的依据。

◼AI在数据场景的应用探索

在智能资产体系与湖仓架构支撑下，AI 已深度融入数据服务全场景，形成分层化的应用体系。

戴诗峰认为，最基础的业务应用是经营分析可视化。当前团队投入精力最多的是精细化运营场景，业务人员常常需要在查看报表后进行更灵活的动态分析（如对比新老活动数据），这高度依赖明细数据的提取能力，腾讯游戏正借助流式计算和湖仓架构来加速响应。而辅助决策等更高级场景，虽AI有潜力，但目前受限于稳定性和知识理解深度，仍需以预研探索为主，现阶段的核心仍聚焦于提升精细化运营的效率。

在精细化运营场景中，数据提取并非简单的 Text-to-SQL 过程，而是需要一整套的工程化平台支撑。从需求拆解、资产探查、SQL 生成，到批量跑数、结果验证，整个过程并非“需求→结果”的直线，而是靠工程化平台串联“找数据、写逻辑、跑任务、验结果”等环节，实现高效支撑精细化运营，让业务及时拿到所需数据。

在数据底座、资产及领域模型支撑下，Text-to-SQL只是起点，还可延伸出 Text-to-DSL，覆盖智能问答等场景，形成一个价值闭环。需求拆解和生成过程中沉淀的新特征或口径，会被反馈回资产建设体系，或成为个人特征，或升级进入公共资产目录，不断丰富知识库，反哺后续的需求理解和应用深化，推动业务与资产体系迭代，让数据应用更深入、高效。