训练数据与大型语言模型共生共荣。今年的行业焦点集中在专为AI智能体优化的数据库、辅助乳腺肿瘤诊断的数据集，以及强化企业数据掌控权的平台。
Databricks：重构数据库以适应AI速度
在Databricks平台上，由AI智能体创建测试和开发环境的比例已从两年前的0.1%飙升至97%，传统数据库架构难以应对这一动态变化。为此，Databricks开发了Lakebase，这是一种从头重构的数据库架构，支持快速启停，能够适应AI驱动开发中大量小型、快速的工作负载。今年8月，Databricks完成50亿美元战略融资，估值达1900亿美元，收入同比增长80%。
DataPelago：智能路由降低计算成本
尽管GPU和NPU是AI主流处理器，但CPU和FPGA在处理高性能计算任务时仍具价值。DataPelago的Nucleus系统现代化了传统以CPU为中心的设计，充当数据湖与查询引擎间的桥梁，无需修改代码即可将计算请求路由至最高效的处理器。该公司称，其Apache Spark加速器可将性能提升高达10倍，计算成本降低80%。今年8月，DataPelago被NetApp收购，Nucleus成为后者全栈AI解决方案的核心。
DDN：扩展存储以支撑超级计算机负载
数据路径吞吐量不足常导致GPU利用率低下，阻碍大规模模型训练。DDN的EXAScaler并行文件系统技术解决了这一瓶颈，其客户包括Google Cloud（Managed Lustre服务）、Salesforce和英伟达。通过结合并行I/O和高吞吐量共享存储，该服务可扩展至每秒10太字节。随着AI存储需求激增，DDN预计2026年收入将翻倍至10亿美元。
Hydrolix：可视化AI机器人流量
Cloudflare数据显示，AI智能体和机器人流量已占网络总流量的一半以上。Hydrolix推出的Bot Insights工具可将此类行为可视化，提供个性化仪表板并允许客户拦截特定流量，同时支持查询分析结账延迟或搜索成本上升等问题。Hydrolix报告称，该工具将事件归因时间缩短95%。公司近期完成8000万美元C轮融资，并成为AWS流媒体平台Agentic Intelligent Operations的技术引擎。
iMerit：开源数据集助力乳腺癌诊断
早期发现可使乳腺癌五年生存率超过90%。数字乳腺断层合成术（3D钼靶）在检测病变方面优于传统2D钼靶，尤其适用于致密型乳腺，但受限于缺乏经活检确认的数据集。iMerit联合Segmed和Advocate Health发布了一个开源、免费且符合HIPAA法规的数据集，包含超500例经活检确认的检查结果，良恶性病例各半。这将有助于研究人员优化AI辅助诊断的准确性与速度。今年8月，数据和AI公司EXL以3.1亿美元收购iMerit。
Mozilla Data Collective：赋予数据所有者控制权
针对AI训练数据的补偿争议，Mozilla Data Collective采取了主动策略。不同于内容拥有者与科技巨头单独谈判或屏蔽爬虫，该集体允许数据实体在保留所有权和控制权（包括补偿条款）的前提下共享数据。目前，该集体涵盖190多个组织，共享超1000个精选数据集。今年，Mozilla已将Data Collective剥离为独立实体。