纪要涉及的行业或者公司 - 行业：数据与人工智能行业 - 公司：Snowflake、Spark New Zealand、Relational AI、EMC Corporation、VMware、Canva、Crunchy Data 纪要提到的核心观点和论据 Snowflake业务表现与市场趋势 - **财务表现出色**：Q1实现十亿美元营收季度，同比增长26%；净收入留存率达124%；剩余收入义务达67亿美元，同比增长34%；Q1新增约451个客户，约5200个客户正积极使用AI和ML产品 [18][19] - **市场趋势向好**：客户倾向签订多年合同，对Snowflake数据和AI平台需求持续增长；Snowflake正从数据云向完全集成的AI应用平台演进，重新定义产品、应用和智能系统的构建方式 [18][122] 合作伙伴与生态系统建设 - **重视合作伙伴关系**：Snowflake将全球联盟和渠道作为未来市场推广的重要组成部分，计划加大对渠道和分销的投资，包括与超大规模云服务提供商、主权云、ISV市场、系统集成商和传统经销商建立合作关系 [48] - **生态系统潜力大**：67亿美元的剩余收入义务为合作伙伴提供了巨大的市场机会，可通过帮助客户迁移、进行分析和应用AI来推动消费，实现价值 [18][19][27] AI应用与业务价值创造 - **AI提升生产力**：通过将结构化和非结构化数据集结合，Snowflake帮助客户简化业务流程，提高生产力，如为美国一家大型建筑供应商分析蓝图，使员工每天可提交300份投标，而之前每三天只能提交一份 [28][29] - **AI改善业务结果**：Spark New Zealand引入AI进行通话总结，提高了数据质量，减少了下游问题；Relational AI的关系知识图谱解决了企业知识孤岛问题，使组织能够更好地存储、共享和发现知识 [84][89][96] 产品创新与技术进步 - **基础设施优化**：推出标准仓库第二代，性能提升2.1倍；引入自适应计算，简化仓库管理；简化摄入定价，降低成本；在Horizon目录中实现增强的互操作性、AI驱动的安全和治理 [129][130][131] - **开发工具升级**：投资新的开发工具，如OpenFlow、WorkSpaces、DBT项目等，加速项目交付，推动创新；收购Crunchy Data，便于进行事务性工作负载 [133][135][137] - **AI功能增强**：提供Cortex AI SQL和语义视图等构建块，帮助构建更有趣的应用；引入代理框架和Snowflake Intelligence，使企业能够更好地利用AI能力 [138][139][140] 其他重要但是可能被忽略的内容 - **Snowflake成为2028年洛杉矶奥运会赞助商，未来可能赞助2032年布里斯班奥运会 [7] - **Snowflake Summit吸引了超过20,000名参与者，较去年增长一倍；70%的内容由客户提供，展示了客户对Snowflake的高度参与和认可 [4][38][40] - **Snowflake将举办世界巡回活动，将Summit的内容带到全球各地，为无法前往旧金山的客户提供参与机会 [44] - **Spark New Zealand对Snowflake账户团队的服务表示满意，认为其在推动创新和合作方面发挥了重要作用 [109][110]

产品发布 - RelationalAI在Snowflake Summit 2025上宣布推出新产品功能，增强其原生应用在Snowflake AI Data Cloud中的能力，使企业能够构建更智能、以数据为中心的应用程序，无需数据迁移或复杂的架构 [1] - 新功能允许组织将知识和应用语义更贴近数据，构建支持规范性、预测性、图和基于规则的推理的应用程序 [1] 客户与合作 - RelationalAI与Snowflake合作，帮助客户从单纯管理数据转向在Snowflake AI Data Cloud中做出基于数据的决策 [2] - Blue Yonder使用RelationalAI的知识图谱在Snowflake中为其AI驱动的端到端供应链管理解决方案提供支持，减少了90%的遗留代码 [2] 新功能详情 - 支持下一代LLM问答：通过文本到推理器功能扩展基于检索增强生成（RAG）和文本到SQL范式的问答能力，帮助决策制定 [4] - 与Snowflake语义视图的互操作性：将RelationalAI知识图谱的业务语义应用于提高Cortex Analyst的准确性和BI的丰富维度模型 [4] - 集成规范性推理：应用数学优化求解器计算最优决策，支持复杂领域的推理，如供应链规划 [4] - 扩展图推理支持：增强图算法（如路径查找和egonet分析）以理解和导航数据中的复杂关系 [4] - 集成预测性推理与图神经网络（GNNs）：通过GNNs从数据结构和语义中学习，预测需求、流失和风险，减少手动特征工程并提高准确性 [4] 公司背景 - RelationalAI将关系智能原生集成到Snowflake的AI Data Cloud中，通过关系知识图谱构建智能应用程序和代理，支持图、预测、规范和基于规则的推理 [6] - 公司帮助组织解锁更深入的洞察、自动化决策并加速AI采用，同时保持企业级安全性和治理 [6]

The Organizing Committee of Sanmenxia Yellow River Cultural Tourism FestivalSANMENXIA, China, May 22, 2025 (GLOBE NEWSWIRE) -- On May 20th, the ceremony of Laozi Digital Human Launch and Online Promotion, named "Dialogue Across Time and Space", took place at the Hangu Pass Historical and Cultural Tourism Zone, renowned as the "Millennia-Old Strategic Pass and Birthplace of Taoism". This marks China's first digital human of Laozi, integrating cutting-edge technologies such as AI, 3D modeling and natural sema ...

RAG系统与语义搜索 - RAG系统通过检索增强生成解决LLM的局限性，包括训练成本高和幻觉问题[5] - 语义搜索在RAG系统中被严重低估，其核心是将文件映射到高维测度空间实现语义匹配[10] - 语义搜索允许直接将文件作为索引，通过embedding形式与查询对比，具有处理低资源文件和长文件的灵活性[11][12] 系统设计与损失函数 - 工程是取舍的艺术，需要明确能够接受的权衡和牺牲[19] - Contrastive Loss形成多个相距m距离的紧密聚类，适用于结构紧密、方差较小的数据[21] - Triplet Loss适用于类内方差较大的数据，如同一个人在不同光照条件下的人脸图像[26][27] 距离函数与嵌入模型 - 余弦距离不符合度量空间定义但计算简单，适合推荐系统等只关注方向的场景[29][30] - 欧几里得距离适合复杂场景如电商推荐，但可能出现数值溢出和高维数据稀疏问题[35][36] - 嵌入模型选择优先级：性能/成本权衡 > 数据领域 > 损失函数 > 距离度量[42][43] 向量数据库与索引 - 向量数据库选择需考虑开源/闭源、实现语言和部署方式[45][48] - 索引方式包括哈希、树、图和倒排索引，图索引适用于大多数高维数据场景[50] - 系统设计重点是为语义搜索提供数据结构，如分层结构或Context Enrichment[53][56] KG-RAG与未来趋势 - KG-RAG能清晰描述实体关系但成本高，Lazy Graph RAG通过结合语义搜索降低成本[72][73] - 大模型正向端设备迁移，需要更快的RAG实现以适应有限资源[79] - 机器学习系统设计最佳实践是优先使用传统方法如SQL或正则表达式[81]