Eclipse Aerospace 用 Databricks PySpark 自定义数据源简化飞行数据接入

Databricks 分享其让全部员工在模型发布首日即可试用新模型的内部流程，依托 Unity Gateway 做配置分发、治理与可观测性。流程分三步：立即以实验标签开放新模型、用四类按人预算控制成本、再依据内部基准、用户反馈和 OpenTelemetry 成本追踪决定推广或下线。

Snorkel AI 用 Databricks 的 serverless Postgres 数据库 Lakebase 为每个 PR 建独立数据库分支，替代原先每次约 20 分钟的 Aurora 全量恢复。

Databricks 博文讲解如何在 ai_extract 文档抽取中把一次性修补变成可评测的工程流程。实践来自一个从数十种 PDF 订单文档抽取约 40 个结构化字段的项目，结合人工审核作为 ground truth。

Databricks Lakehouse Federation 支持通过标准 SQL 直接查询 SQL Server、PostgreSQL、MySQL、Snowflake 等外部数据库，数据留在原处，无需复制或同步。

Databricks 发布从 BigQuery 迁移到 Databricks 的三支柱框架，涵盖流程、技术与人员。流程上先评估 BigQuery 资产，再按 BI 优先或 ETL 优先选择切入点，分批迁移并用 Lakehouse Federation 双轨验证，以 99.9% 一致性等标准触发旧管道下线。

Databricks 用 Opus 4.8 在 22 个数据工程任务、264 次构建上对比 Apache Spark 的过程式与声明式管道，声明式在运行前即可校验结构错误，执行器耗时从 596 秒降至 17 秒，约省 34 倍算力。声明式管道代码量中位数为 64 行，约为过程式 131 行的一半，且写法更统一。两者完成率接近，分别为 258/264 和 255/264，逻辑错误表现持平。

Databricks 展示了一套实时能源交易与分析方案，用 Spark Structured Streaming Real-Time Mode 以毫秒级延迟处理市场数据并写入 Lakebase，供交易台应用直接读取。

Databricks 发布与 Oracle 的对比文章，称其开放湖仓架构将 BI、ETL、流处理、机器学习和生成式 AI 统一在单一治理平台上，数据以 Delta Lake 和 Apache Iceberg 开放格式存储在客户自有云对象存储中。

Databricks 高级主任工程师 Kevin Stumpf 提出，企业 AI 的衡量重心正从 tokenmaxxing 转向 valuemaxxing，即用 AI 产生的业务影响除以成本来评估投入回报。

Databricks 发布 2026 年 AI 数据库选型指南，对比 10 款方案在检索能力、serverless 扩展、Postgres 兼容性、高并发与低延迟等维度的表现。