Databricks 的 Predictive AI Functions 在 2026 年 10 月 14 日由 Databricks 官方博客宣布进入 Beta：一次上线四个新 SQL 原生函数，并把已有的 ai_forecast 换上更强的时序基础模型。冲着解决的问题很具体——下季度销量多少、这个指标为什么变了、哪几天的数据不对劲，以前都要排队等数据科学团队建模，现在分析师在 SQL 编辑器、仪表盘里就能直接问，业务用户还能通过 Genie 用日常语言提问，由系统代为调用合适的函数。
五个函数，各答一类问题
这批函数的分工按业务问题切分。ai_forecast 把时序数据向未来外推，回答接下来会怎样；ai_top_drivers 定位是哪个细分维度最能解释某个指标的变化；ai_detect_anomalies 在时序数据里标记异常行；ai_predict_value 和 ai_predict_class 则分别补齐连续数值与分类结果，比如估计一个数值或给记录归类。它们都是原生 SQL 函数，可以横跨数亿行数据运行，结果直接进入既有查询和数据管道。入口上，ai_top_drivers 已经能在 Genie 里用，其余四个函数在 Genie 中的支持被官方列为即将推出，现阶段主要在 SQL 和仪表盘里使用。
预测为什么强调不用调参
升级后的 ai_forecast 背后是一个基于 Transformer 的时序基础模型，用大量多样的时序数据做过预训练，官方思路是让它像语言模型认词句一样先认季节性和趋势，再到企业自己的数据上直接出预测，省掉逐个数据集调参的环节。新版还补上了业务侧真正会用到的变量：内置节假日支持，可以把圣诞低谷、开学高峰这类日历效应算进去；外部协变量可以把价格变化、营销投入等因素喂给模型。在 fev-bench 基准上，Databricks 称新版 ai_forecast 的任务胜率高于一家主流云数仓的同类函数和自家旧版本——这是厂商自报的对比口径，选型时仍应拿自己的历史数据回测。同一天，Databricks 的文档处理能力也刚完成正式可用，见Databricks 文档智能实时 API 正式可用，两条线拼在一起，方向都是把原本需要专人排队的活儿变成平台里的默认函数。
Beta 的边界要先看清
需要降温的地方同样明确。这批函数仍是 Beta，模型由 Databricks 集中维护，好处是各入口结果一致、团队不用管基础设施，代价是模型本身不可自选、不可自调，预测质量出了问题也很难像自建模型那样拆开排查。更适合的用法是把它放在探索和日常经营分析上：先用它快速回答值不值得深挖，再决定要不要为关键指标另建专门模型。对于已经把数据放在 Databricks 上的团队，试错成本确实低，一条 SQL 就能验证；对于数据不在该平台上的团队，这次更新本身不构成迁移理由。
