BigQuery AI能连哪些模型用？

BigQuery AI 能连哪些模型？一张图讲清楚 Google 的“数据+AI”全家桶

简单直接的回答：BigQuery AI（原名 BigQuery ML）不仅能连接 Google 自家的 Gemini 大模型、Claude 和 Llama 等第三方托管模型，还能让你把自己训练好的模型（比如在 Vertex AI 上部署的）直接拿过来用，甚至能通过 SQL 调用 Hugging Face 上的开源模型。它本质上是一个“以数据为中心”的 AI 平台，让你不用写 Python 代码，直接在数据仓库里完成从特征工程到模型推理的全流程。

BigQuery AI 到底是什么？别把它当成普通数据库

BigQuery AI 是 Google Cloud 旗下 BigQuery 数据分析平台 的 AI 扩展能力。它不是一个独立的工具，而是把 AI 模型直接“嵌入”到数据仓库里。你平时用 SQL 查数据，现在可以用同样的 SQL 语句来训练模型、做预测、甚至调用大模型进行文本分析。它的核心团队就是 Google Cloud 的数据与 AI 部门，和 Gemini、Vertex AI 是同一个大生态。

收费方面：BigQuery 本身按扫描的数据量或计算槽（Slots）付费；AI 功能中，调用 Google 自家模型（如 Gemini）按 Tokens 计费，调用第三方模型（如 Claude）则按 API 调用次数收费。具体价格参考 官方定价页。

一、BigQuery AI 能连的模型类型（四大类）

根据 Google 官方的设计思路，BigQuery AI 支持连接以下四类模型，覆盖了从传统机器学习到生成式 AI 的所有场景：

二、怎么连？一个 SQL 语句搞定

这是 BigQuery AI 最“反直觉”的地方——连接模型不是写 Python 代码，而是创建一条 SQL 语句。比如你想用 Gemini 分析用户评论，只需要执行：

CREATE ML REMOTE MODEL `myproject.mydataset.gemini_model`
REMOTE WITH CONNECTION `us-central1.my_ai_connection`
OPTIONS (ENDPOINT = 'gemini-1.5-pro');

之后，你就可以在查询里直接调用：

SELECT ml_generate_text(
  MODEL `myproject.mydataset.gemini_model`,
  CONCAT('把这段评论翻译成英文：', review_text),
  STRUCT(0.5 AS temperature, 512 AS max_output_tokens)
) AS translated_review
FROM `myproject.mydataset.reviews`;

整个过程不需要离开 BigQuery 控制台，数据也不需要导出。对于数据工程师和分析师来说，学习成本极低。

三、核心功能与特点：为什么它值得收藏

• 零数据移动：模型推理直接在数据所在位置执行，避免了传统方案中“把数据搬到 GPU 服务器”的延迟和安全风险。
• 统一 SQL 接口：无论是做简单的线性回归（传统 ML 模型），还是调用 GPT-4 级别的模型，都用 SELECT ... ML.* 语法，团队协作更简单。
• 支持批量推理与流式推理：可以一次性处理数亿行数据做全量分析，也可以结合 BigQuery 的流式插入做实时预测。
• 内置安全与治理：通过 BigQuery 的行级安全、列级掩码、审计日志来控制 AI 模型对敏感数据的访问，这是很多 AI 平台（如直接调用 OpenAI API）做不到的。
• 模型可解释性：对于分类/回归模型，支持输出特征重要性（feature importance），帮你理解模型为什么给某个客户打高分。

四、一个真实场景：电商评论分析

假设你是一家电商公司的数据分析师，老板让你分析 1000 万条用户评论，找出“物流慢”相关的投诉。传统做法是：写 Python 脚本调用 OpenAI API，但数据量太大，API 费用惊人，且数据要导出到外部系统有合规风险。用 BigQuery AI 的做法：

1. 创建 Gemini 模型连接（30 秒）
2. 写一条 SQL 语句，让 Gemini 判断每条评论是否与物流相关
3. 结果直接存入 BigQuery 表，再关联订单表做进一步分析

整个过程在 BigQuery 控制台内完成，数据不出域，费用仅为 API 调用费加上 BigQuery 的计算费，比导出数据再处理节省 60% 以上的时间。

五、需要注意的局限

• 不支持模型微调：目前 BigQuery AI 只能调用现成模型或你已部署好的模型，不能直接在 BigQuery 里对 Gemini 进行 LoRA 微调。微调仍需在 Vertex AI 或其他平台完成。
• 延迟较高：对于需要毫秒级响应的场景（如在线推荐系统），建议使用 Vertex AI 的预测端点，BigQuery AI 更适合批处理或近实时分析。
• 模型种类限制：第三方模型列表由 Google 维护，你无法随意接入任意 API（比如直接连 OpenAI 的 GPT-4o 目前不支持，但可以通过 Remote Model 方式自建代理）。

相关问题

BigQuery AI 和 Vertex AI 有什么区别？

BigQuery AI 是“数据仓库里的 AI”，适合分析师用 SQL 完成轻量级 AI 任务；Vertex AI 是“专业的 AI 平台”，适合数据科学家做模型训练、调优和部署。两者可以配合使用：在 Vertex AI 训练模型，然后在 BigQuery AI 里用 SQL 调用它。

我可以用 BigQuery AI 做实时推荐吗？

可以，但有限制。它支持流式插入和预测，但由于模型推理本身有几百毫秒到几秒的延迟，更适合“准实时”场景（如用户行为后 5 秒内推荐），不适合毫秒级的在线推荐。实时推荐建议用 Vertex AI Prediction 配合 Cloud Run。

BigQuery AI 支持图像或音频模型吗？

目前主要支持文本和结构化数据的模型。图像分析（如 Gemini Vision）虽然可以通过 Vertex AI 调用，但在 BigQuery AI 里直接处理图像数据（如图片 URL 或 Base64）还在逐步开放中。建议关注 Google Cloud 的更新日志。

用 BigQuery AI 调用 LLM 的成本高吗？

取决于模型。Gemini 1.5 Flash 非常便宜（百万 Tokens 约 0.3 美元），适合大规模批处理；Claude 3.5 Sonnet 较贵但适合复杂推理。建议先用 ML.GENERATE_TEXT 的预览功能在小数据集上测试，再评估全量成本。

BigQuery AI 能连我公司自建的模型吗？

可以。只要你的模型部署在 Vertex AI 上（任意框架），或者通过 Cloud Run 暴露为一个 HTTP 端点，就可以用 CREATE ML REMOTE MODEL 把它注册到 BigQuery 里，然后像调用内置模型一样用 SQL 做预测。