数据湖的建设相当于为一个地方建立一个叫做数据的中央厨房基础设施。下一步，通过这些数据存储，我们将进一步价值化它。我们提出了“收集、存储、治理、使用和交易”五部曲，称为数据。
三是提高企业级数据分析整合能力。湖仓一体化实时数字仓库打破了数据湖与数据仓库分离的系统，整合了数据湖的灵活性、数据多样性、丰富的生态性和数据仓库的企业级数据分析能力。
自2015年以来，我们推出了城市数据湖改革战略，目前已经布局了30多个城市数据湖，其中8个在国家计算的节点上。这样的城市发展数字经济基础设施，解决了存力、计算能力、用力三大力问题。我们帮助各地建立新的数据中心，帮助它进行原始数据中心的低碳化转换。它解决了数据资源的全面存储，实现了数据的应存尽存，而不是覆盖存储。这叫一湖基础。
数据湖仓库租户依靠数据湖统一计算基础，低成本包，实现资源配置、实时数据授权、资产发现、实时数据仓库持续实时数据、共同模型供应，结合数据湖一站式标准化流程，无数据湖，提高数据处理限制，满足实时应用场景快速着陆，实现数据湖价值最大化。
湖仓集成实时数字仓库整合了数据湖的灵活性、数据多样性、丰富的生态和数据仓库的企业数据分析能力，对实时数据模型的建设具有重要价值。未来，随着中国农业银行数据湖的建设，实时数据仓库将整合数据湖基础设施建设，构建稳定、全面、高扩展的实时数据基础层，建设和沉淀中国农业银行共同的实时数据资产，满足不同实时分析应用数量的要求。实时数据仓库基于批量集成数据集成，提高数据处理的及时性，促进实时分析应用架构的统一，对实时场景建设支持具有重要意义。
大型人工智能模型的不断演变和应用领域的扩展给存储带来了新的挑战，对数据存储和处理的需求急剧增加。针对这一变化，腾讯云存储高级产品经理林楠全面介绍了数据湖存储在大模型中的应用。他说：为了满足大模型领域的需求，实现提高性能和降低成本的双重目标，腾讯提供了一个全面的人工智能解决方案，包括接入层、计算层和存储层，为大模型的培训和应用提供更好的支持。
基于数据湖的技术能力，实时数据仓库支持构建稳定、全面、高可扩展性的实时数据基础层，建设和沉淀中国农业银行的共同实时数据资产，满足不同实时分析应用数量的要求，提高数据模型加工的及时性（见下图）、Hudi等数据湖存储计算引擎，支持流数据、文件等数据进入湖中，利用Flink流批集成计算引擎层次化组织企业级实时资产，促进实时分析应用的统一。
基于湖的平台实时集成能力，实时数据仓库可以实现丰富的实时流数据集成，降低各种实时应用的实时数据集成建设成本；同时，依托数据湖流批的集成存储特性，实现时间旅行等一些新特性，满足可靠性要求，如时间端实时数据重放处理等。