一句话看懂：Snowflake 通过其 Cortex AI 平台，正在将视频、音频、图像等非结构化媒体数据转化为可查询的结构化智能，这意味着企业 AI 分析的重点将从“文本”转向“氛围”与“情绪”，并且可以直接在数据仓库内完成，无需额外迁移数据或管理基础设施。
事件核心：发生了什么
Snowflake 发布了其 Cortex AI Functions 在多模态分析领域的最新能力，重点是对于视频、音频和图像数据的程序化元数据提取与分析。核心产品是 Snowflake Cortex AI，它提供了一个统一接口，集成了包括 Gemini 3.1 Pro 在内的多种前沿模型，通过一个 AI_COMPLETE SQL 函数即可调用。示例场景包括：分析社交媒体视频中的品牌露出与“Vibe”（氛围）以指导营销；自动提取体育赛事中的比赛事件与球员动作；以及基于音频的情绪分析来识别呼叫中心的客户愤怒等级并触发挽留流程。关键变化在于，这种分析在 Snowflake 数据平台内原生完成，输出的结构化 JSON、时间戳、实体可直接与 CRM、交易数据关联，无需移动任何视频文件本身。
为什么重要
这代表了企业级 AI 分析的一个关键转折点：多模态数据不再是“附加品”，而是核心分析对象。传统做法中，企业分析视频通常只能依赖文本转录或用户评论，丢失了视觉、声音和情绪信号。Snowflake 的做法打通了“数据存储-模型调用-结果关联”的全链路，降低了多模态 AI 的工程门槛。对于依赖品牌认知的奢侈品、娱乐、体育行业，以及需要防范 deepfake 和合成媒体风险的安全团队，这种能力直接转化为新的收入来源和风险控制手段。它本质上是把“看视频”这件事，从人工审核升级为与 SQL 查询同等量级的自动化数据操作。
对用户/开发者/创作者的影响
- 企业数据团队：可以像查询标准数据表一样查询视频内容，无需构建复杂的视频理解流水线或管理多厂商 API。代价是数据需留在 Snowflake 生态内，存在一定供应商锁定风险。
- 营销与品牌团队：能直接量化“Vibe”——通过分析光线风格、音乐情绪、产品使用方式，从而将广告预算从低效创意转向高共鸣内容，驱动更精准的创意策略调整。
- 开发者：无需切换到 Python 或专门的深度学习框架，只需通过 AI_COMPLETE 函数传入文件路径和 JSON Schema 即可获得结构化结果。但需要熟悉 File Data Type 和 external stage 的设置。
值得关注的后续
1. 模型选择与成本：目前提供模型无关的“模型园地”，但不同模型对视频理解的质量差异及推理成本是否可控，将直接影响实际落地效果。2. 实时性挑战：文中案例以批处理为主，对于直播或实时社交 feeds 的延迟表现、是否支持流式处理，目前公开信息尚不明确。3. 竞品响应：Google BigQuery、Databricks 等竞争平台是否会跟进推出类似的原生多模态分析能力，将决定这一赛道是否会成为数据仓库的下一个标准功能。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
来源：InfoQ CN
