火山引擎LAS助力车企构建AI数据湖

字节跳动技术团队 09月11日

火山引擎LAS助力车企构建AI数据湖

随着智能驾驶技术的普及，海量多模态数据对数据存储和处理能力提出了挑战。火山引擎LAS通过Lance格式实现高效存储、管理和处理多模态数据，助力车企构建AI数据湖。LAS支持动态标注、透明压缩和点查询等特性，提升数据处理效率和成本效益。方案已在某车企落地，实现EB级数据处理效率提升3倍，模型训练交付提速40%。

🔍 数据挖掘与管理：Lance格式支持增量更新，无需重写历史数据，减少存储成本30%，管理效率提升50%。

🚀 模型训练优化：点查询功能实现轻量级数据shuffle和列投影，提升GPU利用率至96%，训练任务交付时间缩短40%。

💾 Zero-Cost Data Evolution：支持动态标注场景下新增数据列，无需重写历史数据集，降低存储成本。

📊 透明压缩：ZSTD编码压缩点云数据达70%压缩率，减少网络带宽压力。

🔗 点查询优化：列投影与轻量级shuffle机制提升训练效率，GPU利用率达96%。

2025-08-18 11:28 北京

随着智能驾驶技术的普及，摄像头拍摄的图像、激光雷达生成的点云、麦克风采集的音频等非结构化数据海量涌现。这些数据规模庞大、形式多样且实时性强，要求底层数据技术具备高效存储与快速处理能力。

火山引擎多模态数据湖解决方案是面向 AI 时代的智能数据新基建，完整覆盖湖计算、湖存储、湖管理、湖分析等场景。

方案中的AI数据湖服务LAS能够实现对文本、图像、音视频等非结构化数据资产的统一精细化管理，同时也能为模型预训练、后训练、AI 应用构建与开发提供端到端的智能数据服务。

近期，火山引擎LAS在智能驾驶场景中实现了应用和落地。

本篇文章将聚焦在“智能驾驶”场景，拆解LAS的核心湖存储格式——Lance，如何实现快速构建新一代 AI 数据湖，并高效存储、管理和处理多模态数据（文本、图像、音视频等）。

方案背景

A客户是一家来自中国的知名汽车企业，专注智驾网联（Intelligent Connected Vehicle）场景。

本文针对该客户在智能驾驶场景中海量多模态数据（文本 / 图像 / 点云等）的管理与处理挑战，提出基于 Lance 格式的 AI 数据湖解决方案。

核心通过三大技术实现突破：

1. Zero-Cost Data Evolution：动态标注场景下新增数据列无需重写历史数据集，降低 30% 存储成本。

2. 透明压缩：ZSTD 编码压缩点云数据达 70% 压缩率，显著减少网络带宽压力。

3. 点查询优化：列投影与轻量级 shuffle 机制提升训练效率，GPU 利用率达 96%。

方案已落地某车企客户，实现 EB 级数据处理效率提升 3 倍，模型训练交付提速 40%。下文将具体展开客户痛点与技术实现路径。

难点与挑战

在构建智驾系统的过程中，A客户面临以下挑战：

数据爆炸：

实时采集车辆多模态数据（摄像头、激光雷达等），单辆测试车每日产生数 TB 数据，量产车规模扩大后可达 EB 级。海量非结构化数据（如驾驶视频）需转化为结构化信息（如目标检测、路径规划）。

核心问题：

1. 存储：如何在降低数据存储成本的同时，依然能在点查和范围扫描的场景上性能无损失

2. 计算：如何高效实现单机实验到生产工程化，按时交付大规模数据。

3. 检索：如何快速挖掘海量非结构化数据中的业务价值。

4. 管理：如何跟踪数据处理 pipeline，持续优化流程。

方案详情

/ 架构升级：Lance驱动的解决方案

优势一：数据挖掘与管理

1. 客户痛点：客户原先使用 LMDB 存储格式，每次增加推理标注列时需读取和重写全量数据集，导致数据重复和存储膨胀，GPU 资源浪费严重。

2. Lance方案：通过统一元数据管理，支持增量更新，无需重写历史数据。实测减少存储成本 30%，管理效率提升 50%。

优势二：模型训练优化

1. 客户痛点：训练任务需高效利用 GPU 资源，确保稳定性和迭代速度。传统方法因 IO 放大和内存膨胀导致 GPU 利用率仅 60%。

2. Lance方案：点查询功能（Point Query）实现轻量级数据 shuffle 和列投影，仅读取必要字段，避免 IO 放大。客户实测：单机 8*A100 GPU 利用率从 60% 提升至 96%，训练任务交付时间缩短 40%。

/ Lance核心优势

1. Zero-Cost Data Evolution在智能驾驶场景，数据标注精细度决定模型性能上限。

Lance提供zero-cost data evolution 机制，有力的支持了动态标注场景：

- 交通要素自动标注：红绿灯、交通标志等。

- 动态参与者标注：行人、车辆轨迹。

- 环境条件标注：光照、降水、能见度。

在使用对应场景的数据集进行微调模型时，需要基于一些标签筛选出特性场景的数据集，这个时候就需要一些标签数据，例如是否是阴天的图片，是否是有行人的图片，而这些标签的自动标注的过程其实一个增加列的行为。

传统方法（如 LMDB 或 Pickle）在新增列时需重写数据集，耗费大量资源。而Lance 支持通过操作清单（Manifest）元数据实现数据集的快速schema evolution。而不需要重写历史数据，只需要对变更的数据重新更新到元数据中即可。

- 列添加：通过向每个片段添加新列的数据文件（DataFile）来实现。

客户实测效果：

- 推理吞吐量提升50%：单机8*A100 GPU利用率从60%提升至90%

- E2E处理效率提升3倍： 10PB 数据的标签处理由4Days变成1Day

2. Transparent compression

Lance 支持ZSTD压缩编码，对点云和标签数据具有较高的压缩比，能够很好的实现压缩存储空间占用同时还能够降低网络带宽。

而且Lance本身的压缩是定义在schema中的，对于数据的写入或者读取是无感的，透明的，所以易用性有很大提升。

成本收益：

3. Point Query For AI Train

Lance 的点查询机制解决训练场景瓶颈：

/ 总结

Lance 在智能驾驶场景中实现了数据管理、训练效率和成本优化的突破。通过 Zero-Cost Data Evolution、透明压缩和点查询等特性，客户 PB 级数据处理效率提升 3 倍，GPU利用率稳定在90%以上。欢迎 AI 从业者加入 Lance 社区，共同构建下一代 AI 数据基础设施。

阅读原文

跳转微信打开

Fish AI Reader

AI辅助创作，多种专业模板，深度分析，高质量内容生成。从观点提取到深度思考，FishAI为您提供全方位的创作支持。新版本引入自定义参数，让您的创作更加个性化和精准。

FishAI

鱼阅，AI 时代的下一个智能信息助手，助你摆脱信息焦虑

Fish AI Reader

FishAI

联系邮箱 441953276@qq.com

相关标签