谷歌云在 pandas 中开放 BigQuery AI 函数：预测、分类和嵌入可在 DataFrame 内调用
谷歌云发布 BigQuery DataFrames（BigFrames）的 .bigquery 访问器，让 pandas 用户不必导出数据或手动训练本地模型，就能在 DataFrame 上调用 BigQuery 的 AI（人工智能） 函数。
官方示例覆盖回归式预测、向量嵌入、余弦相似度和分组时间序列预测； 计算实际在 BigQuery 侧完成，结果以标准 pandas 对象返回。 这是产品功能说明，未披露性能或成本对比数据。
谷歌云博客于 2026 年 11 月 7 日发布由高级软件工程师 Shenyang Cai 撰写的文章，介绍 BigQuery DataFrames（BigFrames）新增的 .bigquery 访问器。
文章给出的机制是：调用 .ai.predict() 等 AI（人工智能） 方法时不在本地计算，而由 BigFrames 将 pandas 操作转换为 Google（谷歌） Standard SQL，在 BigQuery 基础设施上执行 TabFM 等基础模型，再把结果作为标准 pandas Series 或 DataFrame 返回。
文中列出的函数包括 Series 上的 embed()、similarity()，以及 DataFrame 上的 classify()、forecast()（使用 TimesFM，可选 TimesFM 3.0）、if_()、predict()、score()、generate_text()、generate_table() 等。
ai.if_() 默认采用 minimize_cost 优化模式，由本地蒸馏模型处理大部分行、其余行发送至 Gemini； 可切换为 maximize_quality。 文中称 TimesFM 3.0 在 GIFT-Eval、FEV-Bench 和 TIME 基准上排名第一，但未给出具体分数或对比对象。
使用前需在 Google Cloud 项目中授予 BigQuery Job User 和 Agent Platform User 角色。
这条更新的实质是把模型调用与数据搬运的边界从用户代码里移走：过去 pandas 用户要抽样导出、本地训练，现在只需一次函数调用，但代价是计算和权限都落在云上。 对 Agent 与工作流赛道而言，它提供了一种“数据处理步骤即工具调用”的范式——自然语言条件筛选（ai.if_）和结构化生成可以直接嵌入数据流水线，减少自建胶水代码。
需要区分的是，博客演示的是 API（应用程序编程接口） 形态与示例输出，不是准确性、延迟或成本的可比测试； minimize_cost 的路由策略也意味着结果质量与全量走大模型不同，使用者需自行评估。
后续观察信号
- 查询 BigQuery AI 函数的官方定价与配额说明
- 核实 TimesFM 3.0 在 GIFT-Eval 等基准上的公开成绩
- 追踪是否有用户对 minimize_cost 模式质量的独立测评