想在收件箱中获得更智能的洞察？订阅我们的每周简报，专为企业AI、数据和安全决策者精选关键内容。 立即订阅
实时流数据对各行业的应用场景极具价值。对纽约证券交易所（NYSE）而言，流数据直接等同于金钱。
作为全球规模最大的金融交易所之一，NYSE拥有悠久的金融市场数据共享历史。
百年前它通过电报行情带传递信息，如今则自主研发了部署在本地的高性能低延迟技术供外部机构对接。现在，NYSE正迈向新阶段——采用基于开源Apache Kafka流技术的架构，将NYSE最佳报价与交易（BQT）数据推送至AWS云平台。
AI扩展遭遇瓶颈
算力限制、代币成本激增和推理延迟正在重塑企业AI格局。参与我们的独家沙龙，了解顶尖团队如何破局：
抢占席位保持领先：https://bit.ly/4mwGngO
为此，NYSE选择与流数据平台供应商Redpanda合作。后者使用C++编程语言重构了Kafka实现方案。NYSE部署Redpanda的C++流平台后，性能较传统Kafka方案提升4-5倍，暴露出多数机构处理突发数据负载的根本性缺陷。
当企业扩展需要持续低延迟数据访问的AI应用时，这种性能差距尤为关键。基于Kafka的数据流还能实现代理间通信，与谷歌A2A等技术抗衡，并可扩展支持模型上下文协议（MCP）。
"市场共识是：所有大型基础模型已充分索引公开数据集，下一战场是私有数据集。Redpanda真正开启了私有数据集的代理访问通道。"Redpanda创始人兼CEO Alex Gallego向VentureBeat表示。
NYSE的云端布局
NYSE构建云流平台服务于无法直连数据中心的客户，主要面向需要基于AWS获取实时市场数据的金融科技公司和零售经纪商。
"并非所有市场数据使用者都有能力接入我们数据中心获取数据流。"NYSE云与全栈工程主管Vinil Bhandari解释道，"但香港的小型机构只需创建AWS账户即可接入——这正是我们想要服务的群体。"
NYSE通过BQT数据流聚合旗下七大交易所的实时数据。该部署需要新建基础设施而非扩展现有系统。
Redpanda胜出之谜：编程语言的选择逻辑
NYSE每日处理超5000亿条跨交易所消息。市场波动时，消息量可在微秒级暴增1000倍。
传统Java实现难以应对这种模式，因为垃圾回收会导致不可预测的延迟峰值。
"经典Kafka采用Java编写，这种突发流量与Java的垃圾回收机制存在天然冲突。"Bhandari指出，"Redpanda用C++重写Kafka协议，使我们能从容应对市场波动带来的流量洪峰。"
编程语言的选择也是NYSE放弃Confluent和亚马逊MSK等方案的关键原因。这一技术决策带来了可量化的性能提升。
"可以确认，使用Redpanda的数据传输速度比采用Kafka技术的头部竞品快4-5倍。"Bhandari强调。
这对企业选型具有启示意义：基于Java的数据流方案在流量激增时可能受限，而C++方案能保持稳定性能。
可观测性：关键任务部署的生命线
Bhandari强调可观测性对生产级流部署至关重要。Redpanda内置的遥测功能即时提供了运维价值。
"部署环境的底层可观测性越强，数据生产者和消费者的体验就越好。"这使团队能在问题影响客户前主动发现并解决。缺乏全面监控的企业往往在故障影响生产后才后知后觉。
架构哲学转变：流数据作为AI基石
NYSE初期将以传统方式使用流数据能力，即向用户提供市场数据。但Redpanda的发展方向指向更具自主性的AI未来。
Redpanda CEO Gallego认为："流式架构的价值不在于速度，而在于它是响应式和自主式应用的理想架构。"
除解决传统流性能问题外，Redpanda通过MCP协议封装数据连接器，使AI代理能直接访问企业数据源。这解决了多代理部署时的计算复杂度难题。
"没有Kafka API时，代理间通信存在n²复杂度问题。引入Kafka API后，复杂度降至线性级。"Gallego透露，已有银行部署数百个代理，某客户计划两年内构建1000个代理，另有客户正开发18个月内投产的130个代理。这种规模需求使代理协调架构成为AI战略成败关键。
对企业数据战略的启示
实时流数据正成为企业运营的核心要素。NYSE的评估流程揭示了关键决策标准：
Java版Kafka在突发流量下存在性能天花板。处理不可预测负载的企业应优先评估C++方案，4-5倍的性能差距并非边际优化而是本质能力差异。
云优先流策略可实现生产级性能。突破延迟限制的全球数据访问模式，为数据驱动型业务开辟新市场机遇。
代理协调需要流式架构。当AI部署超越单一代理时，流平台将从性能优化工具升级为核心基础设施。规模效应下，计算复杂度优势将至关重要。
对计划AI实施的企业，必须选择同时支持MCP集成和代理协调的流平台。初始架构设计的正确性，远比后期改造更为高效。尚未部署AI的企业需意识到：当前的流架构选择将深远影响未来AI能力边界，其制约程度远超大多数决策者预期。
