凯明格资讯网AI数据库是基础设施重建 OceanBase：中国有机会定义下一代数据库
来源：环球网
前言：自1986年“863计划”提出至2026年，数据施重中国基础软件历经四十年历程，库基完成了从“从无到有”到“从追赶到并跑”的础设跨越。曾几何时，建O据库中国在高端芯片、中国操作系统及数据库等核心领域近乎空白，有机义下跨国巨头垄断了从标准制定到市场应用的代数全链条。四十年来，数据施重国产数据库在夹缝中求生，库基从高校实验室的础设原型起步，逐步渗透至金融、建O据库电信等关键行业，中国实现了从“有没有”到“好不好”的有机义下质变——但长期处于既定规则的跟随者地位。如今，代数AI正在重写数据世界的数据施重底层逻辑。当数据库的使用者从人类工程师转变为AI Agent，数据形态从单一结构化走向多模态融合，旧范式正在失效，新范式尚未固化。这一根本性转变赋予了中国基础软件前所未有的历史机遇：从“规则追随者”跃升为“规则定义者”。
【环球网科技报道 记者 李文瑶】过去三年，AI领域的焦点被算力集群与模型迭代的竞赛所垄断。从GPT系列模型的能力跃迁到英伟达GPU的一卡难求，技术聚光灯始终聚焦于算法与硬件。然而，全球企业界正面临一个严峻现实：根据Gartner预测，到2026年，超过60%的AI项目将被终止，其投入产出比远低于预期。
模型已备，算力已足，价值为何难以兑现？
“AI落地的‘最后一公里’，本质上是一道数据难题。”OceanBase CEO杨冰在接受采访时指出。他认为，大模型之间的技术差距正在快速收敛，而应用层面的差距，将日益体现为“上下文质量”的差异。这一认知转移，将数据库从支撑业务的后台系统，推向了AI价值兑现的核心枢纽。
6月29日，OceanBase发布面向AI时代的湖库一体AI数据库。这不仅是产品的迭代，更是对数据库根本角色的重新定义。OceanBase认为：“AI数据库并非传统数据库的简单分支，而是AI时代基础设施的重建。中国首次有机会参与定义下一代数据库范式。”
AI落地的“最后一公里”：从模型竞赛到数据攻坚
近年来，大模型进化速度令人目眩。Gartner数据显示，2024年至2028年间，全球企业在模型上的支出将从50亿美元飙升至390亿美元，算力投入更是高达数千亿美元。然而，巨额投入并未转化为预期的商业价值。另一组数据显示，2026年超过60%的AI项目可能面临搁置。
“在通用模型与企业所需的特定智能之间，存在巨大的业务上下文鸿沟。”杨冰一针见血地指出，“模型再强大，若无法理解业务逻辑、参与决策或跑通流程，便无法为企业创造实质价值。”
这一判断已成为行业共识。随着大模型技术差距的缩小，AI竞争的天平正从“参数规模”转向“业务理解深度”。这正是纯模型厂商难以触及的深水区。
“AI落地企业的最后一公里，核心在于如何管理和使用好所有数据，为模型提供精准、完整的上下文。”杨冰总结道。
两大根本性力量正推动这一难题走向临界点：
- 数据使用者的范式转移：过去，数据库设计围绕人类工程师展开，遵循逐条查询、按需调用的模式。如今，AI Agent正成为主要数据消费者。Gartner预测，到2028年，超过三分之一的企业软件交付将由智能体完成。这些“硅基工程师”具备高频调用、大规模并行执行及7×24小时不间断运行的特征，对数据底座的弹性、隔离性及成本模型提出了前所未有的挑战。
- 数据形态的结构重构：全球超过80%的数据为非结构化数据（文本、图像、音频、视频）。过去，因机器难以深度理解，这些数据长期沉睡于归档系统中，仅作为成本中心存在。AI大模型的出现打破了这一僵局，使非结构化数据首次变得“可计算”。
“非结构化数据已从企业的边角料转变为真正的核心资产。”杨冰强调。要释放其价值，必须将其与结构化经营数据在同一底座上进行统一治理与调用，否则Agent将陷入“盲人摸象”的困境。
两股力量叠加，传统数据库架构承压剧烈。杨冰比喻道：“正如‘双十一’推动了原生分布式架构的升级，这两大变化的叠加也将引发数据底座的深刻变革。”这一变革，使数据库从后台支撑系统走向AI价值兑现的前台。
规则重写：AI数据库的“两个需求”与“两条底线”
面对剧变，AI数据库绝非“传统数据库+向量检索插件”的简单拼凑，而是需要从底层逻辑重新回答：在AI驱动的世界中，数据应如何被组织、理解与调用？
基于对阿里、蚂蚁及大量数据密集型客户AI落地实践的复盘，OceanBase将AI对数据库的新需求归纳为“两个需求”与“两条设计原则”。
两个需求：AI时代的业务必答题
- 一体化：多模态数据、离线与在线计算必须统一在同一个强一致底座上。“数据不再被切割，无需在多套系统间反复搬运。”杨冰强调，唯有如此，数据飞轮才能“越用越准”。若在线数据库、离线数仓与模型训练彼此割裂，依赖漫长的ETL搬运，AI的实时性价值将被彻底消解。
- 多模态：结构化、半结构化和非结构化数据需在同一体系内统一管理，支持标量、全文、向量等混合搜索。杨传辉指出：“AI数据库与关系数据库的最大区别在于混合搜索。传统库仅支持关系查找，而我们的AI数据库能在同一张表内完成关系、向量、全文、图计算与AI计算的融合。”
两条设计原则：面向AI时代的立场
- Agent友好：Agent所需的记忆、上下文、隔离、分支、回滚及规模化运行能力，应成为数据底座的原生能力，而非依赖外部拼装。例如，OceanBase构建了Fork Database能力，允许像Git分支一样为AI提供即用、即建、即抛的数据库沙箱，实现毫秒级创建与低成本开销，极大降低AI试错成本。
- 开放：确保企业数据主权。OceanBase坚持存算分离架构，兼容S3对象存储与Iceberg开放表格式，除原生SQL计算外，还可对接Spark、Ray等开放计算引擎，赋予客户“基础设施自由、模型自由及数据主权”。
尽管AI改写了数据库的“用法”，杨冰强调，数据库的“底线”在AI时代更为关键。“一致性、扩展性、可靠性、实时性，这四条底线不可退让。”当智能体从辅助工具走向“替人决策”（如风控审核、内容安全），数据的一丝差错或延迟，都将转化为真实的业务事故。金融级数据底座的核心能力，因此成为AI生产级应用的“生命线”。
“真正需要被重写的是架构，必须被坚守的是底线。”杨冰总结道。
中国基础软件的历史性机遇：从“跟随者”到“共同定义者”
纵观全球产业，AI数据库正成为基础软件赛道数十年未有的关键赛点。
过去四十年，数据库范式迭代路径固化：关系型数据库时代由甲骨文、IBM、微软定义标准；互联网时代Hadoop、Snowflake等实现突破但未动摇OLTP壁垒；云数据库时代AWS Aurora革新部署模式，但底层仍是分布式SQL的延续。
然而，AI Agent的崛起正从需求端颠覆这一逻辑。其在生产环境中的实时决策、多模态交互、高频试错及海量并发，使得基于ACID的传统内核与基于MPP的离线数仓均显力不从心。
杨传辉将数据基建划分为四代：第一代Oracle式关系数据库（TP），第二代数仓，第三代大数据，第四代AI数据库。“每一代更替均由场景驱动。”
关键区别在于，前三代范式定义中，中国厂商几乎缺席。而在AI数据库时代，全球站在同一起跑线，技术存量不再是不可逾越的壁垒。
“过去，中国厂商更多在证明‘我们也能做’，而非‘我们认为应该怎么做’。”杨冰坦言，因前几代标准已在西方成熟，中国只能追赶。
AI数据库不同，它是一个“新物种”：处理混合数据形态，使用者主要为Agent，负载包含向量检索、全文搜索及实时推理。
“当底层使用者和数据形态改变，架构必须重写，标准便有了重新定义的空间。”杨冰以手机操作系统为例，“PC时代Windows定义标准，移动时代iOS和Android重新定义它。并非微软技术不行，而是交互与硬件形态变了。”
这一判断在宏观层面得到支撑：AI竞争正从“模型层”下沉至“数据层与算力层”。在模型能力收敛的当下，应用差距体现为“上下文质量”差距。谁能高效、实时、安全地构建企业上下文，谁就掌握下一代企业级软件的命脉。
OceanBase认为，中国厂商在此竞争中具备独特优势。杨传辉指出：“数据基建核心由应用打磨而成，而非凭空想象。能否成为事实标准，取决于是否满足大量应用需求。中国AI落地速度快，中国企业有望在其中发挥主要作用。”
OceanBase的底气
参与定义下一代数据库标准的“门票”昂贵，要求参与者兼具敏锐洞察与厚重工程积累。
OceanBase并非平地起高楼。这款中国自主研发的分布式数据库，内核完全自研，历经十五年“炼狱级”场景打磨。它源于2010年“双十一”对集中式数据库的极限挑战，随后扎根于对可靠性要求极高的金融领域——目前已服务超400家金融机构，近七成万亿级资产规模的银行核心系统运行于OceanBase之上；它连续两年位居中国分布式数据库本地部署市场第一，也是迄今唯一同时在TPC-C（事务处理）和TPC-H（分析处理）两项国际权威基准测试中登顶的数据库。
“数据不出错、系统不中断、故障毫秒恢复——AI时代的刚需，在金融级场景中早已锤炼成熟。”杨冰说。
更为关键的是，OceanBase拥有全球数据库厂商难以复制的“AI练兵场”——阿里与蚂蚁集团。从支付宝AI支付、蚂蚁阿福（AI健康管家）、灵光（全模态AI助手），到淘宝AI购物助理、通义千问、高德地图，这些不仅是OceanBase的客户，更是其AI数据库能力的真实试炼场。
“过去一年，阿里和蚂蚁在AI方向的大力投入，为我们创造了大量生产级AI场景。”杨冰坦言，“我们在实践中逐步找到了答案。”
蚂蚁训练百灵基础大模型，在医疗和金融场景进行垂直领域数据增强，搭建训推平台，并在阿福、蚂小财等业务中迭代新一代AI平台。这些实际场景中获得的前沿认知与痛点，直接反哺了OceanBase AI数据库的设计。
这使得OceanBase能比竞争对手更早触及AI落地真实痛点——无论是Agent上下文构建的准确性，还是海量小库的隔离与调度，亦或是多模态数据的一致性难题。
再造一个“AI时代的OceanBase”
在中国市场，企业数字化程度参差不齐，但AI接受度极高，场景丰富度全球领先。政务、金融、互联网、制造、能源、交通等行业对AI需求同步爆发，为AI数据库提供了多行业、大规模的验证环境。
OceanBase选择了一条独特的技术路线。杨传辉透露，业界对“湖库一体”定义各异。“Databricks优势在于大规模数据处理，OceanBase更擅长在线场景。Agent的最大变化在于，原跑批报表系统转变为实时决策。越来越多场景需毫秒级、几十毫秒乃至一秒级实时处理，在这方面我们具备优势。”
“在美国，新技术通常先由科技公司验证，再向传统行业渗透。而在中国，金融、制造、政务几乎同步进入AI落地周期，意味着我们能更短时间内获得多样化场景反馈。”杨冰说，“这对定义标准至关重要——标准源于实践，而非空想。”
OceanBase的发展考量不仅限于国产升级，更涵盖全球增量市场。目前，其业务已覆盖东南亚、日本、印度、拉美、中东等地，但在北美和欧洲市场份额有限。杨冰坦言：“北美市场生态壁垒高，企业选型不仅看技术，更看重生态、品牌与合规。这些需长期投入，非一两年可解。”
挑战同样不容回避。尽管前景广阔，OceanBase清醒认识到这是一场长期远征。数据库生态构建比技术突破更为漫长，同行数十年建立的企业信任与开发者生态，不可能因一场发布会而颠覆。
杨冰坦言，最大挑战在于品牌、影响力及生态构建。“企业长期选择某款数据库，绝非一朝一夕之事。”此外，全球技术生态割裂风险，也是中国企业走向世界必须面对的现实障碍。
从产业经济学角度看，数据库作为基础软件，天然具有“锁定效应”：核心系统迁移成本极高，市场格局一旦形成便极稳定。甲骨文在关系数据库时代的地位即源于此。在AI数据库新赛道，谁先建立足够案例、生态与信任，谁就可能获得类似锁定优势。
从十五年前一行行代码应对“双十一”洪峰，到今天在AI最前沿场景持续打磨——OceanBase的进化路径始终由真实且极具挑战的业务场景倒逼驱动。杨冰总结道：“过去十五年，商业范式转变诞生‘双十一’，倒逼了OceanBase原生分布式数据库的诞生。今天，同样在这些场景下，正在倒逼下一代AI数据库。这也是OceanBase独特的演进方式。下一个十年，OceanBase的目标就是再造一个AI时代的数据库。”
