過去一年的AI熱潮，儼然成了“全網最熱”的話題。從生成式AI的火爆，到“千億參數”模型的不斷突破，AI進入了從研究到應用的“爆發期”。無論是創作、編程，還是機器人、自動駕駛，AI似乎開始無處不在，成為了各行業的大殺器。

但問題是，當所有的目光都聚焦在如何讓AI更強、更智能、更普及時，真正決定AI能否大規模落地的，卻是一個我們常常忽視的東西——數據底座。是的，在很多情況下，AI不缺算法，也不缺算力，它缺的是穩定、快速、高效的數據管理平臺——一個能承載起龐大數據流動、分析和處理的基礎設施。

那么，AI時代對數據基礎設施提出了哪些新的要求，又應該怎么來應對呢？5月17日在OceanBase第三屆開發者大會上，OceanBase的一系列舉動，也許可以給我們一些啟示。

舊數據底座，

為什么撐不住AI“大廈”？

AI看起來很炫，但落地才是最大挑戰。生成式AI已經開始影響幾乎所有行業，然而，隨著數據量的爆炸性增長，傳統的數據庫開始顯現出它們的短板。數據的規模、結構和處理方式，已經超出了傳統數據庫的承載能力。

☆數據爆炸式增長，傳統數據庫捉襟見肘

根據IDC的預測，到2028年，全球新生成的數據量將達到驚人的393.9ZB。這意味著，從互聯網、移動互聯網，到醫療、金融到零售、制造，各行業每天都會產生和積累海量數據。而傳統數據庫在面對這海嘯一般的數據，往往顯得力不從心。

☆數據結構復雜化，如何統一？

AI應用要求數據庫能夠靈活、快速地處理來自不同來源和形式的數據，而這些數據的結構差異是AI應用能否成功的關鍵所在。從結構化到非結構化，再到多模態數據，數據本身的復雜性要求數據庫必須具備超強的整合能力。

但傳統數據庫的架構無法應對這些新興需求，它們大多以單一數據類型為主，導致當結構化、非結構化數據并存時，往往需要使用多個數據庫來分別處理。這種“多庫并存”的方式，不僅導致管理上的復雜性，還帶來了系統間的互通性問題，增加了數據存取的時間和成本。

☆AI落地要翻過去的“三座大山”

AI在實際落地時，總會遇到三大“攔路虎”：成本、安全性、效率。這些挑戰正是傳統數據庫無法完全解決的痛點所在。

成本高：AI應用需要巨大的計算資源，而數據存儲和計算的費用常常高得令人咋舌。傳統數據庫在面對大數據量、高并發時，難以提供可伸縮的解決方案。

數據碎片化嚴重：隨著數據來源和種類的多樣化，企業常常面臨數據孤島現象——不同系統中的數據難以互通，無法高效整合。傳統數據庫的存儲方式和查詢機制，未能有效打破這些障礙。

安全性難保障：AI應用涉及大量的敏感數據，而傳統數據庫往往難以在高速數據訪問和安全防護之間找到平衡。

這些問題，都是傳統數據庫架構無法高效支撐AI規模化商用的根本原因。AI對數據的處理不僅要求高效，還要求智能，而傳統數據庫在這方面的能力已遠遠不足。

AI時代需要怎樣的數據底座？

說到數據庫和AI的關系，很多人會認為只是簡單的“Data + AI”結合：數據加上AI算法，兩個部分的簡單疊加。但這種看法過于簡化了問題。現實中，真正需要的是Data × AI，即數據與AI深度融合。

在AI應用中，數據和模型是互相依賴的。簡單來說，AI不僅僅依賴數據，更需要依靠一個統一的數據庫/數據引擎來進行實時計算、優化數據質量，并為模型提供精準、快速的數據支持。只有在數據和AI深度融合的基礎上，AI的效能才能最大化。

在AI時代，數據庫不僅僅需要存儲數據，它必須具備以下幾項核心能力，才能支撐復雜的AI應用：

1. 分布式處理海量數據：AI應用需要處理海量的數據，而傳統數據庫的單機模式往往難以滿足這一需求。分布式數據庫能夠通過水平擴展提供無限的存儲和計算能力，在應對大規模數據時不再受限。

2. 一體化支持多種數據格式：AI應用中的數據不僅僅是結構化的表格數據，還包括文本、圖片、視頻等非結構化數據，甚至包括像傳感器數據等半結構化數據。

3. SQL + AI 混合計算：在AI應用中，數據不僅需要存儲，還需要進行智能化計算。

4. 向量檢索能力：在AI應用中，特別是自然語言處理、計算機視覺等領域，向量檢索能力至關重要。

這已不是傳統數據庫能提供的能力。“Data × AI”，不僅僅是把AI和數據結合在一起，更重要的是通過技術創新，打破傳統數據庫架構的局限，打造出一個能夠支撐AI應用落地的平臺。這也正是OceanBase努力的方向。

OceanBase做了什么？

當大多數企業仍在爭奪AI算法和應用的流量入口時，作為數據庫廠商，OceanBase選擇回到源頭，重新審視AI發展的最底層——數據基座。他們沒有追風口，而是悄悄打地基。現在，這條路終于開始顯露出價值。

一個月前，OceanBase公布了自成立以來最大的一次戰略升級。他們提出“Data × AI”戰略，從組織架構、技術體系、產品路徑三方面同步展開，目標很明確：成為AI時代最堅實的數據底座。

1. 從組織上重投AI

2025年4月，OceanBase CEO楊冰發出一封內部全員信，正式宣布公司全面進入AI時代。為了確保戰略落地，他們沒有僅僅喊口號，而是動了“筋骨”——組織重構、人才布局圍繞AI展開。

CTO楊傳輝被任命為AI戰略一號位，全面統籌技術方向。

成立AI平臺與應用部、AI引擎組，從底層引擎到上層平臺分工明確。

原有開發工具團隊（ODC、OAS）并入AI平臺部，集中力量打造RAG框架、知識庫、AI服務等核心能力。

組織上的調整，意味著這不只是一個“試水項目”，而是OceanBase對AI的深度承諾。螞蟻集團也表態，支持OceanBase攻堅AI關鍵場景，配合其技術演進。這種“自上而下”的投入，正是大多數技術公司在AI時代轉型中所缺失的。

2. 技術棧升級，將“一體化”走到底

如果說組織重構是戰略框架，那技術演進就是它的“肌肉和骨骼”。OceanBase在架構設計上沒有選擇模塊化的“拼湊式”方案，而是堅持最難走的一條路——從第一天就強調“一體化”。

這套“難而正確”的選擇，如今成了OceanBase在AI時代的最大優勢。

多模融合存儲：OceanBase打通了行存、列存、KV、文檔、向量、倒排等六種存儲模式，讓結構化、半結構化和非結構化數據可以在同一平臺統一管理。這是AI場景中數據雜亂、來源多樣的最佳解法。

向量技術突破：向量性能是AI落地的重要基石，經過跑分測試，OceanBase的向量性能已經達到開源業內的領先水平，此外OceanBase自研HNSW + BQ量化算法，在保證召回率和性能的基礎上，將向量場景的內存成本降低了95%。這意味著企業可以用更低成本處理大規模AI檢索任務。

SQL + AI混合檢索能力：通過內核級集成的向量引擎與傳統SQL查詢引擎，OceanBase實現了結構數據與向量數據的混合檢索，查詢效率與精度同步提升。同時支持自然語言查詢、智能SQL生成等能力，讓開發者無需懂復雜算法，也能搭建AI應用。

JSON壓縮能力領先MongoDB三倍：針對AI中大量產生的半結構化JSON數據，OceanBase提供了深度壓縮能力，在TPC-H標準測試中，壓縮效率可達MongoDB的3倍。這在企業真實場景中，意味著數據存儲成本的大幅降低。

這些技術細節不是炫技，而是實打實的工程能力——正是這套從底層到上層的能力積累，讓OceanBase成為AI落地過程中少數能接住“潑天流量”的數據庫產品。

3. 產品創新的腳步也沒停下來，發布PowerRAG、AI一體機、共享存儲

技術之外，OceanBase也在產品層面迅速“出招”。其中，PowerRAG、共享存儲，就是其最新的成果。

先看看PowerRAG，這是一款開箱即用的RAG（Retrieval-Augmented Generation）應用開發框架。傳統RAG開發門檻高、流程復雜，而OceanBase將文檔處理、數據索引、檢索、生成等能力模塊化封裝，只需簡單調用接口，企業就能快速構建自己的問答系統、智能助手或知識圖譜。

OceanBase同時還發布“共享存儲”產品，該產品將對象存儲與事務型數據庫（TP）深度集成，打破了傳統數據庫對本地磁盤和云盤的依賴，實現了計算與存儲的解耦。通過這種方式，OceanBase大幅提升了云上數據存儲的彈性擴展能力，同時在TP負載下，存儲成本最高可降低50%。

這些產品是OceanBase從做“數據庫”，走向AI時代“數據底座”的能力延展。他們守住數據與AI融合的關鍵一環，用更少的工程成本、更高的數據效率，讓AI真正落地。

OceanBase樹立了一個

怎樣的“風向標”？

在一場被模型參數和GPU算力主導的AI競賽中，OceanBase顯得有些“逆勢”。它不追爆款應用，也沒有推出自己的大模型。它做的是最不顯眼，卻也最不可或缺的一塊——重塑AI時代的數據基礎設施。

☆從“存儲”到“底座”，數據庫的角色正在重寫

過去，數據庫是IT系統的中間環節，用于存儲業務數據，支撐事務處理。它的重要性被默認為“理所當然”，卻很少被放到AI敘事的C位。但AI時代改變了一切。

今天，大模型不是孤立運行的，它需要依賴高質量的數據進行訓練、微調和推理。生成式AI看似依賴算力和算法，實際上，誰能提供穩定、可控、結構清晰的數據輸入，誰就掌握了AI真正的底盤。

OceanBase清楚地意識到了這一點。它不只是把數據庫變“快”或者變“智能”，它正在讓數據庫從一個“信息容器”，變成一個具備計算、理解、推理能力的AI基礎設施。這種轉變，才是真正AI Ready的底座。

☆一體化，不只是口號，而是工程哲學

無論是多模融合的存儲引擎，還是支持TP/AP/AI混合負載的查詢能力，OceanBase始終堅持“一體化”的技術哲學。

這條路極其難走：它要求從產品架構層就開始統一設計，不能像傳統方案那樣“拼接”不同模塊。它意味著技術團隊要在同一內核中解決多種負載的資源調度、性能瓶頸、數據一致性等難題。這是多數數據庫廠商回避的挑戰，也是OceanBase選擇的路線。

為什么要堅持？CTO楊傳輝的解釋很簡單：“用戶需要的不是一個個孤島，而是一套能跑通全流程的系統。” 在AI場景里，數據訓練、推理、檢索、反饋是閉環流程，分裂的系統只會帶來更高的成本和更差的體驗。而一體化，則意味著低成本、高效率、高一致性的“全鏈路數據支撐能力”。

如今，不止OceanBase，越來越多云服務商、數據庫廠商也開始轉向“統一架構”“混合負載”“多模一體”的技術路線。OceanBase快人一步，用實際產品提前驗證了這條路的可行性。

☆數據底座，是國產技術的新賽道

作為100%根自研的國產數據庫，OceanBase是中國首個打破TPC-C、TPC-H權威測試世界紀錄的數據庫，是少數能在核心金融級業務中承壓運營的產品之一，如今又致力于打造AI時代兼顧性能與性價比的數據底座。更重要的是，它不是一個“單點突破”的產品，而是在完整產業鏈條上建立能力閉環的解決方案提供者。

這對于中國科技生態非常有借鑒價值。過去我們習慣在應用層突破，在模型層追趕，但在數據基礎設施這一層，依然存在不小的技術空白。而OceanBase用15年走出的路徑，提供了一種可能——從最底層打磨出一套中國人自己的AI基礎設施。

☆引領行業生態“去模型中心化”，讓人們看到模型、算力之外的底層設施

今天我們談AI，談模型，談AGI的想象力，但如果沒有像OceanBase這樣重新建構底層基礎設施的企業，這一切想象都將難以落地。模型的上限，永遠取決于數據的下限；AI的高度，終將由底座的厚度決定。

在接下來的幾年里，我們還會看到更多模型參數、更多推理框架、更強的開源社區。但同時，也會有越來越多的人開始意識到：“未來不只是屬于算法、算力更強的人，還屬于數據根基更深的人。”

而OceanBase這樣的國產數據庫廠商，正在成為那個深挖地基的人。當然，這樣的廠商并不只是OceanBase，還有無數廠商正在摸索前行。