在AI的风口里，OceanBase却选择了蹲下打地基
原创 月满西楼 | 2025-05-19 19:27
【数据猿导读】 AI时代对数据基础设施提出了哪些新的要求，又应该怎么来应对呢？5月17日在OceanBase第三届开发者大会上，OceanBase的一系列举动，也许可以给我们一些启示。
过去一年的AI热潮，俨然成了“全网最热”的话题。从生成式AI的火爆，到“千亿参数”模型的不断突破，AI进入了从研究到应用的“爆发期”。无论是创作、编程，还是机器人、自动驾驶，AI似乎开始无处不在，成为了各行业的大杀器。
但问题是，当所有的目光都聚焦在如何让AI更强、更智能、更普及时，真正决定AI能否大规模落地的，却是一个我们常常忽视的东西——数据底座。是的，在很多情况下，AI不缺算法，也不缺算力，它缺的是稳定、快速、高效的数据管理平台——一个能承载起庞大数据流动、分析和处理的基础设施。
那么，AI时代对数据基础设施提出了哪些新的要求，又应该怎么来应对呢？5月17日在OceanBase第三届开发者大会上，OceanBase的一系列举动，也许可以给我们一些启示。
旧数据底座，
为什么撑不住AI“大厦”？
AI看起来很炫，但落地才是最大挑战。生成式AI已经开始影响几乎所有行业，然而，随着数据量的爆炸性增长，传统的数据库开始显现出它们的短板。数据的规模、结构和处理方式，已经超出了传统数据库的承载能力。
☆数据爆炸式增长，传统数据库捉襟见肘
根据IDC的预测，到2028年，全球新生成的数据量将达到惊人的393.9ZB。这意味着，从互联网、移动互联网，到医疗、金融到零售、制造，各行业每天都会产生和积累海量数据。而传统数据库在面对这海啸一般的数据，往往显得力不从心。
☆数据结构复杂化，如何统一？
AI应用要求数据库能够灵活、快速地处理来自不同来源和形式的数据，而这些数据的结构差异是AI应用能否成功的关键所在。从结构化到非结构化，再到多模态数据，数据本身的复杂性要求数据库必须具备超强的整合能力。
但传统数据库的架构无法应对这些新兴需求，它们大多以单一数据类型为主，导致当结构化、非结构化数据并存时，往往需要使用多个数据库来分别处理。这种“多库并存”的方式，不仅导致管理上的复杂性，还带来了系统间的互通性问题，增加了数据存取的时间和成本。
☆AI落地要翻过去的“三座大山”
AI在实际落地时，总会遇到三大“拦路虎”：成本、安全性、效率。这些挑战正是传统数据库无法完全解决的痛点所在。
成本高：AI应用需要巨大的计算资源，而数据存储和计算的费用常常高得令人咋舌。传统数据库在面对大数据量、高并发时，难以提供可伸缩的解决方案。
数据碎片化严重：随着数据来源和种类的多样化，企业常常面临数据孤岛现象——不同系统中的数据难以互通，无法高效整合。传统数据库的存储方式和查询机制，未能有效打破这些障碍。
安全性难保障：AI应用涉及大量的敏感数据，而传统数据库往往难以在高速数据访问和安全防护之间找到平衡。
这些问题，都是传统数据库架构无法高效支撑AI规模化商用的根本原因。AI对数据的处理不仅要求高效，还要求智能，而传统数据库在这方面的能力已远远不足。
AI时代需要怎样的数据底座？
说到数据库和AI的关系，很多人会认为只是简单的“Data + AI”结合：数据加上AI算法，两个部分的简单叠加。但这种看法过于简化了问题。现实中，真正需要的是Data × AI，即数据与AI深度融合。
在AI应用中，数据和模型是互相依赖的。简单来说，AI不仅仅依赖数据，更需要依靠一个统一的数据库/数据引擎来进行实时计算、优化数据质量，并为模型提供精准、快速的数据支持。只有在数据和AI深度融合的基础上，AI的效能才能最大化。
在AI时代，数据库不仅仅需要存储数据，它必须具备以下几项核心能力，才能支撑复杂的AI应用：
1. 分布式处理海量数据：AI应用需要处理海量的数据，而传统数据库的单机模式往往难以满足这一需求。分布式数据库能够通过水平扩展提供无限的存储和计算能力，在应对大规模数据时不再受限。
2. 一体化支持多种数据格式：AI应用中的数据不仅仅是结构化的表格数据，还包括文本、图片、视频等非结构化数据，甚至包括像传感器数据等半结构化数据。
3. SQL + AI 混合计算：在AI应用中，数据不仅需要存储，还需要进行智能化计算。
4. 向量检索能力：在AI应用中，特别是自然语言处理、计算机视觉等领域，向量检索能力至关重要。
这已不是传统数据库能提供的能力。“Data × AI”，不仅仅是把AI和数据结合在一起，更重要的是通过技术创新，打破传统数据库架构的局限，打造出一个能够支撑AI应用落地的平台。这也正是OceanBase努力的方向。
OceanBase做了什么？
当大多数企业仍在争夺AI算法和应用的流量入口时，作为数据库厂商，OceanBase选择回到源头，重新审视AI发展的最底层——数据基座。他们没有追风口，而是悄悄打地基。现在，这条路终于开始显露出价值。
一个月前，OceanBase公布了自成立以来最大的一次战略升级。他们提出“Data × AI”战略，从组织架构、技术体系、产品路径三方面同步展开，目标很明确：成为AI时代最坚实的数据底座。
1. 从组织上重投AI
2025年4月，OceanBase CEO杨冰发出一封内部全员信，正式宣布公司全面进入AI时代。为了确保战略落地，他们没有仅仅喊口号，而是动了“筋骨”——组织重构、人才布局围绕AI展开。
CTO杨传辉被任命为AI战略一号位，全面统筹技术方向。
成立AI平台与应用部、AI引擎组，从底层引擎到上层平台分工明确。
原有开发工具团队（ODC、OAS）并入AI平台部，集中力量打造RAG框架、知识库、AI服务等核心能力。
组织上的调整，意味着这不只是一个“试水项目”，而是OceanBase对AI的深度承诺。蚂蚁集团也表态，支持OceanBase攻坚AI关键场景，配合其技术演进。这种“自上而下”的投入，正是大多数技术公司在AI时代转型中所缺失的。
2. 技术栈升级，将“一体化”走到底
如果说组织重构是战略框架，那技术演进就是它的“肌肉和骨骼”。OceanBase在架构设计上没有选择模块化的“拼凑式”方案，而是坚持最难走的一条路——从第一天就强调“一体化”。
这套“难而正确”的选择，如今成了OceanBase在AI时代的最大优势。
多模融合存储：OceanBase打通了行存、列存、KV、文档、向量、倒排等六种存储模式，让结构化、半结构化和非结构化数据可以在同一平台统一管理。这是AI场景中数据杂乱、来源多样的最佳解法。
向量技术突破：向量性能是AI落地的重要基石，经过跑分测试，OceanBase的向量性能已经达到开源业内的领先水平，此外OceanBase自研HNSW + BQ量化算法，在保证召回率和性能的基础上，将向量场景的内存成本降低了95%。这意味着企业可以用更低成本处理大规模AI检索任务。
SQL + AI混合检索能力：通过内核级集成的向量引擎与传统SQL查询引擎，OceanBase实现了结构数据与向量数据的混合检索，查询效率与精度同步提升。同时支持自然语言查询、智能SQL生成等能力，让开发者无需懂复杂算法，也能搭建AI应用。
JSON压缩能力领先MongoDB三倍：针对AI中大量产生的半结构化JSON数据，OceanBase提供了深度压缩能力，在TPC-H标准测试中，压缩效率可达MongoDB的3倍。这在企业真实场景中，意味着数据存储成本的大幅降低。
这些技术细节不是炫技，而是实打实的工程能力——正是这套从底层到上层的能力积累，让OceanBase成为AI落地过程中少数能接住“泼天流量”的数据库产品。
3. 产品创新的脚步也没停下来，发布PowerRAG、AI一体机、共享存储
技术之外，OceanBase也在产品层面迅速“出招”。其中，PowerRAG、共享存储，就是其最新的成果。
先看看PowerRAG，这是一款开箱即用的RAG（Retrieval-Augmented Generation）应用开发框架。传统RAG开发门槛高、流程复杂，而OceanBase将文档处理、数据索引、检索、生成等能力模块化封装，只需简单调用接口，企业就能快速构建自己的问答系统、智能助手或知识图谱。
OceanBase同时还发布“共享存储”产品，该产品将对象存储与事务型数据库（TP）深度集成，打破了传统数据库对本地磁盘和云盘的依赖，实现了计算与存储的解耦。通过这种方式，OceanBase大幅提升了云上数据存储的弹性扩展能力，同时在TP负载下，存储成本最高可降低50%。
这些产品是OceanBase从做“数据库”，走向AI时代“数据底座”的能力延展。他们守住数据与AI融合的关键一环，用更少的工程成本、更高的数据效率，让AI真正落地。
OceanBase树立了一个
怎样的“风向标”？
在一场被模型参数和GPU算力主导的AI竞赛中，OceanBase显得有些“逆势”。它不追爆款应用，也没有推出自己的大模型。它做的是最不显眼，却也最不可或缺的一块——重塑AI时代的数据基础设施。
☆从“存储”到“底座”，数据库的角色正在重写
过去，数据库是IT系统的中间环节，用于存储业务数据，支撑事务处理。它的重要性被默认为“理所当然”，却很少被放到AI叙事的C位。但AI时代改变了一切。
今天，大模型不是孤立运行的，它需要依赖高质量的数据进行训练、微调和推理。生成式AI看似依赖算力和算法，实际上，谁能提供稳定、可控、结构清晰的数据输入，谁就掌握了AI真正的底盘。
OceanBase清楚地意识到了这一点。它不只是把数据库变“快”或者变“智能”，它正在让数据库从一个“信息容器”，变成一个具备计算、理解、推理能力的AI基础设施。这种转变，才是真正AI Ready的底座。
☆一体化，不只是口号，而是工程哲学
无论是多模融合的存储引擎，还是支持TP/AP/AI混合负载的查询能力，OceanBase始终坚持“一体化”的技术哲学。
这条路极其难走：它要求从产品架构层就开始统一设计，不能像传统方案那样“拼接”不同模块。它意味着技术团队要在同一内核中解决多种负载的资源调度、性能瓶颈、数据一致性等难题。这是多数数据库厂商回避的挑战，也是OceanBase选择的路线。
为什么要坚持？CTO杨传辉的解释很简单：“用户需要的不是一个个孤岛，而是一套能跑通全流程的系统。” 在AI场景里，数据训练、推理、检索、反馈是闭环流程，分裂的系统只会带来更高的成本和更差的体验。而一体化，则意味着低成本、高效率、高一致性的“全链路数据支撑能力”。
如今，不止OceanBase，越来越多云服务商、数据库厂商也开始转向“统一架构”“混合负载”“多模一体”的技术路线。OceanBase快人一步，用实际产品提前验证了这条路的可行性。
☆数据底座，是国产技术的新赛道
作为100%根自研的国产数据库，OceanBase是中国首个打破TPC-C、TPC-H权威测试世界纪录的数据库，是少数能在核心金融级业务中承压运营的产品之一，如今又致力于打造AI时代兼顾性能与性价比的数据底座。更重要的是，它不是一个“单点突破”的产品，而是在完整产业链条上建立能力闭环的解决方案提供者。
这对于中国科技生态非常有借鉴价值。过去我们习惯在应用层突破，在模型层追赶，但在数据基础设施这一层，依然存在不小的技术空白。而OceanBase用15年走出的路径，提供了一种可能——从最底层打磨出一套中国人自己的AI基础设施。
☆引领行业生态“去模型中心化”，让人们看到模型、算力之外的底层设施
今天我们谈AI，谈模型，谈AGI的想象力，但如果没有像OceanBase这样重新建构底层基础设施的企业，这一切想象都将难以落地。模型的上限，永远取决于数据的下限；AI的高度，终将由底座的厚度决定。
在接下来的几年里，我们还会看到更多模型参数、更多推理框架、更强的开源社区。但同时，也会有越来越多的人开始意识到：“未来不只是属于算法、算力更强的人，还属于数据根基更深的人。”
而OceanBase这样的国产数据库厂商，正在成为那个深挖地基的人。当然，这样的厂商并不只是OceanBase，还有无数厂商正在摸索前行。
来源：数据猿
刷新相关文章
我要评论
不容错过的资讯
大家都在搜
