阿里雲重新定義AI時代數據庫

作者 | 柴旭晨

編輯 | 張曉玲

面對如今科技圈言必稱“AINative”的熱潮,阿里雲資深副總裁、數據庫產品事業部負責人李飛飛卻顯得頗為冷靜,甚至主動給這股熱潮“降了降溫”。

阿里雲數據庫產品技術架構部負責人王遠在1月20日向華爾街見聞直言,現在很多廠商喊出的“AI原生”口號其實有些“大躍進”了。 相比於急著貼上“原生”的標籤,阿里雲PolARDB選擇了一個更務實的目標——先做到“AI Ready(AI就緒)”。

為了讓大家聽懂什麼是“AI就緒”,李飛飛用了一個直觀的“4+1”公式。

想像一下,以前的數據庫像是一個整齊劃一的檔案櫃,只存文字和表格。 但AI時代的數據五花八門,有圖片、有視頻、有日誌。 所以,“AI就緒”的第一步就是讓數據庫變成一個“大湖”,既能存表格,也能存這些雜亂的數據,這叫做“Lakebase(湖庫一體)”。 緊接著,數據庫得學會像圖書管理員一樣,通過統一的元數據管理,把這些海量且碎片化的信息梳理清楚。

更有趣的改變在於讓數據庫“長出腦子”。

李飛飛解釋說,大模型雖然聰明,但它學到的都是過去的數據。 如果你問它“今天PolarDB大會來了多少人”,它肯定答不上來,因為它不知道此時此刻正在發生的事。 這就是數據庫的價值所在——它掌握著最新的“熱數據”。 通過在數據庫裡直接運行AI模型(模型算子化),讓大模型能實時讀取最新的熱數據,這樣AI就不會“產生幻覺”,能回答當下的問題。

至於那個“+1”,指的就是要跟上硬件漲價的步伐。 最近內存價格瘋漲,阿里云通過技術手段把硬件資源“池化”,就像共享單車一樣,讓大家共享昂貴的內存和算力,從而把成本打下來。

既然現在只是“就緒”,那什麼樣的數據庫才配叫“AI原生”呢?李飛飛給出一個非常犀利的判斷標準,他把這比作運動員的體格檢查。

他說,這就好比一個人自稱是國家級運動員,光看外表不行,得測體脂率。 如果體脂率還在20%以上那就別吹牛了;只有降到5%以下,才具備世界級運動員的身體素質。

對應到數據庫上,李飛飛認為真正的“AI原生”必須達到兩個硬指標:第一,你的數據庫用戶裡,至少有一半不是人類,而是AIAgent(智能體);第二,數據庫輸出的內容裡,有一半不是傳統的表格數據,而是AI能讀懂的token(語義單位)。 只要沒達到這兩個標準,現在喊“AI原生”大多是在講故事。

雖然李飛飛在概念定義上很克制,但在實際應用上,企業們的動作卻很快。

以造車新勢力理想汽車為例,他們就沒有把PolarDB僅僅當成一個存數據的倉庫,而是把它變成了一個智能處理中心。 理想汽車利用PolarDB的一站式能力,不僅完成了數據的清洗和打標,還在數據庫內部直接進行特徵提取和推理。

這意味著,從車輛產生的數據到最終的智能決策,數據不需要搬來搬去,在數據庫內部就完成了“化學反應”。 這種用法,正是李飛飛口中“AI就緒”的最佳樣本。

除了技術,王遠還特別提到了一筆經濟賬。 在AI時代,不僅算力貴,連存數據的內存都在漲價,未來可能還要翻好幾倍。 這時候,雲數據庫的優勢就體現出來了。

如果不使用雲技術,企業自己買服務器,成本會越來越高。 而PolarDB通過“Serverless(無服務器化)”技術,可以做到極致的彈性——沒任務的時候甚至可以不佔用計算節點,來了任務秒級啟動。 這種“用多少付多少”的模式,是在硬件漲價週期裡幫企業省錢的關鍵。

可以說,阿里雲這次傳遞的信號很明確:在通往未來的路上少玩概念多練內功。 畢竟,只有當AI智能體真正接管了數據庫的讀寫,那個傳說中的“AI原生時代”才算真正到來。

以下是與阿里雲資深副總裁兼數據庫產品事業部負責人李飛飛、阿里雲數據庫產品事業部產品管理與技術架構部負責人王遠的對話實錄:

從原生到AI就緒,我和王遠分享裡面再三講到這個點我認為“4+1”4個點加1個底座。 一是存儲層走向lakebase,數據庫原來面向結構化的數據存儲和湖的面向semanticshortcut,甚至answershortcutdata的存儲結合起來,是第一個lakebase。 這在AI時代,AIready非常重要,因為AI時代,能處理的數據類型極大豐富了,因為我可以做embedding,可以做特徵提取,多模態檢索,這是必要的第一步,走向AIready,所以是lakebase。

第二是源數據的統一管理,AI時代的特點是數據源特別多,有日誌、有交易產生的數據,甚至圖片、文本、音視頻,並且每一類數據類型、數據量特別大,同一類型的數據量和數據源特別多,所以元數據的統一關係變得很重要。 以前的元數據幾百G、1T、2T,元數據可能就幾兆,現在元數據就上T,所以元數據的統一管理這裡面變成很關鍵的抓手了,而且元數據要實時更新,我們把以前做的ZEroETL技術在是數據面的是dataplan技術,集成到元數據的管理上。 數據源發生變化,matterdata信息發生變化,我們可以實時同步到元數據管理這層,總結來講是matterFORMetters(音),元數據的統一管理。 這是第二個關鍵能力。

第三個關鍵能力是多模態的檢索和處理,從結構化走向半結構化、非結構化融合,結合embedding能力,向量、全文檢索等多模態,這是第三。

第四個里面有兩個小點:模型算子化+AgentAI的支持,這兩個是有機在一起的。 要在數據庫裡面做模型推理服務,在一年多前我們提出模型算子化,很多人不是很理解為什麼幹這個事兒?現在看非常自然,因為模型會吞噬所有數據,冷數據、溫的數據全部會被模型吞噬掉,冷數據意義不大了,是模型參數的一部分。 甚至溫數據今天通過lora微調技術,也可以做到半實時地更新到模型裡。

唯一目前看,不能被模型實時吞噬掉的數據就是熱數據。 因為模型今天不具備實時增刪改查的能力,熱數據一定是持久的、長期的有非常大的價值,那模型如果沒有熱數據的加持,會產生幻覺,對事實不能理解。

熱數據和模型在線推理的時候產生化學反應,這是為什麼我們在數據庫裡做模型算子化。 未來一定是token的世界,未來在接下來一年token可能漲100倍甚至1000倍,全世界的token量。 這些token怎麼被消耗?對大多數企業和個人,直接totoken,不知道怎麼用的。 像人一樣,直接給他鐵、銅、金不知道怎麼用,但是你給他金項鍊、金手鐲,他知道怎麼用。 所以一定要場景化使用token,模型算子化和熱數據的結合就這個價值。

場景化還有一個邏輯,模型算子化了,熱數據實時轉成token,怎麼場景化使用?要有各種各樣的Agent,面向AgentAI,開發Agent、部署Agent、verticaAgent跑在數據庫上,這也是非常重要的能力。 這是第四個方向,模型算子化+AgentAI的支持,這是數據庫走向AIready的四個關鍵要素,lakebase、元數據統一技術、多模態檢索和處理、模型算子化及AgentAI的支持。

“+1”是什麼呢?一定要跟上硬件的發展步伐,所有的系統,數據庫、database、只不過硬件隨著時間不斷變化。 我們小時候一台386、486,當時內存64K、32K,今天內存我們PolarDB結合,公共雲上現在已經開通正式對外商業化服務,單實力可以做到100多T內存池化,可以掛載CPU+GPU推理節點的GPU,訪問同一個內存池,底下存儲池化,所以硬件的優化,包括像serialold的內存池化、PD分離、KVcache這些結合硬件的能力。 KVcache一定要結合硬件做,單從軟件層面做KVcache沒有意義,一定要結合硬件特點,GPU機頭里的DRAM,CPU機頭的DRAM,遠端的DRAM,HBM,這些怎樣池化掉,還有和SSD這層。

所以結合硬件特點的持續迭代,內存強,剛才講數據庫最早發展的時候,關鍵挑戰就是內存強,到今天內存強這個“幽靈”又回來了。 剛才演講說,內存在過去幾個月漲了30%—40%,接下來我們認為內存可能還要漲2到3倍。 結合硬件的創新突破,這是“4+1”,AIready要幹這麼幾件事情。

關於成本,為什麼有這麼大的性價比和成本優勢,總結起來三個點:一是資源的池化,二是多租共享,三是彈性伸縮。 首先時至今日,從雲計算時代到AI時代,有一個邏輯是沒有變,只有規模化到一定程度,才能夠有一定的成本優勢或者成本紅利,才能把這些東西釋放給用戶,讓他享受到。 所以PolarDB首先擁有云上最大規模的數據庫用戶,這是我們很高的護城河,所以決定了我們可以做這件事兒。

二是多租共享。 技術層面,可以分存儲層做了什麼,內存做了什麼,算力做了什麼,存儲層這邊,剛才像李飛飛說了有冷、熱、溫三層數據,如果所有數據都是熱數據,那成本肯定是居高不下的。 而對於一個企業和組織來講,大部分數據有一定的溫屬性、冷屬性,需要的時候再翻出來,這時候PolarDB需要把自己進入更多的高性價比的存儲介質,然後能對企業當中的數據做分類存儲,但分類存儲不是把管理負擔轉嫁給用戶,需要數據庫內部做智能化的冷熱分層,智能化的數據調度、跨界流轉和遷移,這是PolarDB存儲層做的第一件事,降成本。

內存層,剛才說了CXL是我們大力推的技術,CXL直觀地感受是有一個超大規模的遠端內存池,帶來的效果是遠端內存池可以復用的,多租共享復用的,它除了能夠做內存高消耗的查詢分析加速以外,也可以做到租戶之間的共享。 如果能夠把內存利用率提高進而帶動CPU的利用率提高這部分成本也是非常可觀的,結合目前內存在瘋狂的漲價趨勢,未來會有更大的紅利,通過這種技術手段,釋放給用戶。

因為PolarDB選擇了一體化的架構,我們會把TP、AP,加IP一體化處理,它帶來技術上我們可以做的事情就是異構算力的混合調度。 我可以把GPU和CPU的算力可以混合調度起來,比如我們在PolarDB內部做的,可以把spark框架和ray框架混部,這樣CPU和GPU可以綜合利用,同時CPU處理的東西,比如打標操作、ETL操作用CPU處理完,可以根據CPU吞吐決定拉起多少GPU,處理下一步的embedding操作,這些方面在提效同時,也會帶來很可觀的降本操作。

產品形態上,我們也做了設計,我們主推的serverless,就是極致彈性的產品形態。 未來我們認為Agent是數據庫的主力用戶,有一個調研報告說,新建的數據庫可能有80-90%都是Agent自主創建的,那Agent是7×24小時的運行程序,它所帶來的工作負載是完全不一樣的,它有可能是高查詢、高並發或者大查詢的,也可能它一段時間內就是不工作的。 這時候彈性的能力,極端情況下可以零計算節點,只有數據存儲,沒有算力,但一旦有算力來,可以秒級拉起對應計算節點,處理Agent或者用戶提交的任務,通過產品形態,我們也能夠保證在場競爭中有相應的價格優勢。

我們通過一系列的技術手段,加產品形態設計,保證產品在市場上的價格競爭力。

隨著存儲成本上漲,是周期性的事情,我們回頭看歷史,過一段時間存儲上漲,廠商提升產量,價格下來,但這次週期我個人認為非常長,因為它是時代的變革。

所以短期可能三到五年,存儲的價格DRAM也好,整個HBM上漲,我個人認為,過去這麼多年我們沉澱的雲原生技術和產品能力,會越來越有價值。 之前有些客戶自建搞服務器,反正服務器不值錢,成本很低,這個時代一去不復返了,不做內存池化、不做存儲池化,不做serverless,不做彈性調度,成本會越來越高。 這是我對未來的判斷。

阿里雲所有產品最早和百煉打通的,一年多前我們在political開發者大會上,我們調模型跟百煉打通,還是有一些質疑的聲音,你們為什麼幹這個事。 現在回頭看,絕對是輕舟已過萬重山,是絕對應該干的事情。

可以給大家講,PolarDB以及整個瑤池數據庫的token量增長,在過去短短幾個月的增長超過100倍。 就是通過瑤池數據庫的產品,PolarDB靈洞、RDS、ADB調百煉也好,調模型算子化的服務也好,調pai,我們token消耗量增加了100倍,短短幾個月內,爆發式的增長。

二集成了哪些產品?百煉、pai,pai提供了定制化的模型推理服務能力和微調能力。

三我們自己做了模型算子化的服務,這樣我們在SLA彈性瞬間爆發上,自己也可以做overFlow提供模型推理的能力,這是模型算子化。 而且所有這些通過SQL語句或API。 接下來我們重點做的事情,當然我們已經具備了這個能力,但不完美,除了SQLAPI,開放的SDK,我們接下來要支持自然語言。 自然語言用大模型自然語言方式來無縫調用所有這些,從TP到HP、IP全部打通。 這是我們目前的情況。

這是和AI直接相關的,AI和存儲團隊、計算團隊,阿里的存儲計算都是深度集成的。 回應您剛才的問題,AI方向對接了哪些產品。

剛才分享的時候有一個觀點,未來數據庫用戶不僅僅是現在的開發者,還有更多的普通用戶,未來我們也認為他是數據庫的直接用戶,因為大模型能力讓我們的數據庫未來真的很大概率具備直接服務普通用戶的能力,基於這個假設,開發者的體驗,首先傳統數據類開發者我們做了哪些體驗化的提升?到今天為止,PolarDB選擇的就是一體化的路,在AI時代一體化的路,就是選擇了lakebase的技術路徑。 它從傳統的雲原生關係型的數據庫處理結構化數據,到現在對非結構化數據、半結構化數據,所有多模態數據的全力處理能力的支持。

具體到面向開發者提供的能力,最基礎的向量。 向量能力一定會提供給開發者的,對AI時代來講,向量一定是最通用的一類數據表徵,我們認為AI時代如果數據庫不支持向量,基本上不能說這是AI時代的數據庫,除了向量還不夠,因為向量只是其中一種表徵,對於一個企業或組織應用來講,多模態的數據管理是關鍵,特別是一些企業的經驗和知識。

比如持續施工的數據、graph數據、全文數據,大量業務標籤都是全文數據,這些東西都要提供一體化的多模管理能力。 再往上我們需要對於開發者更好地體驗來講就是數據庫和應用走得越來越近,這個基礎上,提供一些一體化rag能力。 還有circle裡引入模型算子,能夠讓我們開發者至少在circle裡方便集成大模型能力,不管大模型部署在數據庫內部還是以MaaS方式提供的遠程調用服務,都能夠給開發者提供一體化的透明的服務方式。 這是我們定義面向開發者的體驗能力升級。

面向普通用戶,我們認為未來更大的增長空間是在這,或者說數據庫要能夠出圈,比如超出數據圈,進入AI圈,或者跟AI走得近的時候,下一步的體驗更關鍵。 比如自然語言交互和多模態交互,這個能力是我們現在PolarDB已經給用戶提供了,未來這個可能會是主流,我們認為未來一定基於命令行的交互,基於工具的交互會存在,會存在於Agent和數據庫之間的交互,通過命令行和腳本交互,而用戶和數據庫的交互一定是通過自然語言、多模態更直覺的交互方式提升我們的用戶體現。

第二我們希望數據庫對數據的管理更貼近人的思維方式。 具體表達是什麼呢?除了我在管理數據,管理schema(音)的時候,我們需要對知識、對記憶做管理,包括我的知識怎麼組織,我的記憶,工作記憶、事實性的記憶,經驗性的記憶,怎麼管理流轉,這些東西我們希望PolarDB能夠提供對應的記憶管理能力或知識管理能力。

第三對於智能體開發應用的支持。 未來我們希望PolarDB作為datacentric的AIinfrastructure,我們對PolarDB是抱有厚望的。

今天開發者大會講的能力是AIready的connected data base,今天有些數據庫廠商已經喊出AInative,我們還是實事求是,不想那麼喊,因為AI賽道本身還在快速演進,一天一個樣。 中國卷14個小時睡覺,美國人白天開始接著卷,全球接力卷,而且兩邊還不是完全接力,overlap,我們幹14小時,人家也乾14小時,我們還沒睡覺的時候人家已經起來幹活了,我們準備睡覺的時候,他們接著幹。

AI賽道,現在喊AInative過早,因為AI本身還在快速變革,這是為什麼我們堅定喊AIready,不要喊AInative,現在喊AInative我覺得是大躍進,誰喊AI native data base誰就是大躍進。 因為AI本身在快速變革,就是AIready,回應什麼時候是AInative呢?以及AInative數據庫長什麼樣子呢?我們可以暢想未來,沒有問題,對未來有判斷。 我不認為現在任何人做到了所謂的AInative,喊這個都是講故事,而我們講AIready是實時,一步一個腳印做到了。

第二AInative未來長什麼樣?兩句話:(1)未來的世界一定是海量Agent使用數據庫的世界。 (2)未來世界一定是tokendominant的事件。 從這兩個標準衡量,數據庫是不是AInative了,比如這個數據庫上兩個關鍵標準,比如你衡量一個運動員是不是國家級的運動員,我也可以說我是國家級運動員,但你不信。 關鍵指標體脂率,如果體脂率在20-25%,你說是國家級運動員扯了,起碼在5%以下了,世界級運動員,或者至少7%以下。 你的基本運動素養要達到一定標準。

海量Agent使用數據庫,二是海量的token。 如果一個數據庫進入AInative時代衡量標準是它有多少實力是Agent在使用,數據庫至少一半的實力是Agent在使用,這是第一個標準。 第二它的output,今天數據庫的output很多時候是表格,一行行。 它的output,bytes來衡量,因為行和token沒法對比,沒關係我們cover到bytes,它的outputbytes的一半是token,做到這兩個就是AInative,還沒到的,拿照妖鏡照一下。

要做到哪些事情做到AI native data base呢?

以終為始,倒推,我要幹到這兩件事,我需要幹哪些東西?這是邏輯性地思考問題的框架,我要讓我實力的一半是Agent,突出bytes一半是token,我數據庫要做什麼?就要堅定的剛才講的方向上持續迭代和演進,比如模型算子化、無縫集成模型調用能力,Agent,甚至不光是單Agent,多Agent編排、調用,marketAgent協同,數據庫裡怎麼支持,而且超級強的多租能力。 SaaS場景是多Agent的雛形,未來多Agent一定比今天的SaaS還SaaS。 所以多租隔離會變成剛性需求。

然後多版本迭代,AI推理的無縫集成,還有rag知識庫,這是我們剛才講的,rag就是多模態檢索,實時知識的更新embedding,這是未來AInative的關鍵特點。 還有無縫自然語言查詢,甚至不是查詢,而是自然語言定義問題,從問題直接到查詢,到action。

為什麼我講action?淘寶電商講,訂單系統下單,最終都是數據庫,所以數據庫是天然action發生的地方,只不過action以前是通過API的方式兌換它,以後AInative很有可能是Agent直接給數據庫下指令。 數據庫就是action發生的地方。

千問APP打通了阿里所有的生態,但萬變不離其宗,通過千問自然語言訂奶茶或者淘寶上下單,找這樣的衣服,它給你生成照片,你說要這樣的衣服淘寶裡面下單,最終action發生在數據庫裡面的,AInativedatabase一定是action發生的地方。

有很多。 剛才主論壇分享裡面我們也請了百煉PD做分享,我們是深入協同。

現在這個時代,數據是燃料,數據庫是引擎,我們要更好給大模型輸動力,集團肯定是我們很好的試驗田。 千問前段時間和阿里整個打通,阿里雲內部是百煉不說最大的調用者,也是阿里雲內部最大調用者之一了,我們每天token消耗從年初到現在已經翻了幾百倍,就是我們自己的消耗。

大家有沒有關注數據庫領域下半年除了大模型以外,還有一個比較火的概念,起源於一個開源項目SUPERbase,它的理念是後端即服務。 設計理念是以數據庫為核心,把企業級應用所需要的後台服務,長在數據庫上。 這個理念雖然很直接,但能想通的人非常了不起。

是的,像多人協同,MartinAgent系統,atoa這套體係要支持的,Agent之間訪問肯定也需要互相健全的,剛才PolarDB在集成backendservice以後,並向支撐Astrategicapplication(音)這個方向做的時候,包括atoa,MCP這套東西,都需要納管進來的。 我剛才說的未來可能數據庫的終端用戶不太會使用命令行,但我說得未來比較長,短期內肯定還是需要的。 長期演進我個人認為,Agent是訪問數據庫的主力的話,那MCP、atoa甚至各種程序、腳本東西,都應該是Agent自己寫、自己生成、自己調用,人就是給數據庫提問題。

今天有理想、度小滿等,當然不是每個客戶實踐都用了AIready的產品能力,但理想絕對用了,我剛才分享也講了,它構建一站式的數據平台,從數據打標清洗做embedding特徵提取,再到和交易數據打通、熱數據打通,做在線推理,這些能力它全用了,本質上lackbase+多模檢索+模型算子化和調用百煉,這幾個能力都用了。

另外我們有最佳實踐的書,後面也給了電子版的碼,大家可以掃一下,就是PolarDBAI實踐全景加速企業大模型應用落地,裡面有十幾個到二十個案例,都是頭部企業客戶,有各行各業。 第一個問題舉了理想的例子,而最佳實踐PolarDB的AI能力,現在有哪些客戶在用,怎麼用?已經有超級無敵多的案例。 這本書是總結,大家可以看一下。 待會兒二維碼大家掃一下。

AIready到AInative這些都是概念,今天我們不要做概念支撐,未來世界一定是AInative的世界,什麼時候走到那個世界?我不知道,但它一定是加速實現的,但今天這個節點,我不認為我們可以clam(音)到AInative。 因為AI本身都在發生巨變,怎麼定義什麼叫AInative呢?這是我剛才講的邏輯。 但我們每個人都在向AInative狂奔,包括PolarDB自己。 這是剛才講的核心邏輯。

面向AI oriented data infra要不要推倒重建及本質是一個問題,你問我,不用。 本身大家擁抱AI,特別是企業擁抱AI,應該採用平滑遷移演進的思想,但只是速度相比於傳統時代要加速,而不是被動地等著平滑升級,只是平滑升級的過程一定是加快的。

如果全盤推翻重建,不能說錯,但有一點過於激進和冒險的選擇。 所以PolarDB也是基於這個前提設計自己,怎樣支持用戶從傳統的IDC或傳統的架構,升級成雲原生架構,進一步升級成AIready的數據平台,其實PolarDB有一整套的設計,具體說起來,可以說到三個點:

1.本身PolarDB是雲原生關係型數據庫,這是基礎。 引申到AI時代,PolarDB是我們熱數據的入口,所以PolarDB也一直會兼容PG和MySQL,和這兩個生態完整的兼容應用,讓應用遷過來不用改,我們還會提供積分一體的方案,平滑遷移的方案。 這是要保證客戶在用PolarDB做datainfra或AIinfra升級的時候,現有應用不中斷,更平穩。 因為要保證客戶業務正常運行,再做能力的升級,這是最直接最能夠讓人接受的方式,所以第一步PolarDB一定會做好熱數據的入口這關,一定支持好所有TP在線類的業務,並提供完整的平滑升級解決方案。

2.PolarDB自身關聯lakebase架構,因為熱數據進來以後,會成功激活企業內部的溫數據和冷數據,所以PolarDB提供了溫數據、冷數據平滑入湖的方案,目前如果用傳統的架構,比如ES、MySQL、PG搞得在線庫,這些數據肯定都是割裂的,業務上一條數據發生變化,它在你的對象存儲、文件系統裡,對應的文件不可能發生變化的,所以PolarDB的lakebase架構,把所有的冷溫數據能夠做到一體化的集成納管,並能夠做到matedata之間的一致性和聯動。

就是說我增加一個業務標籤,或者增加一條修改記錄,對應到文件系統或對象存儲系統上的rodata(音)會對應的updata,這樣能夠真正做到多模數據的實時性、一致性的一體化更新。 數據的一致性、正確性和實時性保證了之後,這是業務創新的基礎,這是第二層,做到冷、熱、溫三層數據在保證一致性、正確性和實時性基礎上的聯動。

3.我們會提供一系列的讓客戶易於創新的支撐,包括我說的託管ray框架,為客戶處理數據,更快託管suPErbase框架,能夠開發它的企業級應用更快,跟MaaS集成、defend集成、coder集成全部都在做。 你能想像的,任何開發方式的選擇,PolarDB都可以做很好地支持,因為選擇webcoding的企業有,但還有一部分企業為了保證業務流程平滑,會選擇workflow的方式,只不過workflow的過程中,每一個節點會引入Agent,保證效率更高,所以PolarDB作為數據平台,需要支持各種各樣的AI轉型應用,這方面我們會充分和生態兼容對接。

大概這三層:熱數據的入口、多模數據的管理和聯動,然後AI生態的兼容支持。 這是我們給PolarDB提供的轉型升級方案的三個關鍵點。

我們作為雲計算本質上,包括AI平台化的公司,雲計算和AI平台化的公司,本質上是規模化的生意,生意的角度是規模。 規模越大越能釋放規模成本下降的邏輯,邊際成本越低,越能給終端客戶釋放紅利,有越高的價值。

過去幾年我們持續做普惠的面向中小客戶的普惠降價,本質是通過核心兩點:

1.技術創新,我們不斷做池化、多租、彈性,比單租的使用效率高,所以能釋放價格紅利,這是最核心的點。

2.規模,規模越大,越容易做彈性的調度。 規模小怎麼調?沒什麼好調的。 規模越大,騰挪空間越大,越能削峰填谷、彈性調度,釋放出規模效應。

第一個點和第二個點有雙輪驅動的效果,所以我們能持續釋放紅利,讓大多數的企業客戶能吃到紅利,這是價格曲線的邏輯。

另外現在面對新一波內存存儲周期性漲價,這波週期會相當長,以前存儲價格跌到地板價了,存儲廠商不願意生產,它有產能,限制產能,所以價格上漲,價格一上漲總有一個人忍不住跳出來生產,因為產能足夠的,價格馬上就打下來了。 這一輪邏輯是產能根本不夠,不是他們故意踩剎車,需求爆發式增長,開足馬力,開足所有產能也滿足不了市場需求,所以這波存儲周期漲價是相當長期的,底層邏輯是這個。

存儲漲價帶來整個鏈條上的價格上漲,通算服務器,智算,GPU今天大概率也會漲價,GPU裡也有HBM、DRAM,底層一樣的。 這波漲價是持續長周期的,但歷史角度看,最終它也有周期,當AI變成非常成熟的產業的時候,變革沒有像今天這麼快,每天發生變化的時候,就會回到週期性的周期,這是食物發展的客觀規律,而當下這波週期會相對比較長。 我的判斷。

怎麼幫客戶創造價值呢?這個時代云計算廠商、AI平台廠商能發揮更大的價值,能夠創造更大的客戶價值,比你自購資源、自己管理資源,越是在成本高的時候越能發揮更大價值,因為你有規模效應,任何單體客戶很難有這麼大的,像雲計算和AI廠商這麼大的規模協同效應,邊際成本下降的邏輯。 所以越是bombcost上漲的時候,平台化的規模,運營的效率提升越有價值。