今年以来，OceanBase CEO杨冰有点忙。“最近和很多企业高层交流，包括地图、车企、银行、证券、制造等行业，对AI数据库的需求量都非常大。”6月29日，OceanBase发布面向AI时代的湖库一体AI数据库，交流会上，杨冰向北京商报记者如是说道。

　　过去几年，大模型狂飙突进，有企业砸下千亿级算力与研发预算，智能体、数字员工、行业大模型遍地开花。但行业也有不少无奈：模型能流畅对话，却读不懂企业内部的订单、合同、客服录音；AI工具上线数月，但业务转化收效甚微。

　　这背后存在AI落地的真实堵点，所有人都在追逐模型能力，却忽略了承载智能的底层数据底座。

　　业内认为，随着Agent成为数据库新的使用者，数据库正从“记录事实”走向“参与决策”，AI数据库也将成为AI时代新的基础设施形态。

　　此次OceanBase发布的湖库一体AI数据库，提出以湖库一体为核心架构，将数据湖的开放与海量存储能力、数据库的事务处理与分析能力，以及多模态数据处理能力统一到一套强一致的数据底座上，帮助Agent（智能体）一次获取完整业务上下文，让AI真正“读懂”企业。

　　这是OceanBase的探索实录，也是一场国产数据库面向AI作出的深度底层抉择。

　　旧架构跟不上AI

　　现在，不少大企业都在追风Agent，但十个项目九个栽在了数据这一关。

　　传统企业的数据架构，被业内戏称为“万国牌拼凑局”，交易数据塞进关系数据库、离线分析靠数仓、图片音频丢进对象存储、向量检索单独搭一套向量库。一套完整的AI业务，最少要维护4到5套系统，靠ETL工具（数据搬运清洗工具）来回搬运数据。看似各司其职，但实际落到业务一线全是麻烦。

　　杨冰以蚂蚁阿福为例谈到，有用户通过阿福线上问诊，十点上传胸片，AI初判感冒；一分钟后用户补充症状又发新胸片，并说明实为肺炎。

　　“但在传统多套系统架构下，原图存在对象存储，对话、诊断文字存数据库，胸片特征向量单独放向量库，数据靠定时工具搬运同步，存在延迟。Agent调取信息时，只能读到十点第一张影像数据，来不及加载刚上传的新胸片特征，因此可能依旧误判感冒。”杨冰解释道，这背后是因为，图片、对话、时间、病情记录分散在各处，无法实时绑定统一检索。

　　而适配AI Agent的一体化在线系统则不一样，其可以同时处理图文、向量检索与实时分析，所有关联数据实时统一，能立刻结合全部信息准确判断肺炎，保障数据一致。

　　“还有很多类似案例，这些是一些大数据密集客户遇到的真实业务痛点。”杨冰向北京商报记者谈及了AI Agent带来的多项核心数据架构挑战。

　　首先是AI智能体带来的新问题，现在企业里的Agent数量特别多，且大大超出原有规模，但每个都很小、很简单，就像无数个小员工同时干活，如果用传统数据库去支撑，成本太高、不划算。

　　目前，AI Agent分成两类：一类是大量简单、单一功能的低码小Agent，只管干一件小事；另一类是像千问、豆包这样的复杂大Agent，功能多、逻辑深，改一点就可能答错，甚至给出错误引导。

　　“所以复杂Agent必须做全面、严格的测试，需要克隆大量真实数据来验证，这也是现有数据库扛不住的。再加上图片、视频等多模态数据越来越多，传统架构更跟不上。”杨冰直言。

　　另外一大趋势是，目前不少企业开始真正重视非结构化数据。以前企业的图片、录音、视频、文档都只是存起来，用来备查、应付检查，基本不用。“但现在不一样，不少企业高层和我们聊得最多的是，大家都要求把这些数据管起来，实时用来做风险判断、自动分类打标，直接指导业务决策。”杨冰透露。

　　以智驾、地图、具身智能等这些和现实世界相关的行业来看，需求则更为明显。比如高德做高精度地图，要靠大量视频、图片识别酒店、点位信息；自动驾驶也会产生海量行车视频。如果直接用大模型处理，几分钟视频就要花掉巨多、巨贵的token费，非常不划算。

　　杨冰指出，模型定义了AI的能力边界，而数据则决定了AI的业务价值。一个通用大模型也许“无所不知”，却未必懂得“这一家企业”的业务逻辑。让它从“什么都懂一点”走向“真正懂我”，靠的是高质量的数据与上下文。AI落地的“最后一公里”，本质上是一道数据的难题。

　　真实的“练兵场”

　　所谓AI数据库，要厘清的是，它不是“传统数据库加一个检索插件”，而是在重新回答一个根本问题，在一个由AI驱动的世界里，数据应当如何被组织、被理解、被调用。

　　“把需求倒推一遍，就得到了AI数据库的定义。”杨冰在会上介绍，其中有两个需求和两条原则，而这些需求，正是由AI时代的业务负载决定。

　　一是一体化，多模态数据、离线与在线的计算，统一在同一个强一致的底座上。数据不再被切割、不必在多套系统之间反复搬运，那个“越用越准”的飞轮才转得起来。

　　另外是多模态，结构化、半结构化和非结构化数据，需要在同一套体系中被统一管理和治理，通过标量、全文、向量等方式进行混合搜索，智能体的记忆天生跨越模态，沉睡的非结构化数据也由此被真正盘活。

　　当天，OceanBase首次发布了面向AI时代的湖库一体AI数据库，而这，也是让多模态数据在同一底座上被实时处理的关键。

　　据介绍，围绕湖库一体，OceanBase打造了AI时代的全新产品体系，其中，OceanBase Lakebase作为底层引擎，让结构化数据、非结构化数据和向量数据在统一架构中被管理、加工、检索和调用，解决AI时代的数据底座问题。

　　OceanBase DataStudio运行在Lakebase之上，覆盖数据接入、加工、编排、语义建模到Agent协作等环节，把分散的数据资产转化为可调用的数据服务，解决数据治理与服务化问题。

　　OceanBase DataPilot则作为统一的企业业务智能入口，让业务人员通过自然语言完成分析报告、数据看板和可信答案生成，解决业务人员如何直接使用数据智能的问题。

　　相较传统多系统方案，OceanBase AI数据库可降低总体拥有成本（Total Cost of Ownership，TOC）约30%—50%。据透露，目前该能力已在蚂蚁阿福、灵光等场景完成验证。

　　杨冰介绍，OceanBase打磨AI数据库的环境，是阿里、蚂蚁最前沿、最复杂、也最核心的真实AI场景，包括支付宝的AI支付、蚂蚁阿福、灵光、淘宝AI购物助理，以及千问、高德、飞猪等。其中，蚂蚁阿福面向行业复杂智能体开发，灵光则面向大众提供“一句话生成应用”能力，目前已承载3000万个闪应用。这些场景不只是用户，更是AI数据库真实的“练兵场”。

　　持续加码战略投入

　　15年前，一场名为“双11”的商业范式革命，意外点燃了分布式数据库的火种。为扛住峰值洪峰、保障系统零中断，OceanBase原生分布式数据库应运而生，从此开启了一段硬核生长之路。

　　“这15年中，我们服务了4000多个客户，包括了七成以上万亿级的银行，数据不错、系统不中断、故障秒级恢复，在任何时代都是刚需，也是我们在金融场景当中锤炼的成熟能力。”杨冰称。

　　而如今，时代浪潮再启。当阿里、蚂蚁以All In姿态投身AI战场，海量生产级AI场景喷涌而出，又一次倒逼技术底座进化。正如杨冰所述，“阿里、蚂蚁在AI的战场上涌现出极其丰富的生产级AI场景，这些场景，也将是OceanBase独特的演进方式”。

　　AI，将是OceanBase面向未来的核心增长曲线，同时也是必须重仓的战略方向。杨冰透露，对于AI相关产品会有持续加码的战略投入。早在今年初，OceanBase曾做出关键架构调整：原内核团队一分为二，一体化数据库团队坚守金融级关键业务，AI数据库专项团队独立攻坚，专为AI场景打造原生引擎。

　　这场布局早有伏笔。去年团队曾预判，AI时代数据需求与传统场景截然不同。尤其是面向银行、运营商等核心金融政企场景，改动约束极强，每次调整都要历经数月全量测试，迭代极慢，没法快速适配Agent、多模态非结构化数据。于是seekdb（一款AI原生混合搜索数据库，目前已融入Lakebase底层引擎）轻装问世，以快速迭代验证方向，也坚定了底层重构的决心。

　　杨冰介绍：“不同于市面上多系统拼接缝合模式，OceanBase Lakebase坚持原生路线，从引擎到存储原生支持图片、视频、向量等多模态数据，原生支撑海量Agent高并发运行，真正实现湖库一体。”

　　杨冰称，数据库正在经历一次角色的根本性转变，从“存放数据”，到“承载智能”。下一个十年，OceanBase的目标只有一个——再造一个“AI时代的OceanBase”。