OceanBase CEO 杨冰
过去三年，模型能力持续跃迁，几乎以周为单位迭代，企业也在持续加大对模型和算力的投入。但在企业生产化落地过程中，我们看到，模型和算力投入并不会自然转化为同等规模的业务回报。模型可以回答问题，并不等于 AI 能够理解业务、参与决策、跑通流程。
我和很多 CIO 交流时看到一个很明显的变化：最开始大家讨论的是 GPU 和算力，随后开始探索各种模型，去年下半年到今年上半年，很多企业开始尝试 Agent。但很快，大家又回到同一个问题：数据。如果企业不能把自己的数据管理好、组织好，并以实时、准确、可信的方式提供给模型和 Agent，就很难构建真正可用的智能应用。
模型决定 AI 的能力边界，数据决定 AI 的业务价值。企业真正需要的，不只是一个能够回答问题的模型，而是能够理解业务、参与决策、跑通流程的智能系统。在通用模型能力和企业所需智能之间，隔着一道业务上下文的鸿沟。补上这道鸿沟，关键不只是模型训练或推理能力，而是企业能否管理和使用好自己的数据，并为模型和 Agent 提供精准、完整、实时、可信的上下文。换句话说，企业 AI 落地的最后一公里，本质上是一道数据难题。
这也是 OceanBase 发布 AI 数据库的原因。过去一年，我们一直在思考：AI 时代，数据库应该如何演进？哪些能力必须重构，哪些底线必须继承？在阿里、蚂蚁集团以及大量客户的真实 AI 场景中，我们逐渐形成了自己的答案。
在技术浪潮的更迭中，我们经常会面临这样一个抉择：什么需要改变，什么需要坚守。今天，AI 的崛起，正将数据库置于同样的十字路口。
当 AI 正成为 7×24 小时全天候、持续调用数据的数据使用者，当全球超 80% 的数据由非结构化数据构成，两条路径自然而然出现在我们面前——一条路径是“适配”——在既有数据库之上打上若干 AI 补丁，以应一时之需；另一条是“重建”——从数据底座出发，重新设计一套面向 AI 的架构。
OceanBase 的选择是后者。这一判断，基于数据库变与不变的现实。
变的驱动：数据形态与使用方式的重塑
AI 带来的变革是结构性的，它从两个维度重塑了对数据库的要求，一是数据的使用者，二是数据本身的形态和价值。
从使用者——Agent 而言，它并非人类的数字替身，而是一个能持续运行、自主决策、并通过交互学习不断进化的新型主体。
这意味着AI 数据库需要具备三个关键能力：
上下文，即精准供给信息，让 Agent 答得准；规模，即在极低成本下承载百万级 Agent 的独立数据空间；进化，即提供安全环境让 Agent 持续试错成长。把这三者系统性地做进数据库，就构成了 AI Native 的数据底座，回答的正是“Agent 怎么用好数据”这一根本命题。
与此同时，数据的形态也在发生根本性变化。企业当前的核心系统与经营活动，大多建立在结构化数据之上，非结构化数据则往往用于归档、事后审计、离线分析等场景，很少真正参与实时业务决策。 如今，AI 第一次让这些沉睡的非结构化数据能够被深入理解、实时处理，让它们从企业的“边角料”跃升为核心资产。
这引出了新需求——回答“数据库该用什么来服务AI”。
基于这一点，AI 数据库必须满足一体化、多模态两个特性。一体化要求多模态数据存储、离线与在线计算，统一于同一个强一致的底座之上；多模态则强调结构化、半结构化与非结构化数据在同一套体系中被统一管理与治理，通过混合检索使沉睡的非结构化数据真正转化为高价值的可计算资产。
为实现这些需求，数据库应遵循两条设计原则：Agent 友好——记忆、上下文、隔离、回滚等原生能力无需外部拼装；开放——存储与计算保持开放，不被专有系统锁定，确保企业数据主权始终掌握在自己手中。
不变的坚守：底线的加固
谈及“新品类”，容易让人误以为要把过去的一切推倒重来。其实恰恰相反，AI 重塑了数据库的“用法”，却让它的“底线”前所未有地重要，这也是 AI 数据库必须坚守的不变。
一致性不再是“高标准”，而是“生死线”。当 Agent 从辅助工具升级为“替人决策”，错一条、慢一拍不再是技术指标的小毛病，而是真实的业务事故。因此，AI 数据库不能仅提供检索功能，而是也要保持强一致，扛起 Agent 的在线决策；
扩展性也从“把一个库做大”转向“让一百万个库低成本共存”。过去，人们关注如何把单库规模扩展以承受更大负载；而在 AI 时代，核心问题是如何让海量库在需要时无限扩展、在闲置时几乎不占成本，像水电一样按需供给。
可靠性更是从“有人兜底”变成“ Agent 的生命线”。Agent 全天候运转，却没有运维人员时时盯着。十五年金融级高可用的积累，曾是核心交易的兜底，如今成为每个 Agent 的生存基石，确保业务和用户体验的连续性，做到故障不可感知。
实时性也不再是“查询更快”，而是“决策不过期”。 过去，数据晚几秒进入报表，可能只是分析滞后。但当 Agent 基于订单、库存、账户、风控状态和用户行为自动行动时，慢一拍就可能意味着判断失准、动作失效。AI 数据库必须让最新业务变化实时进入 Agent 上下文，让 Agent 面对的是刚刚发生的事实，而不是上一刻的数据快照，支撑在线交互、自动执行和连续决策始终保持及时、有效、可信。
满足上述一切，架构上只有一个答案：湖库一体。
湖库一体，不是概念的简单组合，而是业务负载发展的必然选择。当 AI 真正深入企业核心业务，数据底座面临的挑战远不止于“能否找到数据”。数据的一致性、权限的管控、版本的可信、系统的高可用与快速恢复能力，都将直接决定 Agent 的决策质量与行动可靠性。
真正的 AI 数据库，必须直面生产系统中的完整工程命题。
OceanBase 湖库一体的 AI 数据库将库的事务、一致性、实时处理能力，与湖的开放、海量存储和多样化计算能力深度融合。它实现了对结构化、半结构化与非结构化数据的统一管理，打通在线服务与离线分析之间的壁垒，从而消除多系统拼凑带来的数据孤岛、链路冗余和工程复杂性问题。这为现代 AI 应用构建了坚实、实时、可扩展的数据底座。
方向明确之后，关键在于如何构建。OceanBase 将其置身于一套完整的产品体系，而非单一功能的革新。
它由三个关键部分组成：OceanBase Lakebase 作为底层核心引擎，承载湖库一体与多模态数据能力；DataStudio 是构建于其上的数据生产、治理与服务化工作台；DataPilot 则是面向业务决策的智能入口。三者协同，系统性覆盖了从数据底座、数据工程到业务智能的关键环节，致力于将企业分散的数据资产，转化为可管理、可理解、可驱动的智能生产力。
其核心能力体系可概括为以下五大支柱：
第一，湖库一体：实现多模态数据的实时统一处理。 传统架构中，结构化数据与非结构化数据分处不同系统，依赖外部链路进行关联。而 Agent 的运作，需要基于包含交易记录、沟通音频、图像文档等在内的完整业务上下文。OceanBase Lakebase 通过湖库一体架构，将数据库的事务一致性与实时能力，与数据湖的开放存储及海量容纳能力深度融合，使结构化、半结构化及非结构化数据遵从统一的元数据、权限与生命周期管理。数据无需反复迁移复制，即可直接支撑在线服务、实时分析与 AI 应用，确保业务事实的完整性与实时性。
第二，多模表与 AI 列：让非结构化数据成为一等数据资产。OceanBase Lakebase 创新性地引入多模表，使文本、图像、音视频、向量等多样态数据能与传统结构化字段共存于同一张表的语义之下，接受统一的管理与治理。更进一步，AI 列将模型能力内置于数据处理链路，允许数据在库内原位完成摘要生成、特征提取、向量化等智能加工。这彻底改变了非结构化数据仅为“存储文件”的现状，使其转变为可计算、可检索、可被 Agent 安全调用的高质量数据资产。
第三，Agent 友好：支撑 AI 应用从实验走向规模化生产。 Agent 的运行对数据环境提出了更高要求：需要长期的记忆与会话上下文、混合检索能力、以及安全的试错与回滚空间。OceanBase Lakebase 原生支持面向 Agent 的实时上下文工程，统一存储其记忆、状态与行动记录，并通过混合检索提供精准信息供给。同时，借助数据分支、逻辑库与资源隔离技术，能为海量 Agent 创建彼此独立、安全的数据沙箱，使其能在不影响生产主干数据的前提下迭代与运行，真正支撑智能应用的规模化部署。
第四，开放生态：无缝连接现代数据与 AI 技术栈。 我们深知，AI 时代的数据计算场景是多元共存的。OceanBase Lakebase 基于开放存储格式与可扩展架构，兼容 S3 对象存储，并可对接 Spark、Ray 等多样计算引擎。各引擎可基于同一份数据与元数据协同工作，企业因此能够构建开放、可持续演进的数据架构，灵活融入未来不断涌现的技术生态。
第五，一体化设计：降低 AI 落地的工程复杂度。 OceanBase AI 数据库的核心价值，在于通过一体化架构消除系统拼装带来的固有缺陷。企业无需再为事务处理、数据分析、向量检索等场景单独维护多套系统及其间复杂的同步链路。在统一底座上，数据只需一次治理、权限一套体系、元数据一个源头，即可同时承载多样化的关键负载。这大幅降低了开发、运维与协作的复杂性，让组织能够更专注于业务创新本身。
总体而言，这不是简单的“湖”与“库”叠加，而是以坚实的工程体系为基础，让事务实时能力与数据湖的开放、海量、多模态特性，在统一架构中协同工作。
OceanBase 选择湖库一体的 AI 数据库，并不是创造一个新概念，而是根植于我们长期积累的数据库能力，也是十五年来在真实场景中持续演进的结果。
自分布式数据库起步，OceanBase 一直在对可靠性要求极高的场景中打磨。今天，OceanBase 已服务超过 4000 家客户，其中包括七成以上万亿级银行。数据不出错、系统不中断、故障快速恢复，这些在金融级场景中沉淀出的工程能力，恰恰也是 AI 进入生产系统后最需要的底线能力。将这套能力延伸到湖、多模态数据和 Agent 工作负载，对我们而言，是站在十五年根基之上的自然演进。
这也呼应着 OceanBase 一贯的技术路线。十五年来，我们始终沿着一条清晰路径向前：从支撑在线交易，到统一处理交易与分析负载；从处理关系型数据，到管理结构化、半结构化与非结构化数据；从存算一体，走向存算分离与开放生态。每一次演进，都是为了减少数据搬运、降低系统复杂度，让更多数据形态与工作负载在统一架构中协同处理。
今天，OceanBase 打磨 AI 数据库的土壤，来自阿里与蚂蚁集团最前沿、最复杂、也最核心的真实 AI 场景，包括支付宝 AI 付、蚂蚁阿福、灵光、淘宝 AI 购物助理，以及通义千问、高德、飞猪等业务。这些场景不只是用户，更是驱动技术演进的练兵场。过去保障支付交易稳定运行的能力，正在转化为支撑 Agent 安全、可靠进入生产系统的数据基础。
十五年前，“双十一”的极致压力催生了新一代分布式数据库。今天，真实 AI 应用正在推动下一代 AI 数据库成熟。OceanBase AI 数据库，是我们基于长期工程实践，为企业进入 AI 时代提供的一次系统性回答。
未来十年，企业使用 AI 的方式不会停留在“问答”和“生成报告”。更大的变化，是大量 Agent 会进入企业生产系统，成为业务流程的一部分。一个客户发起服务请求，Agent 可以实时理解语音、图片、历史订单、合同条款和账户状态，判断问题类型，检索相似案例，生成处理方案，并在权限允许的范围内完成退款、补偿、调度或风控拦截。一个供应链异常出现时，Agent 不只是提醒人，而是结合库存、物流、合同、天气、视频和历史履约数据，模拟多种处置方案，并推动补货、改仓、改价或客户通知。一个 AI 生成的轻应用上线后，也不只是一个前端页面，而是拥有自己的数据空间、状态、记忆和可回滚的试验环境，可以持续运行、迭代和进化。
这类场景背后，AI 不再只是理解数据，而是开始参与业务行动。它需要的数据，也不再是一张表、一份文档或一个向量库，而是持续变化的业务上下文：结构化数据、非结构化数据、实时状态、长期记忆、执行记录和权限边界，都必须在同一套数据底座中被管理。
如果没有这样的底座，Agent 越多，企业的数据链路就越复杂；系统越多，数据的一致性、实时性和治理成本就越难控制。AI 应用很容易停留在试点阶段，难以进入真正的生产系统。
这正是 OceanBase AI 数据库希望解决的问题。我们希望让企业自己的数据，不再只是被存储、被查询、被归档，而是能够被 AI 理解、被 Agent 调用，并在可靠、安全、可治理的基础上转化为业务行动。
数据库正在经历一次角色转变：从“存放数据”，到“承载智能”。这不是一次产品升级，而是面向未来十年的基础设施演进。
下一个十年，OceanBase 的目标只有一个：再造一个 AI 时代的 OceanBase。
我们会继续沿着这条路线投入，把过去十五年在核心交易、金融级可靠性、实时处理和分布式架构中积累的能力，延伸到湖库一体、多模态数据、Agent 上下文和开放生态之上。
我们相信，AI 真正进入企业生产系统，最终拼的不是单点模型能力，而是数据基础设施的长期能力。OceanBase 会坚定投入这一方向，与客户和伙伴一起，把企业数据建设成可靠、开放、实时、可扩展的 AI 数据底座，让 AI 真正进入业务、理解业务，并持续创造业务价值。
立即试用 OceanBase 企业版，体验国产数据库能力立即试用 OceanBase 企业版，体验国产数据库能力