2026 阿里云 PolarDB 开发者大会
文章语言：
简
繁
EN
分享
纪要
原文
会议摘要
PolarDB作为全球领先的云原生数据库，通过存算分离、多模态数据融合等特性，显著提升性能与效率，降低企业成本。在AI时代，PolarDB致力于数据库智能化，内置AI引擎，实现湖库一体化，支持向量检索、图查询等，助力企业构建智能数据平台。与英特尔合作，利用CXL技术提升性能，确保数据安全与高可用性。PolarDB通过与阿里云百炼平台合作，提供一站式解决方案，支持企业智能化转型，展现AI时代数据处理的新能力。
会议速览
AI与数据库技术融合：探索数据基础设施的根本性变革在AI大模型与数据库技术深度融合的背景下，大会探讨了数据基础设施如何适应AI发展，强调从传统业务支撑系统向数据价值引擎和AI原生入口的转型，提出需进行根本性范式变革以解决AI落地的数据瓶颈问题。
AI原生数据库：深度集成、架构创新与产业落地加速讨论了AI原生数据库的发展趋势，强调了深度集成的重要性，介绍了Polo DB在内置AI大模型、性能优化及一体化平台构建方面的创新。同时，提到了基础架构的持续突破为AI时代定义性价比，以及Polo DB在产业落地加速方面的进展，强调了与客户合作的重要性，共同推动数据库技术向前发展。
AI就绪的云原生数据库：热数据与大模型的融合在AI发展道路上，数据和数据处理能力被视为推动超级智能的关键。阿里云智能集团资深副总裁分享了AI就绪的云原生数据库理念，强调将AI大模型嵌入数据库，解决数据重力和主权问题，实现热数据与模型算子化能力的结合，促进实时记忆与模型智能的有机融合，以高质量实时热数据作为智能引擎的燃料，推动智能交互在数据实时产生处发生。
PolarDB：从云原生数据库到AI就绪的智能数据引擎分享了PolarDB从云原生向AI演进的关键思路，包括Lake base架构、统一元数据管理、多模态数据管理和引擎支持等。强调了硬件创新、多模态检索、模型算子化、A镇化支持与开发，以及客户信任的重要性。PolarDB已赢得超过2万客户的信赖，连续六年获得市场第一，成为全球范围内认可的领导者。展望未来，PolarDB将作为智能数据引擎，与开发者和客户共同迈向超级人工智能时代。
AI时代数据库发展趋势与企业重塑策略分享了IDC关于全球智能体与token增长的预测，强调了AI时代数据管理与成本控制的重要性，以及如何通过data加AI重塑企业，包括生产力工具、业务流程、用户体验等八个方面，助力企业适应未来发展，实现挣钱、省钱、控险与创新的目标。
构建企业智能数据架构：从数据平面到业务活动平面的转型讨论了企业如何通过构建智能数据架构来优化运营和决策，强调了数据平面、控制平面、合成平面和业务活动平面的重要性。介绍了4D数据的概念，包括分布式、动态、多样化和暗数据，并指出利用这些数据对于提升企业效率至关重要。同时，对比了以人为中心和以AI为中心的数据处理方式，提出了多模态数据、策略自动化和自主生成洞察等新趋势，以及在业务活动平面上的知识发现和智能体参与。
AI与数据库融合：驱动企业转型的关键力量对话深入探讨了AI与数据库融合对企业未来影响的重要性。指出AI就绪组织在业务效率和收益上显著增长，数据库在AI时代扮演核心角色，需保存事实与上下文，支撑智能体行动。全球数据库市场预计年均增长12.8%，中国增长18.7%，其中关系数据库占主导。数据库正向AI原生化演进，融合非模式化与多模态，云化与开放标准成为趋势，预示着企业转型的全新路径。
gentle AI时代数据库六大能力需求解析对话深入探讨了gentle AI时代数据库的六大能力需求，包括联邦实时数据访问、原生向量与多模态语义处理、事务与分析一体化、自主运维与智能化数据管理、事件驱动与流式响应、零信任与自主数据治理。强调了联邦计算在数据隐私保护与共享中的作用，向量数据库集成趋势，以及智能体在业务现场实时决策的重要性。同时指出，数据库正从传统存储查询系统转变为智能底座，支撑智能体的实时感知与决策。最后，建议行业用户和开发者选择合适的数据库与合作伙伴以适应gentle AI时代的需求。
云化部署引领数据库市场增长，阿里云PolarDB优势显著全球数据库部署趋势显示，云化部署正快速增长，而私有化部署则趋于停滞或下降。阿里云凭借PolarDB在云部署关系数据库管理系统的市场份额中占据领先地位，其优势包括极致性能、金融级高可用性、0侵入迁移能力、生态兼容性及智能体应用支持等，助力企业业务创新，赢得智能业务时代。
PolarDB从云原生到AI原生的发展路径探索分享了PolarDB在AI时代的演进路线，从云原生的高并发处理和存储分离，到AI就绪阶段的向量数据和多模数据统一管理，再到AI原生的自制能力和全域数据统一管理。强调了limit list、CXL技术、积分一体架构和模型算子等关键升级，旨在提升数据库的弹性、扩展性和AI集成能力，助力企业级应用和智能体应用的高效运行。
PolarDB适应AI时代：湖库一体与多模数据管理创新PolarDB通过湖库一体架构和多模数据管理，适应AI时代需求，实现全域数据统一管理，支持开放格式数据，提供垂域数据集管理，内置AI节点，与AI生态兼容，旨在成为智能应用开发平台，挖掘数据价值。
阿里云百炼：大模型与数据库协同创新，构建数据不出域应用体系分享聚焦于阿里云百炼平台，介绍其作为大模型一体化开发平台的角色，以及如何通过模型算子化、数据协同和数据不出域体系，实现大模型与数据库的深度融合，推动数据处理和应用开发的创新。强调了在数据流中灵活运用模型，结合agent平台和原子算子，确保数据安全的同时，完成从模型到数据的全流程应用。
数据与大模型在企业Agent时代的融合与价值讨论了企业内部数据与大模型的适配性，强调数据形态对模型选择的重要性，介绍了数据处理的多种算子及应用场景，如文档检索增强、图文数据处理等，提出了多模态长期记忆的概念，展望了数据与大模型结合在AI时代为企业带来的价值增长。
PolarDB：从云原生迈向AI原生数据库的探索与实践分享了PolarDB在过去两年的发展，客户数量翻倍，业务增长40%，新增5000张GPU用于AI计算。强调了PolarDB在AI领域的探索，包括多模数据处理、多种类型搜索支持、AI模型集成及AI辅助数据库运维。提出AI原生数据库的四个支柱，旨在实现一站式数据处理，应对海量数据挑战，推动数据库从云原生向AI原生转型。
PolarDB Lake Base和PolarSearch：多模数据管理与内置查询引擎的创新实践讨论了PolarDB Lake Base在海量数据管理，特别是原数据与AI生成数据处理上的能力，以及PolarSearch内置的向量、文本和图查询引擎优势。强调了数据不迁移、硬件优化利用和实时舆情监控等应用场景，展示了在车企等领域的实际落地效果。
PolarDB的AI原生探索：内置模型、智能体支持与AI助手演讲者介绍了PolarDB在AI原生方面的探索，包括内置AI模型以实现智能预测、支持智能体的数据库特性、利用CXL技术解决内存瓶颈问题，以及通过AI助手优化数据库运维。PolarDB致力于多模态搜索、内置AI引擎、智能数据库助手等方向的发展，旨在提升数据库的智能化水平和运维效率。
理想汽车智能电动汽车与数据库实践案例分享分享了理想汽车自2015年成立以来，如何通过融合云架构，利用阿里云等公有云和私有云，结合mysql、PG、向量数据库和图数据库等PolarDB存储引擎，支持150万辆智能电动汽车产生的数据与服务，展现了智能电动汽车与数据库、AI产品实践的深度结合。
PolarDB助力理想汽车解决大数据存储与AI推理挑战面对智能汽车大数据存储和AI推理服务的挑战，理想汽车通过与PolarDB合作，利用其计算存储分离、海量数据库架构和AI能力，成功解决了数据存储成本、运维效率和AI推理服务稳定性问题，实现了企业级AI应用的快速落地，提升了服务稳定性和开发效率。
理想汽车与PolarDB数据库融合AI技术提升数据处理效率讨论了在AI时代下，传统数据提取流程效率低下问题，提出通过PolarDB的Data Agent结合小模型与大模型，实现自然语言到SQL的高效转换，准确率提升至95%。同时，利用PolarDB的AI就绪数据库数据湖底座，实现多模态数据的高效管理和利用，以及数据工程项目的成功上线，包括数据抽取、清洗、标注和再训练等功能，旨在降低模型训练成本并优化业务流程。
PolarDB赋能AI情感陪伴：千人千面定制化交互新范式分享聚焦于AI情感陪伴领域，探讨如何通过技术跃迁实现从简单回复到真正理解用户的秒回懂你。介绍了杜小满推出的拼图X产品，其作为AI原生应用在海外市场取得显著成绩，特别是在日本市场的情感陪伴APP下载量中排名第一。成功背后的核心在于构建千人千面的定制化情感陪伴，采用情感陪伴心智模型和福斯特交易思维驱动模型，确保角色成长曲线真实，避免讨好型AI，从而打造真正让人感到角色为真人的交互体验。
构建懂你秒回的虚拟陪伴：解决记忆、理解和回复速度三大挑战通过与PolarDB合作，采用4096维embedding模型、图向量AI模型和内存缓存技术，成功解决了虚拟陪伴AI在记忆、理解因果关系和快速回复方面的挑战，实现了更智能、更懂用户的AI陪伴体验。未来将持续探索超个性化长期记忆、多模态认知推理及性能成本优化，共同创造更智能的虚拟伙伴。
英特尔与阿里云共探AI时代数据库算力演进与创新分享了英特尔在AI时代对数据库算力演进的思考，重点介绍了至强6处理器在提升数据库性能、支持CXL内存池化方面的优势，以及与阿里云合作推动云原生数据库应用的成果。至强6处理器通过集成多种引擎，显著提升数据处理和AI工作负载效率，特别是在数据准备和AI模型加速方面。双方合作研发的CXL 2.0 switch技术，实现了数据库扩展能力的大幅提升，为AI时代提供了强大的算力支持。
Polo DB分布式数据库：企业级智能化增强与云原生架构创新Polo DB分布式数据库负责人阐述了企业级数据库的核心需求，包括安全、稳定、性能与成本优化、高并发服务扩展及智能创新。通过DB Stack架构创新，实现了数据面与控制面分离，确保系统在灾难性故障下的数据访问安全。同时，Polo DBX正融合多种负载，依托云基础设施实现资源自动分配与弹性能力，服务于金融行业等高要求场景，推动数据库技术的转型与升级。
数据安全与高可用：企业数据保护的全方位策略讨论了企业数据安全的四个阶段：事前防御、事中手段、事后审计及兜底恢复机制，强调了精细权限管理、数据加密、全链路审计和多层级回滚的重要性。介绍了金融行业高可用标准下的容灾模式，如4G容灾，通过仲裁管控集群实现RPO等于0，同城RTO2.5秒，异地16秒的快速故障切换。同时，优化了存储引擎和缓存系统，提升了读取性能，通过数据压缩和归档机制降低了存储成本，实现了全自动的归档规则配置。
企业级应用中智能化赋能的关键：准确知识搜索与智能体构建讨论了企业级应用中实现智能化赋能的挑战与解决方案，强调了准确知识搜索和智能体构建的重要性。通过PolarDB分布式数据库的案例，展示了如何利用向量索引、全文索引等技术，以及专家级经验构建的智能体，实现精准的上下文构造和自动化的运维建议，从而提升企业级应用的智能化水平。
工商银行数据库转型实践：挑战与目标工商银行软件开发中心分享了在国际形势紧张背景下，基于PolarDB进行大规模数据库转型的实践。转型面临服务连续性、数据安全、大规模切流及运维自动化等挑战，旨在实现业务创新与自主可控的平衡，推动ID架构体系与全站信创融合，确保平稳高效过渡，并与科技企业共建，加速实现自主可控和创新，为金融行业提供高水平科技自立自强的实践案例。
双方合作打造高可用与安全的数据解决方案经过一年多的紧密合作，双方共同开发并优化了多项数据管理与安全功能，包括高可用驱动连接、智能安全策略、回收站上限控制等，旨在提升数据安全性与系统稳定性。此外，还介绍了针对大规模运维场景的解决方案，如全链路跟踪、自动查杀大事务及集成化管理平台，有效支持上万个数据库节点的高效运维。
金融级分布式数据库转型：切流解决方案与AI能力落地展望讨论了金融级分布式数据库转型的关键解决方案，包括大规模快速切流技术的实现，正向与反向切流能力的整合，以及自动化平台的对接，确保了业务连续性和数据安全。此外，强调了降低研发成本、提升自动运维能力的工具体系，以及未来在核心应用承载能力、安全水平提升和AI能力落地方面的合作方向，旨在支撑金融行业的高质量转型。
PolarDB助力GoTo金融信贷业务高效迁移与成本优化介绍了GoTo金融信贷业务在印尼市场的广泛应用及快速增长，重点分享了从海外云平台迁移到阿里云PolarDB的实践，包括性能提升35%、成本降低50%的显著成效，以及PolarDB在稳定性、自动化运维和成本优化方面的优势。
多模态融合引擎与AI驱动的风控数据处理优化分享探讨了在风控决策场景中，通过构建多模态融合引擎，减少数据处理分散性，提升数据治理与监控效率。同时，借助AI技术，将数据准备等任务自动化，使专业人员能更专注于策略调整与决策，显著提高工作效率与产能。
要点回答
Q：PolarDB在技术创新方面有哪些具体举措和成果？
A：PolarDB在架构创新上持续突破，不仅在硬件层面进行三层解耦等创新，还在数据库团队的努力下再次登顶了TPC-C榜单，展示了对庞大算力需求的良好成本控制和普惠方案的能力。同时，通过存算分离架构和内置向量检索能力，提供一站式平台支持数据存储、事务处理及AI推理，简化了开发者的工作流程。
Q：PolarDB在产业落地方面有何特点和优势？
A：PolarDB在市场的需求驱动下，通过一体化、存算分离的架构以及一站式平台，成功服务于来自金融、政务、电信等核心系统，证明了其能够同时支撑TPAP和AI负载的能力，成为企业智能化的首选路径。这得益于广泛的客户信任与合作，共同推动了产品性能、成本和易用性的提升。
Q：AI模型的发展路径及其对数据库的影响是什么？
A：AI发展路径表现为从学习人、辅助人到自我迭代超越人再到超级人工智能。在这个过程中，数据和处理数据的能力成为扩展AI智能的关键，而数据库系统在其中扮演着存储和管理海量数据及处理能力的重要角色。将AI大模型嵌入数据库成为必然选择，以解决数据重搬运、数据主权和安全性问题，并实现热数据与模型算子化的有机结合，从而推动实时、高质量的数据处理和智能交互。
Q：在AI大模型与数据库技术深度融合的背景下，数据基础设施应如何演进以满足AI就绪的需求？
A：我们需要进行根本性的范式变革，将数据基础设施从传统的业务支撑系统转变为能够实现数据价值最大化和作为AI原生入口的数据引擎。AI数据库走向成熟的核心是深度集成，而非功能叠加。例如，PolarDB已推出内置AI大模型的版本，通过模型算子化技术嵌入内核，开发者可以直接调用AI完成全链路闭环，显著提升性能并简化复杂架构。
Q：在大理念下，你们做了哪些具体事情？
A：我们做了以下几方面的工作：首先，我们开发了面向agent native的多模态数据库一体化存储解决方案，结合硬件创新如CXL switch构建统一内存池，并升级polo FS支持一体化lake base。同时，我们还通过对接百链平台和pi来优化模型调率和实现多租弹性在线推理服务及交易分析的有机结合。
Q：对于原数据的统一管理方面，你们做了哪些升级？
A：我们升级了PolarDB内置的原数据管理能力，现在支持zero ETL的lake synchronization service。这意味着在lake base中的任何数据源发生变化时，其原数据信息可以实时自动同步。此外，我们还具备了处理多源异构数据的能力，并支持embedding、打标、标签和特征提取等操作无缝内嵌到元数据管理中。
Q：在数据检索和处理能力上，你们有哪些进展？
A：我们加强了PolarDB的多模态数据检索和处理能力，并深入推动模型计算，使其能够在数据库内部进行高效推理服务，让模型调用和token消耗更加场景化，从而提高资源使用效率。
Q：在agent开发和支持方面，你们是如何做的？
A：我们提供agent开发和运维部署支持，尤其重视长短记忆以及向量化embedding和特征提取等关键点。我们将这些能力抽象在PolarDB中，支持全文索引、图索引和向量索引，以帮助全文数据无缝支持AI开发，并通过零码开发方式简化智能化开发过程。
Q：PolarDB在AI时代的发展和客户认可情况如何？
A：PolarDB已从云原生数据库演变为AI就绪的云原生数据库，具备关键演进特征，如Lake base、多模模型算子化、A震化支持与开发以及硬件创新突破。目前，PolarDB已赢得超过2万客户的信赖，部署规模超300万核，覆盖全球86个可用区域，并在全球范围内获得一系列认可，例如连续六年在gartner cloud DBMS魔力象限保持领导者地位。
Q：未来数据库的发展趋势以及AI时代对数据库的需求是什么？
A：随着智能体和token的爆发式增长，企业将面临如何管理和编排智能体、做好人与智能体协同、治理和安全控制以及成本控制等挑战。同时，数据量将以每年2%至14%的速度增长，数据不再只是副产品，而是核心生产要素。企业需要重塑业务流程，包括生产力工具、业务流程、用户体验、产品服务、生态伙伴、决策模式、员工组织和商业模式等方面，以适应未来的发展，并建立智能数据架构来整合信息、洞察交付和形成数据文化。
Q：在AI时代，数据库的作用和重要性有何变化？
A：在AI时代，数据库的作用更加关键且重要。AI模型不保存事实，而数据库则需要保存事实，特别是在智能体出现后，数据库从读系统转变为行动系统，其职责和作用发生变化。此外，AI失败代价上升，数据层的责任愈发重大。数据库市场整体呈增长态势，其中关系数据库占据主导地位，并正全面走向AI原生化，AI for database将成为标配能力，提升数据库维护管理自动化水平。
Q：数据库市场的发展趋势有哪些？
A：数据库市场发展趋势包括全球市场规模从2024年的九百多亿美金增长到2029年的1700多亿美金，年均增长12.8%，中国市场的增长率约为18.7%，且关系数据库依然占据整体市场的大部分份额。趋势上，数据库正向AI原生化演进，非模式化与多模态数据库将加速崛起，云多云及开放标准成为演进主方向。
Q：AI时代对数据库的六大能力需求是什么？为什么联邦实时数据访问能力对数据库至关重要？
A：六大能力需求分别是：联邦实时数据访问能力、向量与多模态语义处理能力、事物与分析一体化的实时决策能力、自主运维与智能数据库管理能力、事件驱动与流式响应能力以及零信任与自主数据治理能力。联邦实时数据访问是核心需求之一，预测到2027年80%的代理AI应用场景需要实时、情境化、无处不在的数据访问。企业需解决不同部门间数据分享难题，通过联邦计算等方式实现数据在各部门本地存在情况下被智能体实时调用，从而提升业务协作效率、降低组织摩擦成本，并缩短决策链路。
Q：PolarDB在AI时代的发展路径是怎样的？
A：PolarDB的发展路径为云原生到AI就绪再到AI原生。在云原生阶段，主要解决高并发和海量数据存储问题；在AI ready阶段，支持向量和多模数据统一管理；最终在AI native阶段，具备一定的自制能力，提供全局数据统一管理和与AI应用生态兼容的能力，如记忆管理、知识库管理等。
Q：为什么Limit List这个能力在AI时代非常重要？
A：在AI时代，数据库的用户从开发者转变为以agent为主，对数据平台的弹性、线性扩展能力和读写同步扩展能力有了跨时代的更高要求。Limit List正是我们在探索这种能力方面的尝试。
Q：在云原生方面的第二个升级具体做了哪些改进？
A：我们利用CXL技术对三层解耦架构进行了全面升级，通过CXL替换掉RDMA互联方式，将延迟从微秒级降至百纳秒级，并打破了单机性能瓶颈，拥有相比本地内存16倍的远程内存。同时，CXL连接GPU，使PolarDB内部实现KV cache能力，助力数据库内部推理加速。
Q：PolarDB分布式版提出了什么架构以适应企业级应用需求？
A：PolarDB分布式版提出了积分一体架构，帮助用户从单体集中式应用平滑迁移至原生的企业级应用，并构建了金融级高可用的数据解决方案，例如全球多活和异地备份，该方案已在工行得到成功落地验证。
Q：如何将大模型能力引入数据库内部？
A：我们创新性地提出了模型算子的概念，使得在数据库内部可以调用大模型的能力，在数据全链路全生命周期中享受AI带来的技术升级。目前，模型算子已与百链对接。
Q：PolarDB如何适应AI时代的发展并拥抱lake base架构？
极地数据库如何适应AI时代的发展并拥抱lake base架构？
A：PolarDB选择拥抱lake base架构来打破数据壁垒，适应AI时代对数据更泛化和深入的需求。我们会从架构演进和开放格式支持两个方向努力，实现对全域非结构化、半结构化和结构化数据的统一管理，以及提供垂域数据集的管理能力、泛源数据管理和多模数据检索能力。
Q：湖库一体化中基于AI节点的大模型内置能力是如何实现的？
A：通过在PolarDB内部内置AI节点并提供完全托管的Ray处理框架，我们实现了数据处理和推理在数据库内部发生，使大模型能力在数据处理全生命周期中得以引入。
Q：PolarDB未来的发展目标是什么？
A：未来，PolarDB致力于三方面发展：1) 在数据重力指导下，不断集成最先进的大模型以充分挖掘数据价值；2) 成为所有智能一体应用开发的基础智能底座或智能平台；3) 使PolarDB的交互更加自然，支持语言处理和多模态处理，吸引更多普通用户使用。
Q：在处理图文数据时，为什么直接使用embedding或tranquil的方式切分后向量化不合适？
A：不合适是因为当处理右下角图文PP时，仅使用tranquil的算子或切分数据算子无法解决视觉模型对图文表意语义的理解问题。
Q：那么对于包含图表类PPT的数据，应该如何进行处理呢？
A：我们需要采用类似于VL视觉理解模型，将文本向量、文本特征与视觉特征投影到同一向量平面上，形成混合向量模式来识别和处理这些数据，以避免信息损失并提高模型效果。
Q：如何根据企业中不同形态的数据选择合适的模型，并考虑成本、性能、效率和效果等因素？
A：对于企业中的每种数据形态，应基于不同的算子进行动态组合，构建企业特有的匹配逻辑，并结合数据库能力搭建各种pipeline，将各类数据资产转化为面向大模型并具备应用价值的数据资产。
Q：关于长期记忆在数据库中的应用及其重要性是什么？
A：长期记忆对于解决复杂推理任务中的context和agent延续性推理计算问题至关重要。在实时动态更新和处理的过程中，长期记忆能提升模型准确度，同时根据用户画像和片段提供个性化推荐。未来的多模态长期记忆将在智能硬件与真实物理世界交互中发挥更大价值。
Q：PolarDB在AI探索方面做了哪些工作？
A：PolarDB在过去一年中致力于软硬结合的探索，包括CCL预演、AMX技术应用、文件存储改进等，并在AI方向上进行了深入研究。特别是在AI浪潮下，面对海量数据处理挑战，PolarDB正朝着AI原生方向发展，致力于解决多模数据处理、高效搜索、深度AI集成和AI辅助运维四大核心问题。
Q：PolarDB Lake Base如何应对海量数据管理和AI场景需求？
极端数据库湖基地如何处理大规模数据管理和AI场景需求？
A：PolarDB Lake Base是一个针对海量数据管理的产品，能够支持对关系型数据和非结构化数据（如图像等）的存储和管理。它由多个系统组成，提供原数据管理、对象存储管理及数据加速等功能，以帮助用户更好地管理和利用海量数据进行训练和推理工作。该方案已成功应用于某车企的百亿级别数据管理场景中。
Q：polo search产品具备哪些查询能力？polo search中的向量引擎有哪些优势？
A：polo search产品集成了多种查询能力，包括向量查询、图查询和文本查询，并且这些查询能力都内置在数据库内部进行操作。这样设计的好处在于数据无需迁移或流动到外部进行查询，实现一体化的操作。内置的向量引擎能够利用大量优化技术，如CXO内存和HNSW等算法，提高查询效率。此外，该引擎可以利用GPU等硬件设施来加速索引构建，相比于CPU可能只需要十几分钟到几十分钟即可完成，极大地提升了性能。
Q：polo DB在文本引擎和图引擎方面的特点是什么？
A：polo DB的文本引擎支持倒排索引和高效查找，类似于electric search，同样为内置引擎。而图引擎作为老一代数据库的一种，过去常用于风险处理，随着AI发展，如今在许多场景下变得越来越重要，用于支持长期记忆等应用。
Q：polo DB如何助力实时舆情监测？
A：polo DB通过内置引擎的优势，可以对实时数据进行查询，从而帮助用户实时监控和分析舆情。
Q：polo数据库如何实现模型作为操作者功能？
A：polo DB从去年开始探索将各类大模型和小模型（例如BST模型）内置到数据库中，以便客户实时获取预测结果，利用交易和充值数据判断用户行为趋势。
Q：polo DB如何解决智能体生命周期短且并发量大的问题？
A：polo DB拥有低级控制能力、多模agency快速创建和删除的特点，能有效应对智能体生命周期短、并发量大带来的挑战，并支持KV cache以优化推理效率。
Q：polo DB在AI与数据库融合方面做了哪些探索？
A：polo DB在四个方向上进行AI原生努力，包括多模融合、高级搜索、内置AI引擎（pod model as Operator）以及AI助手。其中，AI助手通过自然语言处理实现集群信息查询、性能分析等功能，简化运维操作。
Q：理想汽车为何选择与PolarDB合作并取得哪些成效？理想汽车如何利用PolarDB解决AI产品中遇到的问题？
A：理想汽车因为智能电动汽车数据量庞大且增长迅速，面临原生数据库的开发运维效率低下、存储成本翻倍等问题。经过测试后，理想汽车最终选择PolarDB，计算存储分离的架构降低了60%的成本，原生的海量数据库架构减少了50%的运维成本，同时支持h type能力提高了三倍的运维效率。理想汽车通过对接PolarDB AI推理模型服务，结合PolarDB的KV cache底层技术，解决了大模型推理服务中的数据隐私安全问题以及GPU排队等待导致的业务响应延迟增加问题，实现了服务稳定性提升超过60%。
Q：在打造基础AI模型推理服务后，如何实现应用快速落地并生成企业级AI应用？
A：我们与PolarDB的super base进行了合作，利用其底层的PolarDB原生数据库、高性能存储以及AI数据能力，对接融合云以完成服务稳定性达到100%，并通过web coding提升百倍以上的开发效率。
Q：在AI模型和AI应用落地后，面临了什么深层次的问题？
A：主要问题在于智能取数，传统流程中业务向数仓提交需求并等待数小时至数天获取数据，这在AI时代显然无法满足高效需求。
Q：智能取数方面有哪些主要需求？
A：主要需求包括：一是业务人员不熟悉SQL编写，需要从自然语言实时获取最新鲜、最热的数据；二是支持多种协议关系型数据库（如MySQL和PostgreSQL）的数据获取。
Q：解决方案是如何实现智能取数的？
A：我们对接了PolarDB的数据代理（data agent），它具有小模型和大模型结合的优势，小模型提取关键信息，大模型理解用户语义并进行NL to SQL优化，结合向量知识库插入企业内部知识数据后，准确率可达95%左右。
Q：接下来的理想汽车与PolarDB将在哪些方面进行合作？
A：将结合PolarDB的AI数据服务、数据湖底座能力，对海量多模态数据进行管理、查询和使用；同时也会在数据工程领域进行合作，利用PolarDB的技术支持方便内部开发者对数据进行训练、部署和微调。
Q：杜小满AI互娱技术负责人陆长青分享的主题是什么？
A：陆长青分享的主题是PolarDB助力AI情感陪伴交互新范式，重点探讨了如何让AI陪伴从简单的回复升级为真正懂用户的秒回陪伴，包括技术探索和实践经验。
Q：杜小满的in to x产品为何能在海外市场取得成功？
A：in to x成功背后的关键是构建了千人千面定制化的情感陪伴，采用情感陪伴心智模型定义用户画像，并通过福斯特交易思维驱动模型设计角色，实现真正让用户感到被理解和关注的情感互动。
Q：in to x如何解决记忆问题并构建共情铁三角解决方案？
A：为了解决记忆问题，in to x采用4096维的embedding模型，并与PolarDB合作，利用PolarDB MySQL存储百亿级对话数据和PolarSearch实现百TB级别的向量检索。此外，还结合polar urgent memory解决记忆混淆问题，以及通过KV cache技术提升回复速度，实现懂你秒回的效果。
Q：在AI时代，英特尔如何看待数据库算力的演进？
A：英特尔认为算力已成为推动数字经济发展的核心动力，并且随着国内计算机持续高速增长以及大规模大模型技术和原生AI应用的蓬勃发展，对CPU综合性能的要求越来越高。为此，英特尔去年推出了至强6处理器，集成多种引擎以支持多行业业务负载高效协作，满足不断演进的算力需求。
Q：英特尔至强6处理器在数据库和AI方面的表现如何？英特尔如何与阿里云合作推动AI时代云原生数据库的发展？
A：至强6处理器具备全方位的强大算力，能够有效提升数据库处理能力，尤其是通过内置AI安全、网络数据分析和存储引擎，以及对C叉L 2.0规范的全面支持，实现了在数据库内AI模型标注、响应式检索及通用数据库基准测试等方面的显著性能提升。例如，在AMX技术支持下，embedding performance可提高256%。此外，至强6还优化了数据库内置AI模型性能，如利用AMX指令集和优化工具包，针对WDL推荐系统模型在不同批次大小下获得24%至86%的性能提升。英特尔与阿里云共同协作，利用至强6处理器的综合能力加速数据处理和AI创新。在数据准备阶段，至强6展现出强大的处理能力，并内置了一系列机器学习和人工智能算法。通过优化AI云原生数据库性能，英特尔和阿里云致力于创新技术和解决方案的研发，例如推动CCL开放互联技术的发展，并确保至强6支持CXL内存池化架构方案，满足数据库AI多样化负载需求。在2025年9月底的云栖大会上，双方共同见证了搭载CXL2.0 switch技术的Polo DB数据库专用服务器发布，该方案显著提升了数据库扩展能力和性能表现。
Q：企业级智能化增强的Polo DB分布式数据库有何特点？
A：作为企业级数据库产品，Polo DB分布式数据库始终坚持以安全稳定为核心，通过内核级别的安全设计、数据防篡改机制和数据零丢失保障等手段实现企业级数据库需求。在此基础上，不断提升性价比、高并发服务扩展性和智能创新需求。特别是在工商银行数据库转型项目中，Polo DB分布式采用了云原生技术构建全新的DB stack架构，实现了资源池化、容器化服务和通用数据库资源调度，确保数据层面与控制层面分离，从而提供细腻度极高的弹性能力。同时，Polo DBX也在向融合方向发展，支持多种负载如交易负载、数据分析负载和AI推理负载在同一套分布式架构上运行，并通过全链路审计和多层级回滚机制保障数据安全和高可用性。
Q：4G容灾方案中，为何需要引入仲裁管控集群，以及如何处理机房级故障？
A：在4G容灾场景下，由于其两机房四副本的配置与pockets一致性协议存在冲突，为解决大小机房问题，我们引入了仲裁管控集群。当检测到机房级故障时，管控集群将执行副本数量降级操作，确保RPU为0。通过这种方式，在大规模数据容灾演练切换中，同城RTO可以达到2.5秒，异地平均RTO为16秒。
Q：在PolarDB中，如何实现对不同负载类型的统一处理和优化？
A：PolarDB通过统一存储引擎和超低成本内存引擎实现了对所有负载类型的优化处理。重点提升了缓存系统的读取性能，达到12倍的提升，并且做到了亚秒级的数据实时转换同步时延。同时，针对存储成本上升的问题，通过在线数据压缩和历史数据归档机制，实现了成本的最大节省，归档过程全自动且支持分区和行级TTL配置。
Q：如何在企业级应用中实现智能化赋能，尤其是保证执行过程的准确性？
A：对于企业级应用智能化赋能，关键在于提供确定性和可审计的操作流程。目前大部分agent采用反应模式，在执行过程中可能出现累积误差。而数据库在企业级应用中应提供精确的事实数据和准确的知识搜索，以满足智能体构建过程中的需求。PolarDB分布式计算存储层引入了向量索引、全文索引等技术，并在交易事务系统中增强分析加速和混合检索能力，以提供精确的上下文信息。
Q：PolarDB在智能体构建过程中的具体作用是什么？
A：PolarDB在智能体构建过程中扮演着构建精确上下文的角色，通过长短期记忆机制保证准确知识搜索及ML training自动化规划和深度搜索。它融合了云上的大规模专家级经验，形成了运维智能体，具备分区索引推荐、分布式死锁检测、可用性故障诊断、SQL性能洞察等功能，并能根据专家经验构建知识图谱，进行持续反思迭代，最终调用大模型给出分析或运维建议。
Q：PolarDB x agent如何实现智能问答和运维优化？
A：PolarDB x agent基于rag实现智能问答，可生成分区表结构并推荐最优索引，支持上下文感知的表结构演进。例如，它可以一键改造为按天分区的TTL表，并能咨询高阶功能如列存引擎开启方式及适用场景。此外，还具备智能诊断能力，可根据报错定位并分析根本原因，或调用诊断工具分析高可用切换根因。
Q：中国工商银行在数据库转型过程中面临的主要挑战有哪些？为了实现数据库转型的目标，工商银行采取了怎样的策略？
A：工商银行在数据库转型中面临的主要挑战包括服务连续性保障、数据安全性（如防止财产损失）、大规模复杂改造、运维自动化平台建设、学习成本控制、快速切换及回切机制的实现以及满足严格的生产运维要求等。工行采取了两大策略来实现数据库转型目标：一是利用自身独特优势，如严格的生产运维要求、超大规模运维实践以及深厚的应用设计、研发运维积累；二是与阿里云等头部科技企业共建共创，聚焦核心技术攻关，加速实现自主可控和创新突破。
Q：在与阿里云合作过程中，工商银行在高可用性、安全性和应急恢复方面取得了哪些改进？
A：工商银行与阿里云合作，在高可用方面实现了驱动级别的高可用连接，减少了中间负载均衡环节；在安全性方面，调整了密码错误锁定策略，仅锁定发起请求的用户，避免全面性影响，并增加了回收站功能上限限制，保证数据快速恢复的同时防止空间紧张。此外，还共同打造了自制运维平台和DB stack center解决方案，提升了全链路跟踪、AWR性能报告分析能力以及针对MySQL大事务的自动查杀功能。
Q：在大规模快速切流解决方案中，你们主要采取了哪些措施来实现自动化和标准化？
A：我们通过让产品与行内的自动化平台对接，实现了数据迁移、转流和切流等流程，并将业务系统本身的切流集成在一起。这样将所有业务系统的切流作为一个整体进行管理，提升了自动化和标准化能力。目前在管控内可以实现300个节点在20分钟内并发切流。
Q：在反向复制方面，你们是如何实现从新库到旧库的数据复制，并确保安全性？
A：我们通过反向复制建立新库到旧库的数据复制链路，并与行业自动化平台对接，实现了单个管控台管理300个分片，在20分钟内完成切流反回退的效果。
Q：在研发工具体系方面，你们主要关注哪些方向以降低成本和提升运维能力？
A：我们的工具体系主要关注两个方面：一是降低研发成本，例如优化DDL表结构、SQL编写与测试等；二是提升自动运维能力，确保运维工作能够处理大量批量任务。
Q：对于未来发展方向，你们有哪些计划？
A：未来我们将持续提升核心应用的承载能力，如封层解耦、异常隔离、弹性伸缩等，并加强安全性建设，包括存储加密、脱敏及漏洞防护等。同时，我们希望通过合作进一步推进AI技术在金融级分布式数据库领域的落地应用，以实现主动预测和解决潜在问题，助力金融行业的高质量转型发展。
Q：能否分享一下在go to集团中PolarDB的实际应用案例？
A：在go to集团，PolarDB被应用于信贷产品中，覆盖了集团内部和外部多种场景。随着用户基数的增长，业务量每年以两位数甚至三位数的速度增长。在迁移过程中，从海外云服务商迁移到阿里云上使用PolarDB，显著提升了性能和稳定性，同时降低了50%左右的成本。PolarDB的特性如存算分离、读节点自动扩容等，极大地简化了数据库管理和运维工作，让团队能更专注于业务创新和价值创造。
