2026 阿里雲 PolarDB 開發者大會
文章语言：
简
繁
EN
Share
Minutes
原文
會議摘要
PolarDB作為全球領先的雲原生數據庫，通過存算分離、多模態數據融合等特性，顯著提升性能與效率，降低企業成本。在AI時代，PolarDB致力於數據庫智能化，內置AI引擎，實現湖庫一體化，支持向量檢索、圖查詢等，助力企業構建智能數據平台。與英特爾合作，利用CXL技術提升性能，確保數據安全與高可用性。PolarDB通過與阿里雲百煉平台合作，提供一站式解決方案，支持企業智能化轉型，展現AI時代數據處理的新能力。
會議速覽
AI與數據庫技術融合：探索數據基礎設施的根本性變革在AI大模型與數據庫技術深度融合的背景下，大會探討了數據基礎設施如何適應AI發展，強調從傳統業務支撐系統向數據價值引擎和AI原生入口的轉型，提出需進行根本性範式變革以解決AI落地的數據瓶頸問題。
AI原生數據庫：深度集成、架構創新與産業落地加速討論了AI原生數據庫的發展趨勢，強調了深度集成的重要性，介紹了Polo DB在內置AI大模型、性能優化及一體化平台構建方面的創新。同時，提到了基礎架構的持續突破為AI時代定義性價比，以及Polo DB在産業落地加速方面的進展，強調了與客戶合作的重要性，共同推動數據庫技術向前發展。
AI就緒的雲原生數據庫：熱數據與大模型的融合在AI發展道路上，數據和數據處理能力被視為推動超級智能的關鍵。阿里雲智能集團資深副總裁分享了AI就緒的雲原生數據庫理念，強調將AI大模型嵌入數據庫，解決數據重力和主權問題，實現熱數據與模型算子化能力的結合，促進實時記憶與模型智能的有機融合，以高質量實時熱數據作為智能引擎的燃料，推動智能交互在數據實時産生處發生。
PolarDB：從雲原生數據庫到AI就緒的智能數據引擎分享了PolarDB從雲原生向AI演進的關鍵思路，包括Lake base架構、統一元數據管理、多模態數據管理和引擎支持等。強調了硬件創新、多模態檢索、模型算子化、A鎮化支持與開發，以及客戶信任的重要性。PolarDB已贏得超過2萬客戶的信賴，連續六年獲得市場第一，成為全球範圍內認可的領導者。展望未來，PolarDB將作為智能數據引擎，與開發者和客戶共同邁向超級人工智能時代。
AI時代數據庫發展趨勢與企業重塑策略分享了IDC關於全球智能體與token增長的預測，強調了AI時代數據管理與成本控制的重要性，以及如何通過data加AI重塑企業，包括生産力工具、業務流程、用戶體驗等八個方面，助力企業適應未來發展，實現掙錢、省錢、控險與創新的目標。
構建企業智能數據架構：從數據平面到業務活動平面的轉型討論了企業如何通過構建智能數據架構來優化運營和決策，強調了數據平面、控制平面、合成平面和業務活動平面的重要性。介紹了4D數據的概念，包括分佈式、動態、多樣化和暗數據，並指出利用這些數據對於提升企業效率至關重要。同時，對比了以人為中心和以AI為中心的數據處理方式，提出了多模態數據、策略自動化和自主生成洞察等新趨勢，以及在業務活動平面上的知識發現和智能體參與。
AI與數據庫融合：驅動企業轉型的關鍵力量對話深入探討了AI與數據庫融合對企業未來影響的重要性。指出AI就緒組織在業務效率和收益上顯著增長，數據庫在AI時代扮演核心角色，需保存事實與上下文，支撐智能體行動。全球數據庫市場預計年均增長12.8%，中國增長18.7%，其中關系數據庫占主導。數據庫正向AI原生化演進，融合非模式化與多模態，雲化與開放標准成為趨勢，預示着企業轉型的全新路徑。
gentle AI時代數據庫六大能力需求解析對話深入探討了gentle AI時代數據庫的六大能力需求，包括聯邦實時數據訪問、原生向量與多模態語義處理、事務與分析一體化、自主運維與智能化數據管理、事件驅動與流式響應、零信任與自主數據治理。強調了聯邦計算在數據隱私保護與共享中的作用，向量數據庫集成趨勢，以及智能體在業務現場實時決策的重要性。同時指出，數據庫正從傳統存儲查詢系統轉變為智能底座，支撐智能體的實時感知與決策。最後，建議行業用戶和開發者選擇合適的數據庫與合作夥伴以適應gentle AI時代的需求。
雲化部署引領數據庫市場增長，阿里雲PolarDB優勢顯著全球數據庫部署趨勢顯示，雲化部署正快速增長，而私有化部署則趨於停滯或下降。阿里雲憑借PolarDB在雲部署關系數據庫管理系統的市場份額中占據領先地位，其優勢包括極致性能、金融級高可用性、0侵入遷移能力、生態兼容性及智能體應用支持等，助力企業業務創新，贏得智能業務時代。
PolarDB從雲原生到AI原生的發展路徑探索分享了PolarDB在AI時代的演進路綫，從雲原生的高並發處理和存儲分離，到AI就緒階段的向量數據和多模數據統一管理，再到AI原生的自制能力和全域數據統一管理。強調了limit list、CXL技術、積分一體架構和模型算子等關鍵升級，旨在提升數據庫的彈性、擴展性和AI集成能力，助力企業級應用和智能體應用的高效運行。
PolarDB適應AI時代：湖庫一體與多模數據管理創新PolarDB通過湖庫一體架構和多模數據管理，適應AI時代需求，實現全域數據統一管理，支持開放格式數據，提供垂域數據集管理，內置AI節點，與AI生態兼容，旨在成為智能應用開發平台，挖掘數據價值。
阿里雲百煉：大模型與數據庫協同創新，構建數據不出域應用體系分享聚焦於阿里雲百煉平台，介紹其作為大模型一體化開發平台的角色，以及如何通過模型算子化、數據協同和數據不出域體系，實現大模型與數據庫的深度融合，推動數據處理和應用開發的創新。強調了在數據流中靈活運用模型，結合agent平台和原子算子，確保數據安全的同時，完成從模型到數據的全流程應用。
數據與大模型在企業Agent時代的融合與價值討論了企業內部數據與大模型的適配性，強調數據形態對模型選擇的重要性，介紹了數據處理的多種算子及應用場景，如文檔檢索增強、圖文數據處理等，提出了多模態長期記憶的概念，展望了數據與大模型結合在AI時代為企業帶來的價值增長。
PolarDB：從雲原生邁向AI原生數據庫的探索與實踐分享了PolarDB在過去兩年的發展，客戶數量翻倍，業務增長40%，新增5000張GPU用於AI計算。強調了PolarDB在AI領域的探索，包括多模數據處理、多種類型搜索支持、AI模型集成及AI輔助數據庫運維。提出AI原生數據庫的四個支柱，旨在實現一站式數據處理，應對海量數據挑戰，推動數據庫從雲原生向AI原生轉型。
PolarDB Lake Base和PolarSearch：多模數據管理與內置查詢引擎的創新實踐討論了PolarDB Lake Base在海量數據管理，特別是原數據與AI生成數據處理上的能力，以及PolarSearch內置的向量、文本和圖查詢引擎優勢。強調了數據不遷移、硬件優化利用和實時輿情監控等應用場景，展示了在車企等領域的實際落地效果。
PolarDB的AI原生探索：內置模型、智能體支持與AI助手演講者介紹了PolarDB在AI原生方面的探索，包括內置AI模型以實現智能預測、支持智能體的數據庫特性、利用CXL技術解決內存瓶頸問題，以及通過AI助手優化數據庫運維。PolarDB致力於多模態搜索、內置AI引擎、智能數據庫助手等方向的發展，旨在提升數據庫的智能化水平和運維效率。
理想汽車智能電動汽車與數據庫實踐案例分享分享了理想汽車自2015年成立以來，如何通過融合雲架構，利用阿里雲等公有雲和私有雲，結合mysql、PG、向量數據庫和圖數據庫等PolarDB存儲引擎，支持150萬輛智能電動汽車産生的數據與服務，展現了智能電動汽車與數據庫、AI産品實踐的深度結合。
PolarDB助力理想汽車解決大數據存儲與AI推理挑戰面對智能汽車大數據存儲和AI推理服務的挑戰，理想汽車通過與PolarDB合作，利用其計算存儲分離、海量數據庫架構和AI能力，成功解決了數據存儲成本、運維效率和AI推理服務穩定性問題，實現了企業級AI應用的快速落地，提升了服務穩定性和開發效率。
理想汽車與PolarDB數據庫融合AI技術提升數據處理效率討論了在AI時代下，傳統數據提取流程效率低下問題，提出通過PolarDB的Data Agent結合小模型與大模型，實現自然語言到SQL的高效轉換，准確率提升至95%。同時，利用PolarDB的AI就緒數據庫數據湖底座，實現多模態數據的高效管理和利用，以及數據工程項目的成功上綫，包括數據抽取、清洗、標注和再訓練等功能，旨在降低模型訓練成本並優化業務流程。
PolarDB賦能AI情感陪伴：千人千面定制化交互新範式分享聚焦於AI情感陪伴領域，探討如何通過技術躍遷實現從簡單回複到真正理解用戶的秒回懂你。介紹了杜小滿推出的拼圖X産品，其作為AI原生應用在海外市場取得顯著成績，特別是在日本市場的情感陪伴APP下載量中排名第一。成功背後的核心在於構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維驅動模型，確保角色成長曲綫真實，避免討好型AI，從而打造真正讓人感到角色為真人的交互體驗。
構建懂你秒回的虛擬陪伴：解決記憶、理解和回複速度三大挑戰通過與PolarDB合作，采用4096維embedding模型、圖向量AI模型和內存緩存技術，成功解決了虛擬陪伴AI在記憶、理解因果關系和快速回複方面的挑戰，實現了更智能、更懂用戶的AI陪伴體驗。未來將持續探索超個性化長期記憶、多模態認知推理及性能成本優化，共同創造更智能的虛擬夥伴。
英特爾與阿里雲共探AI時代數據庫算力演進與創新分享了英特爾在AI時代對數據庫算力演進的思考，重點介紹了至強6處理器在提升數據庫性能、支持CXL內存池化方面的優勢，以及與阿里雲合作推動雲原生數據庫應用的成果。至強6處理器通過集成多種引擎，顯著提升數據處理和AI工作負載效率，特別是在數據准備和AI模型加速方面。雙方合作研發的CXL 2.0 switch技術，實現了數據庫擴展能力的大幅提升，為AI時代提供了強大的算力支持。
Polo DB分佈式數據庫：企業級智能化增強與雲原生架構創新Polo DB分佈式數據庫負責人闡述了企業級數據庫的核心需求，包括安全、穩定、性能與成本優化、高並發服務擴展及智能創新。通過DB Stack架構創新，實現了數據面與控制面分離，確保系統在災難性故障下的數據訪問安全。同時，Polo DBX正融合多種負載，依托雲基礎設施實現資源自動分配與彈性能力，服務於金融行業等高要求場景，推動數據庫技術的轉型與升級。
數據安全與高可用：企業數據保護的全方位策略討論了企業數據安全的四個階段：事前防禦、事中手段、事後審計及兜底恢複機制，強調了精細權限管理、數據加密、全鏈路審計和多層級回滾的重要性。介紹了金融行業高可用標准下的容災模式，如4G容災，通過仲裁管控集群實現RPO等於0，同城RTO2.5秒，異地16秒的快速故障切換。同時，優化了存儲引擎和緩存系統，提升了讀取性能，通過數據壓縮和歸檔機制降低了存儲成本，實現了全自動的歸檔規則配置。
企業級應用中智能化賦能的關鍵：准確知識搜索與智能體構建討論了企業級應用中實現智能化賦能的挑戰與解決方案，強調了准確知識搜索和智能體構建的重要性。通過PolarDB分佈式數據庫的案例，展示了如何利用向量索引、全文索引等技術，以及專家級經驗構建的智能體，實現精准的上下文構造和自動化的運維建議，從而提升企業級應用的智能化水平。
工商銀行數據庫轉型實踐：挑戰與目標工商銀行軟件開發中心分享了在國際形勢緊張背景下，基於PolarDB進行大規模數據庫轉型的實踐。轉型面臨服務連續性、數據安全、大規模切流及運維自動化等挑戰，旨在實現業務創新與自主可控的平衡，推動ID架構體系與全站信創融合，確保平穩高效過渡，並與科技企業共建，加速實現自主可控和創新，為金融行業提供高水平科技自立自強的實踐案例。
雙方合作打造高可用與安全的數據解決方案經過一年多的緊密合作，雙方共同開發並優化了多項數據管理與安全功能，包括高可用驅動連接、智能安全策略、回收站上限控制等，旨在提升數據安全性與系統穩定性。此外，還介紹了針對大規模運維場景的解決方案，如全鏈路跟蹤、自動查殺大事務及集成化管理平台，有效支持上萬個數據庫節點的高效運維。
金融級分佈式數據庫轉型：切流解決方案與AI能力落地展望討論了金融級分佈式數據庫轉型的關鍵解決方案，包括大規模快速切流技術的實現，正向與反向切流能力的整合，以及自動化平台的對接，確保了業務連續性和數據安全。此外，強調了降低研發成本、提升自動運維能力的工具體系，以及未來在核心應用承載能力、安全水平提升和AI能力落地方面的合作方向，旨在支撐金融行業的高質量轉型。
PolarDB助力GoTo金融信貸業務高效遷移與成本優化介紹了GoTo金融信貸業務在印尼市場的廣泛應用及快速增長，重點分享了從海外雲平台遷移到阿里雲PolarDB的實踐，包括性能提升35%、成本降低50%的顯著成效，以及PolarDB在穩定性、自動化運維和成本優化方面的優勢。
多模態融合引擎與AI驅動的風控數據處理優化分享探討了在風控決策場景中，通過構建多模態融合引擎，減少數據處理分散性，提升數據治理與監控效率。同時，借助AI技術，將數據准備等任務自動化，使專業人員能更專注於策略調整與決策，顯著提高工作效率與産能。
要點回答
Q：PolarDB在技術創新方面有哪些具體舉措和成果？
A：PolarDB在架構創新上持續突破，不僅在硬件層面進行三層解耦等創新，還在數據庫團隊的努力下再次登頂了TPC-C榜單，展示了對龐大算力需求的良好成本控制和普惠方案的能力。同時，通過存算分離架構和內置向量檢索能力，提供一站式平台支持數據存儲、事務處理及AI推理，簡化了開發者的工作流程。
Q：PolarDB在産業落地方面有何特點和優勢？
A：PolarDB在市場的需求驅動下，通過一體化、存算分離的架構以及一站式平台，成功服務於來自金融、政務、電信等核心系統，證明了其能夠同時支撐TPAP和AI負載的能力，成為企業智能化的首選路徑。這得益於廣泛的客戶信任與合作，共同推動了産品性能、成本和易用性的提升。
Q：AI模型的發展路徑及其對數據庫的影響是什麽？
A：AI發展路徑表現為從學習人、輔助人到自我迭代超越人再到超級人工智能。在這個過程中，數據和處理數據的能力成為擴展AI智能的關鍵，而數據庫系統在其中扮演着存儲和管理海量數據及處理能力的重要角色。將AI大模型嵌入數據庫成為必然選擇，以解決數據重搬運、數據主權和安全性問題，並實現熱數據與模型算子化的有機結合，從而推動實時、高質量的數據處理和智能交互。
Q：在AI大模型與數據庫技術深度融合的背景下，數據基礎設施應如何演進以滿足AI就緒的需求？
A：我們需要進行根本性的範式變革，將數據基礎設施從傳統的業務支撐系統轉變為能夠實現數據價值最大化和作為AI原生入口的數據引擎。AI數據庫走向成熟的核心是深度集成，而非功能疊加。例如，PolarDB已推出內置AI大模型的版本，通過模型算子化技術嵌入內核，開發者可以直接調用AI完成全鏈路閉環，顯著提升性能並簡化複雜架構。
Q：在大理念下，你們做了哪些具體事情？
A：我們做了以下幾方面的工作：首先，我們開發了面向agent native的多模態數據庫一體化存儲解決方案，結合硬件創新如CXL switch構建統一內存池，並升級polo FS支持一體化lake base。同時，我們還通過對接百鏈平台和pi來優化模型調率和實現多租彈性在綫推理服務及交易分析的有機結合。
Q：對於原數據的統一管理方面，你們做了哪些升級？
A：我們升級了PolarDB內置的原數據管理能力，現在支持zero ETL的lake synchronization service。這意味着在lake base中的任何數據源發生變化時，其原數據信息可以實時自動同步。此外，我們還具備了處理多源異構數據的能力，並支持embedding、打標、標簽和特征提取等操作無縫內嵌到元數據管理中。
Q：在數據檢索和處理能力上，你們有哪些進展？
A：我們加強了PolarDB的多模態數據檢索和處理能力，並深入推動模型計算，使其能夠在數據庫內部進行高效推理服務，讓模型調用和token消耗更加場景化，從而提高資源使用效率。
Q：在agent開發和支持方面，你們是如何做的？
A：我們提供agent開發和運維部署支持，尤其重視長短記憶以及向量化embedding和特征提取等關鍵點。我們將這些能力抽象在PolarDB中，支持全文索引、圖索引和向量索引，以幫助全文數據無縫支持AI開發，並通過零碼開發方式簡化智能化開發過程。
Q：PolarDB在AI時代的發展和客戶認可情況如何？
A：PolarDB已從雲原生數據庫演變為AI就緒的雲原生數據庫，具備關鍵演進特征，如Lake base、多模模型算子化、A震化支持與開發以及硬件創新突破。目前，PolarDB已贏得超過2萬客戶的信賴，部署規模超300萬核，覆蓋全球86個可用區域，並在全球範圍內獲得一系列認可，例如連續六年在gartner cloud DBMS魔力象限保持領導者地位。
Q：未來數據庫的發展趨勢以及AI時代對數據庫的需求是什麽？
A：隨着智能體和token的爆發式增長，企業將面臨如何管理和編排智能體、做好人與智能體協同、治理和安全控制以及成本控制等挑戰。同時，數據量將以每年2%至14%的速度增長，數據不再只是副産品，而是核心生産要素。企業需要重塑業務流程，包括生産力工具、業務流程、用戶體驗、産品服務、生態夥伴、決策模式、員工組織和商業模式等方面，以適應未來的發展，並建立智能數據架構來整合信息、洞察交付和形成數據文化。
Q：在AI時代，數據庫的作用和重要性有何變化？
A：在AI時代，數據庫的作用更加關鍵且重要。AI模型不保存事實，而數據庫則需要保存事實，特別是在智能體出現後，數據庫從讀系統轉變為行動系統，其職責和作用發生變化。此外，AI失敗代價上升，數據層的責任愈發重大。數據庫市場整體呈增長態勢，其中關系數據庫占據主導地位，並正全面走向AI原生化，AI for database將成為標配能力，提升數據庫維護管理自動化水平。
Q：數據庫市場的發展趨勢有哪些？
A：數據庫市場發展趨勢包括全球市場規模從2024年的九百多億美金增長到2029年的1700多億美金，年均增長12.8%，中國市場的增長率約為18.7%，且關系數據庫依然占據整體市場的大部分份額。趨勢上，數據庫正向AI原生化演進，非模式化與多模態數據庫將加速崛起，雲多雲及開放標准成為演進主方向。
Q：AI時代對數據庫的六大能力需求是什麽？為什麽聯邦實時數據訪問能力對數據庫至關重要？
A：六大能力需求分別是：聯邦實時數據訪問能力、向量與多模態語義處理能力、事物與分析一體化的實時決策能力、自主運維與智能數據庫管理能力、事件驅動與流式響應能力以及零信任與自主數據治理能力。聯邦實時數據訪問是核心需求之一，預測到2027年80%的代理AI應用場景需要實時、情境化、無處不在的數據訪問。企業需解決不同部門間數據分享難題，通過聯邦計算等方式實現數據在各部門本地存在情況下被智能體實時調用，從而提升業務協作效率、降低組織摩擦成本，並縮短決策鏈路。
Q：PolarDB在AI時代的發展路徑是怎樣的？
A：PolarDB的發展路徑為雲原生到AI就緒再到AI原生。在雲原生階段，主要解決高並發和海量數據存儲問題；在AI ready階段，支持向量和多模數據統一管理；最終在AI native階段，具備一定的自制能力，提供全局數據統一管理和與AI應用生態兼容的能力，如記憶管理、知識庫管理等。
Q：為什麽Limit List這個能力在AI時代非常重要？
A：在AI時代，數據庫的用戶從開發者轉變為以agent為主，對數據平台的彈性、綫性擴展能力和讀寫同步擴展能力有了跨時代的更高要求。Limit List正是我們在探索這種能力方面的嘗試。
Q：在雲原生方面的第二個升級具體做了哪些改進？
A：我們利用CXL技術對三層解耦架構進行了全面升級，通過CXL替換掉RDMA互聯方式，將延遲從微秒級降至百納秒級，並打破了單機性能瓶頸，擁有相比本地內存16倍的遠程內存。同時，CXL連接GPU，使PolarDB內部實現KV cache能力，助力數據庫內部推理加速。
Q：PolarDB分佈式版提出了什麽架構以適應企業級應用需求？
A：PolarDB分佈式版提出了積分一體架構，幫助用戶從單體集中式應用平滑遷移至原生的企業級應用，並構建了金融級高可用的數據解決方案，例如全球多活和異地備份，該方案已在工行得到成功落地驗證。
Q：如何將大模型能力引入數據庫內部？
A：我們創新性地提出了模型算子的概念，使得在數據庫內部可以調用大模型的能力，在數據全鏈路全生命周期中享受AI帶來的技術升級。目前，模型算子已與百鏈對接。
Q：PolarDB如何適應AI時代的發展並擁抱lake base架構？
極地數據庫如何適應AI時代的發展並擁抱lake base架構？
A：PolarDB選擇擁抱lake base架構來打破數據壁壘，適應AI時代對數據更泛化和深入的需求。我們會從架構演進和開放格式支持兩個方向努力，實現對全域非結構化、半結構化和結構化數據的統一管理，以及提供垂域數據集的管理能力、泛源數據管理和多模數據檢索能力。
Q：湖庫一體化中基於AI節點的大模型內置能力是如何實現的？
A：通過在PolarDB內部內置AI節點並提供完全托管的Ray處理框架，我們實現了數據處理和推理在數據庫內部發生，使大模型能力在數據處理全生命周期中得以引入。
Q：PolarDB未來的發展目標是什麽？
A：未來，PolarDB致力於三方面發展：1) 在數據重力指導下，不斷集成最先進的大模型以充分挖掘數據價值；2) 成為所有智能一體應用開發的基礎智能底座或智能平台；3) 使PolarDB的交互更加自然，支持語言處理和多模態處理，吸引更多普通用戶使用。
Q：在處理圖文數據時，為什麽直接使用embedding或tranquil的方式切分後向量化不合適？
A：不合適是因為當處理右下角圖文PP時，僅使用tranquil的算子或切分數據算子無法解決視覺模型對圖文表意語義的理解問題。
Q：那麽對於包含圖表類PPT的數據，應該如何進行處理呢？
A：我們需要采用類似於VL視覺理解模型，將文本向量、文本特征與視覺特征投影到同一向量平面上，形成混合向量模式來識別和處理這些數據，以避免信息損失並提高模型效果。
Q：如何根據企業中不同形態的數據選擇合適的模型，並考慮成本、性能、效率和效果等因素？
A：對於企業中的每種數據形態，應基於不同的算子進行動態組合，構建企業特有的匹配邏輯，並結合數據庫能力搭建各種pipeline，將各類數據資産轉化為面向大模型並具備應用價值的數據資産。
Q：關於長期記憶在數據庫中的應用及其重要性是什麽？
A：長期記憶對於解決複雜推理任務中的context和agent延續性推理計算問題至關重要。在實時動態更新和處理的過程中，長期記憶能提升模型准確度，同時根據用戶畫像和片段提供個性化推薦。未來的多模態長期記憶將在智能硬件與真實物理世界交互中發揮更大價值。
Q：PolarDB在AI探索方面做了哪些工作？
A：PolarDB在過去一年中致力於軟硬結合的探索，包括CCL預演、AMX技術應用、文件存儲改進等，並在AI方向上進行了深入研究。特別是在AI浪潮下，面對海量數據處理挑戰，PolarDB正朝着AI原生方向發展，致力於解決多模數據處理、高效搜索、深度AI集成和AI輔助運維四大核心問題。
Q：PolarDB Lake Base如何應對海量數據管理和AI場景需求？
極端數據庫湖基地如何處理大規模數據管理和AI場景需求？
A：PolarDB Lake Base是一個針對海量數據管理的産品，能夠支持對關系型數據和非結構化數據（如圖像等）的存儲和管理。它由多個系統組成，提供原數據管理、對象存儲管理及數據加速等功能，以幫助用戶更好地管理和利用海量數據進行訓練和推理工作。該方案已成功應用於某車企的百億級別數據管理場景中。
Q：polo search産品具備哪些查詢能力？polo search中的向量引擎有哪些優勢？
A：polo search産品集成了多種查詢能力，包括向量查詢、圖查詢和文本查詢，並且這些查詢能力都內置在數據庫內部進行操作。這樣設計的好處在於數據無需遷移或流動到外部進行查詢，實現一體化的操作。內置的向量引擎能夠利用大量優化技術，如CXO內存和HNSW等算法，提高查詢效率。此外，該引擎可以利用GPU等硬件設施來加速索引構建，相比於CPU可能只需要十幾分鍾到幾十分鍾即可完成，極大地提升了性能。
Q：polo DB在文本引擎和圖引擎方面的特點是什麽？
A：polo DB的文本引擎支持倒排索引和高效查找，類似於electric search，同樣為內置引擎。而圖引擎作為老一代數據庫的一種，過去常用於風險處理，隨着AI發展，如今在許多場景下變得越來越重要，用於支持長期記憶等應用。
Q：polo DB如何助力實時輿情監測？
A：polo DB通過內置引擎的優勢，可以對實時數據進行查詢，從而幫助用戶實時監控和分析輿情。
Q：polo數據庫如何實現模型作為操作者功能？
A：polo DB從去年開始探索將各類大模型和小模型（例如BST模型）內置到數據庫中，以便客戶實時獲取預測結果，利用交易和充值數據判斷用戶行為趨勢。
Q：polo DB如何解決智能體生命周期短且並發量大的問題？
A：polo DB擁有低級控制能力、多模agency快速創建和刪除的特點，能有效應對智能體生命周期短、並發量大帶來的挑戰，並支持KV cache以優化推理效率。
Q：polo DB在AI與數據庫融合方面做了哪些探索？
A：polo DB在四個方向上進行AI原生努力，包括多模融合、高級搜索、內置AI引擎（pod model as Operator）以及AI助手。其中，AI助手通過自然語言處理實現集群信息查詢、性能分析等功能，簡化運維操作。
Q：理想汽車為何選擇與PolarDB合作並取得哪些成效？理想汽車如何利用PolarDB解決AI産品中遇到的問題？
A：理想汽車因為智能電動汽車數據量龐大且增長迅速，面臨原生數據庫的開發運維效率低下、存儲成本翻倍等問題。經過測試後，理想汽車最終選擇PolarDB，計算存儲分離的架構降低了60%的成本，原生的海量數據庫架構減少了50%的運維成本，同時支持h type能力提高了三倍的運維效率。理想汽車通過對接PolarDB AI推理模型服務，結合PolarDB的KV cache底層技術，解決了大模型推理服務中的數據隱私安全問題以及GPU排隊等待導致的業務響應延遲增加問題，實現了服務穩定性提升超過60%。
Q：在打造基礎AI模型推理服務後，如何實現應用快速落地並生成企業級AI應用？
A：我們與PolarDB的super base進行了合作，利用其底層的PolarDB原生數據庫、高性能存儲以及AI數據能力，對接融合雲以完成服務穩定性達到100%，並通過web coding提升百倍以上的開發效率。
Q：在AI模型和AI應用落地後，面臨了什麽深層次的問題？
A：主要問題在於智能取數，傳統流程中業務向數倉提交需求並等待數小時至數天獲取數據，這在AI時代顯然無法滿足高效需求。
Q：智能取數方面有哪些主要需求？
A：主要需求包括：一是業務人員不熟悉SQL編寫，需要從自然語言實時獲取最新鮮、最熱的數據；二是支持多種協議關系型數據庫（如MySQL和PostgreSQL）的數據獲取。
Q：解決方案是如何實現智能取數的？
A：我們對接了PolarDB的數據代理（data agent），它具有小模型和大模型結合的優勢，小模型提取關鍵信息，大模型理解用戶語義並進行NL to SQL優化，結合向量知識庫插入企業內部知識數據後，准確率可達95%左右。
Q：接下來的理想汽車與PolarDB將在哪些方面進行合作？
A：將結合PolarDB的AI數據服務、數據湖底座能力，對海量多模態數據進行管理、查詢和使用；同時也會在數據工程領域進行合作，利用PolarDB的技術支持方便內部開發者對數據進行訓練、部署和微調。
Q：杜小滿AI互娛技術負責人陸長青分享的主題是什麽？
A：陸長青分享的主題是PolarDB助力AI情感陪伴交互新範式，重點探討了如何讓AI陪伴從簡單的回複升級為真正懂用戶的秒回陪伴，包括技術探索和實踐經驗。
Q：杜小滿的in to x産品為何能在海外市場取得成功？
A：in to x成功背後的關鍵是構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義用戶畫像，並通過福斯特交易思維驅動模型設計角色，實現真正讓用戶感到被理解和關注的情感互動。
Q：in to x如何解決記憶問題並構建共情鐵三角解決方案？
A：為了解決記憶問題，in to x采用4096維的embedding模型，並與PolarDB合作，利用PolarDB MySQL存儲百億級對話數據和PolarSearch實現百TB級別的向量檢索。此外，還結合polar urgent memory解決記憶混淆問題，以及通過KV cache技術提升回複速度，實現懂你秒回的效果。
Q：在AI時代，英特爾如何看待數據庫算力的演進？
A：英特爾認為算力已成為推動數字經濟發展的核心動力，並且隨着國內計算機持續高速增長以及大規模大模型技術和原生AI應用的蓬勃發展，對CPU綜合性能的要求越來越高。為此，英特爾去年推出了至強6處理器，集成多種引擎以支持多行業業務負載高效協作，滿足不斷演進的算力需求。
Q：英特爾至強6處理器在數據庫和AI方面的表現如何？英特爾如何與阿里雲合作推動AI時代雲原生數據庫的發展？
A：至強6處理器具備全方位的強大算力，能夠有效提升數據庫處理能力，尤其是通過內置AI安全、網絡數據分析和存儲引擎，以及對C叉L 2.0規範的全面支持，實現了在數據庫內AI模型標注、響應式檢索及通用數據庫基准測試等方面的顯著性能提升。例如，在AMX技術支持下，embedding performance可提高256%。此外，至強6還優化了數據庫內置AI模型性能，如利用AMX指令集和優化工具包，針對WDL推薦系統模型在不同批次大小下獲得24%至86%的性能提升。英特爾與阿里雲共同協作，利用至強6處理器的綜合能力加速數據處理和AI創新。在數據准備階段，至強6展現出強大的處理能力，並內置了一系列機器學習和人工智能算法。通過優化AI雲原生數據庫性能，英特爾和阿里雲致力於創新技術和解決方案的研發，例如推動CCL開放互聯技術的發展，並確保至強6支持CXL內存池化架構方案，滿足數據庫AI多樣化負載需求。在2025年9月底的雲棲大會上，雙方共同見證了搭載CXL2.0 switch技術的Polo DB數據庫專用服務器發佈，該方案顯著提升了數據庫擴展能力和性能表現。
Q：企業級智能化增強的Polo DB分佈式數據庫有何特點？
A：作為企業級數據庫産品，Polo DB分佈式數據庫始終堅持以安全穩定為核心，通過內核級別的安全設計、數據防篡改機制和數據零丟失保障等手段實現企業級數據庫需求。在此基礎上，不斷提升性價比、高並發服務擴展性和智能創新需求。特別是在工商銀行數據庫轉型項目中，Polo DB分佈式采用了雲原生技術構建全新的DB stack架構，實現了資源池化、容器化服務和通用數據庫資源調度，確保數據層面與控制層面分離，從而提供細膩度極高的彈性能力。同時，Polo DBX也在向融合方向發展，支持多種負載如交易負載、數據分析負載和AI推理負載在同一套分佈式架構上運行，並通過全鏈路審計和多層級回滾機制保障數據安全和高可用性。
Q：4G容災方案中，為何需要引入仲裁管控集群，以及如何處理機房級故障？
A：在4G容災場景下，由於其兩機房四副本的配置與pockets一致性協議存在沖突，為解決大小機房問題，我們引入了仲裁管控集群。當檢測到機房級故障時，管控集群將執行副本數量降級操作，確保RPU為0。通過這種方式，在大規模數據容災演練切換中，同城RTO可以達到2.5秒，異地平均RTO為16秒。
Q：在PolarDB中，如何實現對不同負載類型的統一處理和優化？
A：PolarDB通過統一存儲引擎和超低成本內存引擎實現了對所有負載類型的優化處理。重點提升了緩存系統的讀取性能，達到12倍的提升，並且做到了亞秒級的數據實時轉換同步時延。同時，針對存儲成本上升的問題，通過在綫數據壓縮和曆史數據歸檔機制，實現了成本的最大節省，歸檔過程全自動且支持分區和行級TTL配置。
Q：如何在企業級應用中實現智能化賦能，尤其是保證執行過程的准確性？
A：對於企業級應用智能化賦能，關鍵在於提供確定性和可審計的操作流程。目前大部分agent采用反應模式，在執行過程中可能出現累積誤差。而數據庫在企業級應用中應提供精確的事實數據和准確的知識搜索，以滿足智能體構建過程中的需求。PolarDB分佈式計算存儲層引入了向量索引、全文索引等技術，並在交易事務系統中增強分析加速和混合檢索能力，以提供精確的上下文信息。
Q：PolarDB在智能體構建過程中的具體作用是什麽？
A：PolarDB在智能體構建過程中扮演着構建精確上下文的角色，通過長短期記憶機制保證准確知識搜索及ML training自動化規劃和深度搜索。它融合了雲上的大規模專家級經驗，形成了運維智能體，具備分區索引推薦、分佈式死鎖檢測、可用性故障診斷、SQL性能洞察等功能，並能根據專家經驗構建知識圖譜，進行持續反思迭代，最終調用大模型給出分析或運維建議。
Q：PolarDB x agent如何實現智能問答和運維優化？
A：PolarDB x agent基於rag實現智能問答，可生成分區表結構並推薦最優索引，支持上下文感知的表結構演進。例如，它可以一鍵改造為按天分區的TTL表，並能咨詢高階功能如列存引擎開啓方式及適用場景。此外，還具備智能診斷能力，可根據報錯定位並分析根本原因，或調用診斷工具分析高可用切換根因。
Q：中國工商銀行在數據庫轉型過程中面臨的主要挑戰有哪些？為了實現數據庫轉型的目標，工商銀行采取了怎樣的策略？
A：工商銀行在數據庫轉型中面臨的主要挑戰包括服務連續性保障、數據安全性（如防止財産損失）、大規模複雜改造、運維自動化平台建設、學習成本控制、快速切換及回切機制的實現以及滿足嚴格的生産運維要求等。工行采取了兩大策略來實現數據庫轉型目標：一是利用自身獨特優勢，如嚴格的生産運維要求、超大規模運維實踐以及深厚的應用設計、研發運維積累；二是與阿里雲等頭部科技企業共建共創，聚焦核心技術攻關，加速實現自主可控和創新突破。
Q：在與阿里雲合作過程中，工商銀行在高可用性、安全性和應急恢複方面取得了哪些改進？
A：工商銀行與阿里雲合作，在高可用方面實現了驅動級別的高可用連接，減少了中間負載均衡環節；在安全性方面，調整了密碼錯誤鎖定策略，僅鎖定發起請求的用戶，避免全面性影響，並增加了回收站功能上限限制，保證數據快速恢複的同時防止空間緊張。此外，還共同打造了自制運維平台和DB stack center解決方案，提升了全鏈路跟蹤、AWR性能報告分析能力以及針對MySQL大事務的自動查殺功能。
Q：在大規模快速切流解決方案中，你們主要采取了哪些措施來實現自動化和標准化？
A：我們通過讓産品與行內的自動化平台對接，實現了數據遷移、轉流和切流等流程，並將業務系統本身的切流集成在一起。這樣將所有業務系統的切流作為一個整體進行管理，提升了自動化和標准化能力。目前在管控內可以實現300個節點在20分鍾內並發切流。
Q：在反向複制方面，你們是如何實現從新庫到舊庫的數據複制，並確保安全性？
A：我們通過反向複制建立新庫到舊庫的數據複制鏈路，並與行業自動化平台對接，實現了單個管控台管理300個分片，在20分鍾內完成切流反回退的效果。
Q：在研發工具體系方面，你們主要關注哪些方向以降低成本和提升運維能力？
A：我們的工具體系主要關注兩個方面：一是降低研發成本，例如優化DDL表結構、SQL編寫與測試等；二是提升自動運維能力，確保運維工作能夠處理大量批量任務。
Q：對於未來發展方向，你們有哪些計劃？
A：未來我們將持續提升核心應用的承載能力，如封層解耦、異常隔離、彈性伸縮等，並加強安全性建設，包括存儲加密、脫敏及漏洞防護等。同時，我們希望通過合作進一步推進AI技術在金融級分佈式數據庫領域的落地應用，以實現主動預測和解決潛在問題，助力金融行業的高質量轉型發展。
Q：能否分享一下在go to集團中PolarDB的實際應用案例？
A：在go to集團，PolarDB被應用於信貸産品中，覆蓋了集團內部和外部多種場景。隨着用戶基數的增長，業務量每年以兩位數甚至三位數的速度增長。在遷移過程中，從海外雲服務商遷移到阿里雲上使用PolarDB，顯著提升了性能和穩定性，同時降低了50%左右的成本。PolarDB的特性如存算分離、讀節點自動擴容等，極大地簡化了數據庫管理和運維工作，讓團隊能更專注於業務創新和價值創造。
