导读
过去一年，AI 的进化速度让整个技术行业习惯了“被震惊”。从大模型（LLM）推理能力的指数级跃迁，到 AI Agent（智能体）的密集涌现，再到越来越多企业尝试将 AI 引入核心业务流程，一个行业共识正在逐渐形成：
AI 的落地不再仅仅是一个算法模型问题，更是一个复杂的系统工程问题。
而在这一系统工程中，数据库——这个看似“传统”的基础软件，正在被重新推向舞台中央。为什么？因为我们发现， 决定企业 AI 应用上限的可能是模型，但决定其能否落地、是否可信的，往往是数据底座。
以下分享内容来自平凯数据库解决方案架构师刘源在 2025 GDPS 全球开发者先锋大会上演讲实录。
AI 真正的瓶颈，不在模型，而在数据系统
回顾近几年的 AI 发展轨迹，我们看到了模型参数规模的膨胀和推理能力的持续增强。但在 ToB（企业级）场景 中 ，AI 的落地却远没有 ToC 领域那么顺畅。这背后的核心矛盾在于：
推理能力在飞跃，但“记忆”严重不足
今年广受关注的新一代模型，本质上体现的是 “通用推理能力的增强” 。 然而，无论模型如何演进，智能体（Agent）的核心能力始终包含三个维度：
推理（Reasoning）：处理信息、逻辑推导（由模型主导）。
记忆（Memory）：存储事实、业务状态、历史交互（由数据底座主导）。
学习（Learning）：从新数据中更新认知。
幻觉的工程解法：用数据底座约束“概率的创造”
大模型本质上是一种基于概率的“有损压缩” 技术。这意味着：模型“看起来很确定”，并不代表它真的“知道”——它在回答问题时，是在预测“下一个最可能的词”，而不是在检索“真理”。
“戏精”本质：模型的表达能力往往远大于其真实的知识边界，这导致了“幻觉”的不可避免性。
企业级风险：在金融风控、医疗辅助决策或供应链优化中，一次“看似合理但事实错误”的回答，可能意味着合规风险甚至直接的业务损失。
维度 |
模型的能力边界 |
数据底座的能力边界 |
核心能力 |
推理（Reasoning）：理解语义、逻辑推导、代码生成、文本摘要。 |
记忆（Memory）：存储事实、业务状态、历史记录、实体关系。 |
知识属性 |
通用知识：语法规则、常识、公开的世界知识。 |
领域/私有知识：企业财务报表、客户实时状态、库存数据。 |
时效性 |
静态：截止于训练结束那一刻。 |
动态（Real-time）：实时更新，反映当前世界真实状态。 |
幻觉控制 |
逻辑校验：检查推理过程是否自洽。 |
事实锚定：提供可验证的信源（Citation），确保内容真实。 |
因此，企业级 AI 对幻觉的约束，不可能只依赖模型本身。解决“事实性幻觉”的最有效手段，是让 AI 的每一次推理，都建立在可信、实时、可校验的数据之上。
- 溯源：数据来自哪里？
- 时效性：是否是最新状态？
- 一致性：是否与其他业务系统一致？
这些问题的答案，不在模型里，而在底层的数据库和数据架构中。
小结：企业级 AI 落地困难，根源在“数据底座不匹配”
为什么 AI 在 C 端应用中发展迅速，而在企业级场景却进展缓慢？核心原因在于：
- 企业数据复杂、异构
- 系统架构割裂
- 数据治理长期不足
- 私有化部署与扩展成本高
角色的重塑：数据库作为智能体的“海马体”
每一次技术变革都会重塑数据库的角色：
信息化时代：数据库是电子账本，解决“记账与事务（ACID）”的问题
互联网时代：数据库是业务引擎，解决“高并发与海量吞吐”的问题
AI 时代：数据库开始成为“推理能力的记忆体”
在 AI 时代，数据库不再只是一个被动“存数据的地方”，它将成为 Agent 的长期记忆 （Long-Term Memory），负责为模型提供精准的上下文（Context）。
这也对数据库提出了全新的要求。
AI 时代，对数据库提出了三项根本性要求
多模态融合：从“多库拼装”走向“一体化数据平台”
AI 天生是多模态的。一个完整的 AI 应用，往往需要同时处理：结构化业务数据、文档、日志等非结构化数据、向量数据（Embedding）、图关系数据，而传统架构通常需要关系数据库、分析型数据库、向量数据库、全文检索引擎、图数据库来分开协作处理。这种“多库拼装”不仅架构复杂，更带来了巨大的数据同步成本和延迟，解决一致性问题的代价极高。
AI 时代需要的是：一个数据库，原生支持多种数据模型与混合查询。
实时性与弹性扩展：应对不可预测的请求
AI 业务的负载特征具有高度的不确定性：请求模式随模型变化、读写负载高度动态。数据库必须具备：
- 在线水平扩展
- 实时分析能力
- 高并发写入能力
- 在不影响业务的情况下完成扩缩容
这已经超出了传统集中式数据库和分库分表方案的能力边界。
原生适配 AI 交互：不仅仅是加个插件
AI Agent 的行为模式，与传统程序化应用完全不同：
- Schema 经常变化
- 查询逻辑高度动态
- 一个系统内同时存在多种负载
如果数据库只是通过外挂插件来支持 AI，虽然能解决从无到有的问题，最终一定会在规模 、 稳定性 、资源隔离性面临挑战。
为什么 TiDB 是天然适合 AI 时代的“混合负载”底座
从设计之初，就走在正确的演进方向上
TiDB 自 2015 年诞生起，就选择了一条与传统数据库不同的路径：
- 原生分布式
- 存储与计算分离
- HTAP 架构
- 云原生设计
这些能力，并非为 AI 专门设计，但却完整契合 AI 时代对数据库的所有核心诉求。
一套系统，支撑 AI 所需的绝大多数负载
TiDB 并没有将向量检索作为一个独立的孤岛，而是将其融入了 SQL 生态。 开发者可以使用熟悉的 SQL 语法，同时进行：
- OLTP（事务处理）
- OLAP（实时分析）
- 向量搜索
- 全文检索
- 图关系探索
原生向量能力，是“架构级”的优势
TiDB 在数据库内原生支持向量数据类型与索引，而不是外挂组件。这意味着：
- 向量能力天然具备分布式扩展性
- 与事务、分析能力共享一致性模型
- 能支撑海量数据规模下的向量检索
这对于 RAG、Agent 等 AI 场景至关重要。
已在真实生产级 AI 工作负载中验证
TiDB 已经在多个头部 AI 场景中承担核心数据底座角色：
- 支撑大规模 Agent 实例
- 应对用户与请求的指数级增长
- 在复杂读写混合负载下保持稳定
这证明 TiDB 并不是“概念上的 AI 数据库”，而是经得起真实生产环境考验的系统级基础设施。
数据库，正在从“存储”走向“智能赋能”
围绕 TiDB，平凯星辰也在持续探索更上层的 AI 能力：
- 原生支持 RAG 的数据形态
- Autoflow 等 AI 框架，降低应用构建门槛
- 打造企业级 AI 平台与行业 Agent 方案
数据库正在从“被调用的组件”，进化为 智能系统能力释放的核心枢纽。
结语：构建可演进的数据底座
AI 时代，并不是给数据库“加点 AI 功能”就够了。真正的挑战在于：
数据系统能否跟得上智能的演进速度。
TiDB 以及基于其打造的平凯数据库，让数据库从“记录系统”进化为智能体的“可靠、实时记忆体”，成为 AI 时代可信、可扩展、可演进的智能数据底座。
选择 TiDB，不只是选择一款数据库，
而是选择一个能够与 AI 时代共同进化的技术未来 ：
以数据之“实”，约束模型之“虚”；以架构之“稳”，支撑应用之“变”。