在國產獨立資料庫廠商中，OceanBase 是一個獨特的存在，他們入局雖晚，但進展迅速，並且有著非常鮮明的“性格特徵”。
一個具體表現是，近年來 OceanBase 反覆強調“分散式一體化”與“多雲原生部署”能力，這並非堆砌技術概念，而是客戶需求已經給出明確指引。
大模型火爆前，在數字化轉型逐漸深入的大背景下，企業對於資料庫的需求也越來越高。
很多企業要求資料庫既要快又要穩，要能輕鬆搞定海量資料，同時處理超多請求（比如“雙 11”搶購秒殺），忙時自動擴容，閒時自動縮水，萬一出現 bug 也要迅速恢復，保障業務不中斷。傳統的集中式單機資料庫顯然無法同時滿足這些需求，和某家雲廠商繫結的模式，也可能使得整個系統受制於雲廠商的穩定性。因此，分散式一體化和多雲原生部署成為自然選擇。
而大模型出現後，在這些需求之上，企業又衍生出大量新的資料需求。例如要高效儲存和查詢海量的向量資料，要能和 AI/ML 等工具完美對接，還要能快速處理即時資料；同時，對非結構化資料的管理以及利用 AI 進行智慧運維的需求也越來越明顯，這些需求都在推動資料庫技術開啟一輪新變革。
在此背景下，延續此前緊跟客戶實際需求的行事風格，最近兩個月，OceanBase 在 AI 佈局上動作頻頻——先是在 4 月釋出全員信，宣佈全面擁抱 AI；僅一個月後，在開發者大會上推出 PowerRAG 以及一系列向量化能力。
就在 6 月 24 日，OceanBase 又迎來了 AI 新進展：雲資料庫業務 OB Cloud 實現 AI 能力的開發部署，並與 LlamaIndex、LangChain、Dify 等 AI 生態開放平臺深度整合。這一 AI 能力已在零售、金融、物流等行業的數十家頭部企業落地驗證。
是什麼支撐了 OB Cloud 如此快速的行動？其 AI 戰略的底層邏輯是什麼？在 AI 重塑資料世界的當下，OB Cloud 又將如何定位自身？
圍繞這些問題，InfoQ 採訪了 OceanBase 副總裁、公有云事業部總經理尹博學，他明確表示，“雲資料與 AI 天然契合，正是這種契合促使 OB Cloud 率先從儲存工具向智慧引擎進化”。
OceanBase 副總裁、公有云事業部總經理尹博學
同時，他解釋了 OB Cloud 佈局 AI 的底層邏輯，也回應了關於多雲原生部署的思考。OB Cloud 可以在任何一朵雲上實現互聯互通，將企業在不同雲之間的資料無縫連線，並提供跨雲容災與分鐘級故障切換，“這是其他雲廠商所做不到的，只有中間的軟體企業、軟體服務商，才有可能真正把資料連起來”。
此外，尹博學還從資料庫廠商的視角，給企業落地 AI 應用提了幾點建議。他認為，企業 AI 落地可分三步走：從高價值、短路徑的小場景試點，逐步擴充套件到構建包含 Agent、RAG 和一體化資料庫的大平臺，最終實現業務與 IT 的雙輪驅動。
關於 AI 和雲資料庫融合的未來，尹博學則堅信，“把資料的處理、加工和計算統一化是最高效的方式”，將多種 AI 能力深度集成於資料庫內部，為客戶提供更簡潔、強大的選擇是終極方向。
更多與尹博學的對話內容整理如下，InfoQ 在不改變原意的情況下稍加整理。
InfoQ：AI 的爆發給企業帶來了全新的資料處理正規化。從您的觀察來看，企業在資料服務方面有哪些新需求?
尹博學：AI 特別是大模型的應用，對資料服務提出了三大新要求。首先，為消除幻覺，需要多層次檢索能力，包括向量檢索、標量查詢、模糊化查詢、全文檢索等。
其次，資料庫要處理的資料型別更豐富、資料量也更龐大。IDC 資料顯示，到 2025 年，非結構化資料將佔已知資料的 90% 以上。大模型能將這些資料轉化為向量，使其可被資料庫處理。更復雜的是，這一過程又會產生大量新的結構化和半結構化資料。
最後，服務的可獲得性至關重要。AI 應用通常部署在雲端以獲取便捷性和彈性，因此將資料服務置於雲上，確保其高可用和易得性成為客戶首選。
InfoQ：這些新需求給資料庫廠商帶來了哪些技術挑戰?
尹博學： 首先是資料治理與架構適配。企業現有技術多針對結構化資料，但 AI 時代湧現大量非結構化資料。處理這些資料需要不同技術棧（例如向量、文字、關係型等)，對企業而言是巨大的管理難題。更何況企業還需在同一技術棧內兼顧即時性與一致性。
其次是成本與效能平衡。大量非結構化資料向量化後，儲存成本激增。很多向量查詢又要求即時響應，在海量儲存與即時查詢間尋找平衡點非常困難。
最後是安全與合規問題。如何在私有云和公有云統一技術棧，並確保相關技術的跨環境合規性，是企業普遍關切的難題。
InfoQ：要解決這些問題，目前已有的基座模型能力夠用嗎？ChatGPT 出現至今，企業對資料庫需求的變化催生了哪些技術突破？
尹博學： 通用場景下大模型表現尚可，但專業領域必須依靠本地化知識輔助推理。這種情況下，模型獲取知識的通道越豐富、高效，推理結果才會越準確、越契合業務需求。
其實向量能力與 RAG 技術就是為此而生的。
但這也並非新技術，大模型的落地需求也在倒逼著向量與 RAG 的技術突破。以向量能力為例，大模型從向量資料庫中檢索到大量資訊後，這些資訊往往是零散且繁雜的，還需要進一步總結再呈現給使用者，這就需要有新技術來解決。
目前，已經有一些新的學術成果進入生產落地環節，例如 RabitQ 已落地生產，並應用於 OB Cloud 產品中。
從資料量角度看，企業客戶目前的需求主要基於文字，小規模業務文字向量規模達數百萬或千萬。但也有業務涉及大量非結構化資料處理，一些客戶有十億、百億文字向量處理需求。
非結構化資料處理目前處於前期階段，過去主要處理文字。今年大模型向多模態發展，未來圖片等非結構化資料將比文字更多，且多由裝置產生。這些圖片產生向量，大規模應用於圖片搜尋和處理領域，如攜程酒店業務的向量數已近十億，還有業務處理圖片向量達百億，未來向量規模將更大。
InfoQ：從 4 月釋出全員信，到向量和 PowerRAG 在雲資料庫上的快速部署，OceanBase 的行動速度很快。這背後有什麼驅動力，為何選擇從雲資料庫切入 AI 賽道？
尹博學： 這種速度源於兩方面：客戶 AI 需求的敏銳觀察和我們自身的 AI 應用需求。
客戶最終訴求是場景落地。我們希望修通“中介軟體”這條路，幫助客戶快速將自身知識與大模型結合，實現應用落地。無論是向量能力還是 RAG，都是為了讓客戶能有效利用大模型。我們的目標是讓這條路更短、更高效、更經濟，使落地過程更順暢。
同時，作為軟體公司，我們自身也在擁抱 AI，用於最佳化程式碼開發、大規模叢集運維等。這些內部實踐也反哺了我們的客戶服務能力。
AI 發展離不開算力和資料，雲平臺在解決這兩個問題上有天然優勢，能讓 AI 服務更易獲得，這已成行業共識。既然客戶更多在雲上使用 AI，我們作為連線模型與應用的”修路者”，自然也應在雲上發力，以更快地與客戶構建橋樑。
InfoQ：為什麼優先發展向量能力？OceanBase 強調的“一體化”在融合向量能力的過程中如何體現？
尹博學： 構建企業知識庫或與大模型結合的推理工具，向量能力是最貼近資料的環節。無論是分詞、Embedding 還是標量資料向量化，都是必不可少的。
而只提供向量資料庫，和把向量化演算法、能力打包做整體解決方案，帶來的使用者體驗完全不同。
我們傾向於後者，將 AI 落地所需的一系列中介軟體打包到雲資料庫中，形成一體化解決方案，在雲上提供給客戶，這樣能讓場景產生的資料最快釋放其價值。
另外，我們認為長期來看，單獨的向量資料庫可能難以支撐企業需求，因為實際業務場景中，只用向量服務推理難以解決問題，還是需要融合標量計算，而向量資料庫廠商積累標量服務經驗的視窗期已經過了。目前客戶多分開使用標量和向量手段，這在可維護性、成本和穩定性上非最優，只是短期方案。
長期來看，客戶需要的是開箱即用、將 AI 能力整合、多模向量一體化的融合方案。
InfoQ：將非結構化資料向量化，並在此基礎上打造 RAG 這件事，很多企業都在做，你們的差異化優勢是什麼？
尹博學： 基於我們的多模一體化能力，企業無需引入額外元件，就能在 OB Cloud 上體驗向量資料、空間資料、文件資料、標量資料、全文檢索等混合檢索能力。
同時，我們引入 BQ 量化演算法，大幅降低向量場景的記憶體需求。根據測試結果，在同等召回率與效能的情況下，引入該演算法（HNSW+BQ）能夠實現記憶體成本較 HNSW 降低 95%。在記憶體降本的同時，還能為使用者帶來更好的向量效能。測試結果顯示，在同等成本、同等召回率的情況下，OceanBase 效能超 Elasticsearch 9.0 BBQ 16%。
更重要的是，OceanBase 的向量演算法 100% 自研，不依賴開源庫，這讓我們對演算法有更強的掌控力，能夠基於豐富的內部場景進行創新，並深度結合資料庫核心解決業界難題。
具體到 PowerRAG 這個產品上，其差異化在於“一站式”和“精細化處理”。
過往，搭建 RAG 應用過程步驟複雜、流程繁瑣。如果採用常規的多元件開發模式，不僅需要關注關係資料庫、向量資料庫、Embedding 模型、大語言模型等工具和元件的選型，還需要解決文字解析、文字分片、流程編排等問題，而採用 RAG 平臺模式進行開發，雖然在一定程度上簡化了 RAG 平臺層的工作，但仍面臨應用開發平臺選型、向量和文字等資料庫選型，及後續多個工具整合的問題。
此外，在處理使用者上傳的文件時，我們也摒棄了業界常見的“一刀切”的解析方式，而是基於不同的內容形態，用更契合的方式做差異化解析。例如，表格資料按行列或鍵值對處理；圖片中的文字透過 OCR 提取，不同元素處理後統一為純文字向量化。這種解析方法能顯著提升檢索準確率。
InfoQ：現在你們這些能力能夠在真實業務場景落地應用嗎？
尹博學： 是的。目前，我們已把 PowerRAG 應用在我們自己的官網 AI 助手和資料庫 AI 診斷功能上。AI 助手能準確回答專業問題，甚至總結多篇文章；AI 診斷能一鍵分析資料庫狀態，給出專業建議。
除了內部場景之外，例如在零售業的智慧營銷場景裡。銷售人員需掌握大量產品知識，透過 RAG 結合企業知識庫，一線人員能快速準確回答客戶問題，所有回答都有據可循，提升專業性和效率。這裡的難點是產品說明高度相似，問題隨意且可能包含多個子問題。我們能拆分問題、快速定位文件、透過向量召回及時響應，並有一套反饋機制可以持續最佳化效能。
OB Cloud 的向量能力也已服務於零售、跨境電商、網際網路服務、物流運輸、智慧裝置、教育等眾多行業的數十家頭部企業，包括伯俊在內，還有 in 銀泰商業、卡佩希、攜程、中國聯通軟研院、三維家、慧視通等，都基於 OBCloud 率先實現了 AI 應用從 0 到 1 的關鍵性落地。
InfoQ：在這些場景落地過程中，OceanBase 如何保證企業的資料安全？畢竟 AI 在企業大規模應用會呼叫更多企業資料，使其暴露在更不確定性的環境中。
尹博學： 向量能力是 OB Cloud 多模特性的一部分，也是 OceanBase 整體 all-in-one 解決方案的一部分。目前它的安全能力是依託於 OceanBase 核心，包括 OB Cloud 上的安全特性。舉個例子，有客戶使用開源向量資料庫做安全底座，發現不同部門能訪問相同資料。換用 OceanBase 後，我們透過多租戶能力，將不同業務板塊資料隔離開，避免了未授權訪問。OceanBase 作為完全自研的一體化資料庫，已透過嚴格安全認證，能全方位解決企業安全問題。
OceanBase 資料庫的某個版本後，就會自帶向量功能，而不是單獨售賣向量資料庫。商業化方面，目前最成熟的是資料庫本身，未來也會考慮中介軟體的商業化。我們還在探索具體的商業化模式，包括定製化、通用化或 SaaS 化服務。
InfoQ：能否從資料庫廠商的視角，給企業一個落地 AI 的思路？
尹博學：我們建議企業落地 AI 可以分三個階段：
首先，企業可以從知識庫等小切口場景入手，選擇價值鏈高且路徑短的場景，直接使用像 PowerRAG 這樣的產品來搭建，可以快速嚐鮮 AI 能力。
在初步嘗試後，企業可以開始從下到上逐步擴充套件。由於業務團隊可能不太懂 IT，而 AI 和 IT 團隊可能不太懂業務，我們建議組織類似設計思維（design thinking）的工作坊，拉上業務團隊一起找到相關的 ID 場景，完成小規模構建，並將需求反饋給團隊，逐步構建出最終的 AI 應用。
最終，企業需要一個包含 Agent、RAG 和一體化資料庫的大平臺，提供給更多業務人員或輕 IT 人員，以快速開發 AI 創新。這一步的目標是實現業務和 IT 的雙輪驅動，從 AI 使能邁向 AI 原生。
InfoQ：接下來我們聊聊未來。在向量能力、RAG 服務之後，你們未來計劃整合哪些更深層次的 AI 功能？哪些是你們堅定要做的，哪些交給生態廠商來做？
尹博學： 我們的核心思路是打通從資料到 AI 應用落地的整條路徑。路徑上所有必要工具，如果開源元件不能很好服務客戶，我們都可能自己做或與生態廠商合作。
這與雲廠商定位類似。雲廠商專注於基座模型和算力叢集，我們則聚焦於模型和應用中間的那一段——從資料到應用的中介軟體。垂類應用的場景理解和落地，是各領域專業 ISV 夥伴的長項，如零售中臺、品牌營銷等。OceanBase 的優勢在於提供高效中介軟體能力，幫助我們的生態合作伙伴將專業知識呈現給使用者，可以理解為不同層次的分工。
未來，我們會將更多有價值的工具，如 Embedding 演算法、分詞能力等都納入輸出範圍。我們有信心做得比開源更好。
InfoQ： OceanBase 未來會推出 GPU 最佳化版本嗎？
尹博學： 現在我們優先支援英特爾和 ARM 架構 CPU，因為我們本身業務應用也更廣泛；GPU 最佳化主要聚焦向量索引場景，比如批次構建索引時用 GPU 加速，應對未來高併發需求。現階段 GPU 優先順序低於 CPU，因為向量查詢的併發量尚未完全釋放 GPU 潛力。
其實除了支援 GPU 部署，在提升算力效率上，我們也在透過一些快取技術為企業減負：
在推理加速層，我們會在推理引擎上層構建快取（如 KV Cache），直接複用重複問題的結果，例如 ChatGPT 發現相同 Token 時會跳過重複計算，減少大模型呼叫次數；在訓練最佳化層，我們也嘗試在訓練框架中建立一些快取機制，降低顯示卡消耗。這些技術已在 OBCloud 中有相應的落地實踐，近期將有客戶案例公佈。
InfoQ：展望未來 1-3 年，AI 與雲資料庫的融合會呈現哪些主要趨勢?
尹博學： 我認為有三大趨勢：
首先是深度一體化。這是我們堅信不疑的，市場需求也印證了這點。資料的處理、加工、計算，從統一角度看效率最高。
其次是資料互聯互通。實現多雲、多 Agent、多底座間的資料流通，打破企業內部資料孤島，將是重要方向。
最後是海量資料處理能力的挑戰。隨著 AI 應用普及，資料量將呈指數增長，這對資料庫能力提出巨大挑戰，同時也是產業機遇。
我們堅信，把資料的處理、加工和計算統一化是最高效的。分散的標量、向量等處理方式，在成本、效率、穩定性上都不是最優解。如果一個產品能將 AI 落地所需的多種能力（標量、向量、全文檢索等）整合在內部，而非讓客戶自行組裝多個工具，這將是更有生命力的方案。
這意味著客戶無需為一個 AI 應用拼湊多個數據產品，避免運維複雜性、成本增加和穩定性風險。如果技術上能實現這種一體化，為客戶提供更簡潔、強大的選擇，這就是未來方向。