从For Human到For AI：AI时代数据库重构底座，语义层与向量检索进内核

数据库的“用户画像”，正在被大模型改写。

过去几十年，数据库的设计一直围绕人的使用而构建。但在 10 月 30 日电科金仓“Hello，AI 数据库”发布会上，电科金仓总裁杜胜谈及行业变化：面对 Agent（智能体）这个新用户，数据库的设计不能只满足“For Human（服务于人）”，还需要进化到“For AI（服务于人工智能）”。

电科金仓总裁杜胜

如何理解这种转变？杜胜用了一个形象的比喻：大模型是“慢思考”，负责开放式理解和推理，善理解、能归纳、可创造；数据库是“快思考”，提供确定性的计算与检索，更高效、更精确、更低成本。数据库沉淀的准确业务数据，是大模型高质量推理的燃料，它们共同协作，基于业务场景完成任务与价值交付。

为了迎接这种底层逻辑的转变，电科金仓正式发布 KES AI 数据库。不同于行业传统的“把数据搬出库外、做库外语义构建”的思路，电科金仓选择了一条更难但更彻底的路径——将语义理解、多模检索与模型推理直接“长”在数据库内核里。这种“库内生长”的架构，正是为了源源不断地为大模型提供高质量、安全的燃料。

跨越“语义鸿沟”：语义构建从“自上而下”到“自下而上”

大模型在企业落地遇到的第一道坎，不是不会推理，而是“看不懂”数据。

正如 Gartner 最新研判指出的：“上下文正在成为新的关键基础设施。”据行业机构统计，全球 90% 以上的数据位于私域，其中 68% 从未被分析利用。以字段“客户”为例，它可能指代最终用户，也可能指代签约法人，机器无法自行判别。没有业务语义的支撑，大模型算出来的数值再对，也没人敢拿去直接用。

传统架构下，业务语义分散在应用界面、代码和业务人员的脑子里。但大模型不需要界面，它需要一张精准的“数据地图”。正如中国数据库学科带头人、中国人民大学教授王珊所言：“AI 时代，数据库既要保证数据存得准、算得对，也要为大模型理解业务提供依据。”

行业内已有残酷的预测：到 2028 年，60% 仅依赖外部 MCP（模型上下文）协议的智能体分析项目会因缺乏一致的语义层而失败；到 2030 年，超 10% 的企业将成为 AI-first 企业，凭智能体、语义与融合平台建立优势。

过去，企业构建语义层习惯于“自上而下”强推，往往力不从心。杜胜指出，外挂语义层最大的痛点是与底层物理结构脱节，“底层物理结构一旦变化，同步链路容易断裂，维护成本极高”。

电科金仓的解法是将语义构建的逻辑翻转为“自下而上”。通过在数据库内核中构建原生语义层，让每个底层业务库先具备“自解释”的能力，保证本地语义“新鲜可用”；再借助大模型汇聚成部门级语义。“数据库不能消除组织分工的割裂，先把每一个基础单元做好，企业级的效果水到渠成。”杜胜表示，这种自下而上的模式，正是大模型精准调用数据、释放企业数据价值的基石。

算力与多模的平衡：绝不让 AI 负载“搞崩”核心业务

过去，企业数据大多以二维表存在，而大模型更青睐向量（相似度检索）和图（关系推理）。靠传统关系表承载复杂关联，多层关系推理很慢；还有很多非结构化原始资料无法直接给大模型调用。在库内完成向量化和图化是迎合这一趋势的最优解，但这必然带来一个现实拷问：AI 带来的海量计算，会不会抢占核心交易系统的资源？

“一个核心原则是：不会为了做 AI，把业务搞崩或搞停。AI 是能力的增强，不是替代。”杜胜的回答异常坚定。

为了支撑库内计算，电科金仓在架构上采用了隔离部署模式。交易节点专注原有高频读写，向量与图推理等 AI 负载放在独立分析节点，通过日志异步同步，实现算力隔离。这种架构既保证了核心业务的绝对稳定，又将多模检索的性能推向了极致。依托这套隔离架构，电科金仓集成 ONNX 推理框架，直接把推理能力做进库内，完成向量化与多模态检索。

同时对于向量引擎，ANN（近似近邻计算）是一个核心指标。电科金仓通过自研基于磁盘的近似最近邻搜索索引算法 DiskANN，打破了传统向量索引（如 HNSW）对内存的极高依赖，在保证同等召回率条件下，实现更低成本、更低延迟、更高吞吐的大规模向量检索。公布的基准测试显示：在 1 亿条向量、98% 召回率的条件下，产品峰值内存占用较业界降低了 95.4%；查询延迟降低 80%，QPS 提升了 5 倍。这种“All-in-one”的多模融合，正在彻底终结“数据满天飞”的跨库搬运时代。

筑起“物理围栏”：让 AI 在安全边界内运行

如果说过往的 AI 项目多停留在“试点”阶段，那么合规与安全就是阻碍其进入核心生产环境的最后一道屏障。

企业接入大模型通常走“抽取数据—向量库或 RAG 框架—大模型”的链路。数据一旦出库，原有的行级、列级权限与字段级脱敏、审计策略即告中断。更隐蔽的致命伤在于“权限残留”：向量化与图谱构建产生的数据派生副本，虽带有源数据的敏感性，却不再继承原权限标签。员工调岗或权限回收时，散落在外的副本往往成了盲区。

“靠提示词约束大模型越权，就像管教孩子口头说教；数据库底层细粒度权限，才是实实在在的物理围栏。”杜胜的比喻一针见血。KES AI 数据库最大的底气在于“数据零搬移”，它利用数据库既有的身份认证、数据标签、SQL 防火墙等原生机制，对库内语义查询、向量检索实施统一管控。Agent 访问数据时，权限可精准穿透至具体使用者；同时，所有规则在数据库侧实现“一处修改、全域生效”。全流程库内留痕，彻底满足等保三级及行业监管要求。

战略定力：金仓的底色依然是“数据库厂商”

在 AI 热潮下，不少基础软件厂商都在努力向“AI 基础设施厂商”转型。面对纷繁的行业选择，电科金仓锚定主业、清晰取舍：“AI 化是下一代数据库的必答题，但金仓仍然是一家数据库产品厂商，而不是 AI 基础设施厂商。我们要做的是帮助千行百业在驶向未来的过程中，平滑过渡。”

这种定力也传递给了客户。本次升级属于能力扩展，原有业务数据不迁移，不绑定特定大模型，不因 AI 功能大幅涨价。对于已经采购独立向量库的客户，电科金仓提供成熟的迁移工具，支持平滑过渡与共存。

从“For Human”到“For AI”，从被动存储到主动为业务提供“燃料”，电科金仓 KES AI 数据库提供了一条兼具高性能与高安全的落地路径。在狂热的 AI 浪潮中，只有那些既能看懂大模型短板，又能耐住性子打磨底层内核的玩家，才能最终留在企业级市场的牌桌上。这也是云栈社区持续关注数据库与 AI 融合的方向。