这两年AI 圈的目光基本都黏在大模型、Agent、具身智能上。但学术界那边有个不太吵却挺明显的趋势数据系统正在重新被重视。数据库正在悄悄变得抢手OceanBase 数据库大赛从 2021 年办到现在五年覆盖 500 多所高校、超过 1.1 万名学生2024 年吸引了 1212 支队伍清华、北大、上交、浙大、复旦都在其中已被教育部认定为 A 类学科竞赛。2025 年 SIGMOD 上上海交大的周煊赫成了首位来自中国大陆的 ACM Jim Gray 博士论文提名奖得主阿里云 PolarDB 连续两年拿下工业赛道最佳论文。MIT 的 Samuel Madden 也观察到“系统与 AI 方向的教职申请者中很多人把数据系统论文发在了 VLDB 和 SIGMOD 上”。这不是最顶尖的学生抛弃 AI 去搞数据库数据库研究本身就和 AI 高度交叉——AI4DB 用 AI 优化数据库DB for AI 给 AI 提供数据底座。一部分研究者认识到数据系统是 AI 落地的基础设施值得长期投入。模型在进步企业落地却没跟上大模型这几年确实在飞涨GPT-4、Claude 3、Gemini 在各种基准测试上一路走高。但企业端的真实体验和基准分数差得有点远。RAND Corporation 2024 年的研究说超过 80% 的 AI 项目最终会失败失败率是非 AI IT 项目的两倍。Gartner 更直接85% 的项目因数据质量差或缺乏相关数据而失败。McKinsey 2025 年度报告显示88% 的企业已在业务功能里用上 AI但只有 39% 看到了对利润的实际影响能被称为高绩效者的只有 6%。NVIDIA 的企业调研中48% 把数据问题列为第一大挑战高于缺乏 AI 专家的 38%。这些数字指向同一个结论多数企业场景里AI 落地卡住的不是模型是数据。模型在复杂推理上确实还有短板但就大多数场景而言模型已经够用数据系统还没跟上。RAG检索质量决定一切企业里最常见的 AI 应用架构叫 RAG检索增强生成先拿用户查询去数据存储里检索相关内容把内容和查询拼成提示喂给大模型模型基于这些内容生成回答。比如找出销售部可能存在异常的报销单AI 实际要做的是从财务系统、OA 系统、附件存储里检索报销记录把结构化数据、发票信息、审批备注关联分析再把这些事实喂给模型整理成结论这就是 Agentic RAG 的典型工作方式。检索这一步直接决定了最终结果的质量。数据库要是检索不到关键信息或者召回的数据本身有误模型再强也只能在残缺的事实上合理推断。这类错误经常被归咎于模型幻觉但很多时候问题在检索环节就已经出了——当然模型自己的生成偏差也会贡献一部分幻觉根源是两头的不能只怪一边。三道坎跑不动、打不准、说不清企业数据量级是实打实的万人规模企业每年几十万条报销记录攒十几年就是千万级。IOUG 调研显示近 10% 的企业在线数据已超过 1PB。企业数据里约 80% 是非结构化的——合同 PDF、发票扫描件、审批附件要让 AI 能用得先经过索引、向量化等预处理。数据系统响应慢、扛不住并发模型再强也只能干等着这是跑不动。检索结果的质量取决于数据组织、索引、查询能力分块策略破坏语义完整性、Top-k 检索返回不相关片段模型拿到的就是残缺甚至错误的事实。有个案例挺能说明问题某系统只优化了检索管线模型没换准确率就从 62% 提到 87%幻觉率从 28% 降到 9%这是打不准。真实企业的数据散落在报销系统、审批流、OA 附件里经过反复同步拼接后来源查不到、字段语义乱、证据链断了像一块合成肉。金融、医疗等受监管行业来源能否追溯是合规硬性要求这是说不清。数据库的真实角色AI 场景下数据库早就不是单纯存数据的仓库而是面向 AI 的新一代数据基础设施——要同时处理文本、向量、关系型数据的混合模式扛起检索、过滤、聚合、溯源的职责靠版本管理和来源追踪给 AI 输出撑起可审计的底子。传统关系型数据库Oracle、MySQL并不是天然的多模态统一管理层业界要的是能原生集成向量搜索、语义检索和事务处理的新架构。这也是 2025 年数据库领域出现一连串大并购的原因——Databricks 收购 NeonSnowflake 收购 Crunchy Data大家都在补这块短板。几句值得记住的话图灵奖得主 Michael Stonebraker 说他们用各种 LLM 在 MIT 真实数据仓库上测 SQL 生成准确率不是很低——是零。一旦 Agent 开始做读写操作问题立刻落回数据库的老地盘事务、一致性、原子性。他的判断是“系统的顶层应该是面向 SQL 的而不是面向 LLM 的。”CMU 教授 Andy Pavlo 说专门为数据库优化定制的算法比 LLM 能做到的好两到三倍。对于人类不写代码、也没人监控数据库系统的趋势他直言这简直是灾难的完美配方。哥伦比亚大学的 Eugene Wu 写得更直接“所有 AI 问题最终归结为数据。”李飞飞怎么看2025 年 12 月赵何娟对李飞飞的访谈里提到算法工程师工资比数据工程师高很多大家觉得算法更fancy。李飞飞回应“所有真正做 AI 的人都知道数据不说更重要至少是平等重要。但是这个说起来算法还是更 fancy。实际上真的数据是一个科学。”被追问这是否是一种偏见时她说它也是偏见。但是我是不是就要去抗争这个偏见我觉得我懒得去抗争我自己知道就行了。她把重算法轻数据的倾向归因于人性偏见而非技术事实选择用 ImageNet 这样的行动去证明而不是嘴上争论。模型可以一代代更新、被替代但数据的存储、检索、治理和可信性是长期需求。不必对立但得分清主次说数据库比模型更重要本身也是过度简化。更准确的说法是模型能力已接近多数企业应用的需求线而数据系统的成熟度还差得远。成功的组织会把 50% 到 70% 的时间和预算花在数据准备和治理上。Integrate.io 的调研显示数据集成能力强的企业 AI 投资回报率能到 10.3 倍弱的只有 3.7 倍。模型负责怎么想数据系统决定事实的边界眼下后者才是更迫切的短板。大多数人都在追浪尖的时候总得有人把船造好。数据库不是 AI 时代最耀眼的方向但可能是最值得长期投入的那个——技术够深产业需求够硬生命周期够长。