来源：市场资讯
（来源：企业家杂志）
2026年，Databricks估值冲至1340亿美元，ClickHouse不到一年估值翻倍，Snowflake市值突破830亿美元。最头部的数据基础设施公司，都在以前所未有的速度重仓数据层。
然而另一边，大模型在公域所向披靡，一进企业就撞上一堵透明的墙。墙的背后，是企业二十年积累的私有数据——看得见，用不上。
Gartner数据显示，全球超90%的企业推出过生成式AI试点，但真正形成规模化价值的不足41%。瑞银的调查更直白——截至2026年3月，仅19%的企业实现了AI规模化部署。
“算力差距在缩小，算法也在收敛，但大多数企业依然没用好AI——根因不在模型，而在数据，更根本的是缺乏一个解决数据问题的数据底座。” 崖山科技CEO陈志标告诉第一新声。
三重困境——数据孤岛化、信任不可控、幻觉被放大——叠加在一起，大量企业的AI投入变成了“试水很热闹，投产静悄悄”。
01
AI时代的数据三重冲击
数据库行业正在经历一场静水深流的变革。过去一年，大模型从千亿级卷向万亿级，智能体从概念走向企业流程。然而喧嚣之下，一个尴尬的事实浮出水面：“钱花了很多，但实际效果却说不清。
据Gartner数据，到2025年底，至少30%的生成式AI项目会在概念验证后放弃部署，AI投入与产出之间的鸿沟正在拉大。问题不在模型，而在数据底座。
第一新声Eason：企业AI落地最典型的“卡壳”在哪里？
陈志标： 大模型的发展让我们很兴奋，但一落到企业，就“卡壳”了，主要有三重困境：第一，数据孤岛化。每个企业都有很多私有的数据、隐性知识，这些数据是烟囱式的，分散在不同系统、不同格式中。绝大多数企业只驯化了不到20%的结构化数据，剩下80%的非结构化文档长期沉睡。第二，信任不可控。私有数据注入模型后边界消失，合规严格的金融、政务领域，这种不确定性就是否决票。第三，幻觉被放大。消费级应用可容忍AI胡诌，但审计报告、交易指令偏差分毫，代价是真金白银的损失。
这三重困境叠加，让大量企业的AI投入效果往往一般。大家逐渐意识到，缺的不是更强的模型，而是一个能把私有数据真正驯服、打通、可信交付的新容器。
第一新声Eason：AI时代的“数据之痛”，和过去到底有什么本质不同？
陈志标： 你问到了整场变革的底层。如果说过去的数据库是在管理一座静态仓库，那AI时代，企业要面对的是一条活着的、奔涌的数据大江。变化就藏在三个维度里，每一个都是对传统数据库的“降维打击”。
第一，数量上的膨胀。 以前数据库跟着业务系统走，数量是算得清的。现在每一个AI智能体都是一个“数据生产单元”，7×24小时不间断地产出交互记录和决策轨迹。企业要管的数据库实例，从几十个变成成千上万个——这不是多买几台服务器的事，而是整个管理方式和调度体系都要重写。
第二，类型上的融合。 过去不同的数据可以分库分治，互不相干。现在一个AI要处理一个合同，就得同时看懂表格里的数字、条款里的文字、印章里的图像、审批流里的关系。分库存放、各自为政的老办法，等于把原材料堆在不同仓库，再靠人来回搬运——慢、乱、还容易出错。企业要的是一个能同时装下所有数据类型的统一底座。
第三，节奏上的失控。 以前数据库的忙闲是有规律的，凌晨跑批、白天交易，运维窗口清清楚楚。现在的AI没有“上下班”——前一秒还在记账，下一秒就要做全盘分析。一个复杂的查询请求就可能拖垮整个系统，让所有AI同时“停工”。7×24小时不间断服务成为常态，那个可以关门维护的“半夜”已经彻底消失了。
这些变化，不是修修补补能应付的。所以，数据库没有过时，过时的是不能承载智能业务的旧容器。
02
重构，而非修补
——从“功能叠加”到“AI原生”
2026年，几乎所有数据库厂商都在讲“AI”，但路线正在急剧分化。一派是“旧瓶装新酒”，给老架构打补丁、装插件，把AI当成外挂的功能模块；另一派则试图从内核层面，让数据库为AI而生。
这不仅仅是技术路线的差异，更是两种哲学的分野：是让AI去适应旧时代的遗迹，还是AI重构一个属于它的数据底座？
第一新声Eason：现在几乎所有数据库厂商都在讲AI，但落到实际产品上，您观察到最大的误区是什么？
陈志标： 今天行业里有一个危险的错觉：以为给数据库装个向量插件，它就“AI-ready”了。这是典型的旧瓶装新酒——把AI当成一个外挂的功能模块，而不是一次内核级的基因重组。
单纯的AI外挂只能适配某一个特定场景，解决不了根本问题。你的内核架构能不能匹配面向AI Native的场景？如果不行，可能真的需要推倒重来。
第一新声Eason：“AI Native”这个词很多科技公司提过，但多在SaaS或新应用上。数据库行业提这个概念不多，如何理解？
陈志标： 真正的“AI Native”，是从数据库诞生之初的每一个设计决策开始，就把AI的应用场景考虑进去。我们可以沿着应用的全生命周期，看清这场重构究竟发生在哪里。
开发阶段，范式变了。 过去是人写代码、人管数据。现在是多个Agent并行生成SQL、并发修改表结构，传统数据库从未考虑过：多个AI同时操作同一份数据，如何不被互相污染？
使用阶段，主体变了。 过去面向人，并发量可预测、有规律性。现在面向智能体，并发可能突然暴涨，这是数量级的变化，而且它们7×24小时不休眠，并发请求完全不可预测。这不是加机器能解决的，是需要从内核的调度、执行、存储引擎层面，为这种“混乱有序”的新常态重新设计。
运维阶段，人机关系变了。 越来越多的企业开始用AI做智能运维，数据库能不能提供能够接入智能运维的能力？
以前数据库是相对“被动”的——数据存进来，人要先理解表、字段含义，自己写SQL去用。传统数据库不具备语义信息。现在需要从“被动”变成“主动”：数据进来以后，主动处理、加工成“知识单元”，让大模型知道怎么用。 让数据不再需要人做中间翻译，能够被AI直接消费、直接理解、直接调用。
所以这不是一场功能升级，而是一次架构的代际更替。
第一新声Eason：能否具体讲一下崖山AI-Native的完整架构？其中的能力和行业里常见的AI外挂有什么本质区别？
陈志标：崖山的数据底座，实际上构建了两层结构。
底层是AI-Native的内核能力，是数据库的“物理层”——管存储、管事务、管高可用、管一致性。这是数据库的本分，丝毫不能丢。 这一层解决的是企业级的两个核心痛点：可用和可控。
可用：7×24小时持续服务，支撑数量级智能体增长，融合集群统一架构支撑三种部署形态，多模态数据在同一内核中统一纳管。
一方面，架构和技术的自主可控，核心代码全自研，每一行都握在自己手里；另一方面，数据安全可控，让企业从"不敢用"Agent调用数据，走到"敢用、用得放心"，数据沙箱就是这一层的典型体现。
上层是AI-Ready的数据智能引擎，是数据的“语义层”。这一层解决的是企业级的另一个痛点：可信。
传统数据库的优势是确定性输出——它是一个确定性系统，给大模型提供的数据能做到确定性。但大模型的幻觉导致即使有确定性输入，也不一定100%可信输出。
崖山的解法是把数据之间的关联关系、血缘链路、口径定义、业务含义，全部建模成一张动态的知识图谱。这不是贴在外面的标签，而是长在内核里的元数据。
大模型接入时，面对的不再是冰冷的表名和字段，而是一张有逻辑关联的知识网络。这就是“AI能直接消费的数据”。
很多企业自建知识库来补这一层，但问题是知识库只处理文档，跟业务数据库是割裂的——文档说一套，数据库跑出另一套，模型信谁？崖山的区别在于：文档、关系数据、图数据、向量、语义关联，全在一个统一底座里。一致性不是事后对账，是长在根上的。凯撒工程（KSA）就是语义层最具代表性的技术方案——把企业沉淀的隐性知识显性化、结构化，变成Agent可调用的"技能包"，让Agent知道"该怎么用"数据。
底层提供可用和可控的数据基础，上层提供可信的数据智能。
这一切能力都不是外挂的AI功能模块，而是从全自研内核中自然生长出来的——不是只能适用某一个特定场景，而是每一种部署形态中都统一可用，这是AI-Native带来的结构性优势，不是靠堆功能堆出来的。
03
内核原生，才是企业级的解法
方向对了，具体的痛点怎么解？当理论落到实践，2026年企业AI落地面临两个最尖锐的拷问：Agent敢不敢放开手脚调用数据？即便拿到了数据，它又知不知道“该怎么用”？这对应着安全与智慧的双重困境，任何一个瘸腿，AI的规模化落地都是一句空话。
第一新声Eason：如何保证Agent能够安全调用数据呢？
陈志标： AI开发与传统开发本质不同——传统是一个团队、一条主线；AI是几十上百个智能体同时并行试错，每一个都需要独立数据环境，试错极快、销毁也极快。
传统数据库接不住这个需求。为每个Agent单独部署一套完整数据库？成本是个天文数字。让所有Agent共享一个？互相干扰，任何一个误操作都可能污染生产数据。
数据沙箱就是为这个两难困境而生的。它像是为数据创造了“平行宇宙”——瞬间创建与生产环境完全隔离的副本，底层用写时复制技术，创建几乎零成本。更关键的是“时光机”能力：每个沙箱可随时回溯到历史任意数据点，像Git分支一样，让数据按不同假设向不同方向演进。
在AI开发场景下，多个Agent并行尝试不同策略，每个Agent拥有独立的数据沙箱，互不干扰。一个Agent试错了，瞬间销毁重建；一个策略验证有效，直接合并。这在传统数据库时代是不可想象的——那时候，一份数据的复制、分发、回收，每一步都是运维的噩梦。
数据沙箱从提出到发布试用，崖山只花了两个多月。行业内极难做到如此快，这得益于内核优势——沙箱引擎是深度融入内核的原生组件，不是外挂工具。
这与Databricks以10亿美元收购Neon所验证的“数据库分支”技术方向高度一致。不同的是，崖山将这一能力做成了内核原生的企业级方案——支持私有化部署、兼容Oracle/MySQL生态，这是纯云原生的Neon目前难以覆盖的领域。
第一新声Eason：Agent有了安全环境，但它怎么知道“该怎么用”？
陈志标：数据沙箱解决的是“让Agent敢安全的干活”的问题，但“敢干活”不等于“会干活”。Agent要真正产生价值，还需要一个东西——知识。它得知道业务的上下文、系统的运行逻辑、历史经验的沉淀。凯撒工程，解决的就是“怎么把企业沉淀的数据变成AI能用的知识和技能”。
凯撒工程的简称是KSA，这是三个词的缩写：Knowledge（知识）、Skill（技能）、Agent（智能体）。它代表的是一条从数据到价值的完整转化链路。
拿崖山自己的研发举例：过去，设计文档、代码、测试用例各躺各的，互不关联。凯撒工程把它们编织成一张有逻辑的知识网络，再封装成智能体能调用的“技能包”——就像把一堆散乱的零件组装成了随手可用的工具。智能体拿到的不再是碎片信息，而是完整的“业务上下文”。
效果是立竿见影的。原来一个模块的设计可能要做一个月，现在一两周就能完成；用AI做测试用例生成和代码解释，质量提升肉眼可见。而且因为Agent能精准定位所需的知识上下文，不用再把成堆的文档一股脑扔给大模型，token消耗大幅下降——从“大海捞针”变成“精准投喂”，成本自然断崖式降低。
第一新声Eason：您认为AI重新定义数据库最本质的点在哪里？
陈志标： 最本质的点，还是落在一个词上——AI Native的数据库内核。全自研内核，是这一切的根基。这句话的分量，只有在真正动手做的时候才能感受到。
AI时代对数据库提出的每一条新需求，拆开来看，最终都指向内核能力的边界。
多模态融合，考验的是存储引擎能不能原生纳管异构数据，而不是在外部挂一堆插件。高并发弹性，考验的是调度器能不能在负载剧烈波动时毫秒级做出反应。Agent隔离，考验的是事务引擎能不能在数千个沙箱之间做到严格的ACID保障。知识图谱与数据的深度耦合，考验的是优化器能不能在图查询、向量检索、SQL执行之间找到全局最优路径。
在这些问题面前，内核如果不够强、不够灵活，你唯一能做的就是在外面打补丁、堆功能。今天加个向量插件，明天套个知识库中间件，后天再补一层权限代理。每加一层，性能损耗一层，故障排查难度加一层，最后变成一个谁都拆不开的“意大利面条”。很多厂商还在走这条路，不是因为不想从内核改，而是改不动——底层是开源的，不是自己的，遇到新需求只能在外围堆砌。
崖山从内核层原生支持这些能力，不是我们比别人聪明，而是我们比别人多走了一条更远的路——从零开始写内核。这条路把入场推迟了至少三年，但它带来的回报是结构性的：当别人在为“怎么把新能力塞进旧架构”焦头烂额时，我们的架构本身就是为新能力长的。全自研不是面子，是里子——是在需求激增的时代，还能保持架构简洁、性能可控的唯一解。
数据沙箱、多模态融合、知识图谱——这些都不是外挂的功能模块，而是从崖山内核的第一行代码起就原生设计进去的能力。如果当年走开源封装的路子，底层的存储引擎、事务引擎、优化器全是别人的，遇到沙箱隔离、多模混合查询这些新需求，只能在上面堆叠补丁，就像在一座老房子的墙上不断打洞装新设备，总有一天结构会撑不住。
全自研还意味着另一种东西：对每一行代码的绝对掌控。今天行业里已经在反思——大模型生成的代码可能造成“工程灾难”：表面逻辑通顺，内部隐藏着资源泄漏、并发冲突、安全漏洞。崖山的原则很明确：不管是人写的还是模型生成的，每一行代码都必须经过理解、必须处于可控状态。数据库承载的是客户最核心的生产数据，在这方面没有“差不多”的空间。
04
国产数据库的“弯道超车”时刻
2026年的中国数据库行业，正站在一个微妙的历史节点上。一方面，市场高歌猛进，信创替代从外围系统逐渐进入到核心系统；另一方面，一个残酷的差距依然横亘：Oracle每年投入的研发费用近百亿美元，而中国整个数据库行业年营收总和，还不及其一半。
然而，AI正在改写游戏规则，且方向对中国厂商有利。决定产品能力上限的，正从工程师的绝对数量，转向顶尖团队的内核定义能力。决定数据库内核高度的，终究是人。Oracle最早写内核的那一代正在老去，而中国这批打磨了十几年的内核团队，正迎来属于他们的时间窗口。
第一新声Eason：从零到全自研，崖山走过了哪些关键阶段？
陈志标： 崖山的历程，起点在2013年。樊文飞院士团队首创资源受限计算、跨模融合等原创理论。2019年深算院揭牌，崖山正式进入工程落地。我们做了一个近乎“偏执”的决定——从零开始写代码，一行不碰开源。关键核心技术要不来、买不来、讨不来，底层不在自己手里，就是把大厦盖在别人的地基上。好在我们团队有十几年数据库内核的血泪经验，这条最难的路，从一开始就没抱任何侥幸。
2022年，崖山完成内核全自研，正式向高端核心市场发起冲击。2023-2024年，共享集群在核心场景实现规模稳定商用。从立项、研发工程化、走向市场、支撑核心交易系统稳定性——崖山只用了6年，而Oracle RAC走完同样的路花了三十余年。
2025年8月，崖山首次通过国测。同年，崖山通过科技成果鉴定，鉴定委员会给出评价：核心技术达国际领先水平，并相继拿下央行数研所、方正证券、深圳燃气等标杆。2026年中标多省市政务云、公积金、交通核心系统，上线哈萨克斯坦Kaspi银行核心业务系统。
中国自研数据库，第一次在海外核心金融场景中正面对决国际巨头——这不仅是出海的首单，更是中国基础软件从“替代”走向“技术输出”的关键一步。
回头看，崖山的每一步都是围着内核在转：从理论原创到工程落地，从100%自研到1:1平替，从通过国测到支撑AI新需求。内核，是贯穿始终的那条线。
第一新声Eason：回头看崖山的发展历程，有没有什么时候觉得特别艰难？
陈志标：研发是我最擅长的领域，团队有十几年数据库内核的血泪经验，对技术方向有笃定的判断。研发上，唯一的挑战是怎么把院士在学术上的创新跟工程经验融合在一起——但这是"怎么做得更好"的问题，不是"能不能做出来"的问题。
但有一个阶段确实很煎熬——国测等待期，将近19个月。
客户交流完，认可你的技术、认可你的团队，然后撂下一句："东西很好，但不在名单里，我不想浪费时间。"
2025年8月，国测通过的消息传来。我跟团队说了一句：“名单上有我们了。”大家很高兴，但也很平静——三年半的代码，十九个月的等待，都沉在这句话里了。
2026 年 5 月，我们的分布式版本也通过了行业评测。集中式和分布式两种形态先后完成验证，这意味着崖山获得了进入更多核心系统的通行证。过了这一关，就是直面更全面的挑战 —— 上更多的核心系统，必须为客户扛住。这就是做企业级基础设施的心理状态，你没有容错的空间。
崖山从第一天起做的就是一件"知其不可为而为之"的事。19个月国测等待、角色从技术转向商业、海外第一次扛住核心银行的生产压力——每一关都在试探极限。但回过头看，恰恰是这些极限测试，把这条路走成了。内核强了，国测过了，客户信了，海外赢了。
第一新声Eason：一直以来，崖山都以“1:1平替Oracle”为市场所熟知，现在又提出“AI数据底座”“数据沙箱“”凯撒工程“等概念，是转换赛道了吗？
陈志标： 这个问题问到点子上了，也是很多客户和投资人的第一反应。但其实，我们并没有换赛道——是赛道本身变宽了，而我们恰好一直站在交汇点上。
怎么理解？崖山现在的打法很明确——两条腿走路，不赌单边。
一条腿是千亿级的存量国产替代市场。解决的是国家层面“数据底座不能被卡脖子”的战略安全问题。这是我们的基本盘，也是当下的主要收入来源。金融、政务、能源这些领域的核心系统替换，正在进入深水区，需求不是变少了，而是从“能用”升级到“好用”——这对内核能力提出了更高的要求，恰恰是我们的主场。
另一条腿是万亿级的增量AI应用市场。一方面，最头部的模型公司都在拼命往数据层砸钱补课；另一方面，模型层的估值天花板已经被市场看到了，而“数据+模型”的交叉点，是下一波估值重估的方向。这是未来的增长空间，解决的是“数据怎么才能被AI真正用起来”的新命题。替代业务给我们提供了现金流和客户信任——没有这些根基，谈AI创新就是空中楼阁；AI业务则打开了天花板——让数据库从“基础设施”变成“智能化引擎”，市场想象力完全不同。两条腿各司其职，互为犄角，相辅相成。
技术层面更不是从零开始。我们在2019年立项时就定了三个目标：平替Oracle RAC、混合负载融合、多模态数据处理。说实话，当时没人能预料AI会在几年后以这样的速度爆发。但回头看，这三个目标跟AI Native数据库的需求完美重合——高可用是智能体7×24小时运行的底座，混合负载是HTAP场景下“写入与分析并行”的刚需，多模态是知识图谱和向量检索的天然土壤。
所以从“平替”到“AI数据底座”，不是突然调头，而是水到渠成的自然演进。每一个能力模块都是在前一个阶段长出来的：先有稳定的内核，再有共享集群，再有混合负载，再有沙箱和知识图谱。环环相扣，层层递进。
这么多年来，我们做的始终是同一件事——把数据库内核做扎实。只是过去市场更关心“能不能替掉Oracle”，现在更关心“能不能撑住AI”。内核强了，两头都能打。
第一新声Eason：过去中国在数据库上长期处于“抄作业”的阶段。现在AI正在重新定义数据库，您认为AI会不会成为国产数据库反超Oracle的历史契机？反超的关键点，到底是什么？
陈志标： 从技术能力的绝对值来看，我们已经跟Oracle站在同一条起跑线上，甚至在AI原生架构这个新赛道上，跑得更快。Oracle方向判断很准，但包袱重——要兼容三十年积累的海量客户和遗留系统，每一次架构调整都是大象转身。我们没有历史包袱，同等功能，Oracle可能需要两三年，我们三到六个月就能做到。
当然，Oracle一年近百亿美元的研发投入，仍是国产厂商难以匹敌的资源鸿沟。但AI正在改变游戏规则，而且是朝对我们有利的方向。我们有三个独特的结构性优势。
第一，人才结构优势。 当AI深度介入软件工程后，决定产品能力上限的不再是工程师的绝对数量，而是最顶尖的那批人能把方向定得多准、把内核写得多好。Oracle最早写内核的那批人，很多已经退休了。而崖山的核心团队稳定共事超十年，来自华为、IBM、Oracle等头部企业——是国内极少数同时具备高端数据库内核攻坚能力与AI原生数据底座研发能力的团队，既有学术界的理论高度，又有工程界十几年一线打磨的深度。
决定数据库内核高度的，终究是人。这是时间窗口给我们的机会。
第二，中国场景优势。 中国拥有全球最复杂、最大规模的企业应用场景——金融级的高并发、政务级的合规要求、制造业的海量IoT数据、央企国企在国家战略与自身转型需求驱动下的AI落地。这种级别的场景压力和落地规模，本身就是最好的产品锤炼器。再加上十五五规划中AI落地的政策推力，这个势能是独一无二的。
第三，生态重置优势。 这一点我认为是最关键的。过去四十年，Oracle构建的不仅是技术壁垒，更是一个盘根错节的生态护城河——数以万计的ISV、数百万的DBA、无数基于Oracle标准搭建的企业应用。在传统赛道上，后来者要想突破这个生态，几乎是不可能的任务。但AI的出现，在某种程度上重置了游戏规则。
当数据库的使用主体从人变成智能体、开发范式从写SQL变成Agent自主调用、企业对数据库的选型标准从“生态兼容”转向“AI原生能力”时，旧生态的锁定效应正在松动。
这是一个重新洗牌的时刻——大家站在同一个起跑线上，拼的是谁能更快地让数据库为AI而生，而不是谁家生态更庞大。
以前我们只能知其不可为而为之，先拼一把；现在AI让我看到了更大的机会，只要我们坚持在内核上持续投入，超车是完全可能的。
君子务本，本立则道生。
数据底座是AI时代的“本”。数据底座的根本，是内核。
崖山走了一条公认最难的路：从内核做起，一行一行代码地把数据底座夯实。这条路慢，但每一步都踩在根上。解决了内核的根本问题，“可用、可控、可信”才有了真正的根基，而不是贴在产品介绍里的三句漂亮话。
当数据库行业正在被AI重新定义，能定义未来的，永远是那些愿意把基础根基做扎实的人。
热门跟贴