GenAI时代，多模态、实时数据处理需求呈爆发式增长状态，数据作为核心生产要素，其重要性愈发凸显。面对海量数据处理，如何构建高效、强大的数据管理底座，成为各行各业数智化转型的关键。为了承载复杂的数据形态，应对智能化时代的新需求、新变化，阿里云瑶池数据库团队通过"云原生数据库3.0架构+AI能力内嵌+生态协同创新"的三维突破，打造面向Data+AI时代的新型数据管理平台底座。

▲阿里云数据库产品事业部总监、AnalyticDB PG及生态工具部负责人周文超

近日，阿里云数据库产品事业部总监、AnalyticDB PG及生态工具部负责人周文超，在DTCC 2025专访中分享了阿里云瑶池数据库在多模态数据处理、AI基础设施升级等方向的创新实践。在他看来，尽管技术演进经历了“大数据”、“大模型”等概念迭代，但数据始终是驱动AI价值创新的核心燃料。当结构化数据与非结构化数据的边界逐渐消失，实时流数据（Streaming）、IoT数据等新型数据形态不断涌现，这种异构性要求数据库必须具备多模态数据的统一存储与处理能力。

因此，面向多模态数据管理需求的AI基础设施建设的底层逻辑，应该围绕数据服务需求的智能化升级展开，从存储架构、计算范式、服务模式、效率上的协同优化等多个纬度，实现硬核技术创新。

多模态数据管理带来的架构跃迁

提到数据库技术创新，今天的数据库在底层架构以及整体的技术创新上，与20年前相比有何不同？

从「人」消费数据演进到「大模型」消费数据，数据的使用模式和管理方式正在发生颠覆式改变。在周文超看来，多模态数据处理是一个关键特征。

随着文本、图像、音视频等多模态数据的快速增长，传统数据库面临诸多挑战。首先，存储压力倍增。当非结构化数据的比重不断增加，对存储架构的的弹性扩展与多模态兼容性提出更高要求；其次，实时处理出现瓶颈。以IoT为代表的设备数据，每秒产生上万亿级的数据流，考验着数据库的流批一体处理能力；其三，AI融合创新带来的复杂问题。如何在保障数据安全的前提下，实现数据、模型与推理的无缝协同，成为数据库智能化变革的最大挑战。

为了解决多源、异构数据处理的难题，阿里云瑶池数据库实现了多个关键能力的升级。早期，为了实现信息技术的自主可控，满足去IOE需要，企业基于开源数据库进行了自研，做了更多内核层面的深度重构。到了2017年左右，“软硬结合”成为云原生数据库1.0时代的关键词，这个时期重点在开源、数据中心、全球多活等方面进行了拓展，从而真正实现了云原生数据库的底层构建能力。进入云原生数据库2.0时代，主要工作是打造好周围生态，重点攻克方向是数据的生产与集成、数据的实时处理与存储、数据分析发现等。2.0时代带来的最大改变，不只看重资源的弹性，更多是产品与服务的综合能力提升。从2024年开始，云原生数据库迎来3.0时代，技术创新的主要方向是与AI深度融合，构建一站式多模数据管理平台。在这全新的时代，用户可以基于DMS实现元数据的统一管理，让数据分析、数据管理等操作全部由统一的平台去承载，实现资源的进一步解耦，在计算、存储和内存层面实现三层结构的池化。

“三大技术升级”，重塑数据管理底座

从存算分离，到资源的池化管理，再到更具弹性扩缩容能力的软件服务平台的打造。在过去一年多时间里，阿里云瑶池数据库围绕云原生数据库3.0进行了全面升级，核心突破集中在三个层面：

1. 传统数据库能力的极致优化

在传统数据库典型场景，比如在事务处理（OLTP）与分析处理（OLAP）等经典场景中，阿里云瑶池数据库不只实现了存算分离，而是通过三层解耦架构实现存储、计算与内存的独立弹性伸缩，进行更精细化的资源管理。同时，为了提供更高可用的解决方案，在IDC层面把不同方案进行了深度重构，不管是单机房部署，还是两地三中心或者三地五中心，都做到了从性能到成本的优化，满足本地业务高并发需求，并且支持全 球 级业务连续性。

2. AI就绪（AI-Ready）引擎的构建

为了实现“Data+AI”的全面融合，阿里云瑶池数据库在产品内部内置AI能力，使得数据在不出域的状态下，就能实现数据推理和更深层次的价值挖掘。比如：在PolarDB、Lindorm等产品中内嵌向量搜索引擎，支持多模态数据向量化存储与高效检索。再比如：通过Model as an Operator（模型即算子）技术方案，将模型推理嵌入数据库内核，实现数据预处理、特征提取、推理全流程闭环，降低AI应用开发门槛。

3．交互方式的智能化革新。

在数据与人、人与AI交互层面，提供全链路的数据管理能力。通过DMS数据管理服务，即使数据资产分布在不同数据库，归属不同部门，也能有全栈式体验，系统可为用户提供一站式的元数据管理与数据治理能力。为了减少DBA、数据分析师在系统应用上的工作量、缩短查询时间，阿里云在数据库产品中内嵌了自然语言交互能力，如NL2SQL等，全面提升数据查询、分析到运维的效率，与传统复杂的SQL查询形成鲜明对比。

可以看出，阿里云瑶池数据库今天的表现，已经不只是技术层面的简单升级，而是通过资源效能跃迁（三层解耦+高可用）、AI融合能力（Model as an Operator+向量引擎）与人机交互革新（自然语言驱动）的多重能力组合，实现从传统数据库到"企业智能决策中枢"的进化。

打造面向AI就绪的云原生数据仓库范本

打造面向AI就绪的数据库产品，云原生数据仓库 AnalyticDB for PostgreSQL（以下简称ADB PG）的创新，可以说是突飞猛进。

ADB PG是一款云原生数据仓库，自诞生起便聚焦于实时数仓场景的统一化构建。其核心价值在于通过MPP架构、向量化执行引擎及实时物化视图等技术创新，实现了离线分析、在线交互与实时计算3大场景的深度融合，为企业提供了"一库多能"的解决方案。

金融和SaaS是ADB PG的传统优势领域，已在金融数仓与SaaS服务场景深耕多年。比如在金融行业，ADB PG可以支撑核心交易分析、风险建模等高并发场景，日均处理数据量达PB级；针对SaaS生态扩展，可以为实时库存监控、动态报表生成等业务赋能，目前已服务零售、物流等领域的头部企业。

进入Data+AI时代，ADB PG开启技术范式升级，并实现了百亿级向量数据的高效相似度检索能力支持。在阿里云百炼AI平台中，ADB PG向量检索已是默认引擎，服务超百万用户，可以支撑大模型场景下的实时语义检索。同时，ADB PG还创造性地推出"多模态检索引擎"，通过与向量检索（语义匹配）、全文检索（关键词匹配）、标量检索（精确过滤）、图谱检索（GraphRAG）等能力进行集成，构建了融合检索体系。

另外，用户重点关注的RAG（检索增强生成）场景，本质是将大模型内涵的公域知识与企业私域数据做有机的结合，将用户的提问放到合适的上下文语境中来理解。阿里云瑶池数据库结合知识图谱检索、长期记忆构建、动态语义增强等技术能力，进行了上下文工程的实践探索，并在金融、零售等多个场景落地。比如：在金融场景，交易记录、客户画像、风控模型等数据具有极高的敏感性与合规要求，用户的核心诉求在于在确保数据安全的前提下实现数据价值释放。ADB PG通过私域部署能力，确保数据全程在金融机构内部流转。同时，依托MPP架构与向量化执行引擎，支撑实时风控、精准营销等高并发分析场景，实现"存储-计算-应用"的全链路闭环。

值得一提的是，ADB PG在与AI融合过程中秉承了创新、开放的理念，与主流的AI工具进行无缝集成。早在2023年初，ADB PG便完成了对LangChain、LlamaIndex等主流框架的兼容。同时，与阿里旗下通义大模型的深度集成，实现从文本理解到向量生成的端到端闭环。

在MCP Server赋能Agent开发层面，通过内置MCP服务，开发者可将ADB PG直接作为Agent的"记忆体"，实现零代码改造、多租户隔离等目标。

此外，ADB PG还对Supabase、Neon生态进行了接口上的兼容，开发者无需修改代码，即可将ADB PG替换为Supabase后端数据库。在Vibe Coding场景中，ADB PG通过Supabase接口提供自动身份认证，系统可集成支付宝、钉钉等应用，包括提供实时数据快照，支持历史版本回滚等，保障AI应用的完整性。

整体来看，通过持续的技术演进，ADB PG已从传统数仓升级为AI时代的智能知识引擎，在保障企业级数据一致性的同时，为大模型应用提供了可扩展的私域知识管理底座。

结语：

阿里云瑶池数据库在数据管理平台策略上的调整，包括以ADB PG为代表的数据库产品的最新变革，让我们看到：智能数据管理的未来已来！随着Data+AI融合步伐的加速，满足新业务场景需求的智能化数据库，正以更快的速度支持企业私域数据与AI模型的高效联动。

就AI基础设施底座能力构建而言，企业要从多个维度进行突破。在性能优化上，可以通过CXL等新型硬件与软硬协同设计，提升资源利用率。在关键引擎和核心技术创新上，应将AI能力深度嵌入数据库内核，构建数据处理到数据使用的全流程闭环。而在重要的交互式体验和生态创新上，应以更开放的心态覆盖更广阔的业务场景。最终目标是，降低数据使用门槛，让数据库实现零运维。有了AI的助力，人类不仅可以通过Agent实现数据库自动调优与故障自愈，还能将人类专家知识注入AI模型，替代重复性运维工作，推动数据库向"无人值守"演进。