中文天堂在线资源,97在线播放免费观看,亚洲国产另类av

　　近些年，文本、圖像、音視頻、時序等多模態數據海量增長，報告顯示，企業里80%以上的數據都是這些非結構化數據，但是長期以來，這些非結構化數據難以被企業有效利用起來。AI的發展為數據釋放價值帶來了更廣泛的新應用場景，也對數據底座提出了新的要求。

　　比如，AI模型訓練對這些非結構化數據的依賴日益加深，需要能夠高效處理這些多模態數據。而隨著AI技術深入應用，在如今的后訓練時代，AI應用場景中推理過程的高并發、低延遲需求，也對數據庫也提出了極致的要求，數據庫作為一項歷經多年發展的“老技術”，在AI時代被賦予了新的使命。

　　“通常來看，多模數據處理、實時高吞吐處理和智能化原生適配是AI時代數據庫的核心能力要求。”李莊莊說。

　　李莊莊認為，對AI時代的數據庫來說，挑戰和機遇并存。對于傳統數據庫企業而言，AI 時代帶來了兩重挑戰。一方面，海量多模態數據的處理需要突破大數據量下的性能瓶頸，這要求企業在新型硬件適配和底層內核優化上實現技術突破;另一方面，數據庫的管理運維復雜度居高不下，傳統依賴人工的方式難以滿足AI場景的高效需求，提升數據庫的智能化程度成為當務之急。

　　圖丨達夢技術副總經理李莊莊(右) IT168數據庫頻道主編任朝陽(左)

　　挑戰背后，是行業發展的廣闊機遇。AI時代催生了對數據庫的更加多元化的需求，尤其是時序、向量、圖等新型數據庫的需求激增，極大地拓展了市場空間。更為重要的是，AI對數據庫核心能力的要求，倒逼企業進行核心架構創新，這為堅持自主研發的數據庫企業提供了“彎道超車”的機會，達夢數據作為深耕數據庫領域的企業，便將此視為技術突破與快速發展的重要契機。

　　遙想產業互聯網變革之時，曾經出現了“互聯網+產業”還是“產業+互聯網”的討論和爭議，在AI時代，如何把握機遇?也有不少人爭論是“數據庫+AI”還是“AI+數據庫”?

　　李莊莊在演講和采訪中強調，AI和數據庫是“雙向賦能、互相融合”的關系，數據庫自身可以用AI提升自身的能力，同時數據庫也能為AI場景應用提供更高效的底層支撐。

　　比如，“數據庫+AI”以數據庫為核心，將 AI技術作為增強手段，提升數據庫的性能、易用性與自動化水平。“AI+數據庫”則以AI場景為核心，數據庫作為AI的基礎設施，提供數據存儲、特征計算、模型部署等支撐。沒有AI的加持，數據庫難以應對復雜場景的挑戰，沒有數據庫對數據的高效管理，AI模型就是“無米之炊”。

　　在AI時代，數據庫廠商可以采取以下策略把握機遇。首先，從架構層面進行升級，通過存算分離、云原生、極致彈性等提升數據存儲處理能力，同時集成向量、圖、時序等多模數據處理能力;其次，通過AI提升數據庫自動化管理能力，比如智能SQL生成、智能調優、故障預測、根因分析等;最后，在生態層面，需要充分開放，和AI工具鏈進行深度適配，簡化AI訓練中的工作復雜度。

　　達夢數據一直堅持自主開發的技術路線，作為全棧數據產品和解決方案提供商，在AI與數據庫融合發展領域早已提前布局，2014年左右就開始了智能化方面的探索。

　　隨著AI大模型技術的發展，技術迭代更快，達夢數據在核心技術、架構方面進行優化升級，更好地適應AI時代的要求，自此，其智能化發展也步入了快車道，如今達夢數據在AI領域獲得了不錯的發展：

　　在AI4DB方面，以達夢啟云數據庫和達夢數據庫一體機為載體，推出了智能參數調優、SQL智能生成、數據智能探查、慢SQL根因分析/診斷、智能測試樣例生成、達夢數字服務專家等AI新特性，大大提升了數據庫的智能化程度和便利性，同時保障了數據庫的高可靠和高性能。

　　在DB4AI方面，基于自主研發的技術路線，陸續推出了圖數據庫、時序數據庫、緩存數據庫、向量數據庫以及多模數據庫等能夠支撐AI訓練的多引擎數據庫產品，可以為AI場景應用提供國產內生安全的底座支撐。

　　據悉，智能化發展已經帶來了非常大的實際業務價值。以數據庫智能參數調優為例，DM8有幾百項參數，每個數據庫在具體生產應用中面臨的場景需求千變萬化，參數的組合幾乎是個天文數字，在以往的實際生產中，參數調優嚴重依賴DBA的個人經驗。

　　在引進智能參數調優后，依賴人工的問題得到了明顯改善。比如在啟云數據庫中在線發放一個數據庫服務，可以根據數據庫的規格、初始化參數和基本場景需求對參數進行智能推薦，同時在數據庫運行中收集日志數據進行處理和訓練，隨時提供與數據庫應用場景相匹配的參數組合。實際測試和生產應用表明，智能參數調優的效果高于DBA人工調優，而且可以節省大量的運維人力，對于數據庫的使用者、建設方都有極大的降本增效價值。