AI对产业的升级今年已经蔓延到了数据库行业。今年1月，阿里云PolarDB发布AI数据湖库（Lakebase）、模型算子化、Agent托管等能力，推动数据库从“AI就绪”转向“AI原生”，7月推出面向Agent场景的PolarDB Agentic Database；
腾讯云在5月底宣布数据库产品体系面向Agent场景全面升级，推出Agent Memory、DatabaseClaw两款Agent原生产品；8月发布TDSQL Nexa，定位为AI时代的数据底座；
OceanBase在6月将AI方向打包为OceanBase AI Database产品组合；10月底，电科金仓也正式发布了KES AI数据库，强调把AI能力放进数据库内核，打造库内语义构建、库内计算推理、库内原生数据安全管控三大核心能力，让数据不出库，即可支撑AI应用全链路高效、安全落地......
数据库迎来新用户
从Oracle到分布式集群，从单机到云原生，数据库技术演进了四十多年，把人类产生和使用的数据管理得井井有条。但当生成式AI出现之后，数据库的主要用户，正在从人，变成了AI。它们不会看报表、不会打电话给DBA，它们只认得可以直接消费的上下文，于是，一个过去三十年从未被认真讨论过的问题，突然变成了整个行业的必答题：数据库里存的数据，机器“读得懂”吗？数据库作为AI底座的一部分，也步入了变革的时代。
要理解数据库的改革为什么是现在，得先看清楚大模型进入企业核心业务时，到底卡在了哪里。对此，电科金仓总裁杜胜表示，数据库需要的是快思考，负责提供可信、持久、可计算的数据底座。而大模型则是慢思考，负责理解、推理、生成；快思考的数据，是慢思考的燃料，慢思考需要快思考持续喂给数据。
据行业机构统计，超过83%的公共数据已经得到较充分开发，而企业95%以上的高价值业务数据，仍然沉睡在私域数据库里，而其中八成以上还是非结构化内容。换句话说，企业最值钱的数据，大模型“看不见、读不懂、用不上”。
问题不在于存储能力不足，而在于数据缺少语义描述。数据库里只有表结构和字段名，没有业务含义。举个例子，数据库里有个字段叫客户，它指向的可能是签约客户，也可能是意向客户；一个叫金额的字段，在财务、销售、风控三个部门眼里完全是三回事。模型无法自行判别，于是要么瞎猜，要么答错。
而要解决这个问题，关键在于给数据库搭建一个AI能读得懂的语义层。
AI数据库竞赛关键在语义层
企业语义层并不是一个新概念。过去十几年，大型企业在数仓之上搭建语义层、指标平台、数据目录，试图用一套自上而下的企业级语义体系来统一客户、收入、活跃这些词的含义。理想很丰满，现实却很骨感，电科金仓总裁杜胜把外挂语义层的核心病灶说得很直白：语义层和物理结构脱节。
上层建好的语义模型，往往不知道下层交易系统的表结构什么时候被改、字段口径什么时候被调，同步链路说断就断，维护成本随着系统数量指数级上升。更隐蔽的代价是组织层面的：下层业务系统频繁变更却不通知上层治理部门，治理部门又没有权限管控各个业务系统，语义的新鲜度在部门墙之间被消耗殆尽。
在AI时代，语义的问题被AI放大了。有行业研究显示，在涵盖金融、人力资源和公共安全领域的236个分析意图中，成功执行的SQL查询里出现了153次反复发生的“操作化失败”——查询语法没错、结果也返回了，但它所选择的阈值、时间算子或派生指标，并没有忠实捕捉用户意图中的分析概念。比如把“异常高风险的贷款”用一个固定阈值来操作化，而“异常”本质上是相对于参照群体的比较判断。这类失败不会报错，却会让企业基于一个看起来对的数字做出错误决策。
谈及语义层当前对于数据库的重要性，杜胜给出了自己的判断，他告诉我们，“语义是 AI 架构的核心基础。模型答错的很多问题，并非模型不会推理，而是它拿到的数据本身没有语义。”
语义层的重要性并不是一家之言，Gartner在2026年的多项研究中反复强调同一个判断——上下文正在成为新的关键基础设施，并预测到2030年，通用语义层将与数据平台、网络安全并列为关键基础设施。用更直白的话说：过去企业买数据库是存算数据，未来企业还得为“让机器理解数据”的那一层能力买单。只接了大模型接口、却没有数据语义层的AI项目，大概率无法进入生产环境。
基于此，电科金仓给出的路径是，把语义的地址从数据库外面搬到数据库里面。不是再建一层更聪明的元数据平台，而是让语义对象和物理表在同一个内核里共生。物理结构变了，关联的语义对象像存储过程一样失效并触发重编译或人工确认，变更被推送到业务人员面前，而不是消失在跨系统的同步管道里。更关键的是建设方向的反转：语义不再追求自上而下一次性定义全企业，而是以每个业务库为单位、自下而上地长出来。真正懂每个字段在业务体系中代表了什么。几百个库各自把本地的语义做扎实，大模型再批量提取、汇聚成企业级语义，这是一条慢一点但不容易断裂的路。
数据不出库依旧是底线
通过构建语义层，让AI读懂数据只是解决了技术层面工程化的问题，真正到应用场景中，管控边界也是当前AI数据库所必需的能力。
传统做法是把数据从数据库里导出来，送到外部系统做向量化和检索，再传回应用端。一来数据反复传输、跨系统搬运，数据搬运开销大、计算效率上不去，此外，数据一旦离开数据库，原有的权限控制、字段级脱敏和审计能力就断了，对金融、能源、政务这些行业来说，这不仅是效率问题，更关乎合规论证和审计成本能不能被接受，这也是很多AI项目长期停在试点、进不了生产环境的原因。
“数据不出库，不是技术选择，而是合规底线。”这是杜胜对于数据不出库的总结。——库内闭环的模式，在守住合规红线的同时，实现语义闭环、减少数据搬运损耗、提升AI全链路效率。
在此背景下，“AI能力库内生长”的逻辑因此变得清晰：向量在库内生成，语义在库内定义，推理在ONNX框架下于库内完成。数据库原有的行级权限、字段级脱敏、行为审计覆盖到AI链路中，大模型Agent访问数据库时复用数据库账号的权限体系，不能越过账号的围栏。
杜胜打了一个比方：靠提示词约束大模型不要越权，像管教孩子时口头说教；数据库底层的权限管控是实实在在的围栏。这个对比点出了库外方案的一个结构性缺陷，用户可以在应用层写无数条安全规则，但规则和真实数据之间隔着一个可以被绕过的导出环节。
而在AI时代，除了做好数据不出库之外，多模融合则是最为关键的一个能力。AI应用面对的数据形态早已不是整齐的二维表，文档、图片、音视频、图谱、时序流同时出现在一个智能体工作流里。过去企业更多采用的是专库专用，交易用关系库，向量检索用向量库，关联分析用图库，一个应用背后串着好几套引擎，数据在库与库之间反复搬运。
而如今，融合型数据库从加分项变成规模化落地的主流选项，独立向量引擎的窗口期在收窄。面对是替代，还是共存的分叉路，杜胜的判断是替代与共存并行，“绝大多数普通客户要的是一套数据库搞定多类能力，降低DBA运维和学习成本。只有纯图超大规模社交网络这类极端场景，独立专用库仍有保留价值。主战场依然是关系数据库，多模是叠加在其上的能力，实现一体化融合，而不是另起炉灶。”杜胜强调道。
中国信通院《数据库发展研究报告（2026年）》测算，2025年中国数据库市场规模约94.9亿美元（约合678亿元人民币），占全球市场7.2%；预计到2028年，中国数据库市场总规模将接近980亿元。
IDC在2026年外滩大会上发布的数据显示，2025年中国AI数据基础设施市场规模约149亿美元，2025至2030年复合增长率高达37.7%，2030年将达到738亿美元，到2035年有望达到约1万亿元人民币量级，较2025年增长超过10倍。
传统数据库市场在稳步增长，但真正的增量在AI这一侧。IDC预计，中国数据生成量将从2025年的约76ZB增至2030年的约147ZB，其中约90%是非结构化数据，大模型不缺数据，缺的是能将数据“喂进去”的基础设施。
数据库产业过去十年解决的是替代的问题；未来十年要解的是一道经济题，企业沉淀了几十年的数据资产，能不能在AI时代被真正读懂、高效用起来，同时守住安全的底线。