软件形态变革大趋势下，数据库具有不可替代的重要地位。

第一，承载数据，做好数据来源的“源头关”治理。AI时代，AI训练的来源是数据，精确、可靠的高质量数据是做好AI训练的关键，数据库则是承载高质量数据的载体。

第二，向量数据库、RAG等产品和技术直接赋能AI发展，缓解大模型推理的“幻觉”等问题，数据库成为AI时代不可替代的“必需品”。向量数据库通过嵌入方式，将高维度离散数据（如文本、图像、音视频等）映射到低维度连续空间生成稠密向量，更好地捕捉数据潜在关系和语义信息。RAG框架则把信息检索技术和大模型结合，将检索出的文档和提示词提供给大模型，缓解大模型推理的“幻觉”问题，还能实现知识库更新，进而为AI发展提供保障。

相较于原生的大模型，搭配RAG的模型具有多个优势。RAG框架主要由检索器和生成器两部分构成。检索过程涵盖对数据（如文档）进行切分、嵌入向量并构建索引，随后通过向量检索召回相关结果；生成过程则是借助基于检索结果增强的提示来激活大语言模型，进而生成回答。

这种方式使得RAG在处理复杂查询和生成丰富信息回答方面具备显著优势：第一，提高 AI 回答的准确性和可靠性，避免推理过程中的“幻觉”等问题：RAG技术通过检索外部知识库，为模型提供具体事实和数据支持。当被问到专业领域知识时，RAG会从专业文档、研究报告等可靠来源检索信息，让模型基于这些准确信息作答，大大提高了回答的准确性和可追溯性。第二，增强数据隐私和安全保护：RAG技术可以将知识库作为外部附件管理私有数据。企业的客户信息、财务数据等敏感内容，不用直接输入大模型进行训练，降低了数据泄漏风险。第三，提升信息的实时性和适应性：RAG技术允许从外部数据源实时检索信息，能获取最新知识，进而提升AI训练和推理的效率。

向量数据库有望成为RAG检索的底座。RAG检索通常与向量数据库紧密结合，形成基于大模型ector Database+Prompt的RAG解决方案，即CVP技术栈。该技术栈依赖向量数据库高效检索相关信息，增强大型语言模型（LLMs）的能力。通过将LLMs生成的查询转换为向量，RAG系统能在向量数据库中迅速定位相应的知识条目，有效解决LLMs固有的知识更新延迟和“幻觉”等问题。

OpenAI通过整合Rockset的专家团队，增强了自身在实时分析和RAG领域的实力。2024年6月，OpenAI官方宣布完成对实时分析数据库Rockset的收购，并计划将Rockset产品整合至旗下所有产品线。Rockset成立于2016年，提供基于云的实时分析数据库RocksDB，助力开发人员构建数据密集型应用程序。Rockset可作为大模型的实时外部知识库，为大模型传递时效性更高、信息密度更大的多模态数据，用于管理、存储、查询和搜索结构化及非结构化数据。其超大规模下的实时分析及向量检索能力，有效解决了大模型在企业落地时面临的快速整合不同来源数据、实时数据感知以及高效数据处理等关键问题。

国内数据库龙头OceanBase宣布进入AI时代。2025年4月27日下午，OceanBase CEO杨冰发布全员信，宣布OceanBase全面进入AI时代，致力于打造“DATA×AI”核心能力，建设AI时代的数据底座。组织架构方面，任命CTO杨传辉担任AI战略一号位，同时成立了AI平台与应用部、AI引擎组等新部门。其中，AI平台与应用部由杨传辉主导，聚焦打造RAG、AI平台、知识库等能力；AI引擎组是 OceanBase 底层引擎团队中的新设部门，专注打造 AI 推理引擎。OceanBase 将依托蚂蚁集团丰富的应用场景，打磨“DATA×AI”能力，使其成为新的核心竞争力，逐渐服务外部客户，蚂蚁集团则向OceanBase开放全部AI场景支持其AI战略。

OceanBase 4.3.3 GA版本在关系型数据库的基础上，新增了向量检索能力，支持向量数据类型、向量索引以及基于向量索引的搜索功能。用户可以通过SQL 和Python SDK两种方式，灵活地使用OceanBase的向量检索能力，为用户带来更强大的数据融合查询体验，显著简化 AI 应用技术栈，加速RAG、智能推荐、多模态搜索等场景的落地。

海量数据推出Vastbase向量版，面向企业级AI应用落地的高性能集中式向量数据库，融合了关系型数据库的稳定性与高效的向量数据处理能力，支持结构化数据与高维向量的原生协同管理。1）高性能：在处理大规模数据时表现卓越，单节点可承载1亿数据量且维度为1024维的数据，在保证召回率大于99%的情况下，吞吐量大于2000，能够满足企业对大数据量高并发处理的需求。2）高安全：集成了全密态计算、行列级访问控制以及三权分立审计机制等多种安全技术，通过了IT产品信息安全认证EAL4+等，满足金融级数据合规的严格要求，为企业数据安全提供坚实保障。3）高可用：采用多副本故障自愈架构和资源池化架构，恢复时间目标（RTO）小于等于10秒，能够确保业务的连续性，降低因数据库故障导致的业务中断风险。同时，在技术内核上，实现了算法优化等多个重要的技术革新。

智能运维：以华为技术有限公司的GaussDB 统一管控运维平台智能运维中心为例，其架构包含多个层次。数据采集层负责收集系统资源、数据库实例信息、审计日志等数据，并执行上层下发的命令；数据计算层对采集来的数据进行缓存、持久化和加工；自治服务层涵盖SQL调优、安全管理以及数据库运维等功能；监控层提供异常预警、健康报告等功能。

通过这些层次的协同工作，智能运维中心可以实现对数据库系统的实时监控、预测分析和自动化处理。比如，通过对数据库负载趋势和历史曲线的分析，提前预测可能出现的性能问题并及时进行优化。未来，数据库运维管理将朝着智能化方向持续迈进，自感知、自优化、故障自愈等功能将成为主要发展方向，根据实际情况进行优化调整，并在出现故障时自动修复，减少人工干预，提高运维效率和系统稳定性。

降低数据库操作门槛：用户可以通过自然语言与计算机系统交互，大语言模型将自然语言转化为对应的SQL语句，辅助数据查询，目前主要有Text-to-SQL和NLQuery-to-NLAnswer两种技术路线。Text-to-SQL是将用户的自然语言查询转化为结构化的SQL语句，应用较为广泛；NLQuery-to-NLAnswer 则是端到端的查询意图到查询结果的映射，跳过SQL生成步骤，代表了未来的发展方向。

数据库自治模式实现自我管理：数据库能够实现自我管理和运维，尤其是在云计算的支持下，可实现数据库全生命周期的自动化管理。自治数据库利用机器学习技术，自动执行传统上需要数据库管理员手动完成的任务，如调优、保护等。通过机器学习和AI算法，自治数据库能优化查询、自动管理内存和存储，实现自调优。

达梦数据深度探索人工智能在数据库领域的应用，将人工智能算法融入数据库核心功能。利用AI优化查询引擎，提升复杂SQL查询效率；采用AI驱动的资源调度策略，使数据库在动态负载环境下性能达到最佳。

GaussDB 充分利用盘古大模型的优势，构建了涵盖数据库咨询、开发、优化、运维等全生命周期的AI应用体系。在咨询阶段，通过将LLM与知识库相结合，打造了数据库垂域的专业知识问答系统，为用户提供专业的咨询服务；在运维阶段，借助大模型智能体的计划、编排等能力，实现了自动故障根因分析和定位。