墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
200+累计阅读
286平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
周五，下班路上，夜空下的北四环，车流稀疏，方向盘后的我，思绪延展开来，一个问题从脑海里冒了出来：“ 我们到底是如何思考的？”
显然，这是一个没有标准答案的问题（尽管很多 人，尤其是教育界或学术界的很多权威、专家、大师、老师和数不清的享受政府津贴的big or not so big shots一定会跳出来反对这个观点 —— 至少要以官方发布为标准）。我认为，人脑很像是一台设计精密的计算机，上帝赋予了人类思维无远弗届的能力，什么是“无远弗届”？就是思绪触达的地方再远都可以。这其实是一种超深度的图检索、图遍历的能力。
我们想象一下，带有属性的图，可以用来表达世间一切事物，无论它们是关联的还是离散的。当事物是关联的时候，它们形成了一张网络；而当它们离散开来的时候，则更像是关系型数据库的表中的一行行的数据（笔者在这里要表达的要点是：图是高维的，但是高维可以向下兼容并表述低维空间的内容，反之则不成立。或者说用低维的关系型数据库来表达高维的图则极其困难，通常是事倍功半甚至无功而返）。
所以说，图的表达方式和人类大脑神经元网络——如何存储与认知事物有着极大的相通性!
</
一场人工智能革命:Graph XAI图增强智能
中国数据库技术迎来关键转型期。从20世纪60年代美国开发首个网状数据库，到Oracle等传统数据库长期主导市场，当前技术架构正面临智能化时代的全新挑战。传统架构难以满足大数据量、复杂场景和强计算需求，亟需突破性创新。图增强智能（Graph+AI）成为突破方向，通过融合图计算引擎与图算法，构建高维关联数据模型，解决传统数据库的数据孤岛问题和AI模型黑盒化困境。这一创新技术体系为企业提供可解释、低成本、高维度的智能解决方案，推动数据库技术向智能化时代迈进。
查询语言的进化：SQL之后，为什么是GQL？数据世界正在改变
摘要：随着数据复杂度提升，ISO于2024年正式发布GQL国际标准，标志着图查询语言进入新时代。由嬴图团队推出的全球首部GQL权威指南《Getting Started with GQL》系统阐述了语法逻辑与实战应用，帮助开发者突破传统表格思维，建立关系导向的图数据思维。该书通过社交网络、智能推荐等场景案例，展现了GQL处理复杂关系的优势，为把握下一代数据技术趋势提供专业指导。GQL的标准化将如同当年SQL推动关系型数据库发展一样，重塑以关系为核心的数据应用生态。
图观 | 虚拟币洗钱 170 亿，监管遇挑战？技术破局
在金融科技飞速发展的当下，虚拟货币市场的复杂性与日俱增。早在 2003 年 7 月，山东成功破获一起涉及韩国境内外特大虚拟货币钱庄案，虚拟货币的介入，彻底颠覆了传统地下钱庄的运作模式，凸显了虚拟货币交易的隐蔽性与监管难度。时过境迁，虚拟货币市场持续扩张，其引发的风险也越发受到全球关注。
玩游戏只看打斗？藏在背后的图数据库，才是真・关系网操盘手
家人们，现在游戏行业卷得连数据库都得内卷了！你在《黑神话》里砍的每只怪、捡的每件装备、跟 NPC 唠的每句嗑，背后都有不同数据库在疯狂打工。但今天咱不聊那些听腻了的，来整点冷知识 —— 就拿火到出圈的《黑神话：悟空》来说，你以为那些神仙鬼怪的关系网、任务线的弯弯绕绕是咋捋顺的？这里就得请出 “图数据库” 这位隐藏大佬了！这玩意儿听起来像搞拓扑学的，实际上在游戏里可太有用了：比如悟空跟各路神仙的恩怨情仇、地图里藏着的 N 条隐藏路径、甚至不同怪物之间的仇恨链，全靠它把这些错综复杂的关系网打理得明明白白。
揭秘图存储： 从 0 到 1 读懂图存储，它凭什么成了复杂关系的克星
图存储是专门用于存储图结构数据的存储引擎，其核心在于高效管理节点、边及其属性。相比传统SQL数据库，图存储在复杂关系查询方面具有显著优势：SQL处理多层级关系需多次表关联，效率低下；而图存储通过原生结构设计，可直接沿关系链查询，速度提升上千倍。
沸点 | 嬴图参加世界人工智能大会
大会期间，嬴图创始人兼CEO孙宇熙与来自全球的顶尖学者、企业代表共同探讨人工智能的发展趋势与挑战，并现场分享了嬴图-Graph XAI 在提升大模型可解释性、准确性与运行速度上的突破性实践，为行业带来全新解决方向，引发与会者的广泛关注与热烈讨论。数据库技术作为和芯片、操作系统并列的三大基础性技术，是数字化系统的底座，尤其是智能化应用对累积的全量数据的极限需求，在数据的管理、承载、处理、应用，以及在性能、安全、成本、体验等方面都提出了全新的技术要求。大会展览面积突破 7 万平方米，800 余家企业参展。
AI Agent 破局点：告别“装懂”，学会真正“思考”
前两年还冷清的赛道，如今被Agent 的热潮彻底点燃：资本的钱袋子如逐浪的鱼群疯狂涌来；各类赛事、论坛也都围绕着它搭台唱戏；搞技术的则像给“新玩具”装零件，忙着套框架、加工具、写 prompt…… 仿佛这不是一个技术概念，而是能打开所有门的万能钥匙，似乎谁慢一步，就要错过下一个技术革命风口……冷热之间，只差一个 Agent 的距离……
图计算怎么用？从数据到关系的魔力
传统数据库架构以存储为中心，计算通常是依附存储引擎而存在的；而在图数据库中，因为要解决高性能计算、复杂遍历查询计算的效率问题，所以图计算的重要性不言而喻！
图计算如何为万物互联时代搭建智能 “解码中枢”？
图数据库（图计算）应对的是当今一个宏观商业世界的大趋势，它凭借对海量、复杂、动态的数据的挖掘、分析和关联而获得洞察力。事实上，虽然其本身还无法在短时间内完全替换那些已经被用户充分认识和使用的数据平台，但市场对该技术的需求在不断激发着图数据库（图计算）的内生动力。
数据驱动 AI 时代：数据库行业的技术跃迁与生态重构
模型不是重点，数据才是关键
云计算与大数据进阶 | 29、一文读懂SOA：像搭乐高一样搭建软件系统
本文介绍了面向服务的体系结构(SOA)的核心概念及其在现代IT架构中的应用。
云计算与大数据进阶 | 28、存储系统如何突破容量天花板？可扩展架构的核心技术与实践—— 分布式、弹性扩展、高可用的底层逻辑（下）
本文深入探讨了存储系统可扩展架构中的SAN系统和统一存储系统的扩展性技术。文章指出这些技术相互协作，为应对云计算、大数据时代的海量数据存储需求提供了坚实基础，未来仍需持续创新以突破存储容量限制。
云计算与大数据进阶 | 27、存储系统如何突破容量天花板？可扩展架构的核心技术与实践—— 分布式、弹性扩展、高可用的底层逻辑（上）
数据中心里，存储系统是至关重要的组成部分。由于相关硬件组件与存储操作系统的多样性和复杂性，如何在保证存储稳定、安全、可靠的同时，实现灵活扩展和自服务，一直是困扰数据中心全面云化的难题。简单来说，现在的难题就在于：硬件和软件的复杂性导致存储系统像一堆零散的积木，拼起来费劲，改起来更麻烦，而云化又需要它像变形金刚一样，既能随时调整结构，又能稳稳当当不出错。那么，如何把这些零散的积木变成一个灵活又可靠的整体，就成了数据中心全面云化必须要跨过的一道坎。
云计算与大数据进阶 | 26、解锁云架构核心：深度解析可扩展数据库的5大策略与挑战（下）
领导者（Leader）：唯一写入口，负责生成事务编号（ZXID）、广播消息；跟随者（Follower）：接收并执行 Leader 的指令，参与选举。
沸点 | 从 “黑箱” 到 “透明”：嬴图图增强智能技术入榜中关村前沿科技大赛——解码 AI可解释性的产业落地路径
近日，第八届中关村国际前沿科技大赛人工智能领域赛在中关村东升国际科学园圆满收官。在这场汇聚全球顶尖 AI 创新力量的巅峰对决中，嬴图凭借 “图增强智能 XAI 系统” 从 全球 200 余个参赛项目中突出重围，荣膺人工智能领域 TOP10榜单，成为本届大赛国际化舞台上技术创新性与商业化潜力兼具的标杆案例。
云计算与大数据进阶 | 26、解锁云架构核心：深度解析可扩展数据库的5大策略与挑战（上）
在云应用/服务的 5 层架构里，数据库服务层稳坐第 4 把交椅，堪称其中的 “硬核担当”。它的复杂程度常常让人望而生畏，不少人都将它视为整个架构中的 “终极挑战”。不过，也有人觉得可扩展存储系统才是最难啃的 “硬骨头”，其实这场关于谁更复杂的争论没有标准答案，很大程度上取决于具体的业务应用模式（就可扩展存储系统，老夫打算在后续的文章中具体再聊）。
回答 | 图形数据库neo4j社区版可以应用小型企业嘛？
此外，系统在运算每一个查询时所需的时间、空间复杂度的问题也是存在的，因为图查询经常是高维的、递归的、单一的复杂查询请求（例如查询某个顶点的全部多步邻居集合，或两个顶点间的全部最短路径数量），如果每一步的复杂度都较高，那么整体的查询复杂度就会呈指数级升高，直至系统失控（内存溢出、死机或无法返回）。这中，还有一个留给大家思考，这也是开源社区都要面对和思考的，一款优异的产品特别是新产品，如果有明确的商业化道路可以遵循，那么还有什么理由去打造一个开源的版本，使其性能、功能与商业版本没有差异呢？
沸点 | 嬴图入选 2025年度 DataTech50 榜单
双年入选，引领科技
云计算与大数据进阶 | 25、可扩展系统构建
缓存服务层的扩展性实现在避免出现单点失效的基础之上，单个节点的缓存服务器/应用服务器共享节点的方式在生产环境中都是不可取的，主要问题是如何实现多缓存节点间的负载均衡。需要指出的是，系统扩展性不能是以牺牲性能为前提的，如我们在前面的文章中讨论过的，横向扩展的系统在简单、浅层查询的高并发场景中有优势，但是在复杂、深层查询的场景中，垂直扩展的系统更具优势，因此，系统扩展过程中通常是纵向扩展与横向扩展兼而有之的。此外，还有一个问题是基于纵向扩展设计的系统的瓶颈性显而易见，因此纵向扩展的扩展性能甚为堪忧。
揭秘大数据 | 24、资源管理、高可用与自动化
比资源管理更贴近最终用户的是一系列的服务，正如软件定义数据中心分层模型（见图3-25）所示，这些服务可以是普通的邮件服务、文件服务、数据库服务，也可以是针对大数据分析的Hadoop集群等服务。业界通常将5个9以上的系统称为零死机时间系统——颇具讽刺意味的是，某公有云厂商动辄鼓吹自己的系统和服务达到11个9的可用性，但是一根光纤断了、一个服务接口的故障就可以导致整个机房下线数天。最常见的高可用集群是两节点的集群，包括主节点与冗余节点各一个，也就是100%的冗余率，这也是集群构建的最小规模。
揭秘大数据 | 23、软件定义网络
各种异构的、不同协议的网络设备之间的兼容性和互通性令人望而生畏；通过将网络状态集中到控制层，软件定义网络利用动态和自动的编程方式为网络管理者提供了灵活的配置、管理、保护和优化网络资源的方式，而且管理员可以自己编写这些程序，而不用等待新功能被嵌入供应商的设备和网络的封闭软件环境之中。对网络用户，特别是互联网厂商和电信运营商而言，软件定义网络意味着网络的优化和高效的管理，可以用于提高网络的智能性和管控能力，大幅降低网络建设与运维成本，还可以促进网络运营商真正开放底层网络，大大推动互联网业务应用的优化和创新。
揭秘大数据 | 22、软件定义存储
需要指出的是，无论是安全还是管理与编排，它们整体的发展都是朝着大数据、快数据、流数据的方向进行，相关系统的体系架构也一定是朝着分布式、并行式的云计算架构方向前进，这其中对网络（负责数据的迁移）、计算（负责通过对数据的计算、分析得出信息与智能）以及存储（负责数据最终的存储与管理）具有天然的需求。主流的软件定义存储技术方案通常对数据管理与数据读写进行分离，由统一的管理接口与上层管理软件交互，而在数据交互方面可以兼容各种不同的连接方式，这种方式可以很好地与传统的软硬件环境兼容，从而避免“破坏性”的改造。
揭秘大数据 | 21、软件定义计算
我们有理由相信，假以时日，容器技术的作为会更大，不过在相当长的一段时间内容器技术更侧重于第三平台的应用，特别是无状态类应用与服务。图8展示了从容器到统一内核的精简过程，很显然，统一内核缩减了操作系统内核的足印，也简化了每个容器化应用对底层的依赖关系，由此带来了更快的部署、更高的迁移运行速度。容器计算是软件定义计算虚拟化的新锐势力，它与虚拟机技术的最大区别在于不需要虚拟化整个服务器的硬件栈，而是在操作系统层面对用户空间进行抽象化，因此我们称其为操作系统级虚拟化，以区别于之前的基于硬件虚拟化的虚拟机技术。
揭秘大数据 | 20、软件定义数据中心
还有传统的硬件提供商英特尔公司，作为主要的硬件厂商之一，为了满足巨型的、可扩展的、自动管理的未来数据中心的需要，英特尔公司也提出了自己全新架构的硬件——机柜式架构(Rack Scale Architecture，RSA)。从VMware公司在2006年发布成熟的面向数据中心的VMware Server产品到如今，不仅仅是服务器的虚拟化经历了从全虚拟化到硬件支持的虚拟化，再到下一代可扩展虚拟化技术的发展，软件定义存储、软件定义网络也迅速发展起来，并成为数据中心中实用的技术。接下来，老夫将分三篇文章，就。
揭秘大数据 | 19、软件定义的世界
主要的资源被虚拟化，这只是实现了软件定义的第一步，这是因为虚拟化在解决大量现有问题的同时，也带来了一些新的挑战。
视频 | 对等关税砸盘，全球市场惨跌，图计算暗藏破局密码
比如这次因为关税原因，众多机构都纷纷抛出手中的产品，抛售之后，机构又得补充保证金，于是像黄金、加密货币这类相对值钱的资产也惨遭抛售，以回笼现金，就连原本盈利的品种也被拖入下跌的漩涡……伴随科技领域日新月异，信息流动、物资流动都达到了前所未有的水平，越来越多的企业参与到全球经济循环中，横贯东西方几个世纪的生产力鸿沟，正在被快速填平。然而，我们也看到了硬币的另一面，在构成世界的复杂逻辑中，“戴尔理论”并不灵验，“修昔底德陷阱”并将长期存在。一旦某一品种价格下跌，与之关联的品种也会殃及池鱼，就容易引发连锁反应。
揭秘大数据 | 18、关于流数据管理的那些事儿
老夫之前就讲过，大数据一般被分为就是其中之一。感兴趣的朋友，可以点击以下文章进行温故知新：来自这样一个概念：数据的价值随着时间的流逝而降低，所以在事件发生后需要尽快对其进行处理，最好是在事件发生时就进行处理（即实时处理），对事件进行一个接一个的处理，而不是缓存起来进行批处理（如Hadoop）。在数据流管理中，需要处理的输入数据并不被存储在可随机访问的磁盘或逻辑缓存中，它们以数据流的方式源源不断地到达。①实时性：数据流中的数据实时到达，需要实时处理。②无边界：数据流是源源不断的，大小不定。
揭秘大数据 | 17、MPP 那些事儿
Greenplum是业界第一个开源的MPP数据库，对想要实现OLTP和OLAP一体化大数据分析与管理系统的人来说，这是个天大的好消息。例如在大数据分析和处理中，MPP 数据库可以将数据分布在多个节点上进行并行处理，从而提高处理速度和效率。和MapReduce类似，两者都采用大规模并行处理架构对海量数据进行以大数据分析为主的工作，不同之处在于MPP通常原生支持并行的关系型查询与应用（不过这一点，Hadoop阵营也在逐渐通过在HDFS之上提供SQL查询接口来支持查询，甚至包括关系型查询）。
揭秘大数据 | 16、OLAP 那些事儿
第3个指的是Hadoop的HDFS适用于增加−读取−追加−处理(Create-Read-Append Process，CRAP)类型数据集操作，相对于RDBMS时代的增加−读取−更新−删除(Create Read-Update-Delete，CRUD)类型数据集操作而言，CRAP对已建立的数据集主要为读操作，以及在尾部的添加操作，而不是更新与删除操作，其主要原因是更新与删除操作在分布式系统中通常代价比较高。Hadoop MapReduce是用于分析存储在HDFS之上的大数据的编程框架，它包括库与运行时。
揭秘大数据 | 15、OLTP 的那些事儿
数据中的不同记录可能有不同的属性和格式。当插入数据时，并不需要预先定义它们的模式（如MongoDB，后文中将会介绍）。NoSQL和传统的关系数据库的对比如图1所示。可以看出，NoSQL数据库无数据清洗，无数据转换，无数据加载，并且在数据存储处进行分析。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
683
扫一扫
