大咖专栏 | AI 时代下，我们可以拥有怎样的数据库？

Hi，各位朋友们，我是 KaiwuDB 高级架构师赵衎衎。

KaiwuDB 始于万物互联时代下千万条数据洪流中，我们持续打磨构造了更加灵活兼容的分布式多模架构，实现了海量异构数据高性能、低成本的集中管理… …这些底层特性都在为后续提供更多功能和业务拓展奠定关键基础，也是赋能客户的有效支撑。但仅仅只是这些，真的够么？我想答案肯定是：No🚫

许是因我长期深耕 DB 与 AI 的核心研究工作，AI 时代下，我们究竟需要怎样的数据库令我不禁深思。KaiwuDB 前进的步伐没有止于思考，我们引入原生 AI，通过 KaiwuDB 与 AI 的双向“奔赴”，期望可以真正帮助用户减负增效。那本期，我想就 KaiwuDB 的 AI 应用思路和具体实践与大家探讨交流。

01

首先和大家聊聊 KaiwuDB 在 AI for DB 及 DB for AI 的应用思路。

👉AI for DB，其重点主要是利用 AI 实现数据库系统的自动化管理和运维。这里主要和大家分享一些比较常用的技术手段：

• 数据监控调优：我们通过对数据库行为数据的采集，生成数据库本身的负载画像，基于此画像来辅助完成数据库参数自调优以及数据库设计；
• 数据库参数自优化：数据库以及其涉及到的组件一般较为庞大复杂，单纯依靠 DBA 显然不堪重负，为了最大化发挥数据库在多样化工作负载和硬件环境下的自身性能，此时数据库系统需借助 AI 来实现自调优；
• 数据库设计优化：通常在执行一条 SQL 语句时，可能还会涉及到其他信息的输入，包括统计信息、索引设计、数据分区等，这些都会影响数据库的性能。我们借助 AI 手段处理索引、统计信息、数据分区模式等，实现全局数据库优化，保证我们尽可能准确得到最优查询计划，提高查询效率。

👉区别于 AI for DB，DB for AI 重点是利用原生或集成的 AI 能力来提升以数据库为数据基座的 AI 应用生产力。其重点研究内容主要包括：基于数据库架构如何完成数据处理、模型训练、模型持久化、模型推理、模型监控等 AI 工作流的增强。

02

基于数据库与 AI 融合的不同维度，接下来想重点谈谈 K