Vol.84 数据不再是“后台的沉默基石”：OceanBase 与 00 后开发者眼中的 AI 变局

摘要

• 大模型竞争正从“吃尽公共语料”转向把企业私域数据接入业务流程，数据因而成为下一阶段落地的关键约束。 日照认为语言预训练数据“应该是基本上都用得差不多”，而企业最核心的数据不会被训进大模型；真正未解的是如何管理、检索这些数据，并把它们与模型能力融合进业务流程。庄明浩援引一份 MIT 报告称，去年第三、第四季度有“百分之九十五”的企业 AI 投入效果不理想，但双方更倾向于把它理解为实施仍早，而非产业已被证伪。
• 预训练的边际优势没有消失，而是从数据规模转入数据质量、工程细节、复现与快速迭代。 日照以 Google Gemini 3 为例：大家可能用了相似数据，但它“可能是预训练”做得更好，胜负来自逐条处理数据和稳定 infra。语言之外，word model、embodied 等方向的数据仍“相当有限”，因此数据、算法、算力仍会“左脚踩右脚”交替抬升能力。
• 企业 AI 的控制平面正由单一向量库升级为混合检索与上下文工程。 OceanBase 的赛题从上一年的向量数据库转向混合检索，并涉及向量、全文、图、标量及半结构化索引的组合，还尝试在数据库中直接调用 AI Function。背后的现实是：CEO 已经说“我要用大模型”，但 CTO、CIO 面对没有统一评估、语言和方案的市场，往往仍是“我不知道怎么用”。
• 比赛中的性能跃迁说明，早期 AI 数据栈的收益可能更多来自执行流程重构，而非传统局部优化。 杨同学所在队伍从约 600 分起步，看到“不要有小情绪”队冲到约 1,300 或 1,600 分后改写执行流程，最终达到约 7,100 或 7,200 分；吴同学所在队伍靠索引层求交把性能提高十倍，再逐层优化全文扫描。参赛者的原话很传神：“他们叫‘不要有小情绪’，结果我们有小情绪了。”
• 幻觉治理不能只看答案对不对，还必须把来源、文档和页码做成可验证的链路。 学生方案先重写用户问题、做混合检索，再重排序；当答案正确但引用“始终在飘”时，又按 chunk 先定位文档、再定位页码。日照借大脑和类似海马体的外部记忆作类比，认为数据库可以保存固定信息并按需读取，同时改善经济性、效率和可信度。
• AI Coding 已经改变开发速度，但核心能力正从“谁敲出来”转向谁能定义需求、审查结果并持续创新。 杨同学原本坚持手写，后来看到队友吴敬华用 GPT 分析代码、用 Claude 实现功能，在自己尚未理清前因后果时已做出一版功能，遂转而拥抱 AI。日照仍强调严谨代码“里面是有坑的”，需要强工程师 review；OceanBase 的判断更直接：“最核心的资产其实是员工，而不是员工写的那些代码。”
• Continual Learning 与 Agent 商业化都将沿两条速度不同的路线推进。 模型内部持续学习目前仍缺少可预测的突破，做几次 LoRA 后结果可能不可预测，仍需要人工查看；数据与模型通过持续上下文迭代，则被日照视作更实用且“正确的方向”。通用 Agent 可能“一年增长十倍”，企业 Agent 却更像 To B：假设原先增长 20%，AI 或把它提到 30%—40%，不会骤变为 200%，但可以“连续增长二十年”。
• 开源正在从技术传播方式变成中国 AI 工程能力参与全球竞争的产品与分发战略。 OceanBase 2010 年始于蚂蚁内部，2020 年后公司化，次年开源；这并非直接把内部代码放出去，还要解除蚂蚁依赖、修改代码和补齐文档。日照把 2026 年亲自推动 OceanBase 开源生态走向全球作为目标，而金融、医疗及泛搜索、风控、客服被视为私域数据 ROI 会较早显现的行业与场景。

精读

1. AI 的下一阶段问题被重新归结为数据问题

• 庄明浩回看自己对 2025 年的总结：这一轮模型主要在解决激励模型、记忆和 benchmark 三类问题，而它们大多可以继续追溯到数据层。
• 2025 年被不少人称为“强化学习的一年”；进入 2026 年，行业又开始谈 continual learning、online learning 或自主学习。定义仍然混乱，但庄明浩认为，无论强化学习继续演化还是在线学习真正出现，数据的重要性都会进一步上升。
• 这轮 AI 常被解释为工程能力的胜利。主持人的追问是：当“工程”具体落到模型公司每天处理的任务时，数据是否已从辅助性的后台角色走向模型进步的中心位置？

2. 公共数据支撑了通用应用，私域数据决定企业渗透

• 日照把应用分成两个阶段：第一阶段使用公共数据，ChatGPT、Coding、纹身图和纹身视频等依赖公共数据的场景因此容易产品化，也较容易在不同企业之间泛化；第二阶段则要进入每家企业各不相同的私域数据。
• 私域数据“一定不会被训到大模型里面去”，因为它往往是企业最核心的资产。难点由此变成：如何管理这些数据，并把它们同公有数据训练出的推理能力结合，真正嵌进业务流程。
• 庄明浩援引 MIT 在去年第三、第四季度的一份报告：约“百分之九十五”的企业 AI 投入实施效果不理想。双方没有据此判定泡沫破裂——从 2022 年底 ChatGPT 出现，到 2024、2025 年才开始部署，组织和系统融合本来就需要时间。

3. 预训练竞争已从“有没有数据”转向“能不能把同一批数据用好”

• 日照的判断带着边界：语言类预训练数据“应该是基本上都用得差不多”，但 word model、embodied 等方向的数据仍相当有限，需要新的方法。
• 即使面对相似语言数据，质量工程仍可能拉开模型差距。他以 Google Gemini 3 为例，认为其效果强，“最核心的一个做得好的地方可能是预训练”——逐条处理数据问题、调好琐碎细节，并非简单扩大语料规模。
• 这种工作还要求稳定 infra：结果要可复现，实验要快速迭代，算法工程师才能持续调数据。庄明浩把模型、数据、预训练与强化学习的互相推动形容成“左脚踩右脚，自己把自己踢上去”。

4. 大模型让过去较难利用的数据进入更广泛的处理体系

• 日照并不认同数据今天才变重要：“对于真正一流的科技公司，它其实一直以来都是最核心的位置。”大模型带来的变化，是“把原来用不了的这些数据也能用了”，从结构化数据扩展到文本、视频、音频等数据。
• 庄明浩把数据库和大模型概括为数据处理体系的两个核心组件，并提出数据库要处理更多多模态、非结构化数据，同时利用大模型的能力简化数据库和用户操作。
• 庄明浩又把语言、多模态和 Coding 比作原本分开的德州扑克桌；随着图片等内容开始承载逻辑、搜索结果、故事和前因后果，它们在用户眼里逐渐变成“一张大桌子”。底层技术路线可以不同，但用户只等待真正泛化的方法出现。

5. 企业 AI 的首要瓶颈不是模型价格，而是没有标准化

• DeepSeek 把使用成本明显降下来后，企业需求迅速升温。日照观察到，“用大模型的人其实都是 CEO”，CEO 说“我要用大模型”，下面的 CTO、CIO 却常回答“我不知道怎么用”。
• 数据库曾通过标准化推动信息系统普及；企业大模型目前既没有统一评估体系，也没有标准语言、构建方式和标准解决方案，效果又高度 case by case。对一般企业而言，使用门槛依然很高。
• OceanBase 选择从数据与模型融合入手，让更多企业逐步解决真实使用大模型时遇到的问题；行业解法积累到一定程度后，才可能自然形成行业方案和标准。

6. 数据库竞赛从向量检索转向了上下文工程

• OceanBase 上一年的题目聚焦向量数据库：当时模型能力相对弱，常见方案是通过 embedding 和 RAG 补充信息。到了今年，赛题升级为混合检索，还增加了一道 React 题目。
• 日照认为业界会从单一向量和 embedding 走向“上下文工程”：向量、全文、图、标量和半结构化索引共同参与搜索，再与模型能力组合；数据库还可能通过 AI Function 直接调用模型。
• 比赛虽然加入了 AI 相关业务场景，但到第 5 年仍专注数据库内核。出题既要贴近当前应用，又必须保留足够区分度，目标是研究如何针对 AI 场景优化内核，并培养底层数据库内核和基础软件研发人才。

7. 查询重写、混合检索和重排序组成了学生版检索链

• 杨同学所在队伍先把用户问题重写，让近义表达、缩写和全称更显性，再进入混合检索；拿到候选内容后继续重排序，以提高语义相关性并减少幻觉。
• 用户问题对参赛者是“盲盒”，因此方案不能只针对已知问法调参。吴同学所在队伍参考了 OceanBase 的实现，但坦言做的是“比较粗糙”的版本，重点是先验证整条链有效。
• 这套处理还必须兼顾效率：路径不能为了准确率无限膨胀。数据库内核面对的目标被概括得很朴素——性能要快，数据要准确，同时让用户尽量感觉不到底层复杂度。

8. 一次执行流程重构把成绩从约 600 推到 7100 以上

• 杨同学所在队伍最初做到约 600 分，判断传统优化已接近 600—700 的上限；两个队员玩完游戏回来，却发现“不要有小情绪”队冲到了约 1,300 或 1,600 分。队内反应是：“他们叫‘不要有小情绪’，结果我们有小情绪了。”
• 他们由此判断，对手用的不是通常的优化思路，遂从整个执行流程下手。杨同学先说最终达到约 7,700 分，随后又改口为约 7,100 或 7,200 分，保留了成绩表述的不确定性。
• 吴同学所在队伍曾长期没有性能提升，后来用索引层求交把速度提高十倍以上，再向下优化全文扫描，最终形成三到四层方案，成绩接近 7,100。答辩时各队才发现，实现路径“大相径庭”，并不存在唯一模板。

9. AI 数据库把成熟的确定性系统重新打开了

• 日照回顾，传统数据库主要处理交易和分析，理论与经验经过多年沉淀，方法变革周期很长；数据与 AI 结合后，很多问题转化成“怎样从上下文找到与大模型更匹配的东西”。
• 搜索结果不是“一加一等于二”式的百分之百精确，领域又处于早期，方法尚未定型。评委有时也想不到学生采用的路径，这使比赛从单向评审变成互相学习，也让数据库变得更加开放。
• 日照还认为，AI 数据库更多依靠年轻人，已经不是“老登”的天下。

10. 幻觉治理的底线是答案和出处必须同时正确

• 日照把模型类比为具有推理能力的大脑，但仅有推理还不够，还需要类似“海马体”的外部记忆。数据库把固定信息保存下来，模型遇到问题再读取，既降低成本，也避免每次都重新计算。
• 参赛者遇到的典型问题是：回答内容看似正确，关联文档和页码却“一直在飘”；即使出题方增加视觉模型，漂移仍未消失。学生直言，这在业界会是“非常严重的隐患”，因为无法区分检索所得与模型猜测。
• 他们最终先依据 chunk 对文档排序，再在最可能的文档内定位页码，用多层位置确认补足生成模型。不过团队也承认，数据量放大后方案考虑不够周全，受时间限制，相关知识题表现并不理想。

11. AI Coding 让传统手写派在一次决赛中改变了立场

• 杨同学有 ACM 背景，赛前更相信“自己写的东西会更牢靠”，担心 AI 生成代码会导致理解不清。他所在团队通过 PR 协作，每个人都要读懂彼此修改后才合并。
• 转折来自队友吴敬华：他用 GPT 分析代码，再用 Claude 直接实现功能；杨同学还在梳理前因后果时，对方已经做出一版功能发给团队。这个速度差促使杨同学开始学习怎么向 AI 讲清问题和需求。
• 吴同学则较早开始使用 AI。他认为近一年的最大变化是编程 IDE 能直接读取整个源码上下文，不再需要把代码逐段摘出、复制给模型，阅读和改造大型项目因此明显提速。
• 但手艺并未完全失效：简单错误由人扫一眼修掉，比反复消耗 token 更便宜；团队坚持细读 AI 写出的代码，理解执行流程，而杨同学也把这视为后来能够反超的原因。
• 庄明浩还把这种变化延伸到 PPT：AI 不只是排版，而是能听懂逻辑、把逻辑可视化。他原本坚持逐页手工制作 PPT，如今每两三个月做一次 PPT 时，已经大量使用 AI 生成配图，并感到“手抠 PPT”的空间也在被不断挤压。

12. 企业开发的约束从写代码转向审查、协作与责任归属

• OceanBase 内部 AI Coding 使用率很高，前端开发、生成实验性代码和部分中间件效率尤其突出；但日照强调，特别严谨的代码目前仍有明显问题，“直接做出来的东西里面有坑”。
• 因此既要学会用 AI，也要由能力较强的人 review，并建立适配 AI Coding 的开发、测试和产品协同方式。日照把它称为传统手艺之上的“新的手艺”。
• 庄明浩担心公开 coding 工具可能带来安全和隐私问题。日照没有展开工具安全，而是强调 OceanBase 的核心代码完全开源，因此“最核心的资产其实是员工，而不是员工写的那些代码”；真正的壁垒是组织持续创新、解决客户问题并在故障时兜底的能力。

13. Continual Learning 有两条路线，模型内化仍不可预测

• 日照把前述持续学习分成两层：一是让模型自身持续内化新知识，二是让模型与可实时读写、持续演进的数据库结合，通过外部上下文更新能力。
• 第一条路线“到目前为止还是没有一个很大的突破”。模型做几轮 LoRA 后，最终结果基本不可预测，仍需要人查看，难以形成稳定的自动化闭环；日照提到一些新实验室，比如 Thinking Machines Lab，也在尝试，但理论突破是否必然出现，他没有给出确定答案。
• OceanBase 选择先做更实用的第二条路线：以混合搜索和持续迭代的上下文连接数据与模型。日照承认这件事也“没有把整个事情完全做明白”，但判断它“一定是一个正确的方向”，对大小企业都有效。

14. 开源与产业应用在 2025 年真正汇流

• 庄明浩观察到，早期开源研究、GitHub 热点和产业应用曾各做一套；到 2025 年，Agent 框架、infra 与数据层项目的增长、研究热点已经和产业趋势高度匹配，“开源并不等于公益”，也不等于没有商业化。
• 日照解释，AI 早期更偏创新，与传统技术栈存在 gap；当企业开始要求既有应用智能化，两套体系必须结合，原有数据库和基础软件也就不得不拥抱 AI。
• 主持人把“开源”视为 2025 年中国 AI 的候选关键词，甚至认为它既是中美 AI 竞争的结果，也可能反过来成为原因。日照的解释是：中国未必首先发明算法，但擅长把工程优化做到极致，开源是这类产品面向全球市场、借生态继续迭代的有效方式。

15. OceanBase 的开源不是代码发布，而是从内部系统变成通用产品

• OceanBase 2010 年开始建设，前十年主要是蚂蚁内部项目，2020 年后公司化，次年开源。开源并非把仓库直接公开，还要去掉对蚂蚁内部代码的依赖、修改质量不足的部分并补齐外部文档。
• 从内部支撑转向开放产品、销售和客户交付，角色与目标都会改变。日照认为决定成败的是“这个产品的初心是什么”：OceanBase 创立第一天就以“做世界级的数据库”为目标，因此设计从一开始便朝通用化推进。
• 日照称 OceanBase、seekdb 以及上层探索工具 Power Lag、Power Memory 都采用开源路线，并使用 Apache 2.0 许可证。团队希望外部开发者在此基础上把数据—模型融合做得更好。

16. 年轻开发者的机会扩大，安全边界也同步扩张

• 杨同学感受到，传统安全较偏固定规则和封闭结构；模型、多模态以及企业业务连接后，大模型安全、多模态安全等问题把安全边界拉得很大，目前仍处于快速发展、尚未收敛的阶段。
• 庄明浩提醒，一旦幻觉进入交易和权限链，错误可能直接转化为操作风险。杨同学希望继续研究大模型安全；他接触到的密码学方向是全同态加密，即在加密数据上计算，解密后得到正确结果。
• 吴同学在银行工作，原本是后端工程师，借助 AI 已同时接触 Java、C++ 和 React，逐渐变成全栈。他承认对未来方向仍“非常模糊”，但也考虑成为独立开发者，做一些小而新奇的产品。
• 日照认为数据库人才的画像有变也有不变：数据库基本理论和基础 coding 能力仍然重要，先学会老手艺，才能学好把 AI 用好的新手艺。

17. Agent 会按两种速度增长，2026 年的胜负手是把路径沉淀成产品

• 日照相信 2026 年 AI Agent 会进一步爆发，并真正进入企业业务流程。通用 Agent 依靠通用能力会发展很快；与企业流程深度结合的 Agent，则需要处理数据、权限、模型和既有系统，周期会更长。
• 他引用业界常说的通用 Agent “一年增长十倍”，并用 To B 与 To C 的差别解释增速：假设传统 To B 年增 20%，AI 可能把它推到 30%—40%，但不会骤然变成 200%；优势是这种增长可以“连续增长二十年”，而消费级爆发可能两年便结束。
• 场景上，泛搜索、风控、客服已处在大规模采用前期，企业即使尚未用好，也已有迫切需求；行业上，金融、医疗拥有高价值私域数据，更容易与业务结合并产生明确 ROI，日照判断这些行业会先爆发。
• OceanBase 的 2026 年目标有两层：把数据与模型结合的路径沉淀为产品和系统，帮助企业真正走通并在未来几年复制；同时把目前主要立足中国的开源生态推向全球。
• 杨同学期待找到有意思的正式工作，也考虑成为独立开发者；吴同学期待 AI for Science 更严谨地协助论文研究，并希望成为开源社区 committer。吴同学还说：“代码始终是人写的”，只要用心去看，迟早都能看懂。