这两年，AI 圈的目光基本都黏在大模型、Agent、具身智能上。但学术界那边有个不太吵却挺明显的趋势：数据系统正在重新被重视。
数据库，正在悄悄变得抢手OceanBase 数据库大赛从 2021 年办到现在，五年覆盖 500 多所高校、超过 1.1 万名学生，2024 年吸引了 1212 支队伍，清华、北大、上交、浙大、复旦都在其中，已被教育部认定为 A 类学科竞赛。
2025 年 SIGMOD 上，上海交大的周煊赫成了首位来自中国大陆的 ACM Jim Gray 博士论文提名奖得主，阿里云 PolarDB 连续两年拿下工业赛道最佳论文。MIT 的 Samuel Madden 也观察到，”系统与 AI 方向的教职申请者中，很多人把数据系统论文发在了 VLDB 和 SIGMOD 上”。
这不是”最顶尖的学生抛弃 AI 去搞数据库”，数据库研究本身就和 AI 高度交叉——AI4DB 用 AI 优化数据库，DB for AI 给 AI 提供数据底座。一部分研究者认识到，数据系统是 AI 落地的基础设施，值得长期投入。
模型在进步，企业落地却没跟上大模型这几年确实在飞涨，GPT-4、Claude 3、Gemini 在各种基准测试上一路走高。但企业端的真实体验，和基准分数差得有点远。
RAND Corporation 2024 年的研究说，超过 80% 的 AI 项目最终会失败，失败率是非 AI IT 项目的两倍。Gartner 更直接：85% 的项目因数据质量差或缺乏相关数据而失败。McKinsey 2025 年度报告显示，88% 的企业已在业务功能里用上 AI，但只有 39% 看到了对利润的实际影响，能被称为”高绩效者”的只有 6%。
NVIDIA 的企业调研中，48% 把”数据问题”列为第一大挑战，高于”缺乏 AI 专家”的 38%。
这些数字指向同一个结论：多数企业场景里，AI 落地卡住的不是模型，是数据。模型在复杂推理上确实还有短板，但就大多数场景而言，模型已经够用，数据系统还没跟上。
RAG：检索质量决定一切企业里最常见的 AI 应用架构叫 RAG（检索增强生成）：先拿用户查询去数据存储里检索相关内容，把内容和查询拼成提示喂给大模型，模型基于这些内容生成回答。
比如”找出销售部可能存在异常的报销单”，AI 实际要做的是：从财务系统、OA 系统、附件存储里检索报销记录，把结构化数据、发票信息、审批备注关联分析，再把这些”事实”喂给模型整理成结论，这就是 Agentic RAG 的典型工作方式。
检索这一步直接决定了最终结果的质量。数据库要是检索不到关键信息，或者召回的数据本身有误，模型再强也只能在残缺的事实上”合理推断”。这类错误经常被归咎于”模型幻觉”，但很多时候问题在检索环节就已经出了——当然模型自己的生成偏差也会贡献一部分幻觉，根源是两头的，不能只怪一边。
三道坎：跑不动、打不准、说不清企业数据量级是实打实的：万人规模企业每年几十万条报销记录，攒十几年就是千万级。IOUG 调研显示，近 10% 的企业在线数据已超过 1PB。
企业数据里约 80% 是非结构化的——合同 PDF、发票扫描件、审批附件，要让 AI 能用得先经过索引、向量化等预处理。数据系统响应慢、扛不住并发，模型再强也只能干等着，这是跑不动。
检索结果的质量取决于数据组织、索引、查询能力，分块策略破坏语义完整性、Top-k 检索返回不相关片段，模型拿到的就是残缺甚至错误的事实。有个案例挺能说明问题：某系统只优化了检索管线，模型没换，准确率就从 62% 提到 87%，幻觉率从 28% 降到 9%，这是打不准。
真实企业的数据散落在报销系统、审批流、OA 附件里，经过反复同步拼接后来源查不到、字段语义乱、证据链断了，像一块”合成肉”。金融、医疗等受监管行业，来源能否追溯是合规硬性要求，这是说不清。
数据库的真实角色AI 场景下，数据库早就不是单纯”存数据的仓库”，而是面向 AI 的新一代数据基础设施——要同时处理文本、向量、关系型数据的混合模式，扛起检索、过滤、聚合、溯源的职责，靠版本管理和来源追踪给 AI 输出撑起可审计的底子。
传统关系型数据库（Oracle、MySQL）并不是天然的多模态统一管理层，业界要的是能原生集成向量搜索、语义检索和事务处理的新架构。这也是 2025 年数据库领域出现一连串大并购的原因——Databricks 收购 Neon，Snowflake 收购 Crunchy Data，大家都在补这块短板。
几句值得记住的话图灵奖得主 Michael Stonebraker 说，他们用各种 LLM 在 MIT 真实数据仓库上测 SQL 生成，准确率不是很低——是零。一旦 Agent 开始做读写操作，问题立刻落回数据库的老地盘：事务、一致性、原子性。他的判断是：”系统的顶层应该是面向 SQL 的，而不是面向 LLM 的。”
CMU 教授 Andy Pavlo 说，专门为数据库优化定制的算法，比 LLM 能做到的好两到三倍。对于”人类不写代码、也没人监控数据库系统”的趋势，他直言这”简直是灾难的完美配方”。哥伦比亚大学的 Eugene Wu 写得更直接：”所有 AI 问题最终归结为数据。”
李飞飞怎么看2025 年 12 月，赵何娟对李飞飞的访谈里，提到算法工程师工资比数据工程师高很多，大家觉得算法更”fancy”。李飞飞回应：
“所有真正做 AI 的人都知道，数据不说更重要，至少是平等重要。但是这个说起来，算法还是更 fancy。实际上真的，数据是一个科学。”
被追问这是否是一种偏见时，她说”它也是偏见。但是我是不是就要去抗争这个偏见？我觉得我懒得去抗争，我自己知道就行了。”她把重算法轻数据的倾向归因于人性偏见，而非技术事实，选择用 ImageNet 这样的行动去证明，而不是嘴上争论。
模型可以一代代更新、被替代，但数据的存储、检索、治理和可信性，是长期需求。
不必对立，但得分清主次说”数据库比模型更重要”本身也是过度简化。更准确的说法是：模型能力已接近多数企业应用的需求线，而数据系统的成熟度还差得远。
成功的组织会把 50% 到 70% 的时间和预算花在数据准备和治理上。http://Integrate.io 的调研显示，数据集成能力强的企业 AI 投资回报率能到 10.3 倍，弱的只有 3.7 倍。
模型负责”怎么想”，数据系统决定”事实的边界”，眼下后者才是更迫切的短板。
大多数人都在追浪尖的时候，总得有人把船造好。数据库不是 AI 时代最耀眼的方向，但可能是最值得长期投入的那个——技术够深，产业需求够硬，生命周期够长。