KaiwuDB CTO 魏可伟：回归用户本位，打造“小而全”的数据库

8月16日，KaiwuDB 受邀亮相第十四届中国数据库技术大会 DTCC 2023。KaiwuDB CTO 魏可伟接受大会主办方的采访，双方共同围绕“数据库架构演进、内核引擎设计以及不同技术路线”展开深度探讨。

以下是采访的部分实录 ↓↓↓

40 多年前，企业的数据量还没有如此庞大，会选择把关键业务数据放在关系型数据库中。随着软硬件的发展，计算和存储成本不断降低，数据库技术进入新的发展阶段。以 IoT 场景为例，这是一个由各种新技术相互交错形成的“泛”行业，看似宽口进，实则门槛高。

IoT 与 5G、工业 4.0、工业物联网、车联网、人工智能等形成“组合拳”，为各个行业的数字化转型赋能，但也导致业务系统的复杂性攀升。当数据来自时序、文档、空间、图等多个数据源，各数据源又面向不同的数据库系统、接口服务等，导致最终的数据采集不完整，出现数据不一致的现象。

所谓“术业有专攻”，专库专用在一段时间里成为“专宠”，但也造成了数据孤岛。通常情况下，一家企业使用的关系型数据库是 A 家，时序数据库又是 B 家，同时可能还有 C 家的 AI 平台。这意味着企业需要拥有身兼多种技能的开发运维人才；否则，一旦涉及到新功能及多个产品之间的协同，就会影响迭代速度。

如果能用一套数据库去替换原来多套不统一的数据库类型，来解决业务的复杂性以及开发和运维成本不断攀升的问题，那企业面临的很多问题也将迎刃而解。多模数据库可能就是一个好答案。

一、多模架构，用“小而全”为用户减负

“从传统关系型数据库主导市场，到 NoSQL 数据库兴起，再到时序数据库，图数据库，向量数据库百花齐放，今天的多模数据库旨在化繁为简，支持多种数据模型统一管理。”魏可伟表示，多模式数据库是数据管理系统不断演进的结果，多种类型的数据库系统混用带来的开发和运维压力，使得企业不得不做出新的选择。

当前，业内主流的多模数据库可大致归结为 2 种路线：

• 粘合式

即大而全的平台式多模，把各种不同类型的数据处理引擎，包括关系引擎，集成在一起，上层以中间件的形式对外提供一个统一接口，进行数据的分发、转换等工作。

然而现实情况是，很多大而全的功能在实际业务场景中根本用不上。具体到上层的引擎，为了实现多模的能力，粘合式路线会把所有引擎都拉到一个中间层，再做数据搬动，给开发和运维带来极大的压力。

• 生长式

以关系型数据库为主，为了处理图、文档等 NoSQL 数据扩展出新的能力；同时，除了关系型数据库厂商，图数据库、空间数据库厂商也在基于自己的本行向新的能力扩展，这都属于生长式。

这种模式相对适用于有一个传统应用，又想基于原有应用做少量的异构数据扩展的情况。比如：金融行业的交易处理是日常应用，同时需要扩展少量的空间数据库满足业务需求，这种业务场景更适合用生长式数据库。

但生长式多模架构在后期扩展能力上存在一定局限，此前主体数据库架构可能根本就不支持新功能的扩展。

有别于上述两种情形，KaiwuDB 自研原生多模系统，从顶层设计上天然具备横向融合、纵向精专的能力。依托"就地计算"、"原生 AI"等核心技术，KaiwuDB 快速支持时序数据、内存数据、关系型数据等在同一数据库中统一汇存、处理及 AI 智能分析。

其中，最大特色是统一的 SQL 语法、统一的数据库命令、统一的开发运维工具、统一的安全认证，能够将不同数据库功能充分融合，实现一库多用，进而降低用户的使用成本，用魏可伟的话说，就是“小而全”。

KaiwuDB 一直在思考多模架构到底做到何种程度才能满足 IoT 领域用户的需求而又能做到简单易用？

首先，时序数据处理的性能和扩展能力一定是高要求，同时要想办法降低存储成本；其次，要提供符合 IoT 数据特征的数据管理工具以及数据库自治的能力；最后，要以分析为先、以 AI 为先，能够从海量数据中挖掘出数据价值，为 IoT 业务场景提供专业的服务。

此种背景下，KaiwuDB 给自己的定位是，在设计上有横有纵，打造一个“又融又专”的多模架构。

• “融”

指针对不同的数据类型，开发能发挥最大性能的专用数据处理引擎，例如 KaiwuDB 时序引擎，利用“就地计算”技术可以实现每秒数百万级的数据写入，毫秒级响应千万级数据的分析查询。

• “专”

指融合多个专用引擎以支持 IoT 业务场景，在多个专用引擎之间形成统一的优化，统一的管理，同时又根据 IoT 数据处理的特点建立“快速通道”。

比如，在数据写入场景中，KaiwuDB 会优先考虑时序数据的写入性能并做优化，从而实现专用时序数据库的时序数据处理性能。

这就与传统“粘合式”和“生长式”的数据库形成本质区别。再有，KaiwuDB 会为时序数据到关系数据分析的内部“ETL”流程“打开快车道”，从而提升性能并节约资源。

站在用户本位，以数据库创新技术简化应用，让产品功能无限地贴近用户需求，是 KaiwuDB 这一新生代数据库持续努力的方向。

二、AI 引擎，为企业插上数智化升级翅膀

相较于对热点大模型技术的趋之若鹜，KaiwuDB 强调“原生 AI”的概念。

在 AI for DB 方向上，KaiwuDB 利用 AI 引擎实现数据库自治。比如，在时序数据场景中，会以时间维度进行数据的聚合分析，这背后的一项关键技术是智能预计算——即利用 AI 大脑预判用户会对哪些内容会做聚合分析，提前把结果计算好。
这一能力可快速实现结果反馈，极大程度提升性能；在生命周期管理方面，也可以通过 AI 对用户使用情况做出预判，如果 AI 预判用户对某一类数据不再频繁调用，可以自动挪到冷存储上，降低资源占用。

在 DB For AI 研发方向上，KaiwuDB 的“原生 AI“概念并非要打造 TensorFlow 这样的 AI 框架，即：不是去做算法，而是在多模的框架下拥抱生态，为用户提供更好的消费 AI 的能力，这种能力可以概括为“ModelOps in DB”。

ModelOps in DB 的理念是：让用户通过数据库更好地使用 AI，通过数据处理拉近数据科学家和开发运维人员的距离。通过 ModelOps in DB，能够提高模型训练和预测的性能，保证数据的安全性，更能够利用数据保持模型的准确性。

例如，当用户把数据拉出到 AI 平台训练模型，用来做业务预测，刚开始的时候可能准确率很高，但随着时间的推移会产生漂移现象，也就是模型准确率会下降。这是因为用来训练模型的数据已经过时，而通过原生 AI 的能力，在数据库中就可以第一时间发现漂移现象，做出相应的反应。

“大模型给我们一个非常有意思的启发，如果自然语言变成数据库角度的一个接口，多模会变成一个更自然的选择。” 魏可伟分析道，SQL 生态已经发展了几十年，有很多成熟的工具构建，是一个关键的数据库接口。站在大模型的风口，我们再去看多模的未来，各种专用引擎会在自然语言的交互方式下统一起来，人人都可以在低门槛的状态下使用数据库，这应该会是多模的终极形态。

在 KaiwuDB 技术团队中，有很多开发人员致力于 AI 方向，解决 AI 落地的消费性问题，这也是 AI 和数据库结合的关键点。

未来，KaiwuDB 除了在异构数据跟 AI 结合的方向上进行努力，在用户关注的重要场景上持续发力，也会关注大模型的支持，比如：引入向量数据库，在现有的多模架构上，再多出一模。

今天，在 AI 技术推动下，数据处理能力也在不断演进，诸多企业正在把数据对象里的信息抽取，无论是什么对象，或者无论是什么实体所包含的语义信息，都可以变成一个向量，然后再进行分析。而嵌入向量功能的数据库，会更好地支持 AI 应用。因此，AI 和数据库正以相互作用的形态，共同进步，释放用户的数据消费潜力。

写在最后

未来，不管是多模数据库本身的发展，还是与 AI 的结合，KaiwuDB 都将坚持回归用户本位，专注于打造一款“小而全”的数据库产品。在面对国内外用户对于产品性能与产品性价比“既要又要”的挑战下，KaiwuDB 也将不忘初心，秉承“匠心”精神走出自己的新路子，给市场与用户带来更多的可能。