数据库与人工智能正在双向奔赴。一方面，AI 技术被引入数据库内核，用于优化器、索引、参数调优与运维自治，这被称为 AI4DB；另一方面，数据库开始承担 AI 工作负载，为模型训练、特征工程与推理提供数据底座，这被称为 DB4AI。
AI4DB：用 AI 改造数据库
AI4DB 的核心思路，是把AI引入数据库自身的管理与执行过程。依据现有技术方向，主要可以归纳为以下几类：
1. 智能查询优化
传统优化器依赖代价模型和统计信息，在复杂查询或数据分布倾斜时容易估算偏差。AI4DB 尝试用学习型优化器替代或增强代价模型，例如：
学习型代价估计：用模型预测算子代价与基数。
学习型计划选择：根据历史执行反馈选择更优计划。
端到端优化：减少对人工规则的依赖。
2. 智能索引与存储
索引推荐、自动索引、学习型索引是常见方向。学习型索引试图用模型拟合数据分布，替代部分传统索引结构，从而降低空间开销或提升查询效率。需要说明的是，这类技术目前更多处于研究与逐步落地阶段，并非所有场景都能直接替代 B+ 树等成熟结构。
3. 智能运维与自治
包括：自动参数调优、异常检测与根因分析、慢查询诊断、容量预测与弹性伸缩、故障自愈，这类能力通常与云数据库平台结合，目标是降低 DBA 负担，实现更高程度的自治。
4. 智能安全与治理
利用 AI 进行敏感数据识别、访问行为异常检测、SQL 注入防护等，也是 AI4DB 的重要分支。
DB4AI：让数据库服务 AI
DB4AI 关注的是另一个方向：数据库如何更好地支撑 AI 应用。随着 LLM、推荐系统、计算机视觉等负载普及，数据库的角色正在从“记录系统”扩展为“智能数据底座”。
AI 训练需要稳定、可复现、可追溯的数据供给。数据库在特征存储、样本管理、数据版本控制方面承担关键角色，帮助解决训练与推理之间的数据一致性问题。
部分数据库尝试在库内直接执行机器学习推理或模型训练，减少数据搬运。例如通过 SQL 调用模型、在数据库内完成特征计算与预测。这种方式在数据不出库、降低延迟方面具有潜在优势，但也面临资源隔离、模型管理、生态兼容等挑战。
AI 应用往往同时涉及结构化数据、文本、图像、向量等。数据库需要向多模能力演进，以统一方式管理异构数据。
生成标记：本文由 ITPUB 文章生成平台基于已选素材整理生成。
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/69925873/viewspace-3184338/ ，如需转载，请注明出处，否则将追究法律责任。
