关键字: [亚马逊云科技， 生成式AI， DynamoDB， Génération Intelligence Artificielle， Données Non Structurées， Traitement Données， Stockage Données， Modèles Langage]

导读

在这场演讲中，演讲者介绍了亚马逊云科技的NoSQL数据库产品在生成式人工智能应用中的应用。他解释了生成式AI应用中涉及的多种数据类型，包括结构化数据、非结构化数据、向量数据和原始数据，以及这些数据的特点，如海量数据、多样化和实时处理需求。他指出，NoSQL数据库能够满足这些需求，具有无固定模式结构、灵活数据模型、高访问性能和可扩展性等优势。他重点介绍了亚马逊的两款NoSQL数据库产品DynamoDB和DocumentDB，分别适用于向量数据检索、对话消息存储等场景。总的来说，NoSQL数据库能够支撑生成式AI应用的神经系统，高效存储和处理海量多样化数据。

演讲精华

以下是小编为您整理的本次演讲的精华。

在当今时代，生成式人工智能应用已经成为一种不可或缺的技术，它能够模拟人类的思维过程，生成自然语言、图像、视频等多种形式的内容。然而，支撑这一切的核心在于海量的数据流动，就像人体的神经系统一样，由整体大模型来指挥、分散、发送和反馈。这些数据流在某些阶段需要暂时停留并存储，亚马逊云科技的NoSQL数据库便可以为此提供强有力的支持。

生成式人工智能应用中包含多种数据类型，从高层次上可分为结构化数据、非结构化数据、向量数据和原数据四大类。结构化数据包括用户个人资料、注册信息、兴趣爱好等;非结构化数据则包括文本、图片、声音等无固定格式的数据;向量数据是将图片、文本、视频等切分并嵌入高维度向量，用于基于向量的搜索和相似性匹配;原数据则包含大模型参数、数据来源、创建时间、标签、分类等长期存在且可能变化的信息。

这些生成式人工智能数据具有规模海量、多样化、需要实时处理等特点。以对话AI助手为例，想象一下有多少人同时在线对话，每天都会产生大量新的对话数据需要存储，加之新用户的注册信息，每天积累的数据量可能高达TB级别。此外，数据种类繁多，既有结构化数据，也有非结构化数据如文本、图像、视频等。另一方面，用户对AI助手的回复需要实时处理，任何延迟都可能导致用户体验下降。除此之外，这些数据中还包含用户的个人信息和隐私，需要进行安全审计保护。

为了高效处理和存储如此庞大和复杂的数据，对数据库提出了诸多要求。首先，需要高扩展性以支持海量数据存储和大并发访问;其次，需要低延迟以实现实时查询反馈，希望在几十毫秒内就能获取数据;第三，需要灵活的表结构模式，能够适应表结构的频繁变化，尤其是在非结构化数据的场景下;第四，需要支持向量数据的检索存储，将私域知识或业务数据嵌入高维向量进行快速准确的检索;第五，需要支持多模态数据;最后，需要保证数据的安全性和隐私。

最初，许多创业公司会选择使用关系型数据库如MySQL或PostgreSQL，因为开发人员更熟悉这些数据库。然而，随着数据量的激增，关系型数据库在写入和查询海量数据时会遇到严重的性能瓶颈。以对话消息为例，如果一天新增5000万至6000万条数据，一张表很快就会存储10亿条以上的数据，此时写入和查询的性能都将大幅下降。由于关系型数据库本身的特性，它并不适合处理这种场景。

为了解决这一问题，亚马逊云科技等公司推出了NoSQL数据库解决方案。NoSQL数据库具有无固定模式结构、灵活的数据模型、高访问性能、良好的可扩展性等特点，可以很好地满足生成式人工智能应用对数据处理和存储的需求。

其中，亚马逊云科技提供了两种主要的NoSQL数据库产品:DynamoDB和DocumentDB。

DynamoDB是一种以JSON格式存储数据的NoSQL数据库，具有强大的查询能力，不仅支持普通的聚合查询和统计分析查询，还支持向量查询和全文检索查询。它与MongoDB API兼容，客户可以无缝地将数据迁移到DynamoDB或从DynamoDB迁移出去，避免了云厂商锁定的问题。作为一种全托管服务，DynamoDB的所有备份、扩展、安全管理等都由亚马逊云科技负责，客户只需关注应用开发即可。

在生成式人工智能应用的核心场景中，DynamoDB可以用于向量数据的检索存储、对话消息历史的存储、非结构化内容的管理等。它的优势在于无固定模式的表结构非常灵活，可以适应不断变化的数据需求，允许深层次的嵌套;同时，它还可以对数据向量化，构建高维索引，实现快速响应和准确结果。

一位客户就利用DynamoDB存储了对话历史消息，数据格式采用JSON格式，包含对话ID、用户ID、对话内容、时间戳等字段。在该客户的生成式AI应用中，用户输入后，系统会获取对话历史和情景上下文，然后从DynamoDB中检索预存的向量数据，结合提示词工程调用大语言模型，最终返回结果并更新对话状态信息。在这个过程中，DynamoDB不仅用于向量检索，还负责存储对话历史等业务数据，使得应用开发更加简单高效。

另一款NoSQL数据库产品DocumentDB则是一种JSON文档数据库，最初应用于亚马逊的电商业务。它采用Serverless架构，可以根据流量自动调整资源分配，存储空间实际上是无上限的。DocumentDB的写入延迟保持在10毫秒以内，即使数据量增加到亿级别，写入性能也不会下降。

DocumentDB通常被建议用于存储对话消息，因为它的读写性能非常高，而对话消息存储通常不需要复杂的查询操作，只需按照时间或ID号进行点查询即可。在生成式AI应用中，DocumentDB可以存储情景、上下文、对话历史状态等数据，通过专属数据存储API获取这些数据，为大模型提供支持。

总的来说，亚马逊云科技的这两种NoSQL数据库产品都可以在生成式人工智能应用中发挥重要作用，满足不同的数据处理和存储需求。DynamoDB更适合处理复杂查询、向量检索等场景，而DocumentDB则擅长高吞吐的读写操作。通过合理选择和利用这些产品，生成式AI应用可以高效地管理海量多样的数据，为用户提供卓越的体验。

下面是一些演讲现场的精彩瞬间：

当数据量达到十亿级别时，关系型数据库在写入和查询性能上会遇到瓶颈问题，无法充分利用其优势。

总结

亚马逊云科技的NoSQL数据库在生成式人工智能应用中扮演着关键角色。这些应用产生了海量、多样化的数据，包括结构化、非结构化、向量和原始数据。NoSQL数据库能够高效存储和处理这些数据，满足实时处理、高扩展性、低延迟查询和灵活模式等需求。

亚马逊云科技提供了两种主要的NoSQL数据库产品:DynamoDB和DocumentDB。DynamoDB擅长存储和检索向量数据、对话历史消息等，支持高维向量索引和快速响应。DocumentDB则适合存储大规模对话消息，具有优秀的写入性能和自动扩展能力。这两种数据库在生成式AI应用中发挥着不同的作用，为神经网络般的数据流提供了强大支撑。

通过NoSQL数据库的支持，生成式AI应用能够实现个性化体验、上下文连贯性、模型优化训练和合规审计等功能。亚马逊云科技的NoSQL数据库产品为生成式AI应用的发展提供了坚实的数据基础，助力人工智能技术的不断创新。

我们正处在Agentic AI爆发前夜。2025亚马逊云科技中国峰会提出，企业要从“成本优化”转向“创新驱动”，通过完善的数据战略和AI云服务，把握全球化机遇。亚马逊将投入1000亿美元在AI算力、云基础设施等领域，通过领先的技术实力和帮助“中国企业出海“和”服务中国客户创新“的丰富经验，助力企业在AI时代突破。