GPU原生，認(rèn)知驅(qū)動(dòng)：星環(huán)科技面向AI Agents的新一代AI數(shù)據(jù)庫

企業(yè)AI正在從大模型問答邁向AI Agents。與一次提示、一次響應(yīng)的大語言模型應(yīng)用不同，AI Agents會(huì)圍繞目標(biāo)持續(xù)執(zhí)行“推理—行動(dòng)—觀察—修正”的多輪循環(huán)，反復(fù)訪問數(shù)據(jù)、檢索知識(shí)、調(diào)用工具并更新任務(wù)狀態(tài)。數(shù)據(jù)處理與知識(shí)召回的任何等待，都會(huì)在長(zhǎng)鏈路、多并發(fā)調(diào)用中被持續(xù)放大。

星環(huán)科技GPU原生認(rèn)知數(shù)據(jù)庫（Transwarp Cognitive Database）以GPU為中心重構(gòu)數(shù)據(jù)庫計(jì)算架構(gòu)，將SQL數(shù)據(jù)庫、知識(shí)庫與記憶系統(tǒng)融為一體，統(tǒng)一支撐數(shù)據(jù)分析、知識(shí)檢索、可信上下文供給和持久化記憶；同時(shí)，星環(huán)科技將推出認(rèn)知數(shù)據(jù)庫云服務(wù)，通過Data Factory提供高性能數(shù)據(jù)與知識(shí)服務(wù)，通過Token Factory提升企業(yè)級(jí)AI推理效率，降低AI原生應(yīng)用與AI Agents規(guī)?；涞氐某杀九c門檻。

一、為什么數(shù)據(jù)庫需要同時(shí)面向GPU與AI Agents重構(gòu)？

為什么要用GPU重構(gòu)數(shù)據(jù)庫？

在傳統(tǒng)AI架構(gòu)中，GPU主要承擔(dān)模型推理，CPU側(cè)數(shù)據(jù)庫和工具系統(tǒng)負(fù)責(zé)數(shù)據(jù)查詢、復(fù)雜分析、文檔處理與調(diào)用執(zhí)行。

隨著AI Agents進(jìn)入高頻、多輪、并發(fā)運(yùn)行階段，傳統(tǒng)CPU通常僅具備數(shù)十至百級(jí)通用計(jì)算核心，內(nèi)存帶寬約為100—400GB/s，有限的并行計(jì)算與數(shù)據(jù)吞吐能力，以及CPU內(nèi)存與GPU顯存之間頻繁的數(shù)據(jù)搬運(yùn)帶來的時(shí)延，正在成為端到端響應(yīng)鏈路中的關(guān)鍵瓶頸。

GPU擁有上萬個(gè)并行計(jì)算核心和TB/s的高帶寬顯存，更適合大規(guī)模數(shù)據(jù)掃描、復(fù)雜聚合、文檔解析和向量計(jì)算等高并行負(fù)載。將數(shù)據(jù)庫計(jì)算從CPU中心轉(zhuǎn)向GPU中心，可以充分釋放并行計(jì)算與高帶寬優(yōu)勢(shì)，顯著提升數(shù)據(jù)處理吞吐和響應(yīng)效率，為AI Agents提供更快速的數(shù)據(jù)與知識(shí)供給。

GPU原生并非在傳統(tǒng)數(shù)據(jù)庫上疊加局部加速組件，而是以GPU為中心重構(gòu)數(shù)據(jù)庫的計(jì)算與數(shù)據(jù)訪問架構(gòu)，將SQL分析、文檔解析、向量索引、知識(shí)召回等高并行計(jì)算交由GPU執(zhí)行，使數(shù)據(jù)處理與模型推理在統(tǒng)一的GPU加速體系中協(xié)同運(yùn)行。

同時(shí)，通過GIDS（GPU-Initiated Direct Storage）等技術(shù)，由GPU直接發(fā)起存儲(chǔ)訪問，繞過CPU與主機(jī)內(nèi)存，減少數(shù)據(jù)中轉(zhuǎn)、內(nèi)存拷貝和I/O等待，進(jìn)一步縮短從數(shù)據(jù)讀取、處理和檢索到模型推理的端到端鏈路。

為什么要為AI Agents重構(gòu)數(shù)據(jù)庫？

傳統(tǒng)數(shù)據(jù)庫主要面向人工查詢和業(yè)務(wù)系統(tǒng)，而AI Agents正在成為新的數(shù)據(jù)使用者。它們會(huì)在任務(wù)執(zhí)行過程中持續(xù)訪問數(shù)據(jù)、檢索知識(shí)、調(diào)用工具，數(shù)據(jù)庫也需要從一次性返回查詢結(jié)果，轉(zhuǎn)向持續(xù)支撐Agent分析、判斷與行動(dòng)。

首先，Agent需要更快獲得數(shù)據(jù)。數(shù)百個(gè)Agent并發(fā)運(yùn)行，單個(gè)任務(wù)又可能連續(xù)發(fā)起數(shù)百次調(diào)用，任何一次查詢或檢索的等待，都會(huì)被放大為整體響應(yīng)時(shí)延。

其次，Agent需要的不只是一次查詢結(jié)果，而是完整、可信的業(yè)務(wù)上下文。企業(yè)事實(shí)、文檔知識(shí)、語義信息和關(guān)聯(lián)關(guān)系分散在不同系統(tǒng)中，只有統(tǒng)一組織和協(xié)同檢索，才能幫助Agent更準(zhǔn)確地理解問題、形成判斷。

最后，Agent需要延續(xù)歷史。用戶偏好、任務(wù)進(jìn)度、已有結(jié)論和交互記錄需要被持續(xù)保存并準(zhǔn)確召回，避免每次任務(wù)都從頭開始，保障跨任務(wù)、跨會(huì)話的連續(xù)執(zhí)行。

因此，面向AI Agents，數(shù)據(jù)庫不能只負(fù)責(zé)高性能存儲(chǔ)和查詢數(shù)據(jù)，還要進(jìn)一步支撐知識(shí)組織、上下文供給與長(zhǎng)期記憶，成為Agent持續(xù)分析、判斷和執(zhí)行的認(rèn)知基礎(chǔ)設(shè)施。

二、星環(huán)科技GPU原生認(rèn)知數(shù)據(jù)庫：圍繞AI Agents設(shè)計(jì)的一體化認(rèn)知底座

星環(huán)科技GPU原生認(rèn)知數(shù)據(jù)庫面向AI Agents工作負(fù)載設(shè)計(jì)，在統(tǒng)一底座上融合SQL分析、知識(shí)檢索、記憶與上下文管理能力，為高性能在線分析、RAG多模型混合檢索、機(jī)器學(xué)習(xí)加速分析與會(huì)話上下文記憶提供統(tǒng)一支撐。

五項(xiàng)技術(shù)突破，重構(gòu)面向AI Agents的認(rèn)知數(shù)據(jù)底座

1、GPU加速結(jié)構(gòu)化數(shù)據(jù)SQL分析，不僅更快，而且更省

在TPC-DS SF1000（1TB）測(cè)試中，星環(huán)科技GPU原生認(rèn)知數(shù)據(jù)庫完成完整99項(xiàng)查詢?nèi)蝿?wù)，性能達(dá)到開源CPU數(shù)據(jù)庫（DuckDB）的70倍；數(shù)據(jù)加載、Power測(cè)試、吞吐測(cè)試與數(shù)據(jù)維護(hù)等環(huán)節(jié)均獲得數(shù)十倍至百倍級(jí)提升。更高的計(jì)算性能意味著，面對(duì)數(shù)百個(gè)AI Agents并發(fā)調(diào)用和復(fù)雜任務(wù)中的連續(xù)數(shù)據(jù)訪問，數(shù)據(jù)庫可以更快完成分析與檢索，減少Agent等待數(shù)據(jù)的時(shí)間，提升整體響應(yīng)和任務(wù)執(zhí)行效率。

與Snowflake、Databricks不同規(guī)格配置對(duì)比，性能最高提升66倍，性價(jià)比最高提升14倍。當(dāng)同等任務(wù)能夠以更短時(shí)間、更少計(jì)算資源完成，更高的計(jì)算效率最終轉(zhuǎn)化為更低的單位任務(wù)成本，讓企業(yè)能夠以更優(yōu)的資源投入支撐更大規(guī)模的Agent應(yīng)用。

2、GPU加速文檔處理與知識(shí)召回，讓AI更快獲得可信上下文

基于星環(huán)科技COSMIC文檔解析服務(wù)，在OmniDocBench所覆蓋的復(fù)雜文檔上（1651頁P(yáng)DF，10種文檔類型，5種布局，5種語言，10萬條精細(xì)注釋），文檔解析性能提升10倍。GPU向量索引進(jìn)一步加速知識(shí)入庫和召回，索引構(gòu)建性能最高提升近50倍，檢索吞吐最高提升238倍，讓RAG與AI推理能夠更快獲得所需上下文。

在國產(chǎn)算力適配方面，認(rèn)知數(shù)據(jù)庫已完成海光DCU單卡與多卡優(yōu)化，向量索引構(gòu)建由天級(jí)縮短至分鐘級(jí)，檢索性能相比CPU最高提升58倍，并實(shí)現(xiàn)線性的多卡擴(kuò)展。

3、顯存利用率提升20倍，充分釋放每一張GPU的效能

通過數(shù)據(jù)卸載和索引搜索優(yōu)化，星環(huán)GPU索引可將大部分?jǐn)?shù)據(jù)索引卸載至內(nèi)存或SSD，顯存消耗降低至約5%，實(shí)現(xiàn)20倍索引容量放大；即使將95%的計(jì)算相關(guān)數(shù)據(jù)卸載到內(nèi)存或SSD，搜索吞吐仍可達(dá)到傳統(tǒng)CPU索引的12倍。系統(tǒng)支持全顯存、內(nèi)存卸載和SSD卸載三種模式熱切換。

支持全顯存、內(nèi)存卸載和SSD卸載三種搜索模式熱切換，可根據(jù)數(shù)據(jù)規(guī)模、性能要求與成本預(yù)算靈活調(diào)整資源配置，在保障業(yè)務(wù)響應(yīng)效率的同時(shí)，提高GPU資源利用率，降低大規(guī)模數(shù)據(jù)檢索的基礎(chǔ)設(shè)施成本。

4、記憶能力雙冠軍，讓AI Agents越用越懂業(yè)務(wù)

星環(huán)科技認(rèn)知數(shù)據(jù)庫在BEAM 500K長(zhǎng)程情景記憶與LongMemEval-S長(zhǎng)對(duì)話記憶兩項(xiàng)基準(zhǔn)測(cè)試中整體準(zhǔn)確率分別達(dá)到79.6%和92.8%，均超過主流開源記憶系統(tǒng)。

在長(zhǎng)程事件排序、知識(shí)更新和信息提取等關(guān)鍵能力上，為AI Agents持續(xù)學(xué)習(xí)業(yè)務(wù)上下文、更新認(rèn)知并跨會(huì)話執(zhí)行任務(wù)提供支撐。

5、自然語言驅(qū)動(dòng)，貫通數(shù)據(jù)開發(fā)、治理、分析與報(bào)告生成

星環(huán)科技認(rèn)知數(shù)據(jù)庫將自然語言交互內(nèi)生于數(shù)據(jù)底座，通過理解業(yè)務(wù)意圖并自動(dòng)編排數(shù)據(jù)任務(wù)，將用戶需求直接轉(zhuǎn)化為可執(zhí)行的數(shù)據(jù)工作流，貫通數(shù)據(jù)開發(fā)、數(shù)據(jù)治理、查詢分析與報(bào)告生成全過程。業(yè)務(wù)人員無需掌握復(fù)雜工具和專業(yè)語法，即可直接調(diào)用企業(yè)數(shù)據(jù)能力，顯著縮短從需求提出到結(jié)果交付的周期。

三、真實(shí)場(chǎng)景驗(yàn)證，GPU原生加速價(jià)值看得見

復(fù)雜企業(yè)知識(shí)問答：加速知識(shí)入庫、檢索與推理全鏈路，提升準(zhǔn)確率

OfficeQA Pro包含近百年美國財(cái)政部公報(bào)的近萬頁宏觀經(jīng)濟(jì)文檔、2600萬個(gè)數(shù)值、133項(xiàng)復(fù)雜企業(yè)文檔推理任務(wù)和246個(gè)復(fù)雜問題。

星環(huán)科技GPU原生認(rèn)知數(shù)據(jù)庫將包含OCR的文檔解析與知識(shí)入庫性能提升約10倍、數(shù)據(jù)檢索性能提升約20倍、單題端到端AI推理性能提升約6倍，最終準(zhǔn)確率達(dá)到79.3%，超過業(yè)內(nèi)領(lǐng)先大模型。

金融量化因子回測(cè)：更快驗(yàn)證策略與發(fā)現(xiàn)Alpha機(jī)會(huì)

智能投研涉及多源數(shù)據(jù)掃描、因子計(jì)算、歷史回測(cè)、參數(shù)搜索和策略驗(yàn)證，往往需要反復(fù)執(zhí)行大規(guī)模計(jì)算。在不同測(cè)試任務(wù)中，星環(huán)科技GPU原生認(rèn)知數(shù)據(jù)庫相較CPU方案最高實(shí)現(xiàn)5881倍性能提升。更短的因子計(jì)算、參數(shù)優(yōu)化和歷史回測(cè)周期，使研究人員能夠在同一時(shí)間窗口內(nèi)驗(yàn)證更多策略與假設(shè)，更快捕捉市場(chǎng)機(jī)會(huì)。

信貸全鏈路經(jīng)營(yíng)與風(fēng)險(xiǎn)分析：更快審批、更早識(shí)別風(fēng)險(xiǎn)變化

信貸業(yè)務(wù)分析需要貫通客戶、授信、用信、還款及風(fēng)險(xiǎn)變化等全鏈路信息，并支持持續(xù)追問與多維鉆取。星環(huán)科技GPU原生認(rèn)知數(shù)據(jù)庫加速資產(chǎn)質(zhì)量分析、動(dòng)態(tài)風(fēng)險(xiǎn)歸因和信貸決策再分析，并支持持續(xù)追問與多維交互分析，在4.8億條明細(xì)數(shù)據(jù)規(guī)模下，整體性能提升449倍，加速全鏈路數(shù)據(jù)分析，幫助客戶更快看清業(yè)務(wù)全貌、定位風(fēng)險(xiǎn)變化并形成決策。

四、從Data Factory到Token Factory，推出認(rèn)知數(shù)據(jù)庫云服務(wù)

此外，星環(huán)科技同步將推出認(rèn)知數(shù)據(jù)庫云服務(wù)，整體包括Data Factory與Token Factory兩類服務(wù)，從數(shù)據(jù)與知識(shí)處理到模型推理，以低成本高性能提升企業(yè)AI運(yùn)行效率。

Data Factory：以更低成本獲得高性能數(shù)據(jù)與知識(shí)服務(wù)

Data Factory面向企業(yè)數(shù)據(jù)與知識(shí)管理，以認(rèn)知數(shù)據(jù)庫即服務(wù)的方式，支撐AI數(shù)據(jù)與知識(shí)工程、數(shù)據(jù)治理、數(shù)據(jù)分析、知識(shí)檢索和內(nèi)容創(chuàng)作等場(chǎng)景。

可在同等成本下實(shí)現(xiàn)10倍以上性能提升，并支持Snowflake、Databricks等云數(shù)據(jù)庫一鍵遷移，以及S3對(duì)象存儲(chǔ)和本地文件接入，并通過統(tǒng)一接口支撐BI報(bào)表、AI Agents與數(shù)據(jù)應(yīng)用，幫助企業(yè)降低數(shù)據(jù)平臺(tái)建設(shè)與遷移門檻。

Token Factory：以更高資源效率支撐企業(yè)級(jí)AI推理

Token Factory提供計(jì)算資源調(diào)度、模型服務(wù)與Token服務(wù)，面向AI編程、AI辦公和智能開發(fā)工具等AI原生應(yīng)用?？蓪?shí)現(xiàn)輸入吞吐提升10倍、輸出吞吐提升20%—80%，以更高推理效率和更低運(yùn)行成本支撐企業(yè)級(jí)AI應(yīng)用規(guī)模化落地。

結(jié)語：面向AI Agents，數(shù)據(jù)庫正在進(jìn)入新的范式

隨著企業(yè)AI從大模型問答走向AI Agents，數(shù)據(jù)基礎(chǔ)設(shè)施承載的已不再只是數(shù)據(jù)存儲(chǔ)與查詢，而是持續(xù)的數(shù)據(jù)分析、知識(shí)召回、上下文供給與記憶管理。

面對(duì)高頻、多輪、并發(fā)運(yùn)行帶來的性能、時(shí)延與成本挑戰(zhàn)，數(shù)據(jù)庫必須從傳統(tǒng)的數(shù)據(jù)管理系統(tǒng)，演進(jìn)為支撐AI Agents持續(xù)認(rèn)知、判斷與行動(dòng)的新一代基礎(chǔ)設(shè)施。

星環(huán)科技GPU原生認(rèn)知數(shù)據(jù)庫，以GPU原生架構(gòu)重構(gòu)數(shù)據(jù)處理方式，以知識(shí)與記憶能力重構(gòu)數(shù)據(jù)服務(wù)方式，讓數(shù)據(jù)分析更快、知識(shí)召回更準(zhǔn)、上下文供給更及時(shí)，為企業(yè)構(gòu)建可落地、可擴(kuò)展、可持續(xù)演進(jìn)的AI Agents提供堅(jiān)實(shí)底座。GPU原生，認(rèn)知驅(qū)動(dòng)，面向AI Agents的新一代AI數(shù)據(jù)庫，已經(jīng)到來。

GPU原生，認(rèn)知驅(qū)動(dòng)。面向AI Agents的新一代AI數(shù)據(jù)庫，已經(jīng)到來。

注：文中性能及評(píng)測(cè)數(shù)據(jù)來自星環(huán)科技內(nèi)部測(cè)試結(jié)果與公開基準(zhǔn)，具體表現(xiàn)受軟硬件配置、數(shù)據(jù)規(guī)模及測(cè)試方法影響。