圖片來源@pixabay
生成式AI技術(shù)變革，正驅(qū)使數(shù)據(jù)庫廠商展開激烈競爭。
傳統(tǒng)廠商長期占據(jù)主導(dǎo)地位，卻也因云原生分布式數(shù)據(jù)庫的沖擊而有所動搖。當(dāng)AI風(fēng)暴再次攪動這個(gè)市場，數(shù)據(jù)庫廠商紛紛調(diào)整數(shù)據(jù)戰(zhàn)略，試圖更加貼近企業(yè)客戶使用AI的實(shí)際場景。新舊勢力間的角逐，實(shí)際也讓真實(shí)的客戶加快享受到新時(shí)代紅利。
在Databricks的案例庫中流傳著這樣一個(gè)故事。來自中國的全球消費(fèi)電子品牌安克創(chuàng)新，其數(shù)據(jù)團(tuán)隊(duì)曾遇到過一個(gè)棘手問題：受原有數(shù)倉的制約，無法對企業(yè)內(nèi)部多個(gè)系統(tǒng)和應(yīng)用數(shù)據(jù)進(jìn)行統(tǒng)一治理，這導(dǎo)致團(tuán)隊(duì)將大量時(shí)間用于數(shù)據(jù)治理及相關(guān)的Devops落地，幾乎沒有時(shí)間挖掘更高價(jià)值的數(shù)據(jù)任務(wù)，比如用于支持生成式AI的創(chuàng)新。
安克創(chuàng)新用上了云湖倉，而針對這一產(chǎn)品的選型中，其團(tuán)隊(duì)放棄了Snowflake，而選擇Databricks，其關(guān)鍵一點(diǎn)在于技術(shù)層面，前者并不符合團(tuán)隊(duì)對操作便捷性和基于同一平臺實(shí)現(xiàn)數(shù)據(jù)、分析、AI創(chuàng)新的需求。而基于Databricks的云湖倉產(chǎn)品Delta Lake實(shí)現(xiàn)200TB數(shù)據(jù)的統(tǒng)一數(shù)據(jù)底座后，安克創(chuàng)新又陸續(xù)用上了Databricks的其他產(chǎn)品：通過Unity Catalog實(shí)現(xiàn)表格式數(shù)據(jù)訪問，基于MLflow實(shí)現(xiàn)AI應(yīng)用自動化流程編排。準(zhǔn)備就緒后，安克創(chuàng)新數(shù)據(jù)團(tuán)隊(duì)終于有機(jī)會去探索大模型驅(qū)動下的代碼檢索、自動生成SQL、問答知識庫等服務(wù)。
安克創(chuàng)新的選擇背后，是以Databricks和Snowflake為首的兩大數(shù)據(jù)分析與智能服務(wù)提供商所焦灼的領(lǐng)域——云湖倉。在表引擎、分析引擎、實(shí)時(shí)計(jì)算引擎、數(shù)據(jù)入湖工具、數(shù)據(jù)開發(fā)DataOps工具鏈、統(tǒng)一元數(shù)據(jù)管理等相關(guān)的引擎或組件，以及當(dāng)下面向AI的大模型自研、AI數(shù)據(jù)庫層面，各方都展開了尤為激烈的競爭，以搶占市場先機(jī)。
過去兩年間，其實(shí)很多企業(yè)都在嘗試生成式AI應(yīng)用，但直至今天，我們?nèi)詻]有看到真正能大規(guī)模推廣到企業(yè)中的AI案例。其核心問題在于生成式AI應(yīng)用始終存在不準(zhǔn)確或不相關(guān)的推理結(jié)果，也就是常稱的“幻覺”問題。而結(jié)合上述案例實(shí)踐能夠進(jìn)一步理解，減少模型幻覺的重要方法之一，是引入企業(yè)內(nèi)部知識庫，提高生成準(zhǔn)確性和邊界，這往往需要在IT基礎(chǔ)設(shè)施和數(shù)據(jù)集成的統(tǒng)一性上下功夫。
看似技術(shù)引領(lǐng)了市場變革，其實(shí)不然。數(shù)據(jù)庫市場的變局，是發(fā)展到一定程度必然面對的，并且早已箭在弦上。
1990~2020，被反復(fù)錘煉的一個(gè)技術(shù)名詞
理解數(shù)據(jù)庫市場這一切變化，還要從“倉”與“湖”說起。
作為一款分析型數(shù)據(jù)庫，數(shù)據(jù)倉庫（Data Warehouse）的出現(xiàn)已有幾十年的歷程，最早可以追溯到20世紀(jì)60年代，并且隨著近些年大數(shù)據(jù)技術(shù)的發(fā)展而不斷升級。
20世紀(jì)90年代，在比爾·恩門(Bill Inmon)和拉爾夫·金博爾(Ralph Kimball)的推動下，數(shù)據(jù)倉庫迅速發(fā)展。被譽(yù)為數(shù)據(jù)倉庫之父的比爾·恩門在《構(gòu)建數(shù)據(jù)庫倉庫》一書中給出其定義：一個(gè)面向主題的（Subject Oriented）、集成的（Integrated）、相對穩(wěn)定的（Non-Volatile）、反映歷史變化（Time Variant）的數(shù)據(jù)集合，用于支持管理決策（Decision Making Support）。
這在當(dāng)時(shí)，是一項(xiàng)重大創(chuàng)新，包括能夠支持更快的商業(yè)智能（當(dāng)時(shí)還談不上AI，更多是BI），能更高效地處理結(jié)構(gòu)化數(shù)據(jù)等，也存在明顯缺點(diǎn)，如缺乏對非結(jié)構(gòu)化數(shù)據(jù)的處理能力，處理大量數(shù)據(jù)需要較長時(shí)間。但這一技術(shù)方案，基本滿足了當(dāng)時(shí)大量處于初創(chuàng)階段的中小企業(yè)或客戶團(tuán)隊(duì)，對于處理有限數(shù)據(jù)和分析的訴求。
直至21世紀(jì)初，大數(shù)據(jù)的興起給傳統(tǒng)數(shù)據(jù)倉庫帶來了挑戰(zhàn)。這一挑戰(zhàn)首先暴露在谷歌、雅虎等互聯(lián)網(wǎng)公司內(nèi)部：后端有大量的業(yè)務(wù)系統(tǒng)支撐，同時(shí)也有支持“海量”數(shù)據(jù)服務(wù)的平臺架構(gòu)，但在數(shù)據(jù)分析、商業(yè)智能等方面，一直在使用傳統(tǒng)的數(shù)據(jù)庫+數(shù)據(jù)倉庫作為底層支撐。傳統(tǒng)的數(shù)據(jù)倉庫無法處理大量非結(jié)構(gòu)化數(shù)據(jù)，一旦遇到業(yè)務(wù)流量洪峰，數(shù)據(jù)倉庫就會出現(xiàn)瓶頸，持續(xù)擴(kuò)容也顯得捉襟見肘。
為了應(yīng)對這一挑戰(zhàn)，數(shù)據(jù)湖（Data Lake）的概念應(yīng)運(yùn)而生。
從核心目標(biāo)上講，數(shù)據(jù)湖與數(shù)據(jù)倉庫都是用于數(shù)據(jù)分析，以便為組織提供洞察，輔助業(yè)務(wù)決策，但二者仍有區(qū)分。數(shù)據(jù)湖通常存儲用于高級分析應(yīng)用的各類大數(shù)據(jù)，而數(shù)據(jù)倉庫則存儲用于基本商業(yè)智能、分析和報(bào)告用途的常規(guī)交易數(shù)據(jù)。
2003年至2006年期間，谷歌相繼發(fā)表文件分布式系統(tǒng)GFS、并行計(jì)算框架MapReduce和BigTable論文，這“三駕馬車”奠定了大數(shù)據(jù)技術(shù)的基石，開啟了大數(shù)據(jù)技術(shù)發(fā)展大幕。隨后，Hadoop出現(xiàn)，它以HDFS分布式文件系統(tǒng)作為存儲層，以MapReduce提供計(jì)算，為海量數(shù)據(jù)處理提供了一套全面的解決方案，并在雅虎的支持下，Hadoop生態(tài)發(fā)展迅猛。
2010年，Hadoop World大會上Pentaho公司創(chuàng)始人詹姆斯·迪克森（James Dixon）率先提出“數(shù)據(jù)湖”的概念，以解決當(dāng)時(shí)數(shù)據(jù)倉庫處理大數(shù)據(jù)時(shí)所面臨的的性能瓶頸。他指出：“如果把數(shù)據(jù)集市想象成一個(gè)瓶裝水倉庫，經(jīng)過清潔、包裝和結(jié)構(gòu)化處理，方便飲用，那么數(shù)據(jù)湖就是一個(gè)更自然狀態(tài)的大型水庫。數(shù)據(jù)湖的內(nèi)容從源頭入湖，用戶可來湖中查看、潛入或取樣?！?/p>
也就是說，數(shù)據(jù)湖一開始就將所有數(shù)據(jù)源的數(shù)據(jù)進(jìn)行存儲，包括離線的、在線的，結(jié)構(gòu)化的、非結(jié)構(gòu)化的，各類面向事務(wù)型的數(shù)據(jù)。同時(shí)，利用Hadoop等大數(shù)據(jù)處理技術(shù)，使得海量數(shù)據(jù)處理更容易。
從理論上講，數(shù)據(jù)湖的出現(xiàn)在很大程度是符合時(shí)代的，并且在2015年得到比較大的發(fā)展。但由于許多企業(yè)構(gòu)建數(shù)據(jù)湖的進(jìn)展并沒有想象中順利，也一定程度上削弱了數(shù)據(jù)湖的普及。例如，當(dāng)時(shí)的數(shù)據(jù)湖只解決存儲問題，分析計(jì)算的問題依然需要數(shù)倉完成，放到今天，計(jì)算、存儲是需要同時(shí)被解決的。另外，數(shù)據(jù)湖的實(shí)施和維護(hù)成本高，且需要經(jīng)年累月與企業(yè)業(yè)務(wù)流程以及數(shù)據(jù)分析工具集成，才能實(shí)現(xiàn)其價(jià)值。
那么，能否實(shí)現(xiàn)“倉”、“湖”的優(yōu)點(diǎn)兼具？即讓數(shù)據(jù)倉庫直接ETL數(shù)據(jù)湖里的數(shù)據(jù)，實(shí)現(xiàn)湖、倉的打通。2020年，Databricks公司對湖倉一體（DLH，Data Lakehouse）概念的提出，不僅讓Databricks這家以開源Spark出名的公司再次出圈，也讓業(yè)內(nèi)看到了湖倉一體架構(gòu)的優(yōu)越性，眾多數(shù)倉專家由此也開始了對數(shù)據(jù)湖功能兼容的大量技術(shù)探索。
誰在入局
Databricks首先在2020年發(fā)表了一篇重要論文《A New Generation of Open Platforms that Unify Data Warehousing and Advanced Analytics》，將“湖倉一體”作為一種新穎的數(shù)據(jù)管理方法。據(jù)論文描述，該方法將數(shù)據(jù)倉庫和數(shù)據(jù)湖整合到一個(gè)系統(tǒng)中，以更“湖倉一體”的方式運(yùn)行，充分利用云存儲服務(wù)的成本效益，這尤其對于同時(shí)使用BI工具和依賴數(shù)據(jù)科學(xué)/機(jī)器學(xué)習(xí)解決方案的大型企業(yè)有益。
在概念提出的最開始一段時(shí)間，確實(shí)只有Databricks一家商業(yè)公司提供湖倉產(chǎn)品，但很快，隨著湖倉一體理念得到廣泛關(guān)注，圍繞湖倉的技術(shù)組件和產(chǎn)品方案，逐漸衍生出四股力量：
一是MPP數(shù)據(jù)庫Teradata和基于Hadoop的Cloudera等老牌公司，二是三大云廠商的同類產(chǎn)品包括Google BigQuery、Amazon Redshift、Azure Synapse Analytics；三是主打存算分離的云數(shù)倉（CDW）新貴Snowflake，四是以數(shù)據(jù)湖開源表格式Delta Lake、Apache Hudi等為基礎(chǔ)的商業(yè)公司Databricks。
從技術(shù)路徑上，與單獨(dú)建倉或單獨(dú)建湖的不同的是，前者無法保證數(shù)據(jù)湖與數(shù)據(jù)倉庫中的數(shù)據(jù)一致性問題，湖倉一體是以數(shù)據(jù)倉庫中支持?jǐn)?shù)據(jù)湖特性，和以數(shù)據(jù)湖中支持?jǐn)?shù)倉特性兩大方向。例如，Snowflake、Amazon Redshift，以及國內(nèi)的阿里云MaxCompute以前者為技術(shù)路徑；而Databricks、Uber則以后者為技術(shù)路徑。作為湖倉一體概念的提出者，Databricks如今基于Apache Spark、Delta Lake、MLflow等開源組件構(gòu)建了相對完整的產(chǎn)品方案，并且基于三方云平臺，將湖倉產(chǎn)品集成售賣。
數(shù)據(jù)湖、數(shù)據(jù)倉庫曾各自獨(dú)立發(fā)展過一段時(shí)間，現(xiàn)如今，這兩個(gè)技術(shù)方案已經(jīng)走向融合。
根據(jù)Fortune?Business?Insights公布的《大數(shù)據(jù)分析市場報(bào)告，2021-2028年》，目前大量初創(chuàng)公司正在爭奪全球大數(shù)據(jù)分析市場的份額，預(yù)計(jì)2028年將達(dá)到5497.3億美元。根據(jù)資本流動趨勢和觀察到的客戶需求，大數(shù)據(jù)分析市場中最熱門的領(lǐng)域無疑是數(shù)據(jù)倉庫、數(shù)據(jù)湖、數(shù)據(jù)湖倉、數(shù)據(jù)網(wǎng)格、DataOps和超快速大數(shù)據(jù)查詢引擎。
中國信通院《數(shù)據(jù)庫發(fā)展研究報(bào)告（2024）》指出，隨著智能時(shí)代的到來，AI大模型需要的存儲底座需要具備高存儲密度、高性能計(jì)算、數(shù)據(jù)安全保障等特點(diǎn)，能夠?qū)Υ笠?guī)模數(shù)據(jù)進(jìn)行高性能處理的湖倉一體技術(shù)成為AI大模型不可或缺的數(shù)據(jù)基礎(chǔ)設(shè)施。原因在于兩點(diǎn)：一是湖倉一體的設(shè)計(jì)為大模型提供了高性能數(shù)據(jù)處理底座，二是人工智能也使得倉內(nèi)智能成為可能。
如果說傳統(tǒng)數(shù)倉、數(shù)據(jù)湖能夠向湖倉一體架構(gòu)持續(xù)演進(jìn)，其首要原因還是來自實(shí)際企業(yè)應(yīng)用場景中，業(yè)務(wù)驅(qū)動的結(jié)果。那么，隨著企業(yè)應(yīng)用場景逐步推進(jìn)到以AIGC的業(yè)務(wù)和應(yīng)用中，AI大模型在企業(yè)的快速推進(jìn)正客觀促成湖倉相關(guān)領(lǐng)域的廠商展開競賽，筆者注意到，各股勢力不光頻繁展開性能拉練，也在試圖通過技術(shù)收購整合、投入研發(fā)，企業(yè)客戶也成為這場競賽中的直接受益者。
過去一年，頭部的數(shù)據(jù)庫企業(yè)，甚至于大模型企業(yè)都已經(jīng)在積極采取產(chǎn)品發(fā)布、或進(jìn)行收購、合作的方式，搶占AI大模型時(shí)代的先機(jī)。
今年2月，Databricks公司還宣布與SAP達(dá)成合作，SAP將把Databricks的AI數(shù)據(jù)管理工具集成到其新的業(yè)務(wù)數(shù)據(jù)云；而Snowflake宣布將與英偉達(dá)合作，為企業(yè)量身定制AI模型。
另外，在大模型技術(shù)爆發(fā)背景下，以及各方產(chǎn)業(yè)鏈上下游廠商的頻繁較量中，戰(zhàn)火也早已燒到了中國市場。
以阿里云湖倉架構(gòu)為例，在數(shù)據(jù)存儲層，基于數(shù)據(jù)平臺、數(shù)倉和數(shù)據(jù)湖能力基礎(chǔ)之上，進(jìn)行倉內(nèi)數(shù)據(jù)模型直接調(diào)用；在數(shù)據(jù)服務(wù)層，提供RAG服務(wù)、Data API及模型管理能力；在場景應(yīng)用層，湖倉可支持企業(yè)快速搭建知識庫。
國內(nèi)市場，除了阿里云、華為云等云廠商外，星環(huán)科技、滴普科技、柏睿數(shù)據(jù)、偶數(shù)科技等創(chuàng)業(yè)廠商也在過去一段時(shí)間展開了對湖倉一體架構(gòu)的技術(shù)探索與產(chǎn)品落地。
但對比了品牌、產(chǎn)品技術(shù)、市場資源、客戶基礎(chǔ)、組織能力等多維度優(yōu)勢后，我們注意到，在湖倉領(lǐng)域，始終有兩個(gè)無法忽視的競對：Databricks和Snowflake。
兩種路線的較量
其實(shí)兩方勢力的競爭成功與否，并不在于一地之得失，而在于有生力量之消長。Databricks與Snowflake競爭的背后，也是兩種技術(shù)路線的較量。
與外界現(xiàn)如今感知所不同的是，湖倉這一概念在被市場得到關(guān)注之前，Databricks其實(shí)定位于基于Apache Spark構(gòu)建的統(tǒng)一數(shù)據(jù)和分析平臺，并且一直在緩慢且成功地發(fā)展其業(yè)務(wù)。只是在近些年，Databricks開始從Snowflake等數(shù)倉廠商手中奪取了越來越多的市場份額。
而Databricks的最大亮點(diǎn)在于，它是以流數(shù)據(jù)處理為出發(fā)點(diǎn)，向上擴(kuò)展自身AI能力，向下打造湖倉一體，通過不斷完善AI基礎(chǔ)架構(gòu)，為最上層AI應(yīng)用提供一個(gè)優(yōu)化的承載平臺。因而Databricks并非是一家數(shù)倉或數(shù)據(jù)庫公司，而是構(gòu)建AI infra的公司。
業(yè)務(wù)層面，Databricks更專注于高級分析和處理復(fù)雜的數(shù)據(jù)處理任務(wù)，通常涉及數(shù)據(jù)科學(xué)或機(jī)器學(xué)習(xí)。這也使得Databricks一開始合作的客戶通常具備數(shù)據(jù)工程能力，并認(rèn)可其數(shù)據(jù)湖中支持?jǐn)?shù)倉特性的技術(shù)路線。
技術(shù)層面，Databricks做了許多能力建設(shè)。首先，Databricks對其數(shù)據(jù)湖表格式開源項(xiàng)目Delta Lake投入了大量資金和，并且還是該開源項(xiàng)目的最大貢獻(xiàn)者。
2024年，Databricks進(jìn)一步收購Iceberg的商業(yè)公司Tabular，進(jìn)一步鞏固其市場地位，要知道Snowflake、Cloudera、AWS、Oracle、Salesforce等眾多廠商基于Iceberg構(gòu)建。這一操作明顯使Snowflake的處境更加艱難，并導(dǎo)致其不得不宣布將Polaris Catalog作為Delta Lake和Iceberg的直接開源替代方案，以對抗Databricks的影響。
其次，Databricks成功解決了跨各種數(shù)據(jù)處理引擎的無縫互操作性這一重大挑戰(zhàn)，消除了供應(yīng)商鎖定的問題。
此外，Databricks從一開始就面向數(shù)據(jù)科學(xué)、人工智能領(lǐng)域持續(xù)探索，并構(gòu)建了一系列數(shù)據(jù)與AI工具組件。如開發(fā)和維護(hù)AI生命周期管理開源平臺MLflow，用于進(jìn)行機(jī)器學(xué)習(xí)模型的部署和訓(xùn)練；數(shù)據(jù)分析工具Koalas，可讓使用Pandas進(jìn)行編程的數(shù)據(jù)科學(xué)家直接切換到Spark上，用于大型分布式集群應(yīng)用。
2023年，Databricks開源了其首個(gè)大語言模型dolly 2.0，為其后續(xù)推出大模型拉開了序幕。2023年末，Databricks以13億美金收購大模型初創(chuàng)公司Mosaic，以便Databricks現(xiàn)有的客戶實(shí)現(xiàn)數(shù)據(jù)源無縫集成，提高構(gòu)建數(shù)據(jù)服務(wù)的統(tǒng)一體驗(yàn)。通過對MosaicML的技術(shù)和團(tuán)隊(duì)整合，MosaicML被全面整合進(jìn)Databricks的湖倉產(chǎn)品中。
今年3月，Databricks發(fā)布了一款132B混合專家模型DBRX，該大模型由內(nèi)部Mosaic Research團(tuán)隊(duì)開發(fā)，其人員一部分就來自于此前對MosaicML團(tuán)隊(duì)的收編而來。據(jù)Databricks透露，DBRX完全基于Databricks平臺開發(fā)，利用Unity Catalog等工具進(jìn)行數(shù)據(jù)治理、Apache Spark進(jìn)行數(shù)據(jù)處理以及Mosaic AI Training進(jìn)行模型訓(xùn)練和微調(diào)。正是這種深度集成，客戶可以通過API訪問DBRX，從而無縫集成到現(xiàn)有工作流程和應(yīng)用程序中。
從趨勢上看，隨著生成式AI應(yīng)用的出現(xiàn)，市場需求顯然已經(jīng)在從數(shù)倉轉(zhuǎn)向了更有利于Databricks的湖倉技術(shù)。Databricks近期指出，已經(jīng)有200多家客戶從Snowflake遷移到Databricks，其中有8家還是頭部大客戶。
另一個(gè)信號是，Databricks和Snowflake之間的差距正在縮小。Databricks宣布預(yù)計(jì)截至2025年1月31日第四季度的收入運(yùn)行率將超過30億美元，而Snowflake公布的2025財(cái)年產(chǎn)品營收實(shí)現(xiàn)35億美元。
Databricks已多次與Snowflake進(jìn)行性能大戰(zhàn)。2023年，為了甩開膀子撕逼，雙方甚至同意將DeWitt條款限制拿掉，即允許研究人員和科學(xué)家在學(xué)術(shù)論文中明確使用其系統(tǒng)名稱。
技術(shù)層面，Snowflake針對結(jié)構(gòu)化數(shù)據(jù)的存儲和分析進(jìn)行了優(yōu)化，并高度重視數(shù)據(jù)倉庫的易用性和可擴(kuò)展性。同時(shí)，Snowflake從2022年相繼收購了Applica、Streamlit、SnowConvert、Myst.AI和Neeva等多家AI與數(shù)據(jù)領(lǐng)域初創(chuàng)公司，加大對AI分析和數(shù)據(jù)平臺的投入。今年4月，Snowflake發(fā)布了其開源大模型Arctic，以4800億參數(shù)MoE架構(gòu)試圖擊敗Databricks的DBRX。此外，Snowflake還與Anthropic等大模型廠商合作。去年10月，Snowflake還與Cloudera實(shí)現(xiàn)集成，客戶通過使用Snowflake的計(jì)算引擎和獲得Iceberg支持的Cloudera湖倉一體架構(gòu)，實(shí)現(xiàn)動態(tài)擴(kuò)展分析與AI工作負(fù)載，同時(shí)降低成本。
與Snowflake同樣技術(shù)路線的云廠商也開始頻繁向外界證明，其核心產(chǎn)品能夠跟上生成式AI和大模型的進(jìn)步。
Google BigQuery為解決湖倉統(tǒng)一治理，直接將治理功能嵌入到數(shù)倉中，而非單獨(dú)工具或流程。近日的Google Cloud Next大會上，谷歌表示Google BigQuery自2011年面世以來，其客戶數(shù)量已經(jīng)是Snowflake和Databricks的五倍。
2024 Gartner云數(shù)據(jù)庫管理系統(tǒng)魔力象限
無論走哪種技術(shù)路徑，無非是代表不同的商業(yè)利益群體，這種爭論對于客戶而言，都需要深入了解當(dāng)前和未來的需求?？赡苣承﹫鼍跋?，Databricks更廣泛的功能使其更具優(yōu)勢，而在其他情況下，Snowflake的易用性亦會成為其決定性因素。
暗流涌動
但最耐人尋味的，是雙方在AI大模型時(shí)代達(dá)成的某些共識對整個(gè)數(shù)據(jù)庫市場的震動。當(dāng)其他老牌對手看到Snowflake和Databricks增強(qiáng)了對大模型的支持，也終于下場布局，新興的初創(chuàng)公司也因數(shù)據(jù)庫市場的攪動，開始重新找準(zhǔn)市場定位。
不久前，Snowflake、Databricks競相展開對AI RAG（檢索增強(qiáng)生成）公司VoyageAI的收購。收購Voyage或?qū)椭罢咛嵘陨砥脚_的速度和性能。例如，Snowflake已通過一項(xiàng)云服務(wù)向客戶提供Voyage模型的訪問權(quán)限，客戶可以使用該服務(wù)構(gòu)建AI應(yīng)用。Databricks此前也在努力為其相應(yīng)的服務(wù)提供同樣的訪問權(quán)限。不過，隨著MongoDB對VoyageAI的成功截胡，一切正朝著新的變局演變。
與此同時(shí)，新興AI搜索初創(chuàng)公司Glean已經(jīng)在瞄準(zhǔn)這塊市場，推出能夠幫助企業(yè)更有效搜索數(shù)據(jù)庫中數(shù)據(jù)的產(chǎn)品。值得關(guān)注的是，近期Databricks還被曝出擬將收購無服務(wù)器初創(chuàng)公司Neon。
但更大的問題是，對于客戶而言，企業(yè)對數(shù)據(jù)的訴求早已不在于記錄信息、收集信息，更在于獲得可行的見解，做出更明智、更快速的決策。在AI應(yīng)用潮流和企業(yè)降本增效的驅(qū)使下，客戶仍然需要花一定的精力和成本來做新數(shù)據(jù)庫的嘗試和遷移，同樣面臨極大風(fēng)險(xiǎn)。
數(shù)據(jù)庫賽道也越來越卷了，尤其在國內(nèi)市場，很多兩三年前出現(xiàn)的初創(chuàng)公司或產(chǎn)品已消弭不少，諸多創(chuàng)業(yè)十年以上的數(shù)據(jù)庫廠商也在頻繁跟進(jìn)技術(shù)基調(diào)更新產(chǎn)品。
而紛爭角逐的核心主線是，在新賽道、新興細(xì)分市場中，數(shù)據(jù)庫廠商的核心機(jī)會仍然是解決客戶的業(yè)務(wù)問題，而不是過度關(guān)注拿獎、追逐技術(shù)時(shí)尚，成為市場的投機(jī)者。（本文首發(fā)于鈦媒體APP，作者 | 楊麗，編輯 | 蓋虹達(dá)）
熱門跟貼