4年10亿美金,Neon用Serverless PG证明:AI需要的不是“大”,而是“隐形”

本文涉及的产品
阿里云百炼推荐规格 ADB PostgreSQL,4核16GB 100GB 1个月
云原生数据仓库AnalyticDB MySQL版,基础版 8ACU 100GB 1个月
简介: AnalyticDB PostgreSQL 版基于Neon架构隆重推出满足 AI 时代应用开发需求的Serverless版本,并且在这之上搭载了结构化分析、向量检索、BM25全文检索和图检索,通过一套引擎满足 AI 应用丰富的数据诉求,支持MCP和OpenAI协议,为企业全面拥抱 AI 配备了数据存储、分析和应用的 “关键” 能力,帮助企业火箭式启动跑赢时代。

前言

据权威IT媒体The Information报道,Databricks正在寻求收购Neon。Neon是一家销售开源PostgreSQL数据库商业版本的初创公司,据知情人士透露,此次收购的交易估值或突破10亿美元。若Databricks能成功收购,将显著增强其在AI领域的主导地位和技术实力。


Databricks对Neon的兴趣点与该引擎和AI应用(比如 AI 编码助手)贴切程度密不可分。Neon可以提供结构化数据、向量数据(即针对AI模型保存信息的数据结构)的支持,同时支持存算分离架构和分支能力(Branching),能快速地预置新数据库实例以及动态扩缩容。 AI 时代下的数据库并不需要“大而全”的产品堆砌,而是需要具备解决实际问题的“关键”能力。

1、什么是Neon

Neon是一款100%兼容PostgreSQL的Serverless数据库,旨在解决传统数据库的三大痛点:资源按峰值配置导致长期闲置浪费、创建测试分支耗时长且低效、运维复杂。它通过云原生架构深度改造PostgreSQL,而非简单云化,实现资源弹性与开箱即用的体验。云原生架构通过存算分离实现弹性、扩展性和高可用性,抽离传统数据库的Redo Log是实现存算分离的一种重要策略。Redo Log详细记录事务操作以保障故障恢复,自身也可以被视为一种数据存储形式。如AWS的Aurora、Microsoft Azure的Socrates都通过类似方式实现存算分离。Neon也是类似的思路,基于PostgresSQL数据库分离出WAL以实现存算分离,并基于此衍生出一些在AI时代更受青睐的特性,比如快速创建分支(Branching)。

Neon架构介绍

image.png

如图所示,Neon架构分为计算节点和存储层:

  1. 计算节点运行PostgreSQL,负责执行查询和事务,但不直接存储数据,而是通过写入日志WAL与存储层交互。
  2. 存储层负责持久化和管理数据,包含三个组件:
  • Safekeeper:通过Paxos协议可靠存储WAL,确保数据持久性和高可用性。
  • Pageserver:解析Safekeeper的WAL记录,生成不可变数据文件并存储到云对象存储,同时加速数据访问。
  • 云对象存储:低成本、高持久性地保存最终数据,如AWS S3、阿里云OSS等。


通过存算分离架构,Neon实现了计算资源的弹性管理与存储资源的高效持久化,并且为下文中的特性提供了基础。

Neon特性介绍

▶︎ Branching

Neon的Branching功能允许用户快速创建主数据库分支用于测试/开发,且不影响主库(类似Git分支管理)。其核心源于数据以LSN(日志序列号)标记并采用LSM树合并存储(不修改原始数据),天然支持分支操作。这一特性在大模型驱动的Vibe Coding和MCP Server场景中发挥关键作用。


▶︎ Time Travel

Neon的Time Travel功能利用Pageserver中数据的LSN属性,使用户能够在任意指定的LSN位点启动一个Compute Node(PG),该节点仅能访问在该LSN位点之前的数据,从而实现对历史数据的访问。


▶︎ Autoscale & Autosuspend

Neon通过实时监控CPU和内存利用率,并借助K8s集群管理工具,实现自动扩缩容及自动启停(Autoscale & Autosuspend):用户可设置资源使用范围的最大/最小值,系统据此动态调整实例规模,当实例连续5分钟无操作时,Neon会自动暂停实例,并在新任务到来时快速重启。


▶︎ 一写多读

与原生PG一样,都通过流复制实现一写多读,但原生PG需要多份存储,而Neon通过共享缓存层(Pageserver)主从节点可以从相同的数据源中获取,既节约了存储资源,又提供了即时的只读弹性。

2、Vibe Coding时代下的Neon:AI驱动的全栈开发新范式

随着大模型编码能力的指数级提升,"Vibe Coding"这一概念正颠覆传统软件开发模式,开发者甚至非技术人员可快速创建网站/APP原型。以Vercel V0、Lovable等工具为代表的Vibe Coding已实现设计稿精准还原,而成熟的后端存储是其从原型走向落地的核心突破。Neon凭借深度集成全栈生态和极致易用性,成为首选的托管数据库服务。例如,Vercel V0默认集成Neon,利用其Branching功能为每个设计迭代独立创建数据库沙盒,避免数据冲突。

image.png

Vercel V0提供Neon原生集成,让大模型直接操作Neon数据库


同时,随着MCP的普及,开发者正通过标准化接口将AI能力与数据库、文件系统、API等基础设施无缝连接。Neon通过Branching特性开放了数据库完全读写权限,即使AI操作异常,其沙盒隔离也能避免数据损毁。


Neon的架构设计在TP场景有着显著的优势,但在面对TB至PB级数据规模时,受限于PageServer的容量和OSS对象存储的高IO延迟与低吞吐特性,会出现扫描性能衰减、复杂查询响应缓慢等问题。


相比之下,阿里云瑶池旗下的云原生数据仓库AnalyticDB PostgreSQL 版专为海量数据分析场景设计,通过存算分离架构和全栈自研技术实现性能突破。

3、基于Neon架构的AnalyticDB PostgreSQL Serverless版

云原生数据仓库 AnalyticDB PostgreSQL 版(下文简称ADB PG)是一款分布式实时数仓,基于Neon Log Is The Database的思想,ADB PG从MPP架构升级到Severless形态,这种设计保留了Postgres的索引、主键去重、实时流式写入等所有特性。同时,在复杂分析场景中引入自研的行列混合存储引擎Beam和自研向量化执行引擎Laser,使得ADB PG在存算分离架构下依然具备极强的查询分析性能。ADB PG基于存算分离架构,构建了极致弹性、Virtual Warehouse、Time Travel+Branching等高阶能力。

image.png

ADB PG 存算分离架构图

ADB PG与Neon的能力对比

image.png

▶︎ Virtual Warehouse

借助Neon的一写多读能力,ADB PG Serverless引入Virtual Warehouse作为只读集群。这样的设计不仅提升了计算性能,还允许根据实时负载动态调整计算资源,实现灵活的扩展。通过这种横向扩展能力,ADB PG能够高效管理资源使用,确保在处理大规模分析任务时始终保持快速响应。


▶︎ Time Travel + Branching

ADB PG Serverless同样支持Branch与Time Travel的能力。由于ADB PG是分布式的,相对于Neon,我们需要进一步考虑分布式场景下的一致性。


1) 对于Branch能力,在ADB PG中,需要在Master Node与Compute Node之间建立一致性的LSN位点,我们通过周期性地在两阶段事务提交时加锁来获取全局一致性的LSN位点。

2) 在备份周期内,ADB PG存算分离形态可以通过Neon的Branch能力将元数据恢复到某个指定的全局一致性恢复位点上,就可以读取到对应位点的用户数据。

Severless下的自研引擎突破

区别于Neon的小规模TP场景,ADB PG聚焦海量数据分析场景,通过行列混存引擎Beam与向量化引擎Laser,突破存算分离架构的性能瓶颈,解决TB/PB级数据场景的计算效率问题。

核心挑战:OSS对象存储的天然限制

OSS对象存储的高延迟、低吞吐特性导致TB/PB级数据扫描性能衰减,影响查询效率。

自研技术突破:存储引擎与执行引擎双轮驱动

1、自研存储引擎优化

  • 列裁剪+Zonemap过滤:精确按需读取字段,跳过无关数据块,减少I/O数据量 50%以上;
  • 动态压缩技术:结合字典编码与通用压缩算法,降低带宽需求30%-70%
  • 弹性缓存架构:
  • 智能预热+数据预取:动态加载高频数据并预测性加载冷数据;
  • 无状态节点设计:支持低成本临时盘缓存(同等硬件成本下,缓存容量提升2.5倍)。


2、自研执行引擎突破

  • 向量化执行:列式批量处理取代逐行迭代,计算效率提升10倍以上;
  • SIMD指令加速:针对数值计算与字符串操作进行指令级优化,核心算子性能翻倍。

性能表现

  • TPC-H基准测试(10TB数据):缓存覆盖70%数据时,性能达存储弹性架构的90%+
  • 端到端查询性能:较PostgreSQL原生火山模型提升5倍以上,复杂分析场景优势更加显著。

4、总结

AnalyticDB PostgreSQL 版基于Neon架构隆重推出满足 AI 时代应用开发需求的Serverless版本,并且在这之上搭载了结构化分析、向量检索、BM25全文检索和图检索,通过一套引擎满足 AI 应用丰富的数据诉求,支持MCP和OpenAI协议,为企业全面拥抱 AI 配备了数据存储、分析和应用的 “关键” 能力,帮助企业火箭式启动跑赢时代!


了解更多

如您对技术细节感兴趣

欢迎钉钉搜索群号:11700737 or 钉钉扫码入群交流

image.png

相关实践学习
【文生图】一键部署Stable Diffusion基于函数计算
本实验教你如何在函数计算FC上从零开始部署Stable Diffusion来进行AI绘画创作,开启AIGC盲盒。函数计算提供一定的免费额度供用户使用。本实验答疑钉钉群:29290019867
建立 Serverless 思维
本课程包括: Serverless 应用引擎的概念, 为开发者带来的实际价值, 以及让您了解常见的 Serverless 架构模式
目录
打赏
0
8
8
0
144
分享
相关文章
Serverless MCP 运行时业界首发,函数计算让 AI 应用最后一公里提速
作为云上托管 MCP 服务的最佳运行时,函数计算 FC 为阿里云百炼 MCP 提供弹性调用能力,用户只需提交 npx 命令即可“零改造”将开源 MCP Server 部署到云上,函数计算 FC 会准备好计算资源,并以弹性、可靠的方式运行 MCP 服务,按实际调用时长和次数计费,欢迎你在阿里云百炼和函数计算 FC 上体验 MCP 服务。
353 31
当 MCP 遇上 Serverless,AI 时代的最佳搭档
随着 AI 技术的飞速发展,MCP(模型上下文协议) 逐渐崭露头角。这项由 Anthropic 公司(Claude 的创造者)于 2024 年 11 月推出的开放协议,正在重新定义 AI 与数字世界的交互方式。这项开放协议不仅让 AI 突破传统对话边界,更赋予其执行现实任务的能力,堪称人工智能向"行动智能体"进化的里程碑。然而从火热概念到落地业务,MCP 还需要找到云端“好搭档”。
926 76
阿里云 Serverless 助力海牙湾构建弹性、高效、智能的 AI 数字化平台
海牙湾(G-Town)是一家以“供应链+场景+技术+AI”为核心驱动力的科技公司,致力于为各行业提供数字化转型解决方案。通过采用阿里云Serverless架构,解决了弹性能力不足、资源浪费与运维低效的问题。SAE全托管特性降低了技术复杂度,并计划进一步探索Serverless与AI结合,推动智能数字化发展。海牙湾业务覆盖金融、美妆、能源等领域,与多家知名企业建立战略合作,持续优化用户体验和供应链决策能力,保障信息安全并创造可量化的商业价值。未来,公司将深化云原生技术应用,助力更多行业实现高效数字化转型。
230 19
AI和大数据:是工具,还是操控人心的“隐形之手”?
AI和大数据:是工具,还是操控人心的“隐形之手”?
81 1
Serverless 加 AI 让应用开发更简单
本文介绍了 Serverless 技术在 AI 领域的应用及 FunctionAI 平台的功能与优势。首先探讨了 Serverless 解决的核心问题,包括降低成本和提升效率。接着分析了构建 AI 应用的阻碍因素,如技术积累不足、大模型迭代快及算力资源有限。FunctionAI 平台通过按需模型托管、一键部署、流程式开发工具和灵活组装能力,帮助企业降低试错成本并提高开发效率。平台架构分为四层,涵盖模型层、开发层、服务层和部署层。实际应用场景包括图像生成、外部开发者支持及大流量处理等。最后,通过客户案例展示了平台在弹性扩展与成本优化方面的价值。
Serverless MCP 运行时业界首发,函数计算让 AI 应用最后一公里提速
Serverless MCP 运行时业界首发,函数计算支持阿里云百炼 MCP 服务!阿里云百炼发布业界首个全生命周期 MCP 服务,无需用户管理资源、开发部署、工程运维等工作,5 分钟即可快速搭建一个连接 MCP 服务的 Agent(智能体)。作为云上托管 MCP 服务的最佳运行时,函数计算 FC 为阿里云百炼 MCP 提供弹性调用能力。
 Serverless MCP 运行时业界首发,函数计算让 AI 应用最后一公里提速
基于函数计算一键部署 AI 陪练,快速打造你的专属口语对练伙伴
AI 口语学习涵盖发音训练、对话交流、即时反馈、个性化场景模拟和流利度提升等。本方案以英语口语学习的场景为例,利用函数计算 FC 部署 Web 应用,结合智能媒体服务(AI 实时互动)的 AI 智能体和百炼工作流应用,实现英语口语陪练。
Serverless + AI 让应用开发更简单,加速应用智能化
Serverless + AI 让应用开发更简单,加速应用智能化
149 5
当无人机遇上Agentic AI:新的应用场景及挑战
本文简介了Agentic AI与AI Agents的不同、Agentic无人机的概念、应用场景、以及所面临的挑战
110 5
当无人机遇上Agentic AI:新的应用场景及挑战
破茧成蝶:阿里云应用服务器让传统 J2EE 应用无缝升级 AI 原生时代
本文详细介绍了阿里云应用服务器如何助力传统J2EE应用实现智能化升级。文章分为三部分:第一部分阐述了传统J2EE应用在智能化转型中的痛点,如协议鸿沟、资源冲突和观测失明;第二部分展示了阿里云应用服务器的解决方案,包括兼容传统EJB容器与微服务架构、支持大模型即插即用及全景可观测性;第三部分则通过具体步骤说明如何基于EDAS开启J2EE应用的智能化进程,确保十年代码无需重写,轻松实现智能化跃迁。
295 40

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等

登录插画

登录以查看您的控制台资源

管理云资源
状态一览
快捷访问