5G与AI“点燃”数字应用,云原生重塑数据库未来

本文涉及的产品
数据管理 DMS,安全协同 3个实例 3个月
推荐场景:
学生管理系统数据库
函数计算FC,每月15万CU 3个月
云原生数据库 PolarDB MySQL 版,通用型 2核4GB 50GB
简介: 5G与AI“点燃”数字应用,云原生重塑数据库未来

进入2023年,5G与AI技术逼近爆发的临界点,即将点燃数字应用的宇宙。以ChatGPT为代表的AI大模型,引发了机器智能的涌现,不仅能够与人类进行创造性对话,还能代替程序员编写代码!而5G全面加速了物理世界的数字化,数字化的世界反过来强化了AI的连接,全球加速形成一台巨大的智能云计算机——科技正在激发人类文明的全新进化。

而数据库作为传统基础软件,在即将到来的全新人类文明面前,正处于剧烈变动期。据IDC,2022年中国产生的数据规模达23.3ZB,全球占比达23%,有望在2026年成为全球产生数据最多的国家。中国信息通信研究院指出:新一轮科技革命迅猛发展,数据规模爆炸性增长、数据类型愈发丰富、数据应用快速深化,促使数据库产业再次进入创新周期中的混沌状态。

在数据量呈爆炸性增长的时候,眺望人类文明地平线,设计面向未来、兼顾当下的数据管理技术,支撑数以亿计的数字应用和用户,将指引数据库走出创新混沌。云原生作为“5G+AI”的底座型技术,必将重塑数据库的现在和未来。阿里巴巴集团副总裁、阿里云智能数据库产品事业部负责人李飞飞认为,接下来的五到十年将是波澜壮阔的篇章。


企业IT的未来

过去十几年,云计算技术蓬勃发展,以阿里云、AWS等为代表的几大超级公共云正在形成“世界计算机”的格局——公共云如同神经网络一样连接全社会的计算资源,进而形成超大规模的共享虚拟计算资源。如今,云原生技术将已经连接起来的共享硬件IaaS,推进到共享中间软件层PaaS,从而支撑即将到来的数亿应用和数亿用户。

是的,我们已经面临着数亿应用和用户的局面。在应用数量方面,IDC曾预计到2023年全球将新增5亿逻辑应用,相当于过去40年所创建的应用总和,到2025年将新增7.5亿逻辑应用。所谓“逻辑应用”,即以现有应用的服务为基础,形成新的业务和应用逻辑,从而创造出更多的应用。可以说,继数据宇宙之后,数字应用的“宇宙”正在爆炸。

在APP应用的用户方面,根据Quest Mobile,2022年,月活用户(MAU)超过1亿的APP有23个,中国工商银行APP成功跻身亿级MAU俱乐部,钉钉作为效率办公类APP也突破2亿MAU,而中国移动互联网用户数量也首次突破12亿大关。从消费类到企业级,亿级MAU正在重新定义企业级APP。

如果企业CIO们还在思考传统的本地部署和分布式计算,那么ChatGPT在一个月的时间即达到1亿MAU的事实,给了CIO们“当头一棒”——ChatGPT正在引发企业APP的进化奇点,爆发式增长的MAU和AI应用数量将打穿企业IT的现有能力,更不用说5G打穿了网络连接的壁垒,让企业IT突破“本地”和“分布式”的思维框架——云原生、平台化、一体化、智能化,将主导未来五到十年的企业IT。


从数据库到数据服务

作为企业IT的核心,数据库起源于20世纪60年代,70年代出现关系型数据库,以行和列的形式存储、管理和调用数据。经过近50年的发展,最早处理关系型数据库的大型机已经经历了小型机、PC服务器而进入到了“云计算机”时代,数据规模从最早的几KB一路狂飙到大数据时代的TB甚至PB,从结构化关系型数据进化到非结构化非关系型数据。在云计算时代,数据从以“库”为中心,进化到了遍布云上的数据服务。

全球一朵智能云的“云计算机”是一种全新的计算范式,是将分布在全球各地的计算资源连接起来形成共享计算的“中枢神经网络+全局化计算”。中国信通院指出:云与数据库的融合,具体有两种形态,一种是基于云资源部署的传统数据库,即数据库云服务(Database as a service);另一种是基于容器化、微服务、Serverless等理念设计的存算分离架构的云原生数据库。其中,云原生数据库是真正适配云计算的数据服务模式。

云原生数据库能够随时随地从多前端访问,提供云服务的计算节点,并且能够灵活及时调动资源进行扩缩容,助力企业降本增效。以AWS、阿里云、Snowflake等为代表的企业,开创了云原生数据库时代。所谓“云原生数据库”,简单理解就是从“云计算机”和云计算的角度,重新设计适配的数据服务,将各种数据库连接到一个平台上,为数以亿计的用户提供无处不在的数据服务。今天,我们正全面进入云原生数据库时代。

image.png

阿里云作为全球几超级智能“云计算机”之一,对此深有体会。阿里巴巴集团副总裁、阿里云智能数据库产品事业部负责人李飞飞在2023年3月24日举办的阿里云瑶池数据库峰会上表示,数据库行业正在向“云原生、平台化、一体化、智能化”的“四化”演进,“云原生+一站式”数据管理与服务将重新定义数据库行业标准,“单一数据库已无法满足客户多元化、差异化的应用场景需求,云原生+一站式才是数据库的未来。

“云原生化”即利用云的弹性能力和计算、存储、网络的分离能力,加上Serverless的极致弹性能力,指数级提升传统数据库的服务能力;平台化,即在云平台集中多款数据库,打造软硬协同的全体系创新,通过标准API支撑数据的无缝流动;一体化,即在平台化的基础上,提供OLTP、OLAP、AI处理等多种能力,打造数据服务的一体化全站能力,减少业务烟囱,避免数据孤岛;智能化,即在AGI浪潮下,智能和数据库的结合将迸发出无限潜力。

2023年3月23日,OpenAI宣布将在GPT-4上新增插件功能,帮助ChatGPT访问最新信息、运行计算或使用第三方服务,从而解锁海量AI应用。业界认为,ChatGPT插件功能和应用商店的推出是巨大的AI转折点,将极大加速从数据库到数据服务的进化。在ChatGPT和AGI的浪潮下,数据库“四化”已经成为必然,也将重塑企业IT的未来。


数据库行业的全速进化

自从AWS推出云数据库Aurora以来,数据库行业的进化就开始了。从数据库云服务到云原生数据库,以AWS和阿里云为代表的云计算厂商,正在打破传统数据库厂商对于数据的垄断,最大程度释放数据和数字经济的价值。例如,中国联通使用阿里云数据库替换原有IT系统架构,支撑了超4.2亿用户、计费数量高达450亿/天、20万容器数量,打造了全球规模最大的电信业务系统之一。

2022年底,阿里云在多年钻研数据+云的基础上,发布数据库独立品牌“瑶池”,将云原生关系型数据库PolarDB、云原生数据仓库AnalyticDB、云原生多模数据库Lindorm等产品统一归属到“瑶池”品牌——通过一站式数据管理与服务,阿里云帮助客户治理海量数据资源,为千行百业提供企业首选的云原生数据库产品和解决方案。

今天,阿里云瑶池核心产品已经All In Serverless,瑶池数据库是首家通过信通院Serverless能力评测的云厂商,参测的PolarDB、RDS数据库获得事务型数据库Serverless能力最高“先进级”评级,AnalyticDB数据仓库获评分析型数据库Serverless能力“增强级”评级。通过提前预测业务对资源需求的变化,瑶池数据库可实现秒级弹性变配、业务无损,最多可帮助客户降低70%成本。

在All in Serverless基础上,阿里云PolarDB还开创性地实现了CPU、内存、存储三层解耦技术:在提供金融级高可用、高可靠能力的基础上,实现云上资源秒级扩容;基于内存列存索引(IMCI)的处理分析一体化能力,实现分析百倍加速,一体化的实时事务处理和实时数据分析,极简运维;还支持分布式事务、全局二级索引等重要特性。

如今,以瑶池数据库为代表的“云原生+一站式”数据管理与服务正在推动数据库行业的全速进化。在阿里云瑶池数据库峰会上,阿里云宣布将PolarDB和AnalyticDB打通融合,形成“云原生一体化”的HTAP解决方案,同时推出了全新多模云原生数据库Lindorm AI 引擎,可在数据库内集成AI 能力,对非结构化数据进行智能分析和处理,打造AIGC应用的数据基础设施,仅需写几段SQL语言,就能在数据库内完成模型的部署和推理,快速搭建起AI应用平台。

“传统数据库厂商逐渐失去了原有的霸主地位,而生于云、长于云、基于云原生架构的数据库开始成为市场的中坚力量。”中国工程院院士孙家广在2023阿里云瑶池数据库峰会上表示,以云厂商为代表的云原生数据库的崛起,如阿里云瑶池数据库进入Gartner全球数据库领导者象限,标志着云数据库在提升产业竞争力和推动商业模式创新上,发挥了重要作用。

据悉,阿里云瑶池数据库已大规模在政企市场应用,服务于自然人税收管理系统、全国60%省级医保信息平台、上海证券交易所、招商银行、中国太保、中国邮政、中国南方航空、中国联通、友邦保险等金融、政务、电信、交通领域的标杆客户,全面应用在核心系统之中。峰会上,招商银行总行信息技术部数据治理团队负责人杨鹏表示:“招商银行携手阿里云能有效洞察僵尸资产、冗余资产等数据质量问题,助力全量资产可视化智能管理,提升业务部门用数效率,帮助我行实现降本增效。”

2023年注定是不平凡的一年。5GAI逼近爆发临界点,将引发一系列科技的连锁进化。数据库作为一个传统软件行业,也将在“5G+AI”大潮中重塑和全面进化。云原生将打破数据的“库”桎梏,让数据业务持续在线,不断释放并放大数据价值,全面激活智能物联网、车联网、工业互联网、智慧城市等数字经济模式,打开波澜壮阔的智能时代!

相关实践学习
AnalyticDB MySQL海量数据秒级分析体验
快速上手AnalyticDB MySQL,玩转SQL开发等功能!本教程介绍如何在AnalyticDB MySQL中,一键加载内置数据集,并基于自动生成的查询脚本,运行复杂查询语句,秒级生成查询结果。
阿里云云原生数据仓库AnalyticDB MySQL版 使用教程
云原生数据仓库AnalyticDB MySQL版是一种支持高并发低延时查询的新一代云原生数据仓库,高度兼容MySQL协议以及SQL:92、SQL:99、SQL:2003标准,可以对海量数据进行即时的多维分析透视和业务探索,快速构建企业云上数据仓库。 了解产品 https://www.aliyun.com/product/ApsaraDB/ads
相关文章
|
6天前
|
机器学习/深度学习 人工智能 自然语言处理
转载:【AI系统】AI的领域、场景与行业应用
本文概述了AI的历史、现状及发展趋势,探讨了AI在计算机视觉、自然语言处理、语音识别等领域的应用,以及在金融、医疗、教育、互联网等行业中的实践案例。随着技术进步,AI模型正从单一走向多样化,从小规模到大规模分布式训练,企业级AI系统设计面临更多挑战,同时也带来了新的研究与工程实践机遇。文中强调了AI基础设施的重要性,并鼓励读者深入了解AI系统的设计原则与研究方法,共同推动AI技术的发展。
转载:【AI系统】AI的领域、场景与行业应用
|
1天前
|
机器学习/深度学习 人工智能 算法
探索AI在医疗诊断中的应用与挑战
【10月更文挑战第21天】 本文深入探讨了人工智能(AI)技术在医疗诊断领域的应用现状与面临的挑战,旨在为读者提供一个全面的视角,了解AI如何改变传统医疗模式,以及这一变革过程中所伴随的技术、伦理和法律问题。通过分析AI技术的优势和局限性,本文旨在促进对AI在医疗领域应用的更深层次理解和讨论。
|
6天前
|
人工智能 缓存 异构计算
云原生AI加速生成式人工智能应用的部署构建
本文探讨了云原生技术背景下,尤其是Kubernetes和容器技术的发展,对模型推理服务带来的挑战与优化策略。文中详细介绍了Knative的弹性扩展机制,包括HPA和CronHPA,以及针对传统弹性扩展“滞后”问题提出的AHPA(高级弹性预测)。此外,文章重点介绍了Fluid项目,它通过分布式缓存优化了模型加载的I/O操作,显著缩短了推理服务的冷启动时间,特别是在处理大规模并发请求时表现出色。通过实际案例,展示了Fluid在vLLM和Qwen模型推理中的应用效果,证明了其在提高模型推理效率和响应速度方面的优势。
云原生AI加速生成式人工智能应用的部署构建
|
6天前
|
机器学习/深度学习 人工智能 物联网
AI赋能大学计划·大模型技术与应用实战学生训练营——电子科技大学站圆满结营
12月05日,由中国软件行业校园招聘与实习公共服务平台携手阿里魔搭社区共同举办的AI赋能大学计划·大模型技术与产业趋势高校行AIGC项目实战营·电子科技大学站圆满结营。
AI赋能大学计划·大模型技术与应用实战学生训练营——电子科技大学站圆满结营
|
11天前
|
机器学习/深度学习 人工智能 JSON
【实战干货】AI大模型工程应用于车联网场景的实战总结
本文介绍了图像生成技术在AIGC领域的发展历程、关键技术和当前趋势,以及这些技术如何应用于新能源汽车行业的车联网服务中。
172 32
|
1天前
|
机器学习/深度学习 人工智能 自然语言处理
AI技术深度解析:从基础到应用的全面介绍
人工智能(AI)技术的迅猛发展,正在深刻改变着我们的生活和工作方式。从自然语言处理(NLP)到机器学习,从神经网络到大型语言模型(LLM),AI技术的每一次进步都带来了前所未有的机遇和挑战。本文将从背景、历史、业务场景、Python代码示例、流程图以及如何上手等多个方面,对AI技术中的关键组件进行深度解析,为读者呈现一个全面而深入的AI技术世界。
34 10
|
1天前
|
传感器 机器学习/深度学习 人工智能
AI在自动驾驶汽车中的应用与未来展望
AI在自动驾驶汽车中的应用与未来展望
22 9
|
7天前
|
人工智能 Kubernetes 安全
赋能加速AI应用交付,F5 BIG-IP Next for Kubernetes方案解读
赋能加速AI应用交付,F5 BIG-IP Next for Kubernetes方案解读
43 13
|
7天前
|
机器学习/深度学习 人工智能 边缘计算
24/7全时守护:AI视频监控技术的深度实现与应用分享
本文深入解析了AI视频监控系统在车间安全领域的技术实现与应用,涵盖多源数据接入、边缘计算、深度学习驱动的智能分析及高效预警机制,通过具体案例展示了系统的实时性、高精度和易部署特性,为工业安全管理提供了新路径。
|
11天前
|
机器学习/深度学习 人工智能 安全
AI技术在医疗领域的应用与挑战
本文将探讨AI技术在医疗领域的应用及其带来的挑战。我们将介绍AI技术如何改变医疗行业的面貌,包括提高诊断准确性、个性化治疗方案和预测疾病风险等方面。同时,我们也将讨论AI技术在医疗领域面临的挑战,如数据隐私和安全问题、缺乏标准化和监管框架以及医生和患者对AI技术的接受程度等。最后,我们将通过一个代码示例来展示如何使用AI技术进行疾病预测。
26 2