AI热榜 过去很长一段时间，数据库的目标足够明确：把数据存稳、查快，并在业务高峰时扛住压力。
但 AI 正在改写这个命题。
向量、图、多模态等新数据对象进入生产链路，GPU、RDMA 等异构硬件成为系统设计变量；更关键的是，AI Agent 开始像一位持续工作的“新用户”——它会检索、推理、调用工具，也会把任务进度、记忆和上下文不断写回系统。
相比一次 SQL 查询，这是一条更长、更动态、也更难预测的任务链路。
在腾讯云数据库 DBTalk“顶会三连击：2026 国际顶会论文权威解读”中，中国人民大学张峰教授、浙江大学李环研究员、华东师范大学杨程程研究员，分别从系统演进、云原生数据基础设施、测试与测评三个方向，给出了最新观察。
三个议题最后汇成同一个问题： 当负载被 AI 改写，数据库该如何重新设计？
从压缩格式到异构执行，优化要沿着数据路径展开 数据库的基本能力没有改变。
存储、索引、查询、事务与并发控制，仍然是系统的地基。
但向量检索、RAG、模型状态等新对象，已经很难再被视为外围能力。
它们正进入数据库内核，并反过来影响数据表示、存储格式、优化器与执行引擎的设计。
张峰将视角放在数据库内核的协同演进上。
过去，系统优化往往聚焦于某个算法或算子；现在，研究开始沿着完整的数据路径展开：数据如何表示、如何布局、如何移动、在哪里执行，以及在负载变化时如何保持稳定。
数据格式就是一个典型例子。
以 L3 为例，在 GPU 时代，压缩率高并不等于算得快。
若仍沿用 CPU 侧编码、CPU 与 GPU 之间搬运、执行时再解码的传统路径，压缩带来的收益很容易被数据转换和搬运成本抵消。
L3 因此重新设计 GPU 原生的数据格式，使学习型压缩从 CPU 侧的离线处理，转变为能够直接参与 GPU 分析计算的可执行数据格式。
类似的变化也发生在向量和图数据系统中。
向量数据库需要同时考虑检索、分区、负载倾斜与跨机通信；压缩图直接更新则通过前台完成轻量级局部修改、后台持续整理压缩规则，在保持压缩效果的同时兼顾在线更新与查询性能。
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接