当地时间2月9日消息，Databricks宣布其年化营收突破54亿美元，第四季度同比增长65%%。根据最新披露的数据，Databricks人工智能产品收入年化营收已经突破14亿美元。

Palantir并非交付一个标品，目前也只能在自己的深耕的领域实现高质量的交付，这种交付也是需要时间去沉淀的。在这个领域积累越深，护城河就越宽。别的企业想要进入这个领域，也必须经历这个过程。

随着实时分析日益普及，会带来全新挑战，可靠性是最大难题之一。由于实时系统持续运行，可能缺乏足够监督来发现问题，即使微小漏洞也可能迅速恶化。

2025年Gartner首席信息官（CIO）和技术高管调研显示，2025年中国企业计划大幅增加在生成式AI和AI领域的技术投资，其平均增幅分别达到40.3%%和33.3%%，这一数据表明，相关技术将在短期内得到广泛采用。

数据建模是数据库设计的一个关键方面，在确保数据库的效率、准确性和可用性方面发挥着重要作用。从理解数据模型和规范化的基本概念到处理缓慢变化的维度和基数等复杂场景，掌握这些主题对于参与数据库管理或开发的任何人来说都是必不可少的。

大型AI系统需要持续访问海量数据，甚至需要跨环境跨区域调用数据。当数据远离计算节点时，成本激增且性能崩溃，这些问题难以掩盖。人工智能并未创造新的基础设施问题，而是暴露了早已存在的问题。因此可以说，数据引力问题已卷土重来。

与云时代推行多云战略类似，很多软件供应商也推行多模型战略，这种与多个模型合作的方式也是为了避免模型锁定，充分发挥不同AI模型的优势。

这些发布是在Snowflake宣布与OpenAI达成2亿美元多年期合作协议数日后进行，双方将通过共同创新与联合市场推广展开合作。这两项举措表明，Snowflake正将企业级AI直接引入客户数据领域，使组织能够在其现有数据存储位置构建并运行AI应用程序。

本体论的基本原理并不复杂，就是需要梳理出实体以及实体之间的关系，直接关系用图节点之间的关系表示出来，隐性关系则可以通过语义让大模型通过推理来构建。语义化知识图谱与传统知识图谱之间的比较大的区别就是存在语义网络与关系网络的双层网络。

就像以往的每一波技术浪潮一样，人工智能在数据管理领域的炒作终将回归正常。真正能为企业带来价值的实用应用，将会保留下来。而那些真正重视结果而非过程的组织，也会继续采用这些应用。

展望2026年，标准正在不断提高。仅仅尝试人工智能是不够的——如今，卓越的人工智能运营才是关键。令人鼓舞的是，对于那些愿意将人工智能、数据和现代化视为一项统一使命的人来说，这是可以实现的。

上周，甲骨文宣布面向Linux x86-64平台的Oracle AI Database 26ai企业版正式上市。但19c版本长达13年的支持周期，以及潜在的AI锁定风险，可能让用户对升级持观望态度。

经常有朋友问我，在做国产数据库替代选型的时候，是优先考虑兼容性呢，还是优先考虑性能呢?我们可能会遇到这样的情况，有些国产数据库的性能一般，但是兼容性和稳定性不错。有些数据库性能很好，但是与Oracle、MySQL等原有数据库的兼容性不太好。

在AI4DB方面，AlloyDB提供了AI 驱动的自动调优(Auto‑Tuning)：自动索引(Auto Indexing)、自动执行计划优化、自动资源调度、自动存储扩展、自动热点检测，这些能力让 DBA 的工作量显著降低。

1月，Snowflake宣布以约10亿美元收购可观测性平台Observe;ClickHouse完成4亿美元D轮融资;EloqStore核心代码开源;开发者大会上，PolarDB正式发布AI数据湖库(Lakebase)等系列全新产品能力;MySQL 9.6.0创新班正式发布……

HTAP数据库首先必须有一个强大的心脏，能够对各种复杂查询都游刃有余，能够在优秀的资源管理器的控制之下，充分榨干现代硬件的能力，从而让用户的每一分投资都得到体现。HTAP数据库，先把这颗心脏锻炼出来，才是根本。

尽可能减少某个事务的延时对于分布式数据库应用而言也是十分关键的，一个设计良好的应用，每个事务中影响的数据行的数量必须有很理性的控制。虽然现在绝大多数分布式数据库都已经可以把每个事务相关的行数设置到无限大，但是受限于内存、网络包的大小等因素，尽可能减少每个事务修改的记录数，是一种比较安全的用法。

数据质量问题往往隐匿无形，直至系统崩溃才显现，因此在预算规划阶段常被低估。但其直接与间接成本会迅速累积。

在不断提升数据库自治能力的同时，通过提升数据库的可观测性，让运维人员可以随时感知数据库内核中存在的隐患，既可以针对数据库的缺陷做提前的优化，又可以在系统故障时更快速地定位问题。这条Oracle以前走得不错的路子，现今依然有参考价值。

当企业声称难以填补AI技能缺口时，他们往往缺失的并非原始技术能力，而是能在不完美环境中推进AI工作的人。多数组织并不需要更多模型构建者，而是需要理解数据如何在企业中流动的人才。