财联社10月27日讯 10月23日，静安区2026年苏河财富对话暨2026年国泰海通金融科技文化节主题论坛在苏河湾中心顺利举行。

海量数据董事长、总裁肖枫出席论坛，发表《以智增效：海量数据库构筑AI智能数据基座》的主题演讲。

他表示，人工智能要靠寻找“相似数据”，而私域数据出不了本地，所以向量检索必须与本地部署的大模型推理协同，这是企业在AI时代的必答题。他指出，企业在做AI改造时，其实会面临“快、准、省”的不可能三角，因此，需要在既定投入下寻求平衡；与其盲目堆叠大模型和算力，不如以全盘视角搭建全链路AI的“最优解”。

AI要靠找相似数据，私密数据必须留在本地

肖枫介绍，海量数据是一家专注数据库的上市公司，团队多来自甲骨文、DB2及华为等企业，做产品的路径与高校不同，一切都从产业中来。

他坦言，做数据库的人有一个共同特点，就是“怕”。因为数据库一旦出问题，往往引发严重后果——这也是海量人严谨踏实的作风由来。

海量数据2019年发布第一款自主数据库产品，是国内较早发力自研数据库的企业之一。2024年，海量数据紧跟AI时代，率先发布向量数据库产品。肖枫表示，目前在国内向量数据库领域，除开源方案外，海量数据的产品覆盖较广，客户数量也较多。

什么是向量数据？肖枫用一个通俗的例子解释：若要给房间里的物品归类，可以把水杯、茶杯、茶壶、沙发等按形状、材质等维度描述，置身于向量空间，就像处于房间的一角，彼此距离与夹角相近的即为相似。比如，水杯和茶壶在向量空间中的位置就比水杯和沙发更加相近。人工智能的检索与大模型推理都需基在于此——寻找相似。

而向量数据库的作用，是在私域数据中完成这种相似性检索。他强调，像制造、金融、医疗等领域的数据不能流向公网，更不能交给公网大模型检索，只能在本地完成向量化，再调用本地部署的大模型的推理能力，因此本地化极为关键。

传统应用建立在关系型数据库之上，追求标量的精确；而AI要的是近似检索。在他看来，企业需要既能支撑现有业务的条件检索与分析、守住业务底线，又能提供向量能力的“向标混合”数据库，是面向未来AI应用的较优架构，也让客户可以从历史应用平滑过渡到AI时代。他同时提醒，AI原生应用对向量化、持久化与记忆能力的需要，对数据库提出了全新挑战。

“不可能三角”：快、准、省难以兼得

肖枫提出，当前，企业在做AI改造，正在应用面临“不可能三角”——快速、准确与低成本，三者难以同时满足。响应速度要快，延迟过高会直接影响使用体验；结果必须准确，在零件检测、医疗诊断、投资决策等场景中，一旦不准会造成巨大损失；而要做到既快又准，往往成本高昂，若一味压低投入与时延，召回率便无从保障。

因此，他主张在既定投入之下，尽可能在保证向量精度的前提下提升速度。与之对应的评测方式应当是：给定同样的硬件配置，在相同召回率要求下比拼谁更快；或在同等时延要求下比拼谁的召回率更高。肖枫表示，“这个过程对整个基础架构和应用改造都是有挑战的。”

在产品层面，海量数据推出的海量数据库支持用户先按标量数据库采购，未来需要向量能力时追加部分费用即可开启。肖枫借用业内“AI Ready”的说法提出，数据库同样需要“AI Ready”。他直言，这套设计追求的是全链路成本最低，帮助客户节省算力、Token与内存；如果投入巨大但召回率偏低，企业难免会对AI的价值产生怀疑。

模型差距并不大，迭代与懂业务更为关键

肖枫的判断是，各家大模型之间的差距并没有想象中那么大。原因在于AI最核心差距在于“迭代”：只要能持续迭代，一个85分的模型与90分的模型差别并不大，真正决定成效的是使用者的能力与对业务的理解。

他这样描述理想的AI应用状态：“睡觉的时候AI在跑，吃饭的时候AI在跑，下一个指令，下一轮迭代就开始跑。”因此，他认为不应盲目追求模型与算力；企业中最懂业务、最好奇的那批人，才是最值得珍惜的资产。

肖枫总结表示，人工智能时代不应被大词迷惑，能否真正把AI用起来、转化为真实的生产力，才是下一步每一个人都需要面对的问题。“AI不是无所不能，但也绝非空谈”，从技术到价值的转化过程，还需要大量细致的实操工作。