智东西

作者 | 李水青

编辑 | 漠影

2026 WAIC 展览上，大模型、智能体、机器人占据着人们的视觉 C 位，但一款藏在大模型背后的基础软件，同样吸引了不少产业用户驻足。

围绕这款号称 "全球首个完整 GPU 原生数据库" 的新物种，来自银行、券商、制造企业、海外机构和高校科研团队的技术负责人，不约而同地关注同一个问题：AI Agent 时代，数据底座是不是该换了？

7 月 18 日，星环科技推出面向 AI Agents 的新一代高性能 AI 数据库——GPU 原生认知数据库。

在全球数据库领域，将数据库的 " 户口 " 彻底从 CPU 迁到 GPU，并且刷新全栈性能测评成绩，这是一次大胆且彻底的架构实验。

" 很多企业做了几百个、上千个 Agent，但真正能用的其实没几个。" 星环科技创始人、CEO 孙元浩告诉智东西：" 要让 Agent 真正用起来，首先要解决数据质量和数据组织的问题。"

AI Agent 时代，企业究竟需要什么样的数据库？智东西在 WAIC 期间与孙元浩展开了一场近小时的对话，试图从企业 Agent 落地的真实瓶颈中寻找答案。

一、AI Agent 落地元年，CPU 数据库被逼到极限

AI Agent 的工作方式，正在改变企业对数据的消耗模式。

过去两年，大模型应用以单轮问答为主，用户提出问题，模型给出一次回答。如今，Agent 的工作方式开始转向多步骤循环，一次复杂任务可能触发数百次数据访问，多个 Agent 并发运行时，数据处理需求会出现数量级增长。

"Agent 会反复试，先推理、分解任务，再调数据库和工具，检查结果是否正确，发现不对就修改。" 孙元浩告诉智东西，" 这种计算方式的变化，对底层架构产生了很深的影响。"

问题首先出在 CPU 的并行度和内存带宽上。单颗 CPU 通常只有百级通用核心，内存带宽约为 400GB/s；GPU 拥有万级并行计算单元，显存带宽可达数 TB/s。面对大规模扫描、复杂聚合、向量检索和图计算，双方的硬件能力已经拉开明显差距。

更棘手的是，数据搬运进一步拉长了整条链路。模型推理通常运行在 GPU 侧，数据库查询和知识检索仍在 CPU 侧。数据需要在 CPU 内存与 GPU 显存之间反复搬运，存储墙的存在使得数据传输慢，延迟高，调用次数越多，等待时间就越容易被放大。

" 用户把任务交给 AI，它要像去图书馆一样查资料，资料太多、处理太慢，最后出的结果就慢。" 孙元浩告诉智东西，" 它就是在干等，等着数据处理完。"

这种等待直接侵蚀昂贵算力的利用率。" 数据处理一慢，GPU 就闲置了，GPU 利用率可能降到百分之三四十。" 孙元浩说。模型本身仍有未发挥的能力，整条推理链路却被数据查询、解析、检索和传输卡住。

何解？

继续堆 CPU 节点很难从根本上解决问题。

CPU 数量增加后，企业还要同步扩容内存、交换机、电力和散热系统，系统间通信也会带来新的开销。" 功耗会增加，耗电和散热都会增加，还要买更多交换机把机器连起来，总成本增长得更快。" 孙元浩告诉智东西。

因此，Agent 时代的数据瓶颈也很难被简化为存储容量问题。模型权重、KV Cache 和上下文需要更快的显存、内存与存储介质，数据准备、关联分析和知识检索又需要更强的计算核心。它是计算、带宽、存储和数据组织方式共同形成的系统性瓶颈。

" 数据处理是一个综合问题，需要高速存储、更大容量的内存和显存，也需要更强劲的计算核心。" 孙元浩说，"CPU 已经跟不上，就要用 GPU 来算。"

二、把数据库 " 户口 " 迁到 GPU 上，AI Agent 推理不再干等

正是这种认知，驱动星环科技做出了一个在外界看来颇为激进的决策：将数据库的计算链路迁移到 GPU 体系内。

相比于市面上已有的 "GPU 加速数据库"，星环科技强调的 "GPU 原生数据库" 的本质差异在哪？

孙元浩做了一个形象的比喻：" 如果只是部分数据库功能放到 GPU 上面的话，那就会导致部分我是坐飞机然后再步行走一段，再坐飞机再步行走一段。所以说就整个数据分析的时间就会被明显拖慢。"

星环要做的是把存储层、计算层、编译层和执行引擎全部围绕 GPU 重写，让 SQL 分析、向量检索、图计算等操作尽可能留在同一套 GPU 计算和显存体系内完成。

技术层面，星环科技实现了GIDS（GPU-Initiated Direct Storage），由 GPU 直接发起存储访问，完全绕过 CPU 和主机内存，实现真正意义上的 GPU 直连存储。 这种架构带来了三个价值：消除 CPU 瓶颈、降低数据传输延迟和最大化 GPU 利用率。

只有全流程加速，GPU 较高的硬件投入才可能转化为经济性。

如果 GPU 仅将查询速度提高一两倍，其较高的硬件价格很难被摊薄；当性能提升达到数十倍甚至上百倍，企业完成相同任务所需的机器数量和运行时间都会明显下降，单位任务成本才可能出现拐点。

根据星环科技提供的测试结果，在 TPC-DS SF1000 基准测试中，该数据库完成完整99 项查询测试，相较主流开源数据库 DuckDB 获得了70 倍加速。在与全球头部云数据仓库的对比中，其性能更是展现出了代际优势。孙元浩告诉智东西，当性能提升达到几十倍甚至上百倍时，即使 GPU 成本高于 CPU，经济性拐点也已经到来。

"Agent 时代，数据库有两个大的变化。" 孙元浩告诉智东西，" 一个是数据处理速度要跟上 GPU，另一个就是是要理解语义。"

在星环科技的 GPU 原生架构中，数据库不再仅仅是存储和查询数据的容器。它进化成了一个能够理解语义、管理长期记忆、并主动为 Agent 供给上下文的认知基础设施。孙元浩认为，AI Agent 需要的不是一堆数据的简单堆砌，而是完整、可信且可持续调用的业务上下文。

他告诉智东西，在 AI 时代，数据库必须变成 AI 的 "真相所在"：" 数据是真相所在。模型给的是概率答案，数据库给的是精准答案。" 为了支持这一点，数据库需要统一承载关系型、向量、图、全文和文档等多模型数据，并将数据分析、知识检索、上下文供给和记忆管理融合在同一底座中，以减少多个数据库拼接产生的数据复制和系统割裂。

三、全球首个完整 GPU 原生数据库，为什么是星环先做到？

标准测试之外，GPU 原生认知数据库已经进入真实数据和业务场景验证。

在复杂企业知识问答场景中，系统需要处理 8.9 万页文档、2600 多万个数值以及大量分析和推理任务。星环科技的测试结果显示，包含 OCR 的文档解析与知识入库性能提升约10 倍，数据检索性能提升约20 倍，单题端到端推理性能提升约6 倍，最终任务准确率达到79.3%。

这类场景的难点往往藏在推理之前。企业需要先解析文档、抽取表格和数值、完成知识入库，再让 Agent 持续查询和校验。孙元浩提到，有客户将数据导入向量库需要等待一个月，数据一旦更新，又要重复漫长流程。" 如果一次入库要等一个月，企业根本无法接受。"

智能投研对速度的价值更加直接。因子计算、历史回测、参数搜索和策略验证都需要反复扫描多源数据。星环科技在不同测试任务中实现30 倍至 5881 倍性能提升。研究人员可以在同一天验证更多因子和策略，扩大搜索空间，也更有机会在市场窗口关闭前完成验证。

" 投资机构一天能尝试的策略比原来多几百倍，就有机会找到更优的策略。" 孙元浩说，" 谁先把有效策略投入市场，谁就能更早获得收益。"

完整重写一套 GPU 数据库，为何由星环科技率先完成？

" 把完整数据库搬到 GPU 上，就像从地球移民到火星。" 孙元浩告诉智东西，" 原来成熟的软件包和工具大多不能直接用，很多东西都得自己重新做。"

背后是其长达十二年的分布式技术积累。自 2013 年成立后，星环科技长期投入分布式数据库和多模型数据管理，并于 2020 年提出多模型数据库方向。对它而言，GPU 带来的高并行计算架构与既有技术路线存在延续性。分布式时代积累的任务拆解、调度、数据分区和多模型统一能力，构成了此次架构迁移的基础。

孙元浩认为，星环之前做分布式系统的经验，在这一刻发挥了关键作用。过去二十年，数据库通过 Scale-out（水平扩展）解决单机性能不足；如今，GPU 强大的算力与高速互联技术推动计算重新走向高密度 Scale-up（垂直扩展）。

可以看到，这种对并行计算的深刻理解，以及对多模型数据库一体化架构的长期探索，最终汇成了率先跨越架构鸿沟的基石。

结语：AI Agent 重写数据底座，数据库迎来 "GPU 时刻 "

AI Agent 进入业务深处后，模型、工具与数据之间的调用频率持续上升。企业能否让 Agent 快速获得可信数据、精准上下文和连续记忆，开始决定 AI 应用的响应速度、准确率和单位成本。

GPU 原生认知数据库仍处于产业化早期，测试成绩还需要更多生产系统长期验证，国产算力适配、超大规模数据管理和生态兼容也将持续推进。但方向已经清晰，Agent 正在重写数据底座，数据库的计算架构与能力边界都要随之变化。

当 GPU 从模型推理的专属算力，进一步进入数据分析、知识检索和记忆管理，数据库也迎来了自己的 "GPU 时刻 "。