SQL時代落幕，Lakehouse與AI融合，甲骨文收入暴漲

哈嘍，大家好，今天小墨這篇評論，主要來分析下一代Lakehouse為何必走AI優先路，SQL時代要落幕了，數據分析圈正在經歷一場顛覆性變革。

過去三十年，SQL主導的結構化數據處理模式撐起了行業發展，隨著大模型技術爆發，這一格局正在被打破。

查詢方式從精準SQL轉向自然語言對話，傳統Lakehouse早已難以適配。下一代Lakehouse，必須把AI放在核心位置，這不是選擇而是必然。

現在很多企業都面臨數據處理的兩難困境。大數據團隊守著Hive、傳統Lakehouse等平臺，用Parquet、ORC格式處理訂單、交易等結構化數據，運轉得還算順暢。

這種割裂讓業務推進舉步維艱。比如直播電商場景中，業務方需要把商品點擊率、成交轉化率等結構化數據，和主播語音講解、用戶彈幕評論等非結構化數據關聯分析，判斷推薦是否精準。傳統架構下，得先從數據庫查結構化數據，再調用外部AI模型處理非結構化數據，跨系統調用延遲高、性能差，根本滿足不了實時分析需求。

同時，其構建CPU/GPU異構計算架構，智能調度資源處理不同負載。結構化的云服務營收統計由CPU負責，非結構化的客戶語音分析、合同條款提取等AI推理任務由GPU承接。

首先是統一多模態存儲，這是基礎。需要引入Lance等適配AI的存儲引擎，打破結構化與非結構化數據的存儲壁壘，讓Lakehouse成為AI資產的統一底座，避免數據散落和冗余。

其次是In-Database AI，實現寫入即處理、查詢即分析。數據寫入時，系統自動完成解析、分塊、向量化轉換，無需人工介入；查詢時，用戶不用導出數據到外部模型，直接在SQL中調用AI函數就能完成分析，比如過濾無意義評論、識別用戶情感傾向。

最后是原生向量檢索，把向量能力從外掛下沉到內核。結合關鍵詞匹配與語義檢索，滿足合同關鍵條款搜索、以圖搜圖等高精度需求，同時內嵌知識圖譜能力，挖掘數據間的隱藏關系。

從SQL到自然語言，數據分析的范式變革已不可逆轉，AI優先不是下一代Lakehouse的加分項，而是必備項。只有全面擁抱AI，打破數據壁壘、強化核心能力，才能適配多模態時代的需求，釋放數據的真正價值。