AI 凭借强大的性能和一致性，能够发现人类可能会错过或者忽视的东西，因此具有强大潜力。但归根结底，研发AI 的基础是数据。

也就是说，恰当地处理和保护数据至关重要。数据不仅是整个IT 基础设施的命脉，也是所有创新的基础。作为生成式AI 基础设施的一部分，数据库在不断发展以适应生成式AI 时代企业的需求。 AI 的有效性取决于企业如何选择恰当的数据库来管理数据。

常用数据库模型

在线交易处理（Online Transaction Processing，OLTP）数据库是一种支持实施事务处理的数据库系统架构，令企业能够处理大量用户同时进行的并发交易，例如在网上银行交易、线上购物等。

此外，在线分析处理（On-Line Analytical Processing，OLAP）技术能够整合交易数据，更能帮助整合多个来源的数据，因此可从多维度对数据进行快速而深入的交互式分析。此技术极大地提高了企业的分析效率。举例来说，零售商可以将其库存数据与客户购买行为数据结合起来，依此判断是否需要增加某种特定商品的生产量。

AI 时代的新兴数据库模型

随着AI 时代的到来，我们预计向量数据库模型将最具变革性。

向量数据库是用于配合大语言模型，通过将非结构化数据转化为高维向量，为「智能工作负载」提供所需的数据高效管理。预计到2050 年，包括文件、图像、音频录制、影片等在内的非结构化数据，将占据全球数据的80%。彼时，AI 预计将实现更高阶的语义理解，即理解潜在的语境和语义的细微差别，而非单纯的字面含义。

AI 的终极目标是要理解和利用数据，而向量数据库是提升大型语言模型行业特定知识的一个关键要素。例如，网络游戏公司可透过使用向量数据库解决方案，创建能够与人类玩家互动的智能非玩家角色（NPC）。这些NPC 不只是按照预设脚本对话，而是会根据对玩家交流内容的实时理解做出反应，令互动更加真实。

兼顾成本与效益

当然，AI 的潜力不仅限于游戏应用，甚至不止于理解和处理非结构化数据。

AI 还可被用于管理数据库。当存储空间不足时，AI 可以向系统管理员发出警报，提醒关注存储需求并询问是否需要扩展存储空间。若获得授权，AI 还能自动扩展存储空间。同样的功能也可应用于CPU 容量、存储容量以及其他功能上。

过去购买云端服务产品时，必须预设一组伺服器资源，但这将带来一定的成本。当预设的伺服器容量超过实际工作负载所需的量时，就会造成伺服器资源的浪费。

无伺服器运算旨在解决这一挑战，确保云服务所使用的伺服器容量精确地匹配工作负载的需求，并且能随着工作负载动态变化进行适应。

透过将AI 与无伺服器云运算相结合，可实现两者优势的完美结合。 AI 能够增强企业决策能力，以应对突发的高增需求或动态变化的工作负载。企业亦只需按实际所需的资源数量付费，降低使用成本。

企业是否能够把握住当下的AI 趋势，在竞争中脱颖而出，关键在于如何有效地利用适当的数据库，以充分发挥AI 的潜力和优势。