WAIC對話星環科技CEO：把數據庫“戶口”遷到GPU上，AI Agent不再干等

智東西
作者 李水青
編輯 漠影

2026 WAIC展覽上，大模型、智能體、機器人占據著人們的視覺C位，但一款藏在大模型背后的基礎軟件，同樣吸引了不少產業用戶駐足。

圍繞這款號稱“全球首個完整GPU原生數據庫”的新物種，來自銀行、券商、制造企業、海外機構和高校科研團隊的技術負責人，不約而同地關注同一個問題：AI Agent時代，數據底座是不是該換了？

7月18日，星環科技推出面向AI Agents的新一代高性能AI數據庫——GPU原生認知數據庫。

在全球數據庫領域，將數據庫的“戶口”徹底從CPU遷到GPU，并且刷新全棧性能測評成績，這是一次大膽且徹底的架構實驗。

“很多企業做了幾百個、上千個Agent，但真正能用的其實沒幾個。”星環科技創始人、CEO孫元浩告訴智東西：“要讓Agent真正用起來，首先要解決數據質量和數據組織的問題。”

AI Agent時代，企業究竟需要什么樣的數據庫？智東西在WAIC期間與孫元浩展開了一場近小時的對話，試圖從企業Agent落地的真實瓶頸中尋找答案。

一、AI Agent落地元年，CPU數據庫被逼到極限

AI Agent的工作方式，正在改變企業對數據的消耗模式。

過去兩年，大模型應用以單輪問答為主，用戶提出問題，模型給出一次回答。如今，Agent的工作方式開始轉向多步驟循環，一次復雜任務可能觸發數百次數據訪問，多個Agent并發運行時，數據處理需求會出現數量級增長。

“Agent會反復試，先推理、分解任務，再調數據庫和工具，檢查結果是否正確，發現不對就修改。”孫元浩告訴智東西，“這種計算方式的變化，對底層架構產生了很深的影響。”

問題首先出在CPU的并行度和內存帶寬上。單顆CPU通常只有百級通用核心，內存帶寬約為400GB/s；GPU擁有萬級并行計算單元，顯存帶寬可達數TB/s。面對大規模掃描、復雜聚合、向量檢索和圖計算，雙方的硬件能力已經拉開明顯差距。

更棘手的是，數據搬運進一步拉長了整條鏈路。模型推理通常運行在GPU側，數據庫查詢和知識檢索仍在CPU側。數據需要在CPU內存與GPU顯存之間反復搬運，存儲墻的存在使得數據傳輸慢，延遲高，調用次數越多，等待時間就越容易被放大。

“用戶把任務交給AI，它要像去圖書館一樣查資料，資料太多、處理太慢，最后出的結果就慢。”孫元浩告訴智東西，“它就是在干等，等著數據處理完。”

這種等待直接侵蝕昂貴算力的利用率。“數據處理一慢，GPU就閑置了，GPU利用率可能降到百分之三四十。”孫元浩說。模型本身仍有未發揮的能力，整條推理鏈路卻被數據查詢、解析、檢索和傳輸卡住。

何解？

繼續堆CPU節點很難從根本上解決問題。

CPU數量增加后，企業還要同步擴容內存、交換機、電力和散熱系統，系統間通信也會帶來新的開銷。“功耗會增加，耗電和散熱都會增加，還要買更多交換機把機器連起來，總成本增長得更快。”孫元浩告訴智東西。

因此，Agent時代的數據瓶頸也很難被簡化為存儲容量問題。模型權重、KV Cache和上下文需要更快的顯存、內存與存儲介質，數據準備、關聯分析和知識檢索又需要更強的計算核心。它是計算、帶寬、存儲和數據組織方式共同形成的系統性瓶頸。

“數據處理是一個綜合問題，需要高速存儲、更大容量的內存和顯存，也需要更強勁的計算核心。”孫元浩說，“CPU已經跟不上，就要用GPU來算。”

二、把數據庫“戶口”遷到GPU上，AI Agent推理不再干等

正是這種認知，驅動星環科技做出了一個在外界看來頗為激進的決策：將數據庫的計算鏈路遷移到GPU體系內。

相比于市面上已有的“GPU加速數據庫”，星環科技強調的“GPU原生數據庫”的本質差異在哪？

孫元浩做了一個形象的比喻：“如果只是部分數據庫功能放到GPU上面的話，那就會導致部分我是坐飛機然后再步行走一段，再坐飛機再步行走一段。所以說就整個數據分析的時間就會被明顯拖慢。”

星環要做的是把存儲層、計算層、編譯層和執行引擎全部圍繞GPU重寫，讓SQL分析、向量檢索、圖計算等操作盡可能留在同一套GPU計算和顯存體系內完成。

技術層面，星環科技實現了GIDS（GPU-Initiated Direct Storage），由GPU直接發起存儲訪問，完全繞過CPU和主機內存，實現真正意義上的GPU直連存儲。 這種架構帶來了三個價值：消除CPU瓶頸、降低數據傳輸延遲和最大化GPU利用率。

只有全流程加速，GPU較高的硬件投入才可能轉化為經濟性。

如果GPU僅將查詢速度提高一兩倍，其較高的硬件價格很難被攤薄；當性能提升達到數十倍甚至上百倍，企業完成相同任務所需的機器數量和運行時間都會明顯下降，單位任務成本才可能出現拐點。

根據星環科技提供的測試結果，在TPC-DS SF1000基準測試中，該數據庫完成完整99項查詢測試，相較主流開源數據庫DuckDB獲得了70倍加速。在與全球頭部云數據倉庫的對比中，其性能更是展現出了代際優勢。孫元浩告訴智東西，當性能提升達到幾十倍甚至上百倍時，即使GPU成本高于CPU，經濟性拐點也已經到來。

“Agent時代，數據庫有兩個大的變化。”孫元浩告訴智東西，“一個是數據處理速度要跟上GPU，另一個就是是要理解語義。”

在星環科技的GPU原生架構中，數據庫不再僅僅是存儲和查詢數據的容器。它進化成了一個能夠理解語義、管理長期記憶、并主動為Agent供給上下文的認知基礎設施。孫元浩認為，AI Agent需要的不是一堆數據的簡單堆砌，而是完整、可信且可持續調用的業務上下文。

他告訴智東西，在AI時代，數據庫必須變成AI的“真相所在”：“數據是真相所在。模型給的是概率答案，數據庫給的是精準答案。”為了支持這一點，數據庫需要統一承載關系型、向量、圖、全文和文檔等多模型數據，并將數據分析、知識檢索、上下文供給和記憶管理融合在同一底座中，以減少多個數據庫拼接產生的數據復制和系統割裂。

三、全球首個完整GPU原生數據庫，為什么是星環先做到？

標準測試之外，GPU原生認知數據庫已經進入真實數據和業務場景驗證。

在復雜企業知識問答場景中，系統需要處理8.9萬頁文檔、2600多萬個數值以及大量分析和推理任務。星環科技的測試結果顯示，包含OCR的文檔解析與知識入庫性能提升約10倍，數據檢索性能提升約20倍，單題端到端推理性能提升約6倍，最終任務準確率達到79.3%。

這類場景的難點往往藏在推理之前。企業需要先解析文檔、抽取表格和數值、完成知識入庫，再讓Agent持續查詢和校驗。孫元浩提到，有客戶將數據導入向量庫需要等待一個月，數據一旦更新，又要重復漫長流程。“如果一次入庫要等一個月，企業根本無法接受。”

智能投研對速度的價值更加直接。因子計算、歷史回測、參數搜索和策略驗證都需要反復掃描多源數據。星環科技在不同測試任務中實現30倍至5881倍性能提升。研究人員可以在同一天驗證更多因子和策略，擴大搜索空間，也更有機會在市場窗口關閉前完成驗證。

“投資機構一天能嘗試的策略比原來多幾百倍，就有機會找到更優的策略。”孫元浩說，“誰先把有效策略投入市場，誰就能更早獲得收益。”

完整重寫一套GPU數據庫，為何由星環科技率先完成？

“把完整數據庫搬到GPU上，就像從地球移民到火星。”孫元浩告訴智東西，“原來成熟的軟件包和工具大多不能直接用，很多東西都得自己重新做。”

背后是其長達十二年的分布式技術積累。自2013年成立后，星環科技長期投入分布式數據庫和多模型數據管理，并于2020年提出多模型數據庫方向。對它而言，GPU帶來的高并行計算架構與既有技術路線存在延續性。分布式時代積累的任務拆解、調度、數據分區和多模型統一能力，構成了此次架構遷移的基礎。

孫元浩認為，星環之前做分布式系統的經驗，在這一刻發揮了關鍵作用。過去二十年，數據庫通過Scale-out（水平擴展）解決單機性能不足；如今，GPU強大的算力與高速互聯技術推動計算重新走向高密度Scale-up（垂直擴展）。

可以看到，這種對并行計算的深刻理解，以及對多模型數據庫一體化架構的長期探索，最終匯成了率先跨越架構鴻溝的基石。

結語：AI Agent重寫數據底座，數據庫迎來“GPU時刻”

AI Agent進入業務深處后，模型、工具與數據之間的調用頻率持續上升。企業能否讓Agent快速獲得可信數據、精準上下文和連續記憶，開始決定AI應用的響應速度、準確率和單位成本。

GPU原生認知數據庫仍處于產業化早期，測試成績還需要更多生產系統長期驗證，國產算力適配、超大規模數據管理和生態兼容也將持續推進。但方向已經清晰，Agent正在重寫數據底座，數據庫的計算架構與能力邊界都要隨之變化。

當GPU從模型推理的專屬算力，進一步進入數據分析、知識檢索和記憶管理，數據庫也迎來了自己的“GPU時刻”。