“像设计芯片一样设计流计算。
大数据产业创新服务媒体
——聚焦数据·改变商业
初冬的黄浦江畔寒意料峭，但在“第八届金猿大数据产业发展论坛”的现场，关于“AI Infra”的讨论却热度惊人。这并非一场普通的行业聚会，在大数据国家战略落地十周年的节点上，技术圈的焦虑与兴奋并存：当大模型狂飙突进两年之后，企业界赫然发现，那个被寄予厚望的“Data Agent”，正被陈旧的数据基础设施卡住了脖子。
“在数字孪生的世界里，你的最终用户不一定是人，它可能是一个Agent。”
站在聚光灯下的程训焘语速极快，透着技术专家的干练。作为浙江智臾科技DolphinDB的首席架构师，他在当天的演讲《实时决策时代：AI与低延时计算如何重塑数字孪生》中，抛出了一个让在场众多CIO（首席信息官）深思的命题：当数据库的“甲方”从秒级反应的人类，变成了微秒级反应的AI智能体，我们的基础设施该如何重构？
DolphinDB首席架构师 程训焘 在第八届金猿大数据产业发展论坛的公开分享
当用户不再是“人”
“过去十年，我们所有的软件界面、查询速度、交互逻辑，本质上都是为人设计的。”程训焘在演讲开篇便直击痛点。
人类是感性的，也是迟缓的。在传统的商业智能场景中，一个SQL查询如果能在3秒内返回报表，分析师就会觉得“很快”。然而，这种“快”在AI Agent眼中，无异于慢动作回放。
程训焘打了个比方：“人不可能像机器一样以微秒级的速度去对一个事件作出响应。但是进入了智能时代，Agent不知疲倦，它可能在短短一小时内，代表几百万个消费者对你的广告策略进行了一轮又一轮的模拟反馈。在这个过程中，它对底层数据的吞吐量和延迟要求，是人类用户的成千上万倍。”
这种用户主体的变更，正在倒逼底层架构发生地质层级的断裂。
在程训焘看来，传统的以“存储+事后分析”为主的数据库模式，已经无法支撑Agent的需求。Agent需要的是“感知-决策-行动”的实时闭环。他描绘了一个典型的金融场景：在瞬息万变的A股市场，当某只股票的价格触发了特定指标，人类交易员可能需要5秒钟来反应、确认、下单，而这5秒钟，“市场已经变了”。但对于一个装备了高性能计算底座的Agent来说，从捕捉信号到完成风控计算再到发出指令，只需要“几微秒”。
“这不仅仅是速度的提升，这是维度的跨越。”程训焘强调，“当计算延时被压缩到微秒级，量变就引发了质变。我们不再是看着后视镜开车，而是让AI坐在驾驶位上，实时规避路面上的每一颗石子。”
为了应对这种变革，DolphinDB在2025年密集推出了被称为“深海舰队”的新产品矩阵，包括CPU-GPU异构计算平台Shark、极速嵌入式引擎Swordfish以及企业级流计算平台Orca。这些产品的命名本身就带有强烈的攻击性与速度感，似乎在暗示DolphinDB正如海豚一般，在数据的深海中构建起敏捷而庞大的生态系统。
超越物理的“逻辑孪生”
演讲过程中，程训焘对当下火热的“数字孪生”概念进行了祛魅与重构。
“以前大家谈数字孪生，想到的就是GIS或者BIM。我们要把物理世界1:1地复刻进电脑里，每一根水管、每一面墙都要对得上。”程训焘认为，这种基于物理复刻的孪生虽然在无人机导航、城市规划中价值巨大，但它有一个致命弱点，“你在这个模型里跑一次仿真，可能需要几个小时。”
DolphinDB眼中的新一代数字孪生，是“逻辑孪生”。
“数字世界没有必要跟物理世界长得一模一样，”程训焘指出，“它不需要遵守物理定律，它只需要遵守业务逻辑。”
他举了电商的例子，企业不需要在数字世界里复刻商场的物理货架，而是需要复刻几百万消费者的购买行为逻辑。当企业向市场推出新化妆品时，Agent可以模拟海量用户的点击、浏览、下单行为。这种仿真不依赖物理空间的坐标，而是依赖海量事件流的实时计算。
“这才是流计算真正的战场。”程训焘表示，无论是工业物联网中对发电机组震动的实时监控，还是金融市场中对千只股票的毫秒级盯盘，本质上都是在对“逻辑世界”进行实时推演。
然而，要支撑这种“逻辑孪生”，现有的技术栈显得捉襟见肘。传统的SQL数据库只能处理静态的关系数据，无法表达复杂的流式逻辑；而专业的流计算框架对于普通业务开发者来说，门槛又太高。
“你很难想象一个业务专家去手写几千行代码来管理流计算的状态水位线，”程训焘摇了摇头，“这就像让建筑师去亲手烧砖一样荒谬。”
像设计芯片一样设计流计算
如何解决“好用”与“高性能”的矛盾？程训焘给出的答案是声明式流计算。
“以前设计芯片，工程师不可能手动去摆放每一个加法器和乘法器，也不可能手动布线，因为约束条件太多，人脑处理不过来。EDA软件解决了这个问题，它让工程师只关注逻辑，软件自动完成布局布线。”
程训焘透露，DolphinDB正在做的事情，就是构建流计算领域的“EDA”。
“我们希望用户只需要声明他的意图：‘我要监控这1000个传感器，如果过去5分钟的平均温度超过标准值的20%，就给我报警’。至于这个数据流怎么拆分、中间状态怎么存储、是在内存里算还是落盘算，用户不需要关心。”程训焘解释道，“系统会自动推导依赖关系，自动生成底层的计算图，自动部署分布式引擎。”
这种“声明式”的变革，不仅解放了人类开发者，更重要的是，它对AI Agent极度友好。
“让Agent去写复杂的C++代码是不现实的，但让Agent用自然语言描述一个业务规则，然后转化为声明式的脚本，这是目前大模型最擅长的事情。”程训焘兴奋地表示。
在DolphinDB的架构图中，存在着独特的“流数据表”设计。程训焘将其比作“河流上的码头”。数据像河流一样奔涌而下，流数据表就是沿途的码头。数据可以在码头暂存、清洗，或者直接流向下个码头。用户可以根据业务拓扑，自由定义这些“码头”的功能，是作为短期记忆的缓存，还是作为长期记忆的仓库。
谁为Agent提供“海马体”？
随着演讲的深入，话题不可避免地触及了AI落地的深水区，记忆与隐私。
在程训焘提出的“智能化底座三层架构”中，“认知记忆管理”被摆在核心位置。他认为，当前的大模型虽然智商很高，但普遍患有“健忘症”，上下文窗口有限，且难以利用企业私有的行业知识。
“如果把大模型比作大脑的皮层，那DolphinDB正在试图成为它的海马体（负责记忆）和神经末梢（负责感知）。”
程训焘详细拆解了这个“认知记忆系统”：最前端是感知层，处理传感器和市场的原始流数据，这需要极高的写入吞吐量；中间是短期记忆层，为Agent提供当下的工作上下文。“这部分数据必须驻留在内存中，哪怕DRAM价格再贵，为了微秒级的响应，这个成本是必须付出的。”
后端是长期记忆层，存储企业沉淀下来的规则、预案和历史数据。“比如电网公司在台风天气的应急预案，或者资深医生的诊疗路径。这些数据是企业的核心资产，绝不能上传到公有云去训练大模型。”
为了打通这三层记忆，DolphinDB研发了跨模态联合索引技术。以医疗场景为例，一个病人在医院的活动，会产生血液检测的浮点数、CT扫描的图像数据、医生诊断的文本数据。传统的数据库是将这些数据割裂存储的，浮点数存时序库，图像存文件系统，文本存搜索引挚。
“但这在逻辑上是同一个病人。”程训焘强调，“我们的底座必须有能力打破这些数据的‘次元壁’，将不同模态的数据关联到同一个自然实体上。只有这样，Agent才能像一个经验丰富的主任医师一样，综合所有信息做出精准判断。”
突围：从金融腹地到工业蓝海
作为技术驱动型公司，智臾科技的发展路径带有鲜明的“硬科技”色彩。
自2016年成立以来，DolphinDB选了全栈自研这条最艰难的道路。在那个开源数据库大行其道的年代，他们坚持不基于任何开源项目二次开发，从底层存储引擎到计算引擎一行行代码写起。官方数据显示，其核心代码自研率超过95%。
这种“笨功夫”在初期不仅研发周期长，还面临着商业化的巨大压力。但程训焘坚信，只有掌握底层代码，才能在性能优化上做到极致。
事实证明，这条路走通了。DolphinDB首先攻下的，是对性能要求最苛刻的量化金融领域。国泰海通证券、华泰证券、华夏基金等头部机构纷纷成为其客户。在金融这个“练兵场”里，DolphinDB经过了高并发、低延迟的极限压测，练就一身“金钟罩”。
“如果你能处理好每秒百万笔的股票交易数据，那你去处理工厂里的传感器数据，就是降维打击。”
随着工业4.0的推进，DolphinDB正在快速将金融级的能力复制到工业物联网领域。长江电力的发电机组监测、比亚迪的智能制造、甚至新能源车的电池热失控预警，都开始出现DolphinDB的身影。在DB-Engines的全球排名中，DolphinDB已稳居国产时序数据库第一名，并在全球榜单中跻身前列。
资本市场也敏锐地嗅到这股技术红利。虽然程训焘在采访中对融资细节保持低调，但公开资料显示，智臾科技已完成了由方广资本领投的亿元级B轮融资，投资方名单中不乏朗玛峰创投等硬科技推手。
演讲临近结束时，程训焘谈到了对未来的展望。
他坦言，数据主权与技术共享之间存在着天然的张力。企业既想利用最先进的AI能力，又恐惧核心数据资产的流失。对此，他提出了“开源数据标准+商业化计算引擎”的解题思路。
“数据的格式应该是开源的，比如Parquet、Arrow，这样用户的数据不会被锁定。但处理数据的引擎，应该是商业化的、私有的。”程训焘总结道，“就像电网是通用的，但你家里的电器可以是高端定制的。企业可以用DolphinDB这样的商业引擎在本地安全地处理标准数据，既享受了极致性能，又守住了数据安全。”
整理：珞珈山人/ 数据猿
责编：夜阑听雨/数据猿
☆往期好文推荐☟
全链路Agent赋能，打造智能驱动、自主进化的AI原生业务系统
AI公司押注B端：是趋势，还是一种行业性失败？
AI教父也折戟？李开复妥协，道出AI创业的难
