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

在2026年世界人工智能大會（WAIC）展場上，大模型、智能體與機器人無疑是視覺焦點，但一款隱藏在大模型背後的基礎軟體，卻意外吸引了大批來自銀行、券商、製造業、海外機構及高校科研團隊的技術負責人駐足。他們不約而同聚焦同一個問題：AI Agent時代，企業的數據底層架構是否該徹底換新？星環科技在WAIC期間正式推出面向AI Agents的新一代高性能AI數據庫——GPU原生認知數據庫，號稱「全球首個完整GPU原生數據庫」，將數據庫的運算核心從CPU全面遷移至GPU，並刷新全棧性能測評成績，被業界視為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孫元浩在展會現場接受專訪時坦言，要讓AI Agent真正落地運作，首要解決的是數據質量與數據組織問題。他進一步解釋，過去兩年大模型應用多以單輪問答為主，用戶提出問題，模型給出一次回答；但如今Agent的工作模式轉向多步驟循環，一次複雜任務可能觸發數百次數據訪問，多個Agent同時併發時，數據處理需求呈現數量級增長。Agent會反覆嘗試：先推理、分解任務，再調用數據庫與工具，檢查結果是否正確，發現錯誤就修改。這種計算方式的轉變，對底層架構產生了深遠影響。問題首先出在CPU的並行度與記憶體頻寬上。

單顆CPU通常僅有百級通用核心，記憶體頻寬約為400GB/s；而GPU擁有萬級並行計算單元，顯存頻寬可達數TB/s。面對大規模掃描、複雜聚合、向量檢索與圖計算，兩者的硬體能力已明顯拉開差距。更棘手的是，數據搬運進一步拉長整條推理鏈路。模型推理通常運行在GPU側，數據庫查詢與知識檢索仍在CPU側，數據必須在CPU記憶體與GPU顯存之間反覆搬運，形成「存儲牆」，導致傳輸延遲高、調用次數越多等待時間越長。孫元浩形容：「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，最後出的結果就慢。它就是在乾等，等著數據處理完。

」這種等待直接侵蝕昂貴算力的利用率，GPU利用率可能降至30%至40%。繼續堆疊CPU節點難以根本解決問題。CPU數量增加後，企業還需同步擴容記憶體、交換機、電力與散熱系統，系統間通信也會帶來額外開銷，總成本增長更快。孫元浩強調，Agent時代的數據瓶頸並非單純的儲存容量問題，而是計算、頻寬、儲存與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，需要高速儲存、更大容量的記憶體與顯存，也需要更強勁的計算核心。CPU已經跟不上，就要用GPU來算。」

正是基於此認知，星環科技做出在外界看來頗為激進的決策：將數據庫的計算鏈路全面遷移至GPU體系內。與市面上已有的「GPU加速數據庫」不同，星環強調「GPU原生數據庫」的本質差異在於，並非僅將部分功能放到GPU上。孫元浩比喻：「如果只是部分數據庫功能放到GPU，那就會導致部分我是坐飛機然後再步行走一段，再坐飛機再步行走一段，整個數據分析的時間就會被明顯拖慢。」星環的做法是將儲存層、計算層、編譯層與執行引擎全部圍繞GPU重寫，讓SQL分析、向量檢索、圖計算等操作儘可能留在同一套GPU計算與顯存體系內完成。

技術層面，星環實現了GIDS（GPU-Initiated Direct Storage），由GPU直接發起儲存訪問，完全繞過CPU與主機記憶體，實現真正意義上的GPU直連儲存。這種架構帶來了三個價值：消除CPU瓶頸、降低數據傳輸延遲、最大化GPU利用率。只有全流程加速，GPU較高的硬體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，其較高的硬體價格很難被攤薄；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與運行時間都會明顯下降，單位任務成本才會出現拐點。

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70倍加速。與全球頭部雲數據倉庫對比，性能更展現出代際優勢。孫元浩表示，當性能提升達到幾十倍甚至上百倍時，即使GPU成本高於CPU，經濟性拐點已經到來。除了速度，Agent時代還要求數據庫理解語義。在星環的GPU原生架構中，數據庫不再只是儲存與查詢數據的容器，而是進化成能夠理解語義、管理長期記憶、並主動為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。「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係型、向量、圖、全文與文檔等多模型數據，並將數據分析、知識檢索、上下文供給與記憶管理融合在同一底座中，減少多個數據庫拼接產生的數據複製與系統割裂。標準測試之外，GPU原生認知數據庫已進入真實數據與業務場景驗證。在複雜企業知識問答場景中，系統需處理8.9萬頁文檔、2600多萬個數值以及大量分析與推理任務。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%。

孫元浩提到，有客戶將數據導入向量庫需等待一個月，數據一旦更新又要重複漫長流程，企業根本無法接受。智能投研場景中，因子計算、歷史回測、參數搜索與策略驗證需反覆掃描多源數據，星環在不同測試任務中實現30倍至5881倍性能提升，讓研究人員能在同一天驗證更多因子與策略，擴大搜索空間，有機會在市場窗口關閉前完成驗證。完整重寫一套GPU數據庫，為何由星環科技率先完成？孫元浩比喻：「把完整數據庫搬到GPU上，就像從地球移民到火星。原來成熟的軟體包與工具大多不能直接用，很多東西都得自己重新做。」背後是其長達十二年的分佈式技術積累。

自2013年成立後，星環長期投入分佈式數據庫與多模型數據管理，並於2020年提出多模型數據庫方向。GPU帶來的高並行計算架構與既有技術路線存在延續性，分佈式時代積累的任務拆解、調度、數據分區與多模型統一能力，構成了此次架構遷移的基礎。孫元浩認為，過去二十年數據庫透過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）。對並行計算的深刻理解，以及對多模型數據庫一體化架構的長期探索，最終匯成率先跨越架構鴻溝的基石。

AI Agent深入業務場景後，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、精準上下文與連續記憶，開始決定AI應用的響應速度、準確率與單位成本。GPU原生認知數據庫仍處於產業化早期，測試成績還需要更多生產系統長期驗證，國產算力適配、超大規模數據管理與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、知識檢索與記憶管理，數據庫也迎來了自己的「GPU時刻」。