过去十年间,数据库行业经历了一场静悄悄的革命。
传统数据库需要管理员预置固定容量,包括计算和存储资源。即使在云环境中使用数据库即服务选项,组织本质上仍在为大部分时间处于闲置状态但能处理峰值负载的服务器容量付费。无服务器数据库颠覆了这一模式,它们根据实际需求自动扩展计算资源,并且只按实际使用量收费。
亚马逊云科技(AWS)十多年前通过DynamoDB率先推出了这种方法,并通过Aurora Serverless将其扩展到关系型数据库。现在,AWS正在通过Amazon DocumentDB Serverless的全面可用性,在其数据库产品组合的无服务器转型中迈出下一步。这为MongoDB兼容的文档数据库带来了自动扩展功能。
这一时机反映了应用程序消费数据库资源方式的根本性转变,特别是随着AI智能体的兴起。无服务器模式非常适合不可预测的需求场景,这正是智能体AI工作负载的行为特征。
AWS数据库副总裁Ganapathy Krishnamoorthy在接受VentureBeat采访时表示:"我们看到更多的智能体AI工作负载属于弹性且不太可预测的类型,所以智能体和无服务器模式确实是相辅相成的。"
当我们分析传统预置模式的工作原理时,无服务器数据库的经济优势变得令人信服。组织通常为峰值负载预置数据库容量,然后无论实际使用情况如何都要全天候为该容量付费。这意味着在非高峰时段、周末和季节性低谷期间都要为闲置资源付费。
Krishnamoorthy解释说:"如果您的工作负载需求实际上更具动态性或不太可预测,那么无服务器模式最合适,因为它为您提供容量和扩展空间,而无需始终为峰值付费。"
AWS声称,对于可变工作负载,Amazon DocumentDB Serverless相比传统预置数据库可以降低高达90%的成本。节省的成本来自于自动扩展功能,能够实时将容量与实际需求匹配。
然而,无服务器数据库的一个潜在风险可能是成本确定性。使用数据库即服务选项时,组织通常为"T恤尺寸"式的小型、中型或大型数据库配置支付固定成本。而无服务器模式没有相同的具体成本结构。
Krishnamoorthy指出,AWS已经通过最小和最大阈值为无服务器数据库实施了成本防护概念,防止费用失控。
DocumentDB是AWS的托管文档数据库服务,具有MongoDB API兼容性。与将数据存储在固定表格中的关系型数据库不同,文档数据库将信息存储为JSON文档。这使它们非常适合需要灵活数据结构的应用程序。
该服务处理常见用例,包括存储玩家档案详情的游戏应用程序、管理具有不同属性产品目录的电商平台以及内容管理系统。
MongoDB兼容性为当前运行MongoDB的组织创建了迁移路径。从竞争角度来看,MongoDB可以在任何云上运行,而Amazon DocumentDB只能在AWS上使用。
供应商锁定的风险可能是一个关注点,但AWS正在尝试以不同方式解决这个问题。一种方式是启用联合查询功能。Krishnamoorthy指出,可以使用AWS数据库查询可能在其他云提供商中的数据。
AI智能体为数据库管理员带来了独特挑战,因为它们的资源消耗模式难以预测。与通常具有相对稳定流量模式的传统Web应用程序不同,智能体可能触发管理员无法预测的级联数据库交互。
传统文档数据库要求管理员为峰值容量进行预置,这在安静期间留下闲置资源。对于AI智能体,这些峰值可能是突然且巨大的。无服务器方法通过根据实际需求而非预测容量需求自动扩展计算资源来消除这种猜测。
除了作为文档数据库之外,Krishnamoorthy还指出Amazon DocumentDB Serverless将支持并与广泛用于使AI工具能够处理数据的MCP(模型上下文协议)配合使用。
MCP的核心基础是一组JSON API。作为基于JSON的数据库,这可以使Amazon DocumentDB为开发人员提供更熟悉的使用体验。
虽然成本降低成为头条新闻,但无服务器的运营优势可能对企业采用更为重要。无服务器消除了容量规划的需要,这是数据库管理中最耗时且容易出错的方面之一。
Krishnamoorthy说:"无服务器实际上可以恰好扩展以满足您的需求。第二点是它实际上减少了您的运营负担,因为您实际上不需要进行容量规划。"
随着组织扩展其AI计划,这种运营简化变得更有价值。系统自动处理扩展,而不是数据库管理员根据智能体使用模式不断调整容量。这释放了团队专注于应用程序开发的精力。
对于希望在AI领域领先的企业来说,这一消息意味着AWS中的文档数据库现在可以与不可预测的智能体工作负载无缝扩展,同时降低运营复杂性和基础设施成本。无服务器模式为AI实验提供了可以自动扩展而无需前期容量规划的基础。
对于计划稍后采用AI的企业来说,这意味着无服务器架构正在成为AI就绪数据库基础设施的基准期望。等待采用无服务器文档数据库可能会使组织在最终部署AI智能体和其他受益于自动扩展的动态工作负载时处于竞争劣势。
Q&A
Q1:Amazon DocumentDB Serverless与传统数据库有什么区别?
A:传统数据库需要预置固定容量并全天候付费,即使大部分时间处于闲置状态。Amazon DocumentDB Serverless根据实际需求自动扩展计算资源,只按实际使用量收费,可为可变工作负载降低高达90%的成本。
Q2:为什么无服务器数据库特别适合AI智能体应用?
A:AI智能体的资源消耗模式难以预测,可能触发突然且巨大的级联数据库交互。无服务器模式能够根据实际需求自动扩展,消除了容量规划的猜测,非常适合智能体这种弹性且不可预测的工作负载。
Q3:Amazon DocumentDB有什么技术特点和应用场景?
A:Amazon DocumentDB是AWS的托管文档数据库服务,具有MongoDB API兼容性,将信息存储为JSON文档,适合需要灵活数据结构的应用。常见用例包括游戏应用的玩家档案存储、电商平台的产品目录管理和内容管理系统。
好文章,需要你的鼓励
Gartner预测,到2030年所有IT工作都将涉及AI技术的使用,这与目前81%的IT工作不使用AI形成鲜明对比。届时25%的IT工作将完全由机器人执行,75%由人类在AI辅助下完成。尽管AI将取代部分入门级IT职位,但Gartner认为不会出现大规模失业潮,目前仅1%的失业由AI造成。研究显示65%的公司在AI投资上亏损,而世界经济论坛预计AI到2030年创造的就业机会将比消除的多7800万个。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。
人工智能正从软件故事转向AI工厂基础,芯片、数据管道和网络协同工作形成数字化生产系统。这种新兴模式重新定义了性能衡量标准和跨行业价值创造方式。AI工厂将定制半导体、低延迟结构和大规模数据仪器整合为实时反馈循环,产生竞争优势。博通、英伟达和IBM正在引领这一转变,通过长期定制芯片合同和企业遥测技术,将传统体验转化为活跃的数字生态系统。
上海AI实验室发布OmniAlign-V研究,首次系统性解决多模态大语言模型人性化对话问题。该研究创建了包含20万高质量样本的训练数据集和MM-AlignBench评测基准,通过创新的数据生成和质量管控方法,让AI在保持技术能力的同时显著提升人性化交互水平,为AI价值观对齐提供了可行技术路径。