在数据库格局不断变化的背景下,基于NoSQL的MongoDB试图通过声称PostgreSQL系统缺乏扩展性来应对AI工作负载需求,从而贬低竞争对手。
CEO Chirantan Desai在截至10月31日的季度财报表现良好之际,对近年来在开发者排名中攀升至榜首的开源PostgreSQL数据库发表了一些尖锐评论。
在与投资分析师的交流中,他表示虽然MongoDB拥有成为AI工作负载正确基础平台所需的所有要素,但现在判断哪个平台会成为首选还为时过早。
然而,他说MongoDB一直在从AI原生公司那里赢得业务,并引用了一个客户案例,该客户最近"从PostgreSQL转向MongoDB,因为PostgreSQL无法扩展"。
MongoDB在周二上午股价飙升23%,此前该公司超出了投资者预期并提供了高于预期的指导。这是其2026财年第三季度的业绩。2026财年第三季度收入达到6.283亿美元,比去年同期增长19%。运营亏损从去年同期的2790万美元收窄至1840万美元。
尽管如此,Desai可能有理由针对PostgreSQL,因为这个最初在1980年代开发的开源系统一直在侵占其领域。
文档数据库MongoDB被誉为开发者的数据库,因为它允许开发者构建应用程序并在过程中创建治理,这得益于其无模式或轻模式方法。它承诺为开发者提供速度和灵活性。
但到2023年,关系型系统PostgreSQL在Stack Overflow调查中已成为专业开发者中最受欢迎的数据库。2016年,PostgreSQL在DB-Engines排名中超越了MongoDB,该排名依赖于包括网站引用、Google搜索趋势、在线技术讨论中的出现以及招聘广告等各种指标。
巴克莱银行分析师Raimo Lenschow就这一点向Desai提出质疑,询问开发者参与度与"在硅谷经常发生的PostgreSQL类型叙述"的对比。
Desai回应时引用了一个客户案例——一家"超高增长AI公司"——该公司"无法使用PostgreSQL进行扩展...他们完全转向了MongoDB"。
PostgreSQL因主要云供应商提供的数据库服务而获得了人气,但这些服务受到用户对可靠性担忧的冲击。
然而,有一系列PostgreSQL和近兼容的服务具有分布式后端来解决这些担忧。这些包括CockroachDB、pgEdge和YugabyteDB。
与此同时,以基于YouTube开发的关系数据库Vitess的分布式MySQL服务而闻名的PlanetScale,也推出了PostgreSQL服务。
微软最近还宣布了一个分布式PostgreSQL数据库服务——HorizonDB——旨在与其他超大规模系统和第三方关系数据库管理系统(如CockroachDB和YugabyteDB)竞争。微软声称与开源PostgreSQL 100%兼容,该数据库服务在Azure上可用,将实现一个新的存储层,与其他PostgreSQL服务相比,显著提高数据库的性能、可扩展性和可用性。它与Google(AlloyDB)和AWS(Aurora DSQL)的分布式PostgreSQL服务竞争。
更进一步,微软还推出了一个文档数据库平台来与MongoDB竞争。DocumentDB构建在关系型PostgreSQL后端上,可以使用FerretDB作为前端接口,采用文档数据库协议。
面对如此激烈的竞争,MongoDB被迫为其系统进行辩护,不是在纯粹的可扩展性方面,而是在企业工作负载的可靠性方面,这是它长期以来声称已经准备好的。
可以理解Desai对竞争对手的抨击,但他可能需要小心自己所关注的内容。
Q&A
Q1:MongoDB CEO为什么要批评PostgreSQL?
A:MongoDB CEO Chirantan Desai在财报会议上批评PostgreSQL缺乏扩展性,无法满足AI工作负载需求。他引用客户案例称,有AI公司因为PostgreSQL无法扩展而转向MongoDB。
Q2:PostgreSQL在开发者中的地位如何?
A:PostgreSQL在近年来获得了巨大成功。2023年在Stack Overflow调查中成为专业开发者最受欢迎的数据库,2016年在DB-Engines排名中超越了MongoDB,成为开发者首选。
Q3:MongoDB面临哪些竞争压力?
A:MongoDB面临来自多方面的竞争,包括各大云厂商的PostgreSQL服务、CockroachDB等分布式数据库,以及微软推出的DocumentDB等文档数据库平台,这些都在侵占MongoDB的市场份额。
好文章,需要你的鼓励
Instagram负责人莫塞里在接受采访时透露,平台正考虑引入长视频内容功能,尽管此前一直专注于短视频。他承认为了吸引优质内容,Instagram可能需要支持长视频格式。此外,Meta最近推出了"您的算法"功能,旨在让用户更好地控制信息流内容。莫塞里承诺未来将提供更多工具,让用户主动塑造个性化内容,但完整实现可能需要2-4年时间。
香港大学联合Adobe研究院提出PS-VAE技术,成功解决了AI无法同时具备图像理解和生成能力的难题。通过创新的两阶段训练策略,让AI既能准确理解图片语义,又能生成高质量图像,在图像编辑任务上性能提升近4倍,为统一视觉AI系统开辟新路径,在数字创作、教育、电商等领域具有广阔应用前景。
在信息爆炸的时代,AI实验室的研究员们常常需要面对海量的论文、专利文件、论坛发言等各种渠道的信息。传统的查找方式不仅费时费力,还容易遗漏关键内容。那么,有没有一种方式能让AI真正代替人工,完成从找资料到写出稿的全流程工作?
华中科技大学与马里兰大学研究团队开发出Sage评估框架,首次无需人工标注即可评估AI评判员可靠性。研究发现即使最先进的AI模型在评判任务中也存在严重不一致问题,近四分之一困难情况下无法保持稳定偏好。团队提出明确评判标准和专门微调等改进方法,为构建更可靠AI评估体系提供重要工具。