“从传统关系型数据库主导市场，到 NoSQL 数据库兴起，再到时序数据库，图数据库，向量数据库百花齐放，今天的多模数据库旨在化繁为简，支持多种数据模型统一管理。”魏可伟表示，多模式数据库是数据管理系统不断演进的结果，多种类型的数据库系统混用带来的开发和运维压力，使得企业不得不做出新的选择。

当前，业内主流的多模数据库可大致归结为 2 种路线：

即大而全的平台式多模，把各种不同类型的数据处理引擎，包括关系引擎，集成在一起，上层以中间件的形式对外提供一个统一接口，进行数据的分发、转换等工作。

然而现实情况是，很多大而全的功能在实际业务场景中根本用不上。具体到上层的引擎，为了实现多模的能力，粘合式路线会把所有引擎都拉到一个中间层，再做数据搬动，给开发和运维带来极大的压力。

以关系型数据库为主，为了处理图、文档等 NoSQL 数据扩展出新的能力；同时，除了关系型数据库厂商，图数据库、空间数据库厂商也在基于自己的本行向新的能力扩展，这都属于生长式。

这种模式相对适用于有一个传统应用，又想基于原有应用做少量的异构数据扩展的情况。比如：金融行业的交易处理是日常应用，同时需要扩展少量的空间数据库满足业务需求，这种业务场景更适合用生长式数据库。

但生长式多模架构在后期扩展能力上存在一定局限，此前主体数据库架构可能根本就不支持新功能的扩展。

有别于上述两种情形，KaiwuDB 自研原生多模系统，从顶层设计上天然具备横向融合、纵向精专的能力。依托"就地计算"、"原生 AI"等核心技术，KaiwuDB 快速支持时序数据、内存数据、关系型数据等在同一数据库中统一汇存、处理及 AI 智能分析。

相较于对热点大模型技术的趋之若鹜，KaiwuDB 强调“原生 AI”的概念。

在 AI for DB 方向上，KaiwuDB 利用 AI 引擎实现数据库自治。比如，在时序数据场景中，会以时间维度进行数据的聚合分析，这背后的一项关键技术是智能预计算——即利用 AI 大脑预判用户会对哪些内容会做聚合分析，提前把结果计算好。

这一能力可快速实现结果反馈，极大程度提升性能；在生命周期管理方面，也可以通过 AI 对用户使用情况做出预判，如果 AI 预判用户对某一类数据不再频繁调用，可以自动挪到冷存储上，降低资源占用。

在 DB For AI 研发方向上，KaiwuDB 的“原生 AI“概念并非要打造 TensorFlow 这样的 AI 框架，即：不是去做算法，而是在多模的框架下拥抱生态，为用户提供更好的消费 AI 的能力，这种能力可以概括为“ModelOps in DB”。

ModelOps in DB 的理念是：让用户通过数据库更好地使用 AI，通过数据处理拉近数据科学家和开发运维人员的距离。通过 ModelOps in DB，能够提高模型训练和预测的性能，保证数据的安全性，更能够利用数据保持模型的准确性。

例如，当用户把数据拉出到 AI 平台训练模型，用来做业务预测，刚开始的时候可能准确率很高，但随着时间的推移会产生漂移现象，也就是模型准确率会下降。这是因为用来训练模型的数据已经过时，而通过原生 AI 的能力，在数据库中就可以第一时间发现漂移现象，做出相应的反应。

“大模型给我们一个非常有意思的启发，如果自然语言变成数据库角度的一个接口，多模会变成一个更自然的选择。” 魏可伟分析道，SQL 生态已经发展了几十年，有很多成熟的工具构建，是一个关键的数据库接口。站在大模型的风口，我们再去看多模的未来，各种专用引擎会在自然语言的交互方式下统一起来，人人都可以在低门槛的状态下使用数据库，这应该会是多模的终极形态。

在 KaiwuDB 技术团队中，有很多开发人员致力于 AI 方向，解决 AI 落地的消费性问题，这也是 AI 和数据库结合的关键点。