甲骨文AI转型，Lakehouse收入增长

哈喽，大家好，今天小墨这篇评论，主要来分析下一代Lakehouse为何必走AI优先路，SQL时代要落幕了，数据分析圈正在经历一场颠覆性变革。

过去三十年，SQL主导的结构化数据处理模式撑起了行业发展，随着大模型技术爆发，这一格局正在被打破。

查询方式从精准SQL转向自然语言对话，传统Lakehouse早已难以适配。下一代Lakehouse，必须把AI放在核心位置，这不是选择而是必然。

现在很多企业都面临数据处理的两难困境。大数据团队守着Hive、传统Lakehouse等平台，用Parquet、ORC格式处理订单、交易等结构化数据，运转得还算顺畅。

这种割裂让业务推进举步维艰。比如直播电商场景中，业务方需要把商品点击率、成交转化率等结构化数据，和主播语音讲解、用户弹幕评论等非结构化数据关联分析，判断推荐是否精准。传统架构下，得先从数据库查结构化数据，再调用外部AI模型处理非结构化数据，跨系统调用延迟高、性能差，根本满足不了实时分析需求。

同时，其构建CPU/GPU异构计算架构，智能调度资源处理不同负载。结构化的云服务营收统计由CPU负责，非结构化的客户语音分析、合同条款提取等AI推理任务由GPU承接。

首先是统一多模态存储，这是基础。需要引入Lance等适配AI的存储引擎，打破结构化与非结构化数据的存储壁垒，让Lakehouse成为AI资产的统一底座，避免数据散落和冗余。

其次是In-Database AI，实现写入即处理、查询即分析。数据写入时，系统自动完成解析、分块、向量化转换，无需人工介入；查询时，用户不用导出数据到外部模型，直接在SQL中调用AI函数就能完成分析，比如过滤无意义评论、识别用户情感倾向。

最后是原生向量检索，把向量能力从外挂下沉到内核。结合关键词匹配与语义检索，满足合同关键条款搜索、以图搜图等高精度需求，同时内嵌知识图谱能力，挖掘数据间的隐藏关系。

从SQL到自然语言，数据分析的范式变革已不可逆转，AI优先不是下一代Lakehouse的加分项，而是必备项。只有全面拥抱AI，打破数据壁垒、强化核心能力，才能适配多模态时代的需求，释放数据的真正价值。