核心要点
而随着 AI 工作负载进入生产环境，企业需要处理的数据边界也从数据库进一步延伸至数据湖。大量文本、图片、视频等非结构化数据开始成为 AI 理解业务上下文的重要组成部分。OceanBase 进一步通过 LTAP 推动数据库与数据湖的融合，LakeBase 将关系型、JSON、地理空间、文本、图片、视频等不同类型的数据纳入统一的数据基础，并支持混合检索，让 AI 应用能够更直接地访问完整的业务上下文。
8 月 18 日，OceanBase 首期海外发布会 OceanBase Hours 线上举行，CEO 杨冰说道，OceanBase 正成为全球 Fintech 企业的共同选择，并加速从核心系统现代化到 AI 创新的跃迁。
OceanBase CEO 杨冰
“这听起来像是两个时代的命题，但本质是同一件事的两个阶段。”杨冰将这两件事的内在逻辑归结为一个词：“记忆”。
他表示，数据是企业记忆的基础，从 2010 年代的海量数据存储，到 2020 年代多模态数据的统一管理，OceanBase 过去 16 年所做的事，始终指向同一个命题——数据处理。在今年 6 月 29 日发布的面向湖库一体的 AI 数据库，正是为这一命题而生。
一、支撑核心系统现代化，成全球 Fintech 企业共同选择
2010 年，OceanBase 在中国电商爆发的浪潮中诞生。 作为 100% 根自研的原生分布式数据库，OceanBase 彼时的任务很具体：扛住“双十一”，但目标却很远大：成为一款世界级的数据库软件。
2020 年，经过 10 年的技术磨砺，OceanBase 开启商业化进程，并从 2022 年开始逐步推进全球化布局。第一站选择了东南亚。OceanBase CEO 杨冰表示，这不仅是一个战略选择，更是一个技术与市场共振的时机。
Gartner 技术成熟度曲线的数据印证了这一判断——分布式数据库正是从那时兴起，而东南亚恰好是这波浪潮最集中的焦点。在分享中，杨冰表示，OceanBase 亲历了这一创新变革。
首先是“习惯”的改变。在马来西亚，开斋节期间的现金支付曾导致“钱荒”，而移动支付的兴起不仅改变了人们的消费方式，也对数据库系统提出了前所未有的挑战。支撑并推动这场变革的核心平台 TNGD ，背后运行的正是 OceanBase。杨冰给出了一组直接的数字：2500 万经过验证的用户，每秒峰值 4 万笔交易，零停机容忍，将“极端峰值”挑战转化为可靠服务的证明。
其次是“产业”的重塑。持牌纯数字银行的崛起，在便利交易、弥补传统网点型商业银行不足的同时，也面临更严苛的要求：7×24 小时运行、数据零丢失、跨城容灾、毫秒级响应。在全球多个成功实践中，例如新加坡的 ANEXT Bank，其高效、稳定的运营正是由 OceanBase 在底层提供支撑。
再者是“服务”模式的进化。印尼的地理复杂性催生了全球最庞大的平台型组织 GoTo，每月 2 亿笔订单、每分钟 100 万个实时数据点的运营，OceanBase也参与其中。在杨冰看来，推动交易与分析在同一个系统中实时发生，正是 OceanBase 在这一过程中体现的关键作用。
最后是“监管”的变化。随着东南亚数字经济的快速发展，银行等金融机构对基础设施提出了更高要求。OceanBase 凭借其多云、弹性、可扩展的特性，成为泰国、马来西亚、新加坡等国银行的选择，为跨国运营提供了灵活、安全的解决方案。
“这些成果背后，意味着我们所倡导的架构理念，已不再是一种理论主张，而是在大规模、真实的生产环境中被广泛采纳的解决方案。”杨冰表示，目前，OceanBase 客户已突破 4000 家，不仅是全球 Fintech 企业的选择，也是大型商业银行平滑转型信息系统的关键选择，更是大量公司面向未来的新选择。
在东南亚版图之外，OceanBase 成为 “世界级数据库软件”这一目标，正成为可被丈量的现实。
在 Fintech 领域，OceanBase 已服务全球 100 多家企业，包括超过 20 个电子钱包和 50 多个支付平台，客户累计覆盖超过 13 亿终端用户。
在非洲，PalmPay 完成核心账务系统升级后，交易峰值承载提升 3 倍，核心系统降本 86%；
在中东，OceanBase 助力沙特 SCCC、伊拉克 QiCard 等本地金融科技项目落地，推动区域金融基础设施升级。
去年 11 月，福布斯中国公布“2025 福布斯中国出海全球化 30&30 系列评选”结果，OceanBase 入选“出海全球化领军品牌 TOP 30 ”，成为该榜中唯一的数据库企业。
二、应对多模态数据管理，OceanBase 助企业 AI 创新
支撑核心系统现代化，是 OceanBase 下的第一步棋。随着 AI 浪潮席卷，OceanBase 也正面临从应对海量交易到管理多模态数据的转变。
16 年的技术积累，让 OceanBase 在原有 TP 与 AP 能力基础上，逐步构建起面向 AI 场景的数据能力体系——通过 AI 原生、一体化架构和多模态等关键能力，支撑企业构建面向 AI 时代的数据底座，帮助企业实现 AI 应用创新。
杨冰表示，多模态数据是 AI 时代最具潜力的“资产”，是 AI 发展过程中不可回避的挑战，也是数据库技术必须跨越的“新门槛”。如何统一管理、如何高效处理、如何避免模型幻觉，成为摆在企业面前的三座“大山”。
除了这三座大山，在 Forrester 首席分析师 Indranil Bandyopadhyay 与 OceanBase CTO 杨传辉的主题对谈中，AI 时代的行业发展趋势也被提及。此次对谈，议题聚焦“OceanBase 与生产型 AI 数据平台的未来走向”，双方从行业观察与技术建设两个维度，进行了深度的思想交流。
Indranil Bandyopadhyay 对当前行业走向作出了系统性判断。在他看来，计算正在走向数据驱动的新时代；数据库与人工智能平台的能力边界正在相互融合，并逐步走向一体化。与此同时，一场更深层的角色替换正在悄然发生——Agent 正在取代人类，成为数据平台的主要使用者；语义理解与本体论，将成为下一阶段真正拉开差距的关键变量。
基于这一判断，他进一步指出，新一代数据库平台需要回应四个核心命题：多模融合、事务与分析的实时一体化（HTAP）、内嵌于引擎的数据治理，以及能够同时服务开发者与智能体的统一查询界面。
对于 Indranil Bandyopadhyay 提出的趋势判断，杨传辉表示认同，并补充了一个同样值得关注的现象——新一代数据平台的这场融合，正在从需求侧蔓延至供给侧。OceanBase 给出的答案，就是今年 6 月底正式发布的 OceanBase AI数据库。
OceanBase CTO 杨传辉
杨传辉在以“OcenaBase：从分布式数据库到 AI 数据库”为题的主题分享中提到， OceanBase Lakebase 承载的湖库一体与多模态数据能力，能让结构化数据、非结构化数据和向量数据能够在统一架构中被管理、加工、检索和调用。
在多模态数据处理的过程中，“数据重力”问题不容忽视。为此，OceanBase 推动“库内计算”，让算法在数据所在处运行，而不是将数据搬到模型附近。目前，这一技术已在销售语音识别等场景中取得显著成效，不仅提升了识别准确率，也大幅降低数据泄露风险。
语义层是构建高质量上下文窗口的关键。OceanBase Lakebase 的多模表让不同数据形态进入同一张表的语义之下，并在同一套治理体系中被检索、计算和调用。在多模表之上，OceanBase Lakebase的 AI 列进一步把模型能力引入数据处理链路。这意味着，非结构化数据不再只是“被存下来的文件”，而成为可搜索、可计算、可治理、可被 Agent 安全调用的数据资产。
此外，OceanBase Lakebase 原生支持面向 Agent 的实时上下文工程，为海量 Agent 应用快速创建独立、安全的数据环境，这让 AI 应用能够从验证阶段走向规模化生产运行。OceanBase Lakebase 还基于开放式存储格式与可扩展计算架构，支持 S3 兼容对象存储与 Iceberg 开放表格式，并可对接 Spark、Ray 等计算引擎。这带来的价值是，让企业的数据架构保持开放和可演进，未来新的计算引擎也可以在同一数据基础上扩展。
Agent 友好是 OceanBase Lakebase 的又一特性。它能提供标准化 API / MCP 接口与丰富工具集，降低集成门槛，助力 Agent 快速构建与高效协同。
“所有这些能力加在一起意味着什么？最直接的答案是：组件数量的大幅减少。”杨传辉表示，如果采用传统方案，企业需要 5 到 10 个系统来融合处理多模态数据，且多个系统缝合带来一系列问题。但通过 OceanBase AI 数据库，能够实现多合一，通过一份数据保证一致性，通过离在线融合保证实时性，让企业更准、更省、更快、更安全地使用 AI。
OceanBase 还在此基础上推出了两款产品——OceanBase DataStudio 和 OceanBase DataPilot，前者是运行在 Lakebase 之上的数据生产、治理与服务工作台，后者是面向经营分析和业务决策的数据智能 Agent，由他们组成了 OceanBase AI 数据平台。
“对我们而言，‘融合’不仅是为了节省存储成本，更是为了确保当智能体发起查询时，它所接触到的始终是最新鲜、最实时、无需搬迁的数据——而这正是事后难以追加的关键能力。”杨传辉说。
三、炉边对话：从真实业务场景看核心系统现代化与AI转型
技术创新最终要回到真实的业务问题：当业务持续增长、数据规模不断扩大，企业如何构建一个兼具扩展性、一致性与高可用的数据基础设施，同时为不断出现的 AI 需求做好准备？
围绕这一话题，OceanBase Hours 首期海外活动邀请 Ninja Van 联合创始人兼 CTO Shaun Chong 与 OceanBase 解决方案架构师 Suresh Durgappa 展开炉边对话，从核心系统现代化出发，探讨当 AI 真正进入生产环境后，企业的数据基础设施正在发生怎样的变化。
对话现场
对谈主持人、OceanBase 印度业务总经理 Bhanu Jamwal 指出，无论是电商、物流、SaaS 还是数字服务，业务模式虽然不同，但企业长期面对的挑战却高度相似：扩展性、可用性、一致性、成本，以及伴随业务增长反复出现的系统重构。相比显性的基础设施投入，频繁重构带来的工程和组织成本往往更容易被低估。进入 AI 时代，企业的数据基础设施不仅需要支撑今天的核心业务，也需要为未来不断变化的 AI 工作负载提供稳定的数据基础。
Shaun Chong 从物流行业的真实场景出发分享了自己的观察。他指出，电商与物流业务具有明显的流量峰谷，核心系统首先必须能够应对突发性的业务高峰；而当 AI 开始进入生产场景，挑战进一步从“处理更多数据”转向“获得更完整的上下文”。
Ninja Van 联合创始人兼 CTO Shaun Chong
“AI 需要的是上下文窗口，而不是上下文切换。”Shaun 指出，物流业务天然涉及多种类型的数据，包括图片、地理位置、订单状态、交易及税务记录等。如果这些数据长期分散在不同系统中，AI 就需要不断跨系统获取和拼接信息，不仅增加架构复杂度，也更容易因为上下文割裂产生错误判断。因此，在他看来，“将数据保持在尽可能简单、统一的形态，始终是更优的策略。”
这一判断也与 Suresh Durgappa 分享的客户实践形成呼应。他介绍，在核心系统现代化过程中，OceanBase 通过 HTAP 将事务处理与实时分析统一在同一套数据库系统中，在部分客户实践中节省约 50%–60% 的存储成本，同时减少跨系统数据同步带来的延迟与数据搬运。
OceanBase 解决方案架构师 Suresh Durgappa
而随着 AI 工作负载进入生产环境，企业需要处理的数据边界也从数据库进一步延伸至数据湖。大量文本、图片、视频等非结构化数据开始成为 AI 理解业务上下文的重要组成部分。OceanBase 进一步通过 LTAP 推动数据库与数据湖的融合，LakeBase 将关系型、JSON、地理空间、文本、图片、视频等不同类型的数据纳入统一的数据基础，并支持混合检索，让 AI 应用能够更直接地访问完整的业务上下文。
从 HTAP 到 LTAP，再到 AI，数据基础设施的边界正在不断扩展：从统一事务与实时分析，到融合数据库与数据湖，再到让结构化与非结构化数据共同服务于 AI。
从核心系统现代化到 AI 转型，这场对话最终回到了同一个问题：企业真正需要的，不是为每一种新工作负载不断叠加一套新的系统，而是一个能够随着业务持续演进，并承载事务、分析与 AI 的统一数据基础。
从“存得住”到“用得好”，从服务人类到支撑 Agent，OceanBase 将持续投入技术研发，为全球企业构建面向 AI 时代的数据底座——不只是承载数据，而是让数据会思考，助力各行各业实现数智化转型与跃迁。