文｜數據猿

我們來設想這樣一個場景：在一個寬敞的房間裏，TPC-C基準測試的屏幕上，數字不停跳動，空氣中瀰漫着緊張而壓迫的氛圍。全球各大數據庫廠商的成績在不斷更新，每一筆交易、每一秒的數據處理，都像是在高壓下炸裂的火花。

TPC-C——這項被譽爲數據庫領域“奧林匹克”的測試，要求參賽者在最嚴苛的環境中驗證自己的極限表現。各家數據庫系統在高併發、大規模數據處理的壓力下拼盡全力，所有的調優、算法優化、硬件融合，甚至無數個通宵的奮鬥，都是爲了在榜單上取得一個好的名次。在這場沒有硝煙的“戰鬥”中，不斷產生新的數據庫王者，阿里雲的PolarDB，正在被更多人熟知。

2月26日，在2025阿里雲PolarDB開發者大會上，阿里雲宣佈PolarDB雲原生數據庫，以每分鐘20.55億筆交易（tpmC）和單位成本0.8元人民幣（price/tpmC）的成績，刷新TPC-C性能和性價比雙榜的世界紀錄。

那麼，爲什麼TPC-C被視爲數據庫能力的“金標準”，阿里雲PolarDB是如何做到霸榜的，這意味着什麼？接下來，我們就來聊聊這些問題。

什麼是TPC-C？

首先，我們先來搞清楚什麼是TPC-C。

TPC-C自1988年誕生以來，已經深刻地影響了全球數據庫行業的發展。它像一座燈塔，指引着技術的方向，同時也成爲了衡量數據庫技術是否達到“全球頂尖”的標尺。對於數據庫廠商來說，能夠在TPC-C上脫穎而出，不僅是技術創新的展示，更是市場競爭力的象徵。它不單純是個測試，它是權威，是數據庫性能的“硬通貨”。

性能，是TPC-C最直觀的核心。tpmC，即每分鐘事務處理量，成了所有數據庫廠商心頭的數字，這個數字不僅僅代表着數據庫的吞吐能力，更是它在真正商業環境中的競爭力。高tpmC意味着在商業繁忙時段，數據庫依然能穩穩地支撐住成千上萬筆併發交易，而不掉鏈子。想象一個電商大促、金融系統的瞬時交易高峯，tpmC的表現，直接決定了數據庫能否承載住流量洪峯，能否在“生死時刻”發揮出穩定的核心作用。

然而，TPC-C的意義並不僅僅在於“跑得快”，還在於性價比，即單位成本下的性能輸出。性價比的考量，讓TPC-C的標準不僅適用於高端企業級應用，更爲每一個追求高性能低成本的企業提供了切實可行的數據庫方案。

此外，TPC-C不僅要考量數據庫在“平穩狀態”下的性能，它更要測試數據庫系統在極限負載下的穩定性與容錯能力。想象一下，在一場極限壓力測試中，數據庫不僅要快速處理交易，還要在出現硬件故障、網絡中斷等極端情況下，保證數據的一致性和正確性。

這一考驗，不僅是對數據庫技術的挑戰，更是對它在現實環境中實際可用性的檢驗。每一次系統崩潰、每一次數據丟失，都意味着技術上的失敗，而TPC-C要求的正是“無懈可擊”的容災能力。真正能夠在壓力面前保持冷靜，保障業務不間斷運行的，纔是經過TPC-C考驗的“真金白銀”。

TPC-C之所以具備極高的權威性，正是因爲它嚴格的測試規則和標準化的執行程序。無論是全球的哪一家公司，哪一款數據庫系統，都必須在相同的條件下接受挑戰。結果沒有任何商量的餘地，性能數據背後是硬性的數字，不容置疑。它爲所有數據庫廠商提供了公平競技的舞臺，使得數據庫技術的進步與競爭變得更加公開透明。

TPC-C超越了一個簡單的性能測試，它是數據庫技術進步的引領者，是全球數據庫廠商向頂尖水平攀升的必經之路。每一次刷新記錄，都是技術的一次飛躍；每一次勝出，都是對技術革新與實力的充分肯定。它影響着全球數據庫行業的發展，推動着技術的不斷創新，也爲所有追求卓越的數據庫企業提供了強有力的技術依據。

阿里雲PolarDB取得了怎樣的成績，如何取得的？

接下來，我們來看看阿里雲PolarDB取得了哪些成績。

從一開始，PolarDB就註定不平凡。隨着互聯網和大數據的迅猛發展，傳統數據庫面臨着高併發、高吞吐量和擴展性的巨大挑戰。PolarDB正是應運而生，旨在打破這些瓶頸，提供更高效、更穩定的數據庫解決方案。

（圖：阿里雲PolarDB全球數據庫性能及性價比排行榜雙榜第一）數據來源：TPC-C官網 (https://www.tpc.org/tpcc/results/tpcc_results5.asp)

PolarDB的登頂，標誌着阿里雲在全球數據庫技術領域的一次質的飛躍。它不僅刷新了TPC-C的性能記錄，憑藉20.55億tpmC的成績，將原先的全球紀錄提高了整整2.5倍。相比原紀錄，PolarDB將單位成本降低了近40%，這意味着企業可以以更低的成本，獲得更高的性能。

那麼，PolarDB到底憑藉什麼樣的技術優勢，才能在激烈的競爭中脫穎而出，刷新全球數據庫的性能紀錄？

首先是其雲原生架構。在TPC-C測試中，PolarDB憑藉多主Limitless架構，展現了超乎尋常的橫向擴展能力。隨着數據量的激增，傳統數據庫往往面臨瓶頸，難以在保持性能的同時進行擴展。而PolarDB則突破了這一限制，通過創新的架構設計，實現了大規模併發數據處理的高效性。它可以隨着企業需求的增長，動態調整資源，確保性能穩定，不會因爲集羣規模的增大而出現性能衰退。

其次，PolarDB的軟硬件深度融合也是其成功的關鍵。通過與英特爾至強處理器、AliSCM存儲、SmartSSD等高性能硬件的緊密結合，PolarDB的I/O性能得到了大幅提升，延遲也降到了極低的水平。這個硬件層面的優化，使得PolarDB能夠更好地應對大規模的數據吞吐要求，提升了整體系統的響應速度和穩定性。在TPC-C的測試中，這種硬件優化的效果尤爲突出，它幫助PolarDB在面對巨大的負載時，依然能夠保持優異的表現。

另外，PolarDB在分佈式事務一致性上的創新，徹底打破了傳統數據庫在跨節點操作時的瓶頸。通過採用PolarTrans技術，PolarDB能夠確保跨多個節點的事務一致性，同時不犧牲性能。這項技術，提高了PolarDB在分佈式環境中的穩定性和可靠性，使得它能夠在大規模數據處理時，依然保證數據的精確性和一致性。而配合ePQ（彈性並行查詢）技術，PolarDB在跨節點的數據查詢中表現出了較高的效率，使得即使在最複雜的查詢條件下，也能保持很低的延遲。

每一項技術創新，都是PolarDB突破TPC-C的關鍵。正是這些技術優勢的匯聚，使得PolarDB能夠在TPC-C的極限壓力下，依然表現得如此卓越，爲全球數據庫行業樹立了一個新的標杆。

提升性能、降低成本，有什麼價值？

需要指出的是，單純“刷榜”是沒有意義的，那PolarDB取得TPC-C雙料冠軍，有什麼實際價值呢？

我們來設想一家中等規模的銀行，日常處理數百萬筆交易，尤其在月末或節假日等交易高峯期，處理能力面臨極大的考驗。傳統數據庫在這種高併發情況下，常常會遇到性能瓶頸，甚至出現系統延遲和崩潰，導致客戶體驗下降，業務受阻。

然而，藉助PolarDB，情況完全不同。它的強大併發處理能力和低延遲特性，使得銀行能夠在高峯時段依然保持快速響應和精準交易處理。通過PolarDB的雲原生架構，銀行不僅能輕鬆應對激增的交易量，還能動態擴展資源，避免性能瓶頸。

如果我們進一步做個對比，假設傳統數據庫在處理1000萬筆交易時，成本爲100萬元。而PolarDB在相同的硬件條件下，成本僅爲60萬元，同時性能提高了50%。也就是說，PolarDB以更低的成本實現了更高的性能。這一優勢，意味着企業能夠以更少的投入，獲得更大的回報。

在全球化競爭日益激烈的今天，企業如何在海量數據中提取價值、如何加速數字化轉型，正是衡量競爭力的關鍵。PolarDB爲企業提供了一個高效、低成本的數據庫解決方案，讓企業在實現技術升級的同時，降低了IT基礎設施的支出，迅速提高了業務創新和響應能力。

同時，作爲國產數據庫的代表，PolarDB的成功不僅標誌着阿里雲在全球數據庫領域的領先地位，也爲國產數據庫技術樹立了標杆。它的全球登頂，證明了國產數據庫完全有能力在國際競爭中佔據一席之地。

我們正站在一個新時代的門口

數據庫的演進，如同技術長河中的一場無聲革命。從傳統數據庫到雲原生數據庫，再到如今正在孕育中的Data+AI驅動的雲原生數據庫，我們正站在一個新的技術轉折點上。

雲原生數據庫代表了一個重要的時代變革，它順應了雲計算的浪潮，將數據庫與雲平臺的強大算力和靈活性深度結合。通過雲原生架構，數據庫不再侷限於傳統的硬件約束，可以根據需求動態擴展，實時優化資源，提供高可用性和更強的彈性。但云原生架構的設計目標還是爲了優化傳統應用的負載和管理，處理更多的併發和數據存儲。

然而，隨着人工智能的興起，雲原生數據庫不再是單純的存儲和查詢工具，而要變成AI的動力引擎，實時支撐AI模型的訓練、推理與決策。雲原生數據庫需要打破傳統數據庫的設計框架，具備更強大的數據吞吐能力、極低的延遲、以及對多模態數據（文本、語音、圖像等）的全面支持。

隨着通義千問、Deepseek等大模型的規模化商用，數據庫領域正面臨一場前所未有的技術洗禮。這些模型的商用化，不僅要求數據庫在數據吞吐量和處理能力上達到前所未有的高度，更對向量數據處理能力、數據庫的架構、GPU性能“榨取”、硬件適配和軟硬件一體化協同等提出了更高的要求。

>向量數據的處理：從傳統數據庫到AI友好的存儲結構

AI模型的核心驅動力之一，是向量數據的存儲和處理。在自然語言處理、計算機視覺等領域，數據通常以高維向量的形式進行表示，如文本的詞向量、圖像的特徵向量等。隨着AI模型規模的不斷擴大，處理這些高維、稠密的向量數據，已成爲數據庫面臨的一大技術難題。

傳統的關係型數據庫並不擅長處理這類高維數據，尤其是當數據量達到PB級時，關係型數據庫往往陷入性能瓶頸。如何高效存儲和檢索這些向量數據，是雲原生數據庫的關鍵挑戰之一。傳統的數據庫架構設計無法滿足向量數據的高效查詢需求，這時，近似最近鄰（ANN）算法和先進的索引結構變得至關重要。只有通過如FAISS、HNSW等高效的向量檢索技術，數據庫才能夠以亞秒級的響應速度完成向量數據的檢索任務。

但問題不僅僅在於存儲和檢索的效率，更多的是如何在保證高效查詢的同時，減少存儲資源的佔用。針對這一問題，雲原生數據庫需要專門爲向量數據進行優化設計，採用壓縮技術和分層存儲策略，從而有效地減小存儲開銷。

>GPU適配與性能挖掘：加速數據庫與AI訓練、推理的無縫銜接

隨着AI應用對計算能力的需求不斷增加，GPU已經成爲深度學習的核心硬件。對於數據庫系統來說，如何充分發揮GPU的並行計算能力，已經成爲了一個亟待解決的難題。

傳統數據庫通常依賴CPU進行數據處理，而GPU的並行處理能力是加速AI訓練的關鍵。然而，傳統數據庫架構與GPU的適配並不簡單。GPU不僅僅是一個計算加速器，它的內存管理和數據訪問方式與CPU完全不同。要真正將GPU的計算能力與數據庫的存儲和查詢體系進行有效結合，數據庫必須進行大量定製化的優化。比如，如何將數據加載和查詢操作直接轉移到GPU上執行，如何充分利用GPU的內存帶寬進行大規模數據處理，這些都需要通過深入的軟硬件協同優化來解決。

同時，性能挖掘也成爲GPU與數據庫協同工作的關鍵。在AI大模型的訓練過程中，數據庫不僅要提供高速的存取，還要能夠與GPU的計算任務進行動態協作。通過優化數據訪問路徑、減少數據傳輸的延遲，數據庫與GPU之間的協同將成爲提升AI訓練效率的關鍵所在。

最近，DeepSeek開源了V3/R1訓練推理關鍵祕籍，這讓我們有機會一窺他們是如何“榨取”GPU性能潛力的。

DeepSeek的DeepGEMM庫通過一系列深度優化，極大地榨取了英偉達Hopper架構GPU的性能，尤其在FP8矩陣乘法（GEMM）中展現出驚人的效率。這一成果的背後，體現了DeepSeek在算法和工程實現上的創新，尤其是通過即時編譯（JIT）和兩級累積技術，最大化了硬件資源的利用。

DeepGEMM能夠在Hopper GPU上達到1350+ FP8 TFLOPS的計算性能，而其核心代碼僅有300行，簡潔且高效，這種設計不僅優化了性能，還簡化了部署，使得GPU加速可以在不同應用場景下靈活適應。而且，DeepGEMM通過動態生成優化代碼，確保能夠實時調整和適應不同硬件配置和矩陣運算需求，展現了極強的硬件適配能力。

DeepSeek的技術不僅是對GPU性能的極致挖掘，更爲數據庫領域提供了寶貴的經驗。

>異構算力的適配：不只是GPU，還更多硬件的協同

如今，AI應用不僅依賴於GPU，TPU（張量處理單元）、FPGA（現場可編程門陣列）等異構硬件也開始在深度學習領域佔據一席之地。在如此多樣化的硬件環境下，數據庫如何高效適配並協調不同硬件之間的計算任務，成爲了又一個亟待解決的難題。

AI大模型的訓練不僅要求數據庫提供極高的吞吐量和低延遲的響應，還要求數據庫能夠靈活調度不同類型的硬件資源。在處理海量數據和高併發事務時，CPU處理傳統數據需求，GPU可以擔當並行數據處理和矩陣計算的重任，而TPU則在特定的AI計算中展現出更強的性能。如何在這這些異構算力之間進行智能切換，以最大化資源利用率，正是異構算力適配的核心問題。

>軟硬一體化的協同優化：消除性能瓶頸

在AI模型規模化商用的過程中，軟硬一體化的協同優化是提升數據庫性能的另一個關鍵方向。傳統的數據庫系統通常將軟硬件分離處理，硬件的性能和數據庫的優化往往無法充分融合。而在面對AI模型和異構算力的複雜需求時，軟硬一體化成爲了提升性能的必由之路。

例如，在PolarDB這類數據庫系統中，通過深度定製硬件，配合雲原生架構，數據庫能夠根據不同的工作負載，智能選擇最適合的硬件平臺進行計算。通過結合高性能存儲和專用的AI加速芯片，PolarDB能夠實現高效的數據處理和低延遲的數據訪問。這種軟硬件深度協同的架構，讓數據庫系統不再受限於傳統設計，能夠充分利用現代計算硬件的優勢，滿足AI大模型商用的需求。

綜上，我們正處於一個技術的新時代，全球數據庫行業的格局，正在被一次前所未有的革命所撼動。如果說過去，數據庫只是數字世界的“倉庫”，那麼未來，它將成爲全球經濟的“智腦”。誰能在數據的洪流中保持冷靜，誰就能控制時代的主動權。數據庫行業的競賽，早已不是“比誰跑得快”，而是比誰能從硬件與軟件的深度融合中提取出數據處理的極限性能。

數據庫行業的未來，是一個屬於創新者、破局者和先行者的時代。而今天，那些敢於挑戰極限、敢於打破常規的企業，已經在引領新一輪的行業革命。