文｜数据猿

我们来设想这样一个场景：在一个宽敞的房间里，TPC-C基准测试的屏幕上，数字不停跳动，空气中弥漫着紧张而压迫的氛围。全球各大数据库厂商的成绩在不断更新，每一笔交易、每一秒的数据处理，都像是在高压下炸裂的火花。

TPC-C——这项被誉为数据库领域“奥林匹克”的测试，要求参赛者在最严苛的环境中验证自己的极限表现。各家数据库系统在高并发、大规模数据处理的压力下拼尽全力，所有的调优、算法优化、硬件融合，甚至无数个通宵的奋斗，都是为了在榜单上取得一个好的名次。在这场没有硝烟的“战斗”中，不断产生新的数据库王者，阿里云的PolarDB，正在被更多人熟知。

2月26日，在2025阿里云PolarDB开发者大会上，阿里云宣布PolarDB云原生数据库，以每分钟20.55亿笔交易（tpmC）和单位成本0.8元人民币（price/tpmC）的成绩，刷新TPC-C性能和性价比双榜的世界纪录。

那么，为什么TPC-C被视为数据库能力的“金标准”，阿里云PolarDB是如何做到霸榜的，这意味着什么？接下来，我们就来聊聊这些问题。

什么是TPC-C？

首先，我们先来搞清楚什么是TPC-C。

TPC-C自1988年诞生以来，已经深刻地影响了全球数据库行业的发展。它像一座灯塔，指引着技术的方向，同时也成为了衡量数据库技术是否达到“全球顶尖”的标尺。对于数据库厂商来说，能够在TPC-C上脱颖而出，不仅是技术创新的展示，更是市场竞争力的象征。它不单纯是个测试，它是权威，是数据库性能的“硬通货”。

性能，是TPC-C最直观的核心。tpmC，即每分钟事务处理量，成了所有数据库厂商心头的数字，这个数字不仅仅代表着数据库的吞吐能力，更是它在真正商业环境中的竞争力。高tpmC意味着在商业繁忙时段，数据库依然能稳稳地支撑住成千上万笔并发交易，而不掉链子。想象一个电商大促、金融系统的瞬时交易高峰，tpmC的表现，直接决定了数据库能否承载住流量洪峰，能否在“生死时刻”发挥出稳定的核心作用。

然而，TPC-C的意义并不仅仅在于“跑得快”，还在于性价比，即单位成本下的性能输出。性价比的考量，让TPC-C的标准不仅适用于高端企业级应用，更为每一个追求高性能低成本的企业提供了切实可行的数据库方案。

此外，TPC-C不仅要考量数据库在“平稳状态”下的性能，它更要测试数据库系统在极限负载下的稳定性与容错能力。想象一下，在一场极限压力测试中，数据库不仅要快速处理交易，还要在出现硬件故障、网络中断等极端情况下，保证数据的一致性和正确性。

这一考验，不仅是对数据库技术的挑战，更是对它在现实环境中实际可用性的检验。每一次系统崩溃、每一次数据丢失，都意味着技术上的失败，而TPC-C要求的正是“无懈可击”的容灾能力。真正能够在压力面前保持冷静，保障业务不间断运行的，才是经过TPC-C考验的“真金白银”。

TPC-C之所以具备极高的权威性，正是因为它严格的测试规则和标准化的执行程序。无论是全球的哪一家公司，哪一款数据库系统，都必须在相同的条件下接受挑战。结果没有任何商量的余地，性能数据背后是硬性的数字，不容置疑。它为所有数据库厂商提供了公平竞技的舞台，使得数据库技术的进步与竞争变得更加公开透明。

TPC-C超越了一个简单的性能测试，它是数据库技术进步的引领者，是全球数据库厂商向顶尖水平攀升的必经之路。每一次刷新记录，都是技术的一次飞跃；每一次胜出，都是对技术革新与实力的充分肯定。它影响着全球数据库行业的发展，推动着技术的不断创新，也为所有追求卓越的数据库企业提供了强有力的技术依据。

阿里云PolarDB取得了怎样的成绩，如何取得的？

接下来，我们来看看阿里云PolarDB取得了哪些成绩。

从一开始，PolarDB就注定不平凡。随着互联网和大数据的迅猛发展，传统数据库面临着高并发、高吞吐量和扩展性的巨大挑战。PolarDB正是应运而生，旨在打破这些瓶颈，提供更高效、更稳定的数据库解决方案。

（图：阿里云PolarDB全球数据库性能及性价比排行榜双榜第一）数据来源：TPC-C官网 (https://www.tpc.org/tpcc/results/tpcc_results5.asp)

PolarDB的登顶，标志着阿里云在全球数据库技术领域的一次质的飞跃。它不仅刷新了TPC-C的性能记录，凭借20.55亿tpmC的成绩，将原先的全球纪录提高了整整2.5倍。相比原纪录，PolarDB将单位成本降低了近40%，这意味着企业可以以更低的成本，获得更高的性能。

那么，PolarDB到底凭借什么样的技术优势，才能在激烈的竞争中脱颖而出，刷新全球数据库的性能纪录？

首先是其云原生架构。在TPC-C测试中，PolarDB凭借多主Limitless架构，展现了超乎寻常的横向扩展能力。随着数据量的激增，传统数据库往往面临瓶颈，难以在保持性能的同时进行扩展。而PolarDB则突破了这一限制，通过创新的架构设计，实现了大规模并发数据处理的高效性。它可以随着企业需求的增长，动态调整资源，确保性能稳定，不会因为集群规模的增大而出现性能衰退。

其次，PolarDB的软硬件深度融合也是其成功的关键。通过与英特尔至强处理器、AliSCM存储、SmartSSD等高性能硬件的紧密结合，PolarDB的I/O性能得到了大幅提升，延迟也降到了极低的水平。这个硬件层面的优化，使得PolarDB能够更好地应对大规模的数据吞吐要求，提升了整体系统的响应速度和稳定性。在TPC-C的测试中，这种硬件优化的效果尤为突出，它帮助PolarDB在面对巨大的负载时，依然能够保持优异的表现。

另外，PolarDB在分布式事务一致性上的创新，彻底打破了传统数据库在跨节点操作时的瓶颈。通过采用PolarTrans技术，PolarDB能够确保跨多个节点的事务一致性，同时不牺牲性能。这项技术，提高了PolarDB在分布式环境中的稳定性和可靠性，使得它能够在大规模数据处理时，依然保证数据的精确性和一致性。而配合ePQ（弹性并行查询）技术，PolarDB在跨节点的数据查询中表现出了较高的效率，使得即使在最复杂的查询条件下，也能保持很低的延迟。

每一项技术创新，都是PolarDB突破TPC-C的关键。正是这些技术优势的汇聚，使得PolarDB能够在TPC-C的极限压力下，依然表现得如此卓越，为全球数据库行业树立了一个新的标杆。

提升性能、降低成本，有什么价值？

需要指出的是，单纯“刷榜”是没有意义的，那PolarDB取得TPC-C双料冠军，有什么实际价值呢？

我们来设想一家中等规模的银行，日常处理数百万笔交易，尤其在月末或节假日等交易高峰期，处理能力面临极大的考验。传统数据库在这种高并发情况下，常常会遇到性能瓶颈，甚至出现系统延迟和崩溃，导致客户体验下降，业务受阻。

然而，借助PolarDB，情况完全不同。它的强大并发处理能力和低延迟特性，使得银行能够在高峰时段依然保持快速响应和精准交易处理。通过PolarDB的云原生架构，银行不仅能轻松应对激增的交易量，还能动态扩展资源，避免性能瓶颈。

如果我们进一步做个对比，假设传统数据库在处理1000万笔交易时，成本为100万元。而PolarDB在相同的硬件条件下，成本仅为60万元，同时性能提高了50%。也就是说，PolarDB以更低的成本实现了更高的性能。这一优势，意味着企业能够以更少的投入，获得更大的回报。

在全球化竞争日益激烈的今天，企业如何在海量数据中提取价值、如何加速数字化转型，正是衡量竞争力的关键。PolarDB为企业提供了一个高效、低成本的数据库解决方案，让企业在实现技术升级的同时，降低了IT基础设施的支出，迅速提高了业务创新和响应能力。

同时，作为国产数据库的代表，PolarDB的成功不仅标志着阿里云在全球数据库领域的领先地位，也为国产数据库技术树立了标杆。它的全球登顶，证明了国产数据库完全有能力在国际竞争中占据一席之地。

我们正站在一个新时代的门口

数据库的演进，如同技术长河中的一场无声革命。从传统数据库到云原生数据库，再到如今正在孕育中的Data+AI驱动的云原生数据库，我们正站在一个新的技术转折点上。

云原生数据库代表了一个重要的时代变革，它顺应了云计算的浪潮，将数据库与云平台的强大算力和灵活性深度结合。通过云原生架构，数据库不再局限于传统的硬件约束，可以根据需求动态扩展，实时优化资源，提供高可用性和更强的弹性。但云原生架构的设计目标还是为了优化传统应用的负载和管理，处理更多的并发和数据存储。

然而，随着人工智能的兴起，云原生数据库不再是单纯的存储和查询工具，而要变成AI的动力引擎，实时支撑AI模型的训练、推理与决策。云原生数据库需要打破传统数据库的设计框架，具备更强大的数据吞吐能力、极低的延迟、以及对多模态数据（文本、语音、图像等）的全面支持。

随着通义千问、Deepseek等大模型的规模化商用，数据库领域正面临一场前所未有的技术洗礼。这些模型的商用化，不仅要求数据库在数据吞吐量和处理能力上达到前所未有的高度，更对向量数据处理能力、数据库的架构、GPU性能“榨取”、硬件适配和软硬件一体化协同等提出了更高的要求。

>向量数据的处理：从传统数据库到AI友好的存储结构

AI模型的核心驱动力之一，是向量数据的存储和处理。在自然语言处理、计算机视觉等领域，数据通常以高维向量的形式进行表示，如文本的词向量、图像的特征向量等。随着AI模型规模的不断扩大，处理这些高维、稠密的向量数据，已成为数据库面临的一大技术难题。

传统的关系型数据库并不擅长处理这类高维数据，尤其是当数据量达到PB级时，关系型数据库往往陷入性能瓶颈。如何高效存储和检索这些向量数据，是云原生数据库的关键挑战之一。传统的数据库架构设计无法满足向量数据的高效查询需求，这时，近似最近邻（ANN）算法和先进的索引结构变得至关重要。只有通过如FAISS、HNSW等高效的向量检索技术，数据库才能够以亚秒级的响应速度完成向量数据的检索任务。

但问题不仅仅在于存储和检索的效率，更多的是如何在保证高效查询的同时，减少存储资源的占用。针对这一问题，云原生数据库需要专门为向量数据进行优化设计，采用压缩技术和分层存储策略，从而有效地减小存储开销。

>GPU适配与性能挖掘：加速数据库与AI训练、推理的无缝衔接

随着AI应用对计算能力的需求不断增加，GPU已经成为深度学习的核心硬件。对于数据库系统来说，如何充分发挥GPU的并行计算能力，已经成为了一个亟待解决的难题。

传统数据库通常依赖CPU进行数据处理，而GPU的并行处理能力是加速AI训练的关键。然而，传统数据库架构与GPU的适配并不简单。GPU不仅仅是一个计算加速器，它的内存管理和数据访问方式与CPU完全不同。要真正将GPU的计算能力与数据库的存储和查询体系进行有效结合，数据库必须进行大量定制化的优化。比如，如何将数据加载和查询操作直接转移到GPU上执行，如何充分利用GPU的内存带宽进行大规模数据处理，这些都需要通过深入的软硬件协同优化来解决。

同时，性能挖掘也成为GPU与数据库协同工作的关键。在AI大模型的训练过程中，数据库不仅要提供高速的存取，还要能够与GPU的计算任务进行动态协作。通过优化数据访问路径、减少数据传输的延迟，数据库与GPU之间的协同将成为提升AI训练效率的关键所在。

最近，DeepSeek开源了V3/R1训练推理关键秘籍，这让我们有机会一窥他们是如何“榨取”GPU性能潜力的。

DeepSeek的DeepGEMM库通过一系列深度优化，极大地榨取了英伟达Hopper架构GPU的性能，尤其在FP8矩阵乘法（GEMM）中展现出惊人的效率。这一成果的背后，体现了DeepSeek在算法和工程实现上的创新，尤其是通过即时编译（JIT）和两级累积技术，最大化了硬件资源的利用。

DeepGEMM能够在Hopper GPU上达到1350+ FP8 TFLOPS的计算性能，而其核心代码仅有300行，简洁且高效，这种设计不仅优化了性能，还简化了部署，使得GPU加速可以在不同应用场景下灵活适应。而且，DeepGEMM通过动态生成优化代码，确保能够实时调整和适应不同硬件配置和矩阵运算需求，展现了极强的硬件适配能力。

DeepSeek的技术不仅是对GPU性能的极致挖掘，更为数据库领域提供了宝贵的经验。

>异构算力的适配：不只是GPU，还更多硬件的协同

如今，AI应用不仅依赖于GPU，TPU（张量处理单元）、FPGA（现场可编程门阵列）等异构硬件也开始在深度学习领域占据一席之地。在如此多样化的硬件环境下，数据库如何高效适配并协调不同硬件之间的计算任务，成为了又一个亟待解决的难题。

AI大模型的训练不仅要求数据库提供极高的吞吐量和低延迟的响应，还要求数据库能够灵活调度不同类型的硬件资源。在处理海量数据和高并发事务时，CPU处理传统数据需求，GPU可以担当并行数据处理和矩阵计算的重任，而TPU则在特定的AI计算中展现出更强的性能。如何在这这些异构算力之间进行智能切换，以最大化资源利用率，正是异构算力适配的核心问题。

>软硬一体化的协同优化：消除性能瓶颈

在AI模型规模化商用的过程中，软硬一体化的协同优化是提升数据库性能的另一个关键方向。传统的数据库系统通常将软硬件分离处理，硬件的性能和数据库的优化往往无法充分融合。而在面对AI模型和异构算力的复杂需求时，软硬一体化成为了提升性能的必由之路。

例如，在PolarDB这类数据库系统中，通过深度定制硬件，配合云原生架构，数据库能够根据不同的工作负载，智能选择最适合的硬件平台进行计算。通过结合高性能存储和专用的AI加速芯片，PolarDB能够实现高效的数据处理和低延迟的数据访问。这种软硬件深度协同的架构，让数据库系统不再受限于传统设计，能够充分利用现代计算硬件的优势，满足AI大模型商用的需求。

综上，我们正处于一个技术的新时代，全球数据库行业的格局，正在被一次前所未有的革命所撼动。如果说过去，数据库只是数字世界的“仓库”，那么未来，它将成为全球经济的“智脑”。谁能在数据的洪流中保持冷静，谁就能控制时代的主动权。数据库行业的竞赛，早已不是“比谁跑得快”，而是比谁能从硬件与软件的深度融合中提取出数据处理的极限性能。

数据库行业的未来，是一个属于创新者、破局者和先行者的时代。而今天，那些敢于挑战极限、敢于打破常规的企业，已经在引领新一轮的行业革命。