造富配资官网 GPU原生，认知驱动：认知数据库如何重定义AI基础设施

7月18日，在2026世界人工智能大会暨人工智能全球治理高级别会议（WAIC 2026）期间，由星环科技主办的“认知涌现数据新生”星环科技人工智能主题论坛在上海世博中心成功举行。星环科技创始人、CEO孙元浩发表主旨演讲《GPU-Native, Cognition-Driven: The New Era of AI Database is Here》，并邀请现场嘉宾申请试用认知数据库云服务。

GPU原生，认知驱动：

认知数据库如何重定义AI基础设施

AI产业正在经历一次根本性的架构变革。

过去两年，大模型从Chatbot时代快速迈入Agentic AI时代。过去我们通过提示词与模型进行一问一答，如今我们只需要给出目标，Agent便能够自主规划、推理、执行、观察和修正，持续调用数据库、工具和外部知识，直到完成任务。

当Agent开始替代人类成为数据库的主要使用者时，数据库所面临的问题已经发生了本质变化。数据库不再只是存储和查询数据的系统，它正在成为AI智能体的认知基础设施。

今天，我想分享星环科技为什么要推出认知数据库，以及我们如何通过GPU原生架构重构下一代AI基础设施。

Agentic时代，

数据库正在面临全新的挑战

传统数据库诞生于应用程序时代。它服务的对象是开发人员和数据分析师，处理的是结构化数据，执行的是低频、单次查询任务。数据库关注的是精确匹配、事务处理和数据分析。

但Agentic时代完全不同。Agent会持续执行Loop循环，不断进行推理、行动、观察和修正。一个复杂任务可能触发数十次、数百次甚至数千次数据库调用。原本几秒钟完成的查询，在Agent场景下会被无限放大。

与此同时，Agent需要处理的数据类型也发生了巨大变化。

除了结构化数据之外，还需要理解文档、图片、音频、视频、向量、图谱等多模态数据；除了关键词查询之外，还需要进行语义理解和知识召回；除了即时查询之外，还需要长期记忆和持续上下文管理。

因此，Agentic时代对数据库提出了五个新的要求：

1.支持结构化与非结构化数据统一处理

2.支持语义搜索与知识召回

3.支持超高频调用

4.支持持久化记忆管理

5.支持极低延迟与高吞吐访问能力

传统数据库体系已经难以满足这些需求。

CPU成为Agent时代最大的性能瓶颈

很多人认为GPU资源最紧张。

事实上，在Agent场景中，越来越多的瓶颈开始出现在CPU侧。

原因很简单。

今天的大模型推理运行在GPU上，而数据库、向量检索、文档解析等数据处理工作仍然大量运行在CPU上。当Agent完成一次推理后，需要等待CPU完成数据处理，再继续下一轮推理，整个系统形成了GPU等待CPU的局面。

从硬件本质来看，两者存在巨大的性能鸿沟。

CPU通常拥有数十到数百个核心，而GPU拥有上万个计算核心；CPU内存带宽约为100GB/s至400GB/s，GPU显存带宽已经达到1.6TB/s至8TB/s，并且仍在持续提升。

这意味着：

GPU已经进入“飞机时代”，而数据库仍然停留在“步行时代”。

如果数据库无法跟上AI推理速度，整个Agent系统的效率就会被严重拖累。

因此，我们提出了一个核心判断：

AI时代的数据库必须从CPU架构迁移到GPU架构。

以GPU为中心，重构数据库架构

认知数据库的核心理念非常简单：

既然AI运行在GPU上，那么数据处理也应该运行在GPU上。

我们重新设计了数据库架构，将结构化数据处理、向量检索、图计算、文档解析、记忆管理等核心能力全部迁移到GPU运行环境，并与Agent共享同一套高速计算资源。

与此同时，我们进一步重构了存储访问路径。

传统模式下，GPU读取数据需要经过CPU和系统内存，数据需要多次拷贝。

后来行业引入GDS（GPU Direct Storage），减少了一次数据拷贝，但仍需要CPU发起I/O请求。

我们进一步实现了GIDS（GPU-Initiated Direct Storage）技术，由GPU直接发起存储访问，完全绕过CPU和主机内存，实现真正意义上的GPU直连存储。

这种架构带来了三个价值：

消除CPU瓶颈

降低数据传输延迟

最大化GPU利用率

数据库第一次真正成为AI计算链路的一部分。

技术突破一：全球首个完整GPU原生数据库

认知数据库最核心的突破，是将完整数据库能力迁移到GPU。

行业内许多所谓GPU数据库，本质上只是部分算子加速，大量逻辑依然运行在CPU上。

而我们的目标是让数据库全流程运行于GPU。

在TPC-DS 1TB标准测试中，认知数据库实现了完整99项查询任务测试，相比开源CPU数据库DuckDB获得70倍性能提升。Power测试达到107倍加速，吞吐测试达到105倍加速。

与国际主流云数据库相比，性能最高达到66倍，性价比最高达到14倍。

这意味着GPU数据库第一次实现了性能与经济性的统一。

技术突破二：GPU加速非结构化数据处理与知识召回

AI时代的数据主体已经变成非结构化数据。

企业往往拥有数万份甚至数十万份文档，需要完成解析、切分、索引构建和知识召回。

传统CPU方案常常需要数周时间完成知识库构建。

针对这一问题，我们构建了COSMIC GPU文档解析引擎。

在OmniDocBench测试中，文档解析吞吐量达到每秒30至100页，相比业内主流方案提升约10至50倍。

在向量索引领域，我们支持基于cuVS的多种GPU向量索引算法：

索引构建速度最高提升50倍

向量检索吞吐量最高提升238倍

知识入库、知识召回和上下文构建的效率获得数量级提升。

此外，我们的认知数据库还充分释放了国产AI算力平台的价值和能力。我们与海光联合完成了DCU平台优化，将GPU原生数据库能力迁移到国产算力生态。在BioASQ基准测试中，向量索引构建时间从17小时缩短到最快3.2分钟；单卡搜索吞吐达到175K QPS，相比CPU最高提升58倍；8卡扩展效率达到7.9至8.0倍，接近线性扩展。

这意味着，国产GPU不仅能够承担大模型推理，同样可以承担数据库、向量检索和知识召回等AI基础设施任务，为金融、政务、能源等行业提供自主可控的AI基础设施。

技术突破三：用5%的显存撬动20倍数据规模

GPU性能强大，但显存容量始终有限，因此我们研发了数据卸载与索引优化技术。

在BioASQ基准测试中，通过将95%的索引数据存放在内存和SSD中，仅保留关键索引驻留显存，依然能够保持超过12倍的性能提升，实现了索引数据规模20倍提升。

这让企业不再受限于昂贵显存资源，可以用更低成本处理更大规模数据。

技术突破四：构建Agent的长期记忆系统

Agent的核心能力之一是记忆。如果没有长期记忆，每次交互都需要重新理解上下文，大量Token会被浪费在重复信息处理上。因此，我们在认知数据库中构建了持久化记忆系统CogMemory。系统能够自动整理、分类和组织历史知识，将海量信息转化为可持续利用的长期记忆。在两项国际主流记忆基准测试中：LongMemEval-S获得92.8%准确率，BEAM获得79.6%准确率，均排名第一。

这意味着Agent能够拥有近乎无限的长期记忆能力，并在需要时精准召回相关知识。

技术突破五：自然语言驱动的数据开发与分析

Agent时代还有一个重要变化：未来数据库的主要用户将不再是程序员，而是业务人员和AI Agent。

因此，我们将数据开发、数据治理和数据分析能力全面Agent化。用户不需要编写SQL，不需要编写Python，不需要学习复杂的数据平台操作方式。通过XClaw和Astro等Agent系统，用户只需要使用自然语言即可完成：数据接入、数据清洗、数据治理、数据质量管理、数据分析、报告生成的全栈数据工作流程。

数据平台第一次真正进入了自然语言时代。