深度｜3000万个闪应用背后，OceanBase讲了一个中国版Databricks的故事

在蚂蚁灵光上，用户说一句话，30秒就能「手搓」出一个闪应用：一个记账本，一个报名页面，一个打卡工具。上线四个月，这样的应用已经积累了3000万个。

应用生成变得如此便宜，一个悖论随之而来：这3000万个应用产生的数据，往哪儿放？更进一步，这些应用如何拥有一份可以持续保存、彼此隔离并准确调用的运行记忆？

「这就像一栋楼里住了3000万人，不能要求每个人单独盖一栋房子，地不够用；但也不能让所有人都睡一个大通铺，没法过日子。」蚂蚁集团平台技术事业群总架构师黄挺这样形容这个困境。

一个看似工程层面的难题，却成了一家数据库公司新估值故事的注脚。灵光案例的本质，是OceanBase这套AI数据库能力，第一次在AI原生场景完成大规模验证。这家从金融核心系统起家的公司，被资本市场放进了一个新的参照系。

图：灵光官网界面（来源：灵光官网）

3000万个闪应用，捅破了数据库的成本结构

灵光的增长速度超出了数据库行业的经验范围。今年4月，这款产品上线满四个月，平台上累计诞生的闪应用超过3000万个。这些应用大多是记账本、打卡工具这样的小软件，用户搓出来自己玩，或者几个人一起用。

但小应用不等于没有数据需求。以一个记账闪应用为例，用户不仅要记下每笔收支的日期、类型、金额，还要能按月汇总支出。这种精确计算恰恰不是大模型的强项，写诗、总结它擅长，但让它保证每一分钱都对得上，目前还做不到。

图：灵光App中，用户一句话生成的闪应用（来源：蚂蚁灵光）

对Agent生成的应用来说，持续运行需要的不只是存数据，还有可保存、可隔离、可调用的Schema、业务状态和确定性计算。平台也不可能为每个应用单独写一套后端。

现成的两条路，灵光团队都试过，都走不通。第一条，把所有用户数据打包成JSON塞进一张大宽表，表是省了，求和、排序这些计算能力也用不上了，汇总支出得把数据全捞出来自己算，权限还难以控制。第二条，为每个应用单独建一张物理表，海量建表操作压垮数据库控制面；多数应用数据量极小，元数据开销却远超真实业务数据。

两条路的背后，是同一个问题：成本结构倒挂。

AI把应用的生成成本打到接近零，但传统数据库「按表计费」的逻辑没有变，表的数量就是成本的数量。当应用以千万级速度膨胀，数据层的成本便随应用数量线性爆炸。一个只有几十行数据的记账应用，占用的元数据和常驻资源开销，和一个有几亿行数据的业务表几乎一样。数据越小，这笔账越不划算。

这也不只是灵光一家的问题。当AI生成应用成为通用能力，任何一个AI应用平台都会撞上同一堵墙：应用可以无限便宜，数据不能。两条路都走不通，第三条路在哪里？

OceanBase的解法：逻辑表

第三条路长什么样？物理存储可以共享，但每个应用的数据必须彼此独立，准确计算的能力还得留住。

OceanBase的方案是逻辑表。不为每个应用单独建库，也不把数据塞进一个无法计算的JSON池，而是让每个闪应用拥有独立的逻辑表，可以定义表结构、读写数据、执行SQL查询，体验和独立数据库没有区别。底层则由大量应用共享同一套物理存储。应用规模增长时，增加的是共享表里的记录，而不是数据库要维护的物理表。

共享之后，新的问题来了：3000万个应用挤在同一套存储上，边界怎么守？

答案是让AI生成SQL，但不让SQL越界。数据库只由灵光服务端访问，业务权限模块根据用户和应用身份改写SQL，强制补上应用边界条件；能力则逐步开放，避免AI生成高风险语句。

OceanBase产品部总经理韩富晟把这个方案比作一栋写字楼。「每家公司都有自己独立的办公室，按自己的风格装修、存放文件，但整栋楼共享水电和物业。每个公司的独立性和隐私都有保障，整栋楼的建造成本也远低于让每家公司自己盖一栋楼。」

楼里还留了一部电梯。某个闪应用的用户量真的做大，可以把数据一键迁移到独立的物理表，换取更高的性能和资源隔离。小应用共享资源控住成本，头部应用随时升格，长尾和头部各自留了演进空间。

这套方案验证的，是OceanBase sAgent的数据底座的能力。而市场为这套定位找好的参照系，要从大洋彼岸的一家公司讲起。

为什么说OceanBase是『中国版Databricks

彭博此前报道将OceanBase与Databricks对标，业内也将其视为「中国的Databricks」。

这个共识的背后，是一个共同的判断：AI竞争的重心正从模型走向数据。谁掌握企业数据底座，谁就握住了AI落地的入口。两家公司在两个市场，各自走到了这个入口前。

有意思的地方在于，两家公司的路径正好相反。Databricks从数据分析和AI能力起家，以湖仓架构见长，向数据库一端延伸；OceanBase从分布式数据库和金融核心系统出发，向企业全量数据管理、Agent数据供给和数据服务拓展，走向AI数据平台。

一个从「分析」走向「底座」，一个从「底座」走向「智能」，终点是同一个位置。

OceanBase手里还有一张Databricks叙事里没有的牌：确定性资产。从支撑蚂蚁集团核心交易系统，到服务交通银行、中国移动等数千家企业，OceanBase用十六年时间证明了在金融级核心场景中的可靠性，并蝉联中国分布式数据库本地部署市场份额第一。

在支付和转账场景里，要求的是每一分钱都不能出错，是各种意外和容灾情况下的确定性。这套能力是用真金白银的交易磨出来的，不是讲出来的。

这张牌在AI时代被重新定价。AI系统天然是概率性的，下一个token是什么无法预知，而企业把AI用进生产环境，要的不只是智能，还是不出错的智能。灵光案例里，3000万个闪应用的运行记忆，依然交给数据库做确定性计算。

对标能不能成立，最终要看有没有真实场景大规模跑通过。灵光是第一个跑通的场景。3000万个闪应用共享一套数据库平稳运行，证明Agent的数据底座不是PPT上的定位，而是已经扛住真实规模的系统。这是OceanBase讲中国版Databricks的底气。

资本的估值逻辑也在跟着改写。数据库公司的价值不再只按「管了多少数据」计算，数据底座是AI落地的最后一公里。在数据库时代，金融级可靠性是护城河；在AI时代，它是入场券。

问题是，「中国版Databricks」这个定位，具体靠什么能力支撑？AI竞争又为什么会从模型走向数据？这两个问题，决定了这场对标的成色。

图：6月29日OceanBase Hours发布会，“AI时代OceanBase给出的答案：湖库一体的AI数据库”（来源：OceanBase）

三大能力回答「竞争为何走向数据」

过去三年，大模型的智力在快速提升，但企业真正把AI用起来，卡点往往不在模型，而在数据。AI能不能触达准确、完整的企业数据，决定了它是「玩具」还是「工具」。

AI竞争正在从模型走向数据，这是OceanBase战略转向的行业前提。沿着这个判断，OceanBase给自己的定位是全球领先的AI数据平台，拆成三大能力。

l企业全量数据的一体化底座。数据先统一，AI才可用。今年6月，OceanBase发布新一代湖库一体AI数据库，把结构化、非结构化、向量三类数据统一到同一套引擎管理，让AI Agent一次获取完整业务上下文。

lAgent的数据底座。灵光3000万闪应用的逻辑表方案，正是这项能力第一次大规模公开验证。

l企业的数据服务入口。数据库从「存数据」转向「供数据」，数据能力变成可被Agent直接调用的服务。新一代AI能力已在蚂蚁阿福、灵光等核心场景完成验证，并在数十家企业客户中测试。

这套定位背后有一套推演。黄挺在演讲中引用了OpenAI提出的Five Levels of AI，从Chatbot、Reasoner，到Agent、Innovator、Organization。

他的判断是，AI正从Chatbot时代快速走进Agent时代。时代切换，基础设施的两个底层假设随之改变：使用方从工程师变成Agent，一个工程师可以带10个甚至更多7×24小时运转的Agent；系统从确定性变成概率性，蚂蚁过去做支付，追求每一分钱都不能出错，而Agent吐出的下一个token是什么，事前无法知道。

这个框架落到数据库行业，有三重含义。一是「规模」的定义被改写，不再是大库大表，而是千万级小应用、动态Schema、彼此隔离的运行记忆的高密度承载。二是竞争壁垒从性能和可靠性，转向能否成为Agent可调用的数据服务入口。三是湖库一体成为AI数据平台的入场券。

数据库这个被研究了几十年的老赛道，格局稳定、估值框架成熟，但AI正在改写它的规模定义、壁垒来源和产品形态。这是一次价值重估的机会，而新范式的第一局，已经从灵光开跑。

新范式的第一局

3000万个闪应用共享一套数据库，平稳运行。

它证明了一件事：当应用可以由AI无限生成，数据平台依然可以不被成本压垮、不被规模冲散，还能为每个应用守住一份可持续运行的记忆。逻辑表、控制面弹性、Agent隔离，这些在灵光身上跑通的机制，拼起来就是AI时代数据平台新范式的第一次完整落地。

但韩富晟没有把话说满。「面向Agent的数据底座还需要很多探索，OceanBase会持续为下一代AI应用构建真正可依赖的数据基础设施。」第一局跑通了，牌局才刚开始。

这也给整个行业提了个醒。过去两年，所有人的目光都钉在模型层的军备竞赛上，比参数、比榜单、比融资额。真正的胜负手，可能藏在聚光灯之外的数据层：模型决定AI有多聪明，数据底座决定AI能走多远。

Databricks用百亿美金估值讲过的故事，OceanBase正在用3000万个闪应用，重新讲一遍。这一次，讲的是中文。