专访孙元浩：乘坐星环号，把数据库“移民火星”的人

“把数据库迁到 GPU，就像移民到火星。” 在 WAIC 2026 的现场，星环科技创始人、CEO 孙元浩口中的这场“火星移民”，正随着其面向 AI Agents 的 GPU 原生认知数据库预览版的发布，成为可落地的现实。AI 时代，星环科技要重写整个数据库。 然而，当被问及底层技术究竟如何实现“重写”时，孙元浩却笑着卖了个关子：“这个我们就不告诉别人了。” 这段发生在 WAIC 2026 星环科技展区上的现场采访，之所以让人印象深刻，部分原因在于这位技术掌门人对自家产品战略的绝对笃信，部分原因在于同样身为一名科幻迷的他，有趣的思考方式——关于速度，关于火星，关于 AI Infra 领域的一种理想主义。 “快”的含义变了 星环科技创业初期，曾提出要打造世界上最快的大数据处理引擎。 “星环”这一公司名字，来自科幻小说《三体》中的“星环号”，人类第一艘实现光速飞行的飞船，也寄托着公司对极致速度的追求。 当时，数据库对性能的需求主要来自数据规模的增长。企业数据从几个 GB 增长到数百 TB、数 PB，甚至更大的规模，单台服务器无法完成处理，只能依靠分布式计算，将数据和任务拆分到更多机器上执行。 在那个阶段，“快”意味着能够在可以接受的时间内处理更大的数据量。 AI Agents 出现后，数据库对速度的要求发生了变化。单次处理的数据量未必很大，但调用次数变得极其密集。 过去，人类用户查询一张报表，等待几秒钟可能并不会严重影响体验。但在 Agent 的执行链路中，一次查询延迟会传递到下一步推理，下一步推理又可能触发新的查询。任何一个环节的等待，都会在循环中不断累积。 因此，AI 时代数据库追求的“快”，不再只是在大数据量上完成批量处理，也包括在大量小规模、连续、并发的数据调用中维持足够低的延迟。 “以前的 AI 是一次一问一答，是 One Shot。现在变成了一个 Loop。”孙元浩认为，Agent 会不停地推理、行动、调用数据库、观察结果，发现不对以后再修改、再重来。这样的使用方式，对数据库带来的影响非常巨大。 在孙元浩看来，今天数据库正在经历的变化，根源并不只是数据规模再次增长，而是数据的使用者发生了改变。过去数据库的用户是人，未来的数据库就是给 AI 用的。 这也是星环科技在 WAIC 2026 期间发布 GPU 原生认知数据库预览版背后的核心判断：当数据基础设施开始直接面向 AI Agent，数据库需要从计算架构到能力体系重新设计。 Agent 想要什么 仿照凯文·凯利的科技观和他的经典著作《科技想要什么》，我们不妨也思考一下 Agent 想要什么。 把 Agent 对数据库的需求拆开看，其实是三层递进的结构： 第一层是速度。 数百个 Agent 高频并发，传统数据库的并行计算能力很快触顶。单颗 CPU 通常有 100 到 200 个通用计算核心，约 400GB/s 级内存带宽。这个配置在过去二十年里足够应付绝大多数数据库工作负载，毕竟人类发起的查询，频率和并发量都有上限。 如前文所述，当数百个 Agent 同时发起数据扫描、复杂聚合和向量检索，CPU 的并行资源会被迅速占满。核心不够用，排队就开始了；带宽不够用，数据传输就堵住了。结果就是，Agent 等数据的时间，比推理的时间还长。 速度只是 AI Agent 对数据库提出的第一层要求。 当 AI 从一次问答走向持续执行，数据库还需要解决另外两个问题：上下文和记忆。 第二层是上下文。 企业数据天然分散，关系型数据在数据库里，文档知识在文档系统里，语义信息在向量库里，关联关系在图数据库里。Agent 要做出准确判断，需要这些信息被统一组织、协同检索。靠系统拼接能做到，但代价是架构复杂度飙升。 第三层是记忆。 Agent 不是用完即弃的。它需要记住用户偏好、任务进度、历史结论，在跨会话场景中延续理解。这要求数据库具备长期记忆能力，而不只是存储和查询。 速度、上下文、记忆，三层需求叠加在一起，传统以 CPU 为中心的数据库架已经很难招架。AI Agent 的大脑在 GPU 上高速运行，但它需要的数据、知识和业务上下文，仍要等待 CPU 侧的数据库完成查询、分析和整理。模型越来越快，数据供给却没有同步加速，GPU 算力因此不断陷入等待。 孙元浩用了一个形象的比喻：AI 是大脑，数据库是它的四肢。大脑思考得越来越快，但行动和取数据的速度太慢，整个系统还是快不起来。 认知何以涌现 面对 Agent 这个新物种的需要，数据库需要从数据管理系统进化为认知基础设施。星环科技 GPU 原生认知数据库的四个能力维度，试图完成这场进化。 • GPU 原生加速：同一块算力底座，干完所有事 SQL 极速分析、向量检索、图分析、语义检索、机器学习，这些操作过去分散在不同系统里，现在跑在同一块 GPU 算力底座上。这意味着 Agent 不需要在多个系统之间跳转，所有数据操作都在同一个计算体系内完成。 • 一体化融合：消灭"系统拼接"的复杂性 当前企业 AI 数据基础设施的一个普遍痛点：系统太多。 关系型数据用一套数据库，向量检索用另一套，图分析又换一套，全文搜索还得再部署一个。每套系统都有自己的运维体系、数据格式和接入方式。把这些系统拼在一起喂给 Agent，单单是数据搬迁和对齐就能耗掉大量精力。 星环科技的方案是统一承载：关系型、向量、图、全文、文档，多模型能力全部纳入同一底座。数据分析、知识检索、上下文供给和记忆管理，不再需要多套系统拼接。 开发者不用再当"系统胶水工"，可以把精力放在 Agent 本身的业务逻辑上。 • 记忆能力：让 Agent"越用越懂业务" AI Agent 的一个核心痛点是"健忘"。每次对话、每个任务都从零开始，之前的交互经验、用户偏好、任务进度全部丢失。这导致 Agent 的回答永远停留在"初次见面"的水平，没法越用越聪明。 星环科技的做法是基于自研分布式文件系统，内建长期记忆、会话记忆与上下文管理。支持多类型记忆持续沉淀，通过 GPU 加速实现低延迟检索与精准召回。记忆准确率达到 90%以上；在 BEAM 500K 和 LongMemEval-S 基准测试中，均超过主流开源记忆系统。 • 自然语言数据分析：让业务人员直接用数据 支持自然语言交互，兼容 SQL、Python 和 RESTful API。系统可自动识别用户意图，实现多模型数据的联合查询与分析。 这一能力的价值在于降低了使用门槛。业务人员不需要学 SQL，开发者也不需要手动拼装多系统的查询逻辑，直接用自然语言就能调用底层数据能力。对于 Agent 应用开发来说，这意味着数据、知识和记忆可以更便捷地接入 Agent 的工作流。 数据库要成为 GPU 的原住民 过去多年，行业内已经出现过多种 GPU 加速数据库方案。这类方案通常保留原有 CPU 数据库架构，只把部分计算任务交给 GPU。任务在 CPU 上开始执行，运行到特定环节后将数据搬运到 GPU，计算完成后再传回 CPU。 在高频调用中，CPU 内存与 GPU 显存之间的数据传输，本身就会带来额外延迟。更重要的是，只加速某一个环节，无法消除整个处理链路中的其他瓶颈。 孙元浩将 CPU 与 GPU 的性能差异比作步行和乘坐飞机