- 数据智能
|编者按
在2021年底，我曾应科技媒体InfoQ的邀请，总结了2021年的数据平台架构（详见：解读数据架构的2021：大数据1.0体系基本建成，但头上仍有几朵乌云），提出了的2021年的5个热点、4个趋势和3个挑战。在过去的两年，数据架构领域发生了很多重大变化（很多是拐点级变化），例如大模型技术突破、向量检索成为热点、半/非结构化类Dark Data开始被关注等等。作为数据平台从业者，我经常被问到“下一代数据平台发展趋势？”或者“AI平台和数据平台是否应该一体”等问题。我想这是一个很好的时间点，谈谈对数据平台发展趋势的判断，特别是当AI这样的“完美风暴”来袭之时，数据平台该做怎样的选择，停泊在港口躲避，还是尽快入局追风而行？
图1 对“2021年数据平台趋势预测”的回顾
2024年，数据平台领域发展到哪一阶段
数据架构自70年代由关系型数据库开始发展，前后经历了三个阶段：
- 数据平台最早来自数据库技术，1970年关系型数据库发布，以事务数据处理技术为主，以Oracle，SQLServer为代表，已经发展50年。总体市场规模最大，增长放缓。
- 数据平台二次革命来自大数据技术，2000年因大搜索需求提出（规模带来质变），并进化成数据平台0，以大规模数据分析技术为主，以Snowflake/BigQuery/Hadoop体系为代表，已经发展20年。总体市场规模中等，增长仍然迅速。
- 第三次革命来自AI（深度学习/LLM）带来的突破（规模带来质变），扩展能处理的数据的种类（从结构化，到半/非结构化），也扩展计算引擎（从关系型数据分析计算到基于大模型的内容理解与逻辑推理）。
图2 数据平台发展三次革命
数据分析领域仍然保持增长，但产品/厂商逐步收敛。AI成为数据架构的新驱动力
一项技术是成功还是失败，关键期往往在低谷期到普惠期之间，一旦进入成熟期，它会以普惠产品的形态保持持续的发展。因为已经被普遍采用，变成事实标准，在没有跳变类技术出现的情况下，会一直发展下去。我们身边的内燃机技术、移动通信技术、数据库技术等都持续发展。
但相比数据库技术，大数据技术处在成熟早期，仍然有较大市场空间，并保持高速增长。上图同时对比了数据库领域的领军企业Oracle和大数据领军企业Snowflake，成立46年的Oracle在2023年有20B$的营收规模，是成立12年的Snowflake 2B$营收的20x，但Snowflake有50%的同比增长率，是Oracle 5%增长率的10x。如果双方保持当前增长率，Snowflake会在7-8年后超越Oracle。
相比2021年火热的数据类新公司成立和融资（2021年Kafka背后商业公司Confluent上市，Clickhouse、Iceberg商业公司成立，Databricks7月内两轮融资26亿美元），2024年数据平台领域投资趋于冷静，厂商和产品逐步开始收敛，这也带动了技术架构的收敛（下节展开）。
数据分析架构趋同，但Lambda架构远不够完美。数据AI架构新兴，高速迭代中
大数据技术为代表的数据分析架构发展20年，总结当前典型的数据平台架构是计算部分采用Lamdba架构，存储层由数据湖或者数据仓库构建。AI相关组件尚在发展成熟中，没有确定性的架构。
以下通过几个不同场景不同用户的数据架构实例，来总结当下数据平台的典型架构：
图3 目前典型的大数据系统架构案例
数据分析部分架构趋同，从数据采集开始，到多种不同的存储体系，再向上形成了“离线计算”和“实时计算”的两种计算模式，最上层是数据的消费部分，形成“交互分析”的计算模式。特别的，医疗系统的案例中，存有大量图像与视频数据，因此整个架构的底部会有一层面向非结构化数据存储的存储体系，以及右侧还有面向医疗领域机器学习的智能图片识别能力。
基于上述，我们将当前数据平台简化为如下典型架构图，其中“不变”的部分用黑底来表示，“变化发展”的部分用灰底来表示，如图下可见。
图4: 当前数据平台典型架构图（简化版）
鉴于数据平台整体分成分析/AI两部分，且两部分的发展阶段不同（数据分析平台进入成熟期，数据AI平台刚起步），因此后文分开阐述这两部分。
数据分析领域的三个趋势
当前数据分析平台的典型架构是Lamdba架构（由三层系统组成：批处理BatchLayer，流处理层SpeedLayer，服务层ServingLayer），随批、流、交互三种引擎诞生和成熟组装而成。其本质是通过三个不同的引擎分别满足数据三要素（性能、成本和数据新鲜度）设计方向。每个引擎向单一目标优化且优化方向各不相同（如下图），但组合起来就形成整体架构缺陷。其主要缺陷包括如下几个方面：
- 组装式数据架构复杂 - 整个平台包括多种引擎，不同引擎可能自包含存储和元数据系统，导致整个系统存在多套异构存储，多套元数据，带来大量的计算和存储冗余和管理成本。极高的数据管理成本和开发成本。
- 存储层，数据湖和数据仓库尚未真正统一。受多种引擎/多套异构存储影响，真正的湖仓一体很难在Lambda架构下实现。
- 组装式数据架构缺乏满足业务变化的灵活性。多种引擎的接口、语法、语义均不统一，做不到无缝切换，调整业务逻辑代价高。
笔者认为，数据分析领域的三个发展趋势，与上述缺陷密切相关。
趋势一：计算引擎的一体化
组装式 Lambda 架构存在的问题是业界普遍有深刻体感的，为了解决上述Lambda架构的问题，业界很早就提出Kappa架构的概念，并一直寻求一体化的实现和产品。很多已有产品也都曾经尝试过一体化的方向（例如Apache Flink提出的“流批一体”概念和实现，Google BigQuery推出BIEngine尝试离线实时一体化的方向）。应该说，“一体化”是数据分析领域长久以来的趋势共识。
但截至到目前，都不是很成功，为什么实现“一体化”的架构那么难？这主要有两个原因：批、流、交互计算的计算形态不同，优化方向也不同。如果“批、流、交互计算”三种传统计算模型均不能完成计算引擎的统一化，就需要新的计算形态来统一。
图5: 批、流、交互三种计算形态的差异
从工业界的角度看，2022-2023年，Databricks基于之前的Delta Table和Live Table提出统一的Delta Live Table的概念和实现，Snowflake提出Dynamic Table的新概念，当前处于Preview的阶段，均是为了实现流批统一。2023年，笔者所在的创业公司“云器科技”提出基于“通用增量计算（Generic Incremental Compute, GIC）”新计算形态，致力于用于构建一体化引擎（Single Engine）。受限于篇幅原因，对计算形态统一的细化分析以及新的计算形态选型和能力评估，在此不再展开，读者可以参考这里了解更多细节。
趋势二：湖仓一体成为主流架构，Iceberg成为事实标准
湖仓一体（Lakehouse）的概念最初由Databricks在2019年提出，经过4年的发展，已经成为主流架构。（湖仓一体的概念和详细介绍可以参考笔者的另一篇文章）。
当前，湖仓一体概念得到认可，但架构实现仍然多样。实际上湖仓一体架构两个流派，第一个流派是以数仓这种方式诞生的，它是一个左右派，左边是一个数据仓库，右边是一个数据湖，中间以高速网络相连形成联邦查询能力；第二个流派是从数据湖向数仓演进，整体架构是在数据湖上搭建数据仓库。这两个流派的代表分别是 AWS Redshift/ 阿里云 MaxCompute，以及 Databricks，目前这两个流派都还在发展中。在2023年，为了统一湖仓一体的架构，部分企业提出“湖仓一体”的设计标准，例如偶数科技提出ANCHOR的标准，Databricks提出Open、Unfied、Scalable三标准等等。
图6: Lakehouse架构演进
目前公认的设计标准总结为如下三条：
- 一套数据，统一的元数据中心，具备*一致*性（其他层次上的数据用Cache抽象）
- 开放性，数据格式公开可访问
- 可插拔性，上层引擎/应用可以灵活的插在Lakehouse上（这对于新兴的AI引擎/应用至关重要）
数据的开放性是标准的核心，它同时被数据格式决定。最初的数据湖仅支持简单文件格式，目前Apache Parquet和Apache ORC是文件格式的事实标准。但单纯的文件很难表达复杂的表特性（例如对数据更新的表达），作为数据湖向湖仓一体的一部分，这就有了数据湖表格式，过去几年诞生了Apache Hudi、Apache Delta、Apache Iceberg三种标准。2023年下半年，Snowflake/Databricks同期宣布旗下数据平台支持Iceberg的湖仓架构，至此数据湖三大表格式的争论告一段落，Iceberg开始成为事实标准。但Lakehouse上的统一元数据模块部分尚待挖掘和整合，Databricks的UnityCatalog是一个好的参考。
趋势三：“云原生”从云的概念变成一个架构设计概念
云原生的概念随云计算诞生，最初是云计算概念的一部分，特指针对云的特点设计的架构能力。过去20年云计算的发展推动了包括大规模存储、虚拟化技术和大规模网络技术的发展，也极大的影响了软件架构的设计。
如下图所示，系统和软件架构呈现横行分层发展的趋势，并逐步切换出更多的层次，带来更低的开发成本和更好的资源共享能力，当前的应用开发者仅仅需要关注数据和应用逻辑即可。
图7：系统和软件架构呈现横行分层发展的趋势
上述架构演进不仅仅影响云，“云原生”从云的概念变成一个架构概念。私有化部署和本地IT开发也遵循“云原生”架构。例如：
- 存储/资源/网络的统一化/池化
- 存算分离
- 计算资源共享（混部）
- 应用的微服务化和无服务化
数据平台，处于系统架构的PaaS层，“云原生”也成为标准设计模式，对下依赖IaaS能力，对上与客户应用解耦。新一代的计算平台基于“云原生”架构设计更符合发展趋势。
同时，每个层次开始标准化（例如IaaS层）并各自进化。模块间进一步解耦开，并在能力/效率/成本上独立持续进化。例如：AWS2023年推出S3 Express OneZone，提升10xIO延迟的同时降低40%的成本。VastData推出基于NVMe over Fabric的分离式全共享架构存储，提供了大规模可扩展性和强大性能，并降低存储成本。这些能力进化既有独立厂商推动，也有云厂商推动。考虑到云厂商在IaaS层和部分PaaS层的规模效益（规模、业务量、投入），公共云平台持续带来更高的性价比。尽量下云VS上云的争执一直持续，从2024年看，选择公共云是绝大多数公司的选择，“下云带来高性价比”仅对于规模在百亿美金以上的公司才是真命题。
数据AI平台领域的三个展望
随OpenAI在2022年底发布GPT3.5，大模型和AGI开始得到广泛认可，企业对这个领域的投资开始大大加速。“Data Centric AI”概念开始进入大家的视野，稀缺、优质的数据成为AGI时代最大的Differentiator。这主要是因为：
- 在AGI三要素：模型、算力、数据，前两者高度同质化，数据是最大的变化。海量+高质量数据，是预训练模型效果的前提（包含各种行业模型，比如BloombergGPT针对新闻财经类）。很多国内基础模型厂商尝试在中文这一特定领域形成针对ChatGPT和原生Llama模型的差异化竞争力。
- 私有数据的有效组织和管理，是模型最终落地到企业的前提（构建RAG的核心）。企业核心的经营数据和文档天然具有高度保密性，只存在于企业的私域环境中，同时因为这一类数据具有强认证和权限管控特性，并不适合Pre-train或者Fine-tune到模型中（即使模型是私有部署的，也不能满足安全需求），所以构建企业私有知识库是AGI落地企业的关键一步。实际上，数据平台本质上就是企业私有知识库的一部分，但主要存储和处理结构化数据，在AGI时代数据的种类和处理能力将被极大扩展了。
- 基于数据的AI训练/服务过程，大多数工作仍然是传统数据处理，模型训练仅占一部分。下图是对AI全流程task的统计，大多数task都是数据处理。
图8: AI全流程里面，数据处理占据大量比例
基于上述，我们给出面向未来的数据AI平台的三个展望。
展望一：数据与计算的关系从1:1向3:N演变
数据库和数据分析平台，尽量引入数据湖以及NoSQL的能力，其重点仍然是存储和计算结构化数据（Aka可以被结构化的数据表格），存储与计算被认为是1对1的。而最近十年，特别是随着深度学习技术的发展，ML/AI 拓宽了数据平台需处理的数据类型，底层引擎模式随之改变：
- 改变一，引擎以往只能处理结构化数据二维表，现在可以通过 AI 处理包括 text 、json 在内的半结构化数据，以及处理非结构化数据（音视图数据）；
- 改变二，引擎模式的顶层计算架构也在改变，类似生成式AI对文本和数据的直接理解和解读，类似code interpreter通过理解数据语意做大模型的插件式、多语言融合式查询分析，是除SQL的二维关系表达和分析引擎外，将AI的计算能力纳入到引擎。
图9: 数据平台架构从一对一演进到三对N
这种架构演进，也回应为什么数据湖/湖仓一体成为主流架构，以及数据开放性变得至关重要。
展望二：*部分*数据架构重回搜索架构时代
前文已经论述的企业私域RAG产生的原因和必要性，达到一定水准的RAG是大模型落地的必选项。相比数据库或者数据仓库，RAG实际上是个更大的概念，面向未来看，所有数据都可以被抽象成知识库，结构化数据和分析仅仅是RAG的一部分。
而RAG的数据平台构建，与搜索引擎原理和流程非常类似。下图左右分别展示大模型+RAG架构链路和搜索引擎架构链路。对比会发现，流程非常相似，
- 相似的流程：“收集>索引建立=>索引服务=>召回=>排序=>处理=>输出”
- 相似的核心指标：Relevance（相关性）、召回率（Recall）和准确率（Precision）当作最核心指标。性能是基础指标但不是最关键的。
图10: 数据平台架构从一对一演进到三对N
大数据时代，搜索对数据平台架构带来革命性的影响：
- 10X-100X的数据量，带来分布式化和低成本，Scale-out成为主流
- 传统数据库对ACID/transaction的要求被放松，不关注严格建模，数据的存储和处理都更粗放
- 大量Impretive编程模式被引入，Dataframe、User-Defined-Function（UDF）被大量使用
数据AI时代，通用RAG的需求将重塑数据平台，并将（部分）数据平台架构转型搜索/推荐模式。
特别值得一提的是，最近有个问题被反复问到：数据处理/分析平台和AI平台是一体的还是割裂的？回顾历史，是搜索需求驱动了大数据平台的诞生和发展（数据平台的第二次革命），但搜索平台与数据平台从来都是一体的，就用阿里巴巴为例，阿里所有的数据（包括搜索/推荐日志）都汇总进数据中台，统一处理。搜索推荐业务是数据中台业务的一个分支，是生长在数据平台之上，其数据处理、搜索/推荐算法也跑在数据中台的数据上。仅有在线服务部分（索引召回、排序）是与在线服务一起。因此，我们可以通过类比传统搜索平台来回答上述问题，数据平台和AI平台自下而上是一体的，仅有上层应用不同会差异。
展望三：增强元数据（Augmented MetaData），重要性提升10倍，构建难度也提升10倍
Dark Data是Gartner提出的概念，用来指代数据资产里面没有被利用起来的部分。在数据库和数据平台发展的50年历史里，关注点都在结构化数据上，占比更高的（普遍认知是80%）的半/非结构化数据被认为是DarkData。之前传统深度学习带来的NLP和Image/Vidoe Recognition能力（DL2Tag）仅能做到识别，理解深度不够。最近1年的大模型能力提升，使得半/非结构化数据有机会被理解和使用。一句话总结趋势：Dark Data (80%) can be bright。
图11: 非结构化数据通常被划分为DarkData
但半/非结构化数据的信息抽取、管理和使用，面临很多不同的挑战：
- 半非结构化数据，知识抽取和理解困难且昂贵，大模型的推理速率和带宽远达不到普惠的水平
- 用户知识库（RAG）是个大概念，包含结构化、半结构化、非结构化三类数据。结构化数据不应该被忽略（比如用户报表数据），但目前RAG+LLM和数据分析割裂。
- 向量表达做到了多种模态数据到数学表达的统一（用Vector表达所有数据），因此VectorSearch+LMM 成为当前流行架构，但仅有向量检索并不足够，向量检索仅能回答相似度的问题。
从架构角度看，存储层，三类数据的存储可以被湖仓一体架构天然统一，计算层 ，关系计算与大模型计算模式和原理不同因此无法统一，但计算结果可以通过混合向量+标量+标签的方式统一起来，在后面做融合计算。增强元数据层（Augmented MetaData）是三类数据被发现、并融合计算的核心，也是整合的关键，但难度巨大：
- 三类数据融合后，数据量提升一个数量级
- 结构化数据本身已经是Schematized，元数据表达简单低成本，但半非结构化数据很难直观描述，如何抽取、如何表达都难的多
- 结构化数据上常见的数据安全、数据治理与访问控制，同样适用于三类数据，而面向AI的governance是摆在从业者面前的显著问题。
增强元数据领域，在过去两年有很多投入，微软大力推动Data Fabric，试图打造“一个 AI 支持的分析平台,可将你的数据和服务(包括数据科学和数据湖)整合在一起,从数据中获取更多价值。”。Databricks推动Unity Catalog，目标是“Unified governance for data and AI”。我们相信这一领域在未来会成为趋势和热点。
三个未解的难题
如上所述，数据分析领域保持高速发展，数据AI领域有革命性变化。在笔者看来，有如下未解问题摆在从业者面前。
疑问 一：SQL VS Python，当自动代码生成成为主流，赢家会是谁？
SQL作为关系型数据分析计算的官方语言，是数据库时代的唯一编程标准。到了大数据时代，从MapReduce开始，到Spark DataFrame，Java/Scala/Python成为数据分析编程标准的挑战者。但在数据分析领域，SQL以声明式编程语言（Declarative Language）天然的易用性和普适性最终保持了主流编程语言的地位，Spark/Flink等大数据处理平台最终都增加了SQL接口，新一代数据平台Clickhouse/Snowflake等仅支持SQL。
但随着大模型/AGI发展，编程开始走到辅助编程（Copilot）阶段，最终会发展到全自动代码生成的阶段。编程接口最终不再面向人而是面向模型和Agent，这种情况下SQL的劣势开始逐渐显露出来，例如SQL编程自解释能力不足，需要依赖更多外部模块（比如元数据系统），表达能力受限等等。笔者经验也印证，同样的RAG+Prompt能力，大模型生成的Python代码质量高于SQL。
特别值得一提的，Databricks在2023年推出English SDK for Spark的能力，得益于Spark广泛可获取的资料，在不需要额外RAG和Prompt的情况下，直连ChatGPT4即可获得不错的编程效果。概念和能力都给业界带来启发。
图12: 以自然语言为编程入口的架构和例子（by Databricks）
疑问 二：数据平台的“自动驾驶”多久能实现
AGI在重塑搜索、内容生产、辅助编程、智能客服等多个行业和领域。数据相关领域也有智能化的巨大潜力。AI4Data的概念已经被提出多年，在数据库顶会SigMod21上的论文《AI Meets Database: AI4DB and DB4AI》对这个领域做了详细的阐述。
但多年来，数据开发和数据应用开发仍然以人工的方式为主（如下图）
图13: 我们好奇并期待：何时AI能够让数据平台进入“自动驾驶”时代？
图14: 类比自动驾驶，自动化数据平台的一个分级
疑问三：谁会成为“第六大数据平台 The sixth Data Platform”？
过去20年大数据技术的兴起和高速发展，诞生了当前的“五大”数据平台供应商：亚马逊（Redshift为代表技术）、微软Azure（Azure Synapse为代表）、谷歌（BigQuery为代表），以及Snowflake和Databricks。他们是当下的Big Five。
进入AI时代，我们坚定的相信，新一代数据平台会涌现出来，他们可能来自BigFive自身的迭代，也可能来自新兴创业公司。新技术带来新的机会，并持续塑造新商业。让我们期待第六大数据平台在不远的未来诞生。
笔者大胆预测，新一代平台会具备如下5个特性：AI Native、Data+AI Converged、SingleEngine For Analytics，Lakehouse and Cloud Native.
|写在最后
图15：2024年数据架构趋势预测总结