随着大模型应用由一般场景向企业更核心的场景延伸，数据库与人工智能的融合已成为行业演进的重要方向。我国数据库学科带头人、中国人民大学信息学院教授王珊在发布会上表示，人工智能正深刻重塑数据库技术体系，AI时代，数据库既要保证数据存得准、算得对，也要为大模型理解业务提供依据。

从当前实践看，制约主要来自三个方面：业务语义缺失、数据格式不适配、权限与审计断层。

10月30日，中电科金仓（北京）科技股份有限公司（以下简称电科金仓）在北京发布KES AI数据库。本次发布的KES AI数据库把AI能力深度植入数据库内核——数据在库内存储、语义在库内维护、推理数据（向量、图）在库内生成、安全在库内保障，让企业数据不必离开数据库，即可支撑AI应用全链路高效、安全落地。

库内语义，让数据可理解

行业统计显示，全球90%以上的数据位于私域，其中68%从未被分析利用。问题不在于数据存储与计算能力不足，而在于数据缺少语义描述——模型难以从字段与记录判断其业务含义。以字段“客户”为例，它可能指向最终使用用户，也可能指向签约的法人组织，模型无法自行判别。

传统架构下，业务语义分散在上层应用的界面、后台逻辑代码和业务人员经验之中，由三者组合供人理解。大模型不需要界面，它需要一份完整、准确的业务语义上下文。

KES AI数据库的做法是内置原生语义层，把这份“说明书”写进数据库：通过查询语句给每张表、每个字段标注业务含义、相互关系与计算口径；系统自动采集数据的基本信息，再由人工智能提出建议，最后由业务人员确认生效。说明与数据同库维护的好处在于，底层结构一旦变更，语义可同步感知，避免外挂语义层常见的结构不同步、语义失效问题。

库内计算：让存量数据可推理

企业中的数据大多以二维表形式存在，主要面向数值计算。更适合AI的数据格式主要是向量和图：向量用来“按意思找东西”，检索含义相近的内容；图用来“看关系”，回答谁与谁相关、链路是否完整。因此在库内完成向量化和图化是最高效的路径。关系、向量与图在同一数据库内协同处理，减少跨库复制、数据同步与应用集成负担。

对已有系统，电科金仓提供数据库迁移方案，支持现有数据库以较低难度、较低风险与较低成本升级至KES AI数据库，并在库内补齐业务语义定义，使存量数据快速进入可用状态。

KES AI数据库把ONNX Runtime集成到库内，可通过SQL调用Embedding等模型，在库内完成向量生成、索引构建与相似度检索。经过实测证明：在1亿条768维向量、98%召回率的条件下，电科金仓基于磁盘的索引算法，，索引构建与检索的峰值内存开销相比业界降低95.4%查询延迟降低80%。

内生安全：让AI访问可控

数据一旦离开数据库，原有的权限与审计体系即告中断。企业接入大模型通常走“抽取数据—向量库或RAG框架—大模型”的链路，数据出库后，行级、列级权限与字段级脱敏、访问审计策略全部失效。

KES AI数据库以数据库既有的身份认证、角色与访问权限、行级访问控制、数据标签、SQL防火墙和操作审计机制，对库内语义查询、向量检索、图访问等操作实施统一管控。由于语义检索、向量生成、图构建均属于对本库数据的访问，权限可穿透至具体使用者；存储、向量化、图构建、语义检索全流程在库内完成，日志集中留存，可追溯“谁在何时基于哪些数据做了什么”，满足等保三级及行业监管的留痕要求。权限、脱敏、审计规则在数据库侧统一定义、一处修改、全域生效。

围绕上述能力，电科金仓配套推出智能数据开发工具，覆盖60余种多源数据接入，包含特征工程、知识工程与知识图谱工程，支持企业将库外数据转化为可用知识；同时通过KES MCP、Agent Skills对接主流AI开发工具与智能体框架，并提供NL2SQL智能体与运维智能体。

产学研合作方面，由中国人民大学与电科金仓联合申报的“智能数据库系统与应用北京市重点实验室”已获批成立，为双方的基础研究与产业实践提供了更高层次平台。