简介
在人工智能与大模型技术迅猛发展的背景下，数据系统正经历从传统架构向智能化范式的深刻变革。如何在高维、多源、异构的数据环境中实现高效、智能的数据存储与管理，已成为学术界与产业界共同关注的前沿议题。本论坛汇聚数据库领域多位权威学者，围绕数据智能体的构建与协作、面向大模型的高维向量检索、AI驱动的数据库自治与优化、新型数据系统架构等核心方向展开深入研讨。论坛旨在梳理智能时代数据库技术的关键突破口，探索数据管理与人工智能深度融合的创新路径，为我国数据系统领域的自主创新与产业升级提供思想碰撞与学术交流的平台。
简介为官网原文，部分内容可能未写完。
人员
主席
- 张岩峰 · 东北大学
嘉宾
- 袁野 · 北京理工大学
- 童咏昕 · 北京航空航天大学
- 周文超 · 阿里巴巴集团
- 范举 · 中国人民大学
- 唐博 · 南方科技大学数据库组
报告安排
面向大规模结构化数据的智能分析技术
袁野 · 北京理工大学
简介
结构化数据分析是数据库智能化的关键技术。传统的结构化数据侧重分析主要侧重于数据聚合等任务，难以满足现代预测分析需求，并且在面向不同数据和任务时扩展能力有限。同时，基于深度学习的智能分析技术已在图像、文本等非结构化数据领域取得显著进展。但是，如果将现有智能分析方法直接应用于大规模结构化数据，会遇到特征维度高、关系复杂；数据稀疏、信息量有限；以及训练开销大等挑战。为此，本次报告主要聚焦于面向结构化数据的智能分析方法，并从特征选择、模型构建、性能提升等三个方面进行分析，介绍自动特征正则方法、结构化数据大模型、混合并行训练方法等创新成果，以实现高效、准确且可扩展的结构化数据智能分析。
大模型的图书馆：向量数据引擎的机遇与挑战
童咏昕 · 北京航空航天大学
简介
向量数据引擎是大模型时代的关键数据基础设施，被广泛应用于AI-Ready训练数据集构建、检索增强生成（RAG）以及智能体记忆管理等场景。本报告将首先回顾向量数据引擎的发展脉络，剖析向量数据库在大模型训推与智能体中的核心应用。随后，结合产业需求与团队最新研究成果介绍向量数据领域的前沿进展，最后展示相关技术的落地应用，并对向量数据管理未来的发展趋势进行展望。
数据驱动的智能自我进化
周文超 · 阿里巴巴集团
简介
本报告探讨数据驱动智能系统持续演进的技术范式，提出“智能生产—智能应用—自我优化”的框架。通过统一多模态数据处理与大规模模型训练，构建面向智能体的数据语义和高效推理基础设施，并利用运行过程中产生的负载、日志及性能反馈持续优化系统，实现数据、模型、应用与计算平台之间的协同演进，推动智能基础设施从依赖专家经验的人工调优，逐步迈向可评估、可验证、可迭代的自我改进。
智能体驱动的自主数据科学系统：进展与展望
范举 · 中国人民大学
简介
数据科学系统的智能化水平决定了数据价值释放的效率。然而，长期以来，数据科学研究主要聚焦于数据准备、数据发现、分析建模等单点任务的局部优化，缺乏面向全流程、自主决策与持续演进的系统研究。随着大模型、智能体技术的快速发展，构建智能体驱动的自主数据科学系统正成为数据管理领域的重要发展方向。本报告将围绕这一新的系统范式，介绍报告人在数据发现（DeepDiscovery）、数据准备（DeepPrep）和数据分析（DeepAnalyze）等方向的研究成果，探讨智能体驱动的数据科学全流程协同与自主执行机制，并展望自主数据科学系统架构与关键技术的演进路径。
AlayaDB.AI: 大模型时代的数字基座
唐博 · 南方科技大学数据库组
简介
随着大模型时代的到来，向量作为大模型的元数据被应用于大模型的方方面面（如检索增强生成、KV Cache、稀疏注意力算法等）。我们团队以向量为切入点，构建面向超长上下文高效推理系统。在此报告中，我将分享我们团队在超长上下推理过程中记忆系统、KV缓存复用等方面的研究成果，包括但不限于AlayaLite、AlayaKV和AlayaJet，并简要分析构建大模型时代数字基座的关键挑战。