“我可能不再建议学计算机”！图灵奖得主炮轰半个行业，并断言：AI Agent 最后全是数据库问题

📌 一句话摘要

数据库图灵奖得主 Mike Stonebraker 在访谈中尖锐批评 Oracle、Google、AWS 的数据库策略，并断言当前 AI Agent 从只读走向读写后将回归分布式数据库老问题，同时指出大模型写 SQL 在真实数据仓库中准确率仅为 0%。

📝 详细摘要

本文编译自对数据库图灵奖得主 Mike Stonebraker 的深度访谈。Stonebraker 以一贯犀利风格批评了行业巨头：指责 Larry Ellison 对客户撒谎，将未实现的功能提前销售；批评 Google 的 MapReduce 和最终一致性是错误方向，直到 Spanner 才回归传统事务；认为 AWS 同时维护 15 种数据库是冗余，真正需要的可能只有 3 种。在 AI 方面，他提出两个核心观点：一是当前 AI Agent 大多停留在只读阶段，一旦进入读写场景（如转账、库存更新），事务、一致性、原子性等数据库老问题将重新成为核心挑战；二是大模型写 SQL 在公开 benchmark 上可达 80%+ 准确率，但在真实数据仓库测试中准确率为 0%，即使加上 RAG 和显式 join 条件也仅能提升至 35%，远不及人类工程师的 90%+。他还介绍了其创业项目 Deboss，一个基于数据库思想构建的操作系统和编程语言平台，目前三分之二客户在做 agentic AI。最后他表达了对计算机科学行业前景的审慎态度，认为该行业可能不再是增长型行业。

💡 主要观点

- AI Agent 从只读走向读写后，本质上是分布式数据库问题。 当前大多数 AI Agent 是只读型，一旦涉及转账、库存更新等写操作，事务、一致性、原子性等数据库老问题将重新成为核心挑战，这不是 AI 问题而是分布式数据库问题。

大模型写 SQL 在真实数据仓库中准确率为 0%，远不及公开 benchmark 的 80%+。 Stonebraker 团队在四个真实数据仓库上的测试显示，大模型准确率为 0%，加上 RAG 和显式 join 条件也仅能到 35%，而人类工程师可达 90%+。原因包括：真实数据不在训练语料中、查询复杂度高（100 行起步）、schema 混乱、存在大量本地化数据。

通用型数据库（One size fits all）在高端场景不成立，Postgres 仅适合低端场景。 Stonebraker 重申其 2004 年观点：流处理、列存数仓、行存 OLTP 三种场景需要不同实现，性能差距可达一个数量级。Postgres 作为通用解在低端场景很好，但在每秒百万事务或 PB 级数仓场景下没有竞争力。

Deboss 项目将操作系统上半部分替换为数据库，天然支持事务性工作流。 受 Databricks 用 Postgres 做百万级调度器启发，Stonebraker 团队将 Linux 上半部分用数据库替换，使应用状态持久化、支持事务和 failover，目前三分之二客户用于 agentic AI 场景。

💬 文章金句

- 如果今天重新开始，我不确定还会不会建议 18 岁的人去学计算机。

• 目前大多数 agentic AI，其实还是只读型的。但我觉得很快，整个世界都会转向让 agent 去做 read-write 的应用。一旦到了那一步，这类系统就会变得非常'数据库化'。
• 在公开 benchmark 上，大语言模型准确率能到 80% 甚至更高。但在我们的 benchmark 上，准确率是 0%。
• Google 后来彻底放弃了 eventual consistency，也彻底放弃了 MapReduce。
• 去拿你能拿到的最有声望的工作，找一个愿意带你的导师，然后挑一个不是顺着潮流走的方向。

📊 文章信息

AI 初评：88

来源：InfoQ 中文

作者：InfoQ 中文

分类：人工智能

语言：中文

阅读时间：49 分钟

字数：12245

标签： Mike Stonebraker, 数据库, AI Agent, Text-to-SQL, 分布式系统

阅读完整文章