2025年雲棲大會，Hologres發佈全新4.0版本升級，以“AI時代的一站式多模態分析平台”為核心理念，全面展示了Hologres在結構化、半結構化與非結構化數據分析能力上的重大突破，特別是在OLAP分析、點查、向量檢索、全文檢索、湖倉協同及AI Function集成等方面的領先優勢，刷新ClickBench、JSONBench、VectorDBBench等多項榜單，登頂第一。
直播回顧 >>
一、AI時代的多模態分析從割裂到統一
1.1 AI的飛速發展帶來多模態分析的旺盛需求
隨着人工智能技術的深入發展，企業對數據的利用已不再侷限於傳統的結構化數據分析。越來越多的行業開始依賴多模態數據進行智能決策，涵蓋商品推薦、駕駛行為分析、金融風控、教育個性化等多個場景。這些場景普遍具備一個共同特徵：數據形態多樣、分析需求複雜、檢索方式多元。
以電商行業為例，用户不僅需要通過關鍵詞搜索商品，還期望實現“以圖搜圖”或“以文搜圖”的智能推薦；在智能駕駛領域，車輛採集的信號數據既包括車速、電池温度等結構化字段，也包含圖像描述、軌跡圖片等非結構化信息，需支持按VIN號點查、多維統計分析、相似圖像檢索等多種操作；遊戲行業則面臨直播內容生成、玩家行為反作弊、個性化內容推送等挑戰；金融與教育行業同樣依賴合同文本合規審查、個性化投資建議、以圖搜題等高級功能。
用智能駕駛一個典型的場景舉例，可以看到智能駕駛場景中，採集的車機各種信號數據，以大寬表的形式存儲在數據庫中。這些信號數據通常會包含結構化數據（車輛狀態、車機版本等）、半結構化數據（車機信號）、非結構化數據（軌跡照片等）。在業務應用的時候，要進行點查、OLAP分析、全文檢索、向量檢索、混合檢索等多種場景。
AI時代的應用需要在一個統一平台上完成OLAP分析、點查服務、全文檢索、向量搜索以及AI推理等多種能力的融合使用。然而，傳統架構往往依賴多個獨立引擎協同工作，導致系統複雜、成本高昂、數據不一致等問題頻發。
1.2 傳統多模態分析架構的痛點：N個引擎帶來的高成本與低效率
當前主流的數據分析架構通常採用“數據分層+多引擎”模式。
- 計算層-數據源經過Flink、Spark等實時或離線計算引擎處理後，分別寫入不同的專用系統
- OLAP 分析 - 典型產品包括 ClickHouse、Doris 等
- 全文檢索 - 典型產品包括 開源Elasticsearch、Solr 等
- 向量檢索 - 典型產品包括 Milvus、Faiss 等
- KV點查 - 典型產品包括 Redis、HBase 等
- 時序 - 典型產品包括 InfluxDB、TSDB等
- 寬表 - 典型產品包括 HBase 等
這種架構雖然能在單一能力上達到較高性能，但帶來了四大核心問題：
- 開發效率低：需為每個引擎適配數據格式，維護N條同步鏈路，管理N份元數據，開發週期長且易出錯。
- 存儲與計算成本高：同一份數據被複制到多個引擎中，造成嚴重的存儲冗餘；各引擎資源獨立，無法共享，資源利用率低下。
- 運維管理困難：需同時運維N個引擎，故障排查複雜，SLA保障難度大。
- 數據對齊困難：由於各系統寫入延遲不同，極易出現“能搜到卻查不到”的一致性問題，嚴重影響業務準確性。
更為關鍵的是，當涉及跨模態查詢（如“查找電池温度高於40℃且圖像中有人行橫道的車輛記錄”）時，必須在應用層手動拼接多個查詢結果，邏輯複雜且性能低下。
1.3 Hologres：替換多種分析引擎，簡化技術架構
針對上述痛點，Hologres 4.0提出全新HSAP 2.0 分析檢索一體化架構（Hybrid Search/Analytics Processing）。基於單一引擎實現多模態數據的統一存儲、統一計算與統一查詢。該架構摒棄了傳統的多引擎拼接模式，將OLAP分析、點查服務、全文檢索、向量搜索、時序處理、KV寬表等能力深度集成於Hologres內部，形成真正的“六邊形戰士”。新架構的核心優勢體現在幾個方面：
- 簡化技術架構：用户只需管理一個引擎，大幅簡化系統複雜度。
- 降低存儲冗餘：所有數據僅存儲一次，避免多份冗餘，顯著降低存儲成本。數據天然對齊，杜絕“搜到但查不到、查不對”的一致性問題。
- 提高加工效率：通過Dynamic Table實現近實時增量加工，支持從ODS到ADS層的自動分層，無需多寫或多鏈路同步。
- 統一開發接口：開發者可通過標準SQL完成從點查到複雜分析、從文本檢索到向量搜索的全場景操作。
- 成本與管理：Hologres支持Serverless查詢模式，按Query級別彈性伸縮資源
二、Hologres 4.0架構：多模融合的一站式AI數據分析平台
2.1 Hologres發展歷程：從HSAP 1.0到HSAP 2.0的演進
Hologres為高性能分析而生，自2020年推出以來，始終走在大數據分析技術前沿。發展脈絡清晰地反映了行業分析需求的變遷：
- Hologres 1.0（HSAP 1.0）：首次提出“分析服務一體化”理念，將OLAP分析與KV點查能力融合，解決傳統數倉與在線服務分離的問題，相關架構論文入選VLDB 2020。
- Hologres 2.0：面對成本與穩定性難題，強化資源隔離與彈性能力，支持計算組實例化部署，並原生支持JSONB列式存儲，提升半結構化數據處理效率。
- Hologres 3.0：邁向實時湖倉一體化，支持MaxCompute、Paimon、Iceberg等開放數據湖格式，通過Dynamic Table實現湖上增量計算，替代傳統Lambda架構。
- Hologres 4.0（HSAP 2.0）：Data+AI一體化架構火熱，全面升級為“分析檢索一體化”平台，集成向量、全文、混合檢索能力，內置AI Function，支持大模型SQL調用，成為AI時代的全棧數據分析引擎。
面對AI對多模態的旺盛需求，Hologres正從一個高性能結構化數據分析引擎，逐步成長為支撐AI原生應用的多模態一站式數據分析基礎設施。
2.2 Hologres 4.0架構：多模融合的一站式AI數據分析平台
Hologres 4.0的整體架構圍繞“多模態分析檢索 all-in-one”設計，實現“一份數據、一份計算、多模分析”的一站式目標，一條SQL即可完成從數據接入、AI加工到多模查詢的全流程。
數據存儲層
支持三類數據源：
- 內部存儲：結構化與半結構化數據（如向量、文本、JSON），支持高效列存與索引。
- 數據湖：無縫對接MaxCompute、Paimon、Iceberg等湖格式，實現湖倉一體。
- 非結構化數據：通過Object Table接入OSS中的圖片、PDF、PPT、視頻等文件，將其映射為可查詢的表結構。
數據加工層
依託Dynamic Table能力，實現近實時增量計算。用户可聲明目標表的新鮮度（如1分鐘），系統自動根據上游變化增量刷新結果表，支持湖到倉、倉到倉、湖到湖等多種加工模式，顯著降低資源消耗。
AI能力層
集成豐富的AI Function，基於阿里雲GPU算力池，內置統一Qwen等大模型能力，通過SQL即可調用大模型進行推理，支持內容生成與轉換（ai_gen、ai_translate）、文本理解與分析（ai_classify、ai_analyze_sentiment）、向量化與切片（ai_embed、ai_chunk）、數據安全（ai_mask）等函數。
數據分析層
提供統一SQL接口，支持五種核心查詢模式：
- 點查：主鍵或非主鍵毫秒級檢索
- OLAP分析：複雜聚合、Join、窗口函數
- 全文檢索：基於Tantivy引擎實現高性能BM25計算，支持召回杭景
- 向量檢索：高召回率下的近似最近鄰搜索
- 混合檢索：標量、向量、全文條件聯合查詢
2.3 OLAP與點查：刷新ClickBench/JSONBench多項性能榜單
OLAP分析是Hologres的強項，在之前的TPC-H 30000GB性能測試中排行世界第一。其高性能的優勢在於寫入即可查，無需等待任何延遲，確保數據實時性。Hologre 4.0在OLAP分析能力上持續刷新各項幫當成績：
- ClickBench 內表性能中國第一
- 湖表（Paimon）性能對比3.0提升100%，證明其在開放湖格式上的強大兼容性
- JSONBench 在10億行數據集下，性能中國第一
- 點查場景引入全局二級索引，非主鍵點查QPS相比無索引時提升65倍
Hologres讓雲上客户跟隨版本更新即可實現性能優化，享受雲上技術紅利
2.4 向量檢索：登頂VectorDBBench性價比榜單四項第一
向量檢索已成為AI時代的“水電煤”，是連接大模型與現實世界的關鍵橋樑。Hologres 4.0在該領域實現全面突破。
全新自研的內存+磁盤混合索引技術與RabitQ量化算法，在同等成本下，性能遠超行業主流產品，以20%的內存成本實現95%以上的檢索性能，單分片可支持0.5億向量，助力企業低成本實現千億向量數據的毫秒級檢索，在VectorDBBench基準測試中（已提交社區審核），Hologres以一年約1000美元的成本預算，在99%高召回率下實現斷崖式領先的QPS，性能約為第二名的4倍以上，登頂 VectorDBBench 性價比榜單四項第一，實現高性能向量檢索普惠化，成為全球最快向量數據庫！** 這一成績得益於其Hologres 4.0多重優化技術：
- BSA剪枝框架：第一階段使用壓縮向量和近似距離進行初篩，第二階段用原始向量精確重排，速度提升1.4x~2.2x。
- 精細IO優化：異步並行IO、緩存機制、Pangu直讀直寫、預讀取等手段顯著降低磁盤索引查詢延遲。
- 混合索引架構：內存中存儲低精度索引（Rabitq），磁盤存儲高精度索引（PAG圖-聚類混合索引），通過elias-fano編碼壓縮鄰接表，內存佔用減少80%，性能損失小於5%。
更重要的是，Hologres保證一致性事務，確保標量與向量數據始終對齊，徹底解決“搜到卻查不到”的行業難題。
2.5 高性能全文檢索，標量+全文+向量一站式分析
Hologres 4.0正式發佈原生全文檢索能力，基於高性能開源引擎Tantivy構建，採用BM25算法實現精準召回。
- 支持多種檢索模式：關鍵詞、 （帶距離的）短語、自然語言檢索
- 多樣的分詞器：simple、standard、icu、whitespace、keyword、ik、jieba
- 支持BM25打分（不僅能做檢索，還能做召回）
- 標量 + 全文 + 向量 混合檢索
Hologres4.0通過標量+全文+向量混合檢索一站式分析，實現跨模態精準定位。在搜索引擎、企業文檔管理系統、日誌分析平台等場景，幫助業務在海量信息非結構化文本數據中實現精準定位和知識挖掘
三、構建AI時代的一站式多模態分析平台
Hologres 4.0將OLAP分析、點查服務、全文檢索、向量搜索、時序處理、KV寬表集於一體，但是AI的發展日新月異，一站式的多模態數據分析平台仍需要多項企業級能力，不斷提升企業數據處理與分析的效率。其中包含了3項Hologres 4.0更新的能力：
- Object Table-非結構化數據訪問
以表的形式直接訪問OSS中的非結構化文件（如圖片、PDF），並自動同步文件元信息。用户無需將數據遷入倉內，即可進行查詢與加工。
- Dynamic Table-自動增量數據加工
增量刷新能力，系統可自動感知湖上數據變化（新增、修改、刪除），並觸發AI Function進行實時處理
- AI Function
通過SQL直接調用大模型進行推理，例如當OSS中新增一張圖片，Dynamic Table會自動調用ai_embed生成向量，調用ai_gen生成圖文描述，並將結果寫入目標表。
- 一站式多模態數據分析
數據寫入Hologres，進行一站式、高性能、多模態數據分析。整個鏈路聲明式定義，僅需幾行SQL即可完成，大幅降低開發門檻與運維成本。
3.1 Hologres 4.0-AI Function：SQL化調用大模型，簡化AI開發
Hologres 4.0內置豐富的AI Function，覆蓋內容生成、文本理解、向量化、數據安全四大類：
- 內容生成與轉換：
ai_gen（智能生成）、ai_translate（多語言翻譯）、ai_summarize（文本摘要） - 文本理解與分析：
ai_classify（文本分類）、ai_extract（信息抽取）、ai_analyze_sentiment（情感分析） - 向量化與切片：
ai_embed（Embedding生成）、ai_chunk（長文本分段） - 數據安全：
ai_mask（敏感信息脱敏）
這些函數可直接在SQL中調用，無需編寫UDF或維護外部服務。例如，ai_embed(file)可將圖片或文本轉換為向量，ai_gen('請描述圖片', file)可生成圖文摘要。
所有AI計算基於阿里雲GPU算力池，用户無需預置GPU資源，實現“開箱即用”的大模型體驗。
3.2 Demo：湖上圖片的自動加工與多模檢索
以下是一個完整的端到端示例，展示如何利用Hologres 4.0實現湖上圖片的自動分析與檢索。
步驟1：創建Object Table
-- object table
CREATE OBJECT TABLE image_object_table
WITH (
path='oss://ai-demo-datasets/unsplash-25k/part1/',
"oss_endpoint" = 'oss-cn-beijing-internal.aliyuncs.com',
"role_arn" = '***'
);
REFRESH OBJECT TABLE image_object_table;
步驟2：定義Dynamic Table調用AI Function進行增量加工
CREATE DYNAMIC TABLE image_embedding_table
WITH (
auto_refresh_mode='incremental',
freshness='1 minutes',
vectors = '{
"vector": {
"algorithm": "HGraph",
"distance_method": "Cosine",
"builder_params": {
"base_quantization_type": "sq8_uniform",
…}
}}',
) AS SELECT object_uri, ai_embed(file) as vector,
ai_gen('請用一句話描述圖片內容', file) as desc
FROM image_object_table;
CREATE INDEX idx1 ON image_object_table USING FULLTEXT (desc);
步驟3：一站式多模態查詢
- 文搜圖（向量）：查找與“兩隻狗在雪中玩耍”最相似的圖片
- 文搜圖（全文）：在圖文描述中搜索“Two dogs play in the snow”
- 圖搜圖：上傳一張圖片，查找相似圖像
整個流程無需任何外部調度或ETL作業，完全由Hologres自動完成，真正實現“一鍵部署、自動加工、即席分析”。
四、Hologres 4.0：AI時代的一站式多模態分析平台
Hologres已廣泛應用於電商、遊戲、智能駕駛、金融、教育等行業。理想汽車基於Hologres+Flink構建了萬億車聯網信號毫秒級響應實時分析平台，在成本與原先持平的情況下，寫入性能提升200%，實現萬億數據秒級寫入。通過Hologres的JSONB存儲分析能力支持10000+車機信號動態增減，滿意業務靈活性需求。在增量場景使用Hologres Dynamic Table增量加工並使用Serverless資源按量付費，成本降低35%，需求交付效率提升10倍。Hologres在高性能實時讀寫、增量計算、計算組隔離、Serverless，JSONB智能壓縮存儲等核心技術上突破，成功支撐理想汽車在智能座艙、智能診斷等核心業務鏈路迭代，實現萬億級數據洪流下的秒級決策，助力新能源汽車在智駕場景實現多模一站式高性能AI數據分析，加速產業智能化進程。
Hologres 4.0的發佈，不僅是版本的迭代，更是理念的革新。它重新定義了AI時代的數據分析範式，實現了向量 + 全文 + 標量的一站式多模混合查詢，通過結合內置的AI Function一鍵部署大模型，構建面向AI時代的一站式、多模態、高性能分析平台。數據分析不應再是割裂的工具組合，而應是一個統一、高效、智能的平台。 未來，Hologres將繼續深化Data+AI一體化融合，探索更多AI原生應用場景，助力企業構建智能化數據驅動體系。
