跳转到主要内容
  • Databricks 在 2026 Gartner 数据湖仓平台魔力象限中获评领导者,这印证了我们开创并确立了湖仓这一市场品类。
  • Databricks 是 Gartner 云运营数据库管理系统魔力象限中唯一入选的远见者,这一强劲的竞争定位彰显了我们对运营数据库未来的战略愿景。
  • lakebase 是一种事务型数据库,它以开放格式将数据保存在湖上,因此智能体可以按需创建和丢弃数据库,其他引擎也能使用同一份数据。Databricks Lakebase Postgres 是这一新型数据库的首个商业化实现,并被用作所有应用系统的记录系统:包括新型智能体工作负载、现代应用以及传统事务系统。

AI 正在将分析数据与运营数据融为一体

数十年来,企业一直将数据运行在两个彼此分离的世界中。仓库或湖仓负责分析。传统 OLTP 数据库运行应用。管道在两者之间移动数据,在此过程中产生副本、延迟和各自独立的治理。

在仪表板与应用彼此分离的时代,这种架构尚可运转。AI 改变了这一点。一个回答客户问题、批准交易或更新预测的智能体,需要同时获得新鲜的运营数据和深入的分析上下文,而且往往还需要写回数据。每增加一条管道都会带来延迟、成本和风险,因此两个系统之间的边界已成为瓶颈。

这些市场在很大程度上是各自独立评估的。Gartner 刚刚发布了数据湖仓平台魔力象限和云运营数据库管理系统魔力象限。然而我们认为,客户日益需要这两个系统作为一个整体来运作。

湖仓:一个由我们开创、如今已获行业认可的品类

当我们推出 湖仓,这个想法很简单。为每个数据工作负载提供一个开放、受治理的基础,而不是将数据湖和数据仓库保留为彼此分离的系统。如今,数千家组织在这一基础上运行数据工程、数据仓库、流处理、BI 和 AI。

我们认为,我们作为 领导者 的首届 Gartner 数据湖仓平台魔力象限中获评领导者,并在执行能力上获得最高分,这反映了客户每天所依赖的能力:并在执行能力上获得最高分这反映了客户每天所依赖的能力:

  • AI 原生。 Genie 让任何人都能用自然语言对数据提问,并以在 Unity Catalog 中一次性定义、受治理的业务语义为基础。AI Functions 直接在受治理的数据上运行推理,AI 则自动优化湖仓。
  • 开放设计。 数据以开放格式(Delta Lake 和 Apache Iceberg)存储,因此客户不会被锁定在专有引擎中。
  • 统一治理。 统一治理。Unity Catalog 对数据和 AI 应用同一套权限、血缘和质量控制。
  • 性能与成本。 无服务器计算与持续的引擎改进,为湖仓带来数据仓库级的性价比。
  • 实时。 Lakehouse//RT 将低延迟、高并发分析直接带到湖仓数据上。

我们已经从客户那里看到了这种影响。 Airwallex 和 大众汽车巴西公司 分别从 Google BigQuery 整合到 Databricks Lakehouse,并分别实现了 3-4 倍更快的洞察时间和 25% 的 TCO 降低。 Nubank例如,每月运行超过 5000 万次查询,P90 查询性能提升 7 倍,成本降低 40% 以上。

image1.png

湖仓并非作为一个品类而诞生,而是作为一种不同的构建方式。客户采纳了它,生态系统围绕它建立,市场也随之跟进。这正是我们再次踏上的道路。

Lakebase:重新定义湖上的运营数据库

The 湖仓 在开放、低成本的云存储上重建了分析能力。 Lakebase Lakebase 在运营数据库方面也是如此。 我们相信,它将成为所有应用的记录系统:包括新型智能体工作负载、现代应用,以及传统事务型系统。

在2026年Gartner云运营数据库管理系统魔力象限中,Databricks是唯一入选远见者的厂商,而此时距Lakebase Postgres正式可用还不到一年。 唯一入选远见者的厂商,此时距 Lakebase Postgres 正式可用还不到一年。我们认为这标志着该品类的发展方向。

当今使用的大多数运营数据库都是为另一个时代设计的。存储与计算紧密耦合,因此容量按峰值付费。数据库是沉重的资产,团队很少复制它们,而要将数据用于分析或 AI,就意味着要构建和维护管道。它们并非为智能体编写和运行的软件而设计。

Lakebase Postgres 则从不同的假设出发。它依然是 Postgres,因此开发者可以继续使用他们已经熟悉的工具,但计算与存储分离,数据存放在云对象存储上,与湖仓建立在同一基础之上。计算是无服务器的,并可缩容至零。数据库可以像代码一样即时分支,因此开发者和智能体能在数秒内创建出相互隔离的副本。而且,由于 Lakebase Postgres 原生运行于 Databricks 数据 + AI 平台之上,其数据与其他所有数据一样在 Unity Catalog 中接受治理。

客户已经在 lakebase 上运行生产工作负载。 PRADA Group 将其数千个受信任的 KPI 以低延迟 API 的形式提供给旗下各品牌,交付速度提升约 130 倍(从约 2 秒缩短至 15 毫秒),同时将基础设施成本降低约 50%。

“Lakebase 让我们从传统的基于查询的 KPI 交付方式,转向低延迟的服务层,使每一项指标都能以毫秒级速度通过 API 对外提供。”——Michele Piunti,PRADA Group 数据平台经理

LTAP:面向运营与分析统一智能体数据基础

image3.png

将运营数据引入分析领域,一直意味着要复制数据。繁重的分析查询无法与对延迟敏感的事务在同一台机器上运行而不造成干扰,因此团队会添加只读副本,或构建 CDC 管道将数据导入数据仓库。他们为额外的副本付费,等待脆弱的管道,最终还要治理同一份数据的两个版本,而这两个版本的权限却逐渐分道扬镳。这正是运营数据库与分析平台长期以来被作为两个独立市场来采购、运营和评估的一个重要原因。

由 lakebase 支持的湖事务/分析处理(LTAP)架构 湖事务/分析处理(LTAP) 架构,在存储层将二者统一,而不是强迫一个引擎同时承担两项工作。Lakebase Postgres 以完整的 ACID 保证处理事务,湖仓引擎负责分析。二者都读取以 Delta Lake 和 Apache Iceberg 等开放格式存储的单一持久数据副本,并在 Unity Catalog 中接受治理。无需构建管道,也无需镜像表,分析查询绝不会拖慢应用程序。分析可以即时读取应用程序刚刚写入的最新数据,没有任何延迟。这就是运营数据与分析数据如何在同一基础上协同工作。

我们已经看到客户从这种统一中获得价值。 Posti 已经在 Databricks Lakehouse 上运行其分析,并计划使用 Lakebase Postgres 在同一受治理的平台上为 GIS 和运营规划提供支持,从而使运营应用和分析不再分处不同的技术栈。

如需深入了解 LTAP 的工作原理,请阅读我们的 博客文章.

下一步

几年前,湖仓还是一个需要我们解释的概念。如今它已经成为一个市场品类,而我们认为 lakebase 正处于同样转变的起点。如今,写入数据库的已不再只有应用程序。智能体正以传统系统在设计之初未曾考虑过的速度和规模创建、分支和查询数据库,而且它们需要存放在湖仓中的分析上下文。

我们正在构建一个开放、可治理的基础,让每一个工作负载——无论是运营型还是分析型,无论由人还是由智能体构建——都运行在同一份数据之上。我们与客户共同打造了湖仓(Lakehouse),如今我们也在以同样的方式构建 Lakebase。

开始使用

Gartner,《数据湖仓平台魔力象限》,Aaron Rosenbaum、Michael Gonzales、Masud Miraz、Ramke Ramakrishan、Xingyu Gu、Robin Schumacher、Prasad Pore,2026 年 11 月 4 日。

Gartner,《云运营数据库管理系统魔力象限》,Masud Miraz、Aaron Rosenbaum、Ramke Ramakrishan、Xingyu Gu、Michael Gonzales、Prasad Pore、Robin Schumacher,2026 年 11 月 12 日。

Gartner 不为其研究出版物中描述的任何供应商、产品或服务背书,也不建议技术用户仅选择获得最高评级或其他称号的供应商。Gartner 研究出版物由 Gartner 研究咨询机构的观点构成,不应被理解为事实陈述。Gartner 对本研究不作任何明示或暗示的担保,包括对适销性或特定用途适用性的任何担保。

GARTNER 和 MAGIC QUADRANT 是 Gartner, Inc. 和/或其关联公司在美国及国际上的注册商标,并经许可在此使用。版权所有。

本图由 Gartner, Inc. 作为一份更大研究文档的一部分发布,应在整份文档的背景下加以评估。Gartner 文档可向 Databricks 索取。

相关标签:

Lakebase, LTAP 以及 湖仓架构

订阅我们的博客,将最新文章直接发送到您的收件箱。

订阅我们的博客,将最新文章直接发送到您的收件箱。

订阅

查看所有博客 slice-start id="_gatsby-scripts-1" slice-end id="_gatsby-scripts-1"