DTCC（中国数据库技术大会）已经走过了15个年头，今年（2025）已是第16届DTCC。
做为国内最大的数据库技术盛会，DTCC很大程度上就像一个风向标。从传统数据库开始，大数据、NoSQL、分布式、开源、自主可控、国产化……，这一路走来，DTCC的主题，一定程度上成为不同时代的印记。
早在2012年，中国数据库先驱王珊老师在接受DTCC采访时：
（采访视频已上传IT知识刺客公众号）
谈到数据库的发展，就借DTCC平台，谆谆教导我们，要关注硬件，CPU、多核等新技术，鼓励我们自主创新。
王珊老师说的关注硬件，可不是把一堆硬件组装在一起，调用API去用一用而已。
硬件，现在已经形成了一个专业领域：体系结构。专门研究CPU、内存等硬件原理。
数据库始祖、关系型数据库创始大神科德（Codd），本来的专业是数学。在年近40岁时，到密歇根大学系统的学习了几年硬件，补全了知识短版，才完成了龙场悟道，之后不久就提出了关系模型。
数据库是基础软件，不系统的了解底层体系结构，终究是浮沙之上筑高楼。
基础软件，要担的起“基础”这两个字。
王珊老师的教导，即使穿越十几年光阴，仍有极大的意义。
在采访王珊老师时，DTCC记者朋友提了一个很好的问题，国产数据库能否在找到一个切入点，比如更好的服务啊、或大数据、NoSQL、甚至分布式等，实现对国外数据库的反超。
听到这个问题，王珊老师意味深长的笑了：
她回答了什么，算了，我不在这里总结了，有兴趣的读者朋友自行查看吧。
时光荏苒，岁月如梭。DTCC已经是第16届。从12年算起，13年过去了，苍海，已经变成桑田。或许现在可以回答记者朋友的问题了：国产数据库能否在找到一个切入点，实现中国数据库的崛起？
这个答案，是肯定的。
那个切入点，还真的出现了。但不是大数据库，也不是NoSQL、分布式等等，也不是如火如荼的AI。这些技术点都没有成为中国数据库掘起的切入点。
2012年DTCC，人是满满登登，会场还略显紧凑。13年过去了，今年DTCC，我提前到了一天，傍晚时溜达到会场看了看。基本已经布置停当，只剩几名酒店服务员，还在摆放椅子，相比2012年，会场恢宏大气：
13年，很多事情发生了改变。不变的是，会场中熙熙攘攘的人流，以及，DTCC依然像风向标，反应着数据库的发展。
今年DTCC，AI彻底火出圈，以至于有4个场次和AI直接相关：
专场4：AI For DB（上）
专场8：Data + AI（上）
专场9：AI For DB（下）
专场17：Data + AI（下）
AI场次，基本都是当天人最多的场次。
放几张AI场次的火爆画面，大家感受下：
甚至连传统的热门场次：内核、分布式、云，都被AI分走不少人流。
而且就算是其他场次，也能时不时听到AI。
其实我的内容，也跟AI相关。我今年的内容《数据库内核未来技术展望》，本身是一个庞大的话题，我原计划围绕两个字好好聊聊：算力。
但担心时长超标，只保留了GPU和CPU向量计算的比较、分析。
说到算力，GPU的算力千、百倍于CPU，这几乎是共识：
这是B站很火的一个财经类UP主讲英伟达公司的视频，连和IT关系不大的人都知道，CPU最多几十核、上百核（只说物理核），但GPU动辄上万核。
但，真的是如此吗？
传统观念上，GPU长于计算，CPU长于逻辑。
但CPU中有一个东东被我们忽视了，就是下图中的：向量计算单元：
CPU的硅片面积中，有大量的向量计算单元。
这些概念就是名词唬人，其实都很简单。大会中，我为大家介绍了这些“不说人话”的概念：
l标量就是一个数，向量就是一组数。
l标量计算就是一个数和另一个数做计算。这是传统的、通常我们所说的“计算”。
l向量计算就是一组数和另一组数做计算。
就这么简单。
简而言之，向量计算单元相当于组合多个普通的标量计算单元。
在现场，我举了一个例子，向量计算单元，相当于把“十个一块钱，组合成一个十块钱”。
但是，组合成十块钱后，这十块钱还在一个核、一个CPU中。
而GPU的的十块钱，分别对应十个核。
那么现在，GPU说：“我有十张钱，但你只有一张钱，我的算力是你的十倍”。
你看出问题了吧，详细的我就不放在这儿了，关注DTCC，等放出PPT后，我再为大伙详细解读。
从并行计算上讲，CPU并不差，算上成本，甚至可能会好于GPU。
但为什么不能用CPU进行AI的训练？
现场我着重介绍了这个问题，首先，GPU的张量计算单元，强于CPU。
张量计算就是矩阵计算，这可是AI的基础。
CPU中也有能做张量计算的，比如Intel在4代至强时就推出AMX张量指令集和张量计算单元。
说到这儿，我额外的插了一段反常识的题外话：“指令集并不重要，重要的是背后的计算单元。”
指令集相当于“面子”，后面的“里子”是计算单元。
AMX的里子是标准的鸡肋。
你不能放弃，AI代表未来，你放弃了AMX就代表放弃了未来。所以不能放弃，但是吧，AMX又实在无法做到比GPU更强。
AMX无法比GPU更强，但实际也并不弱。
真正让CPU在AI算力大战中输的底裤都不剩的，是老黄打造的“体系“。
GPU有整套为AI而生的体系。CPU这边却是在修修补补。
比如多块GPU的互联，老黄有NVLink，点对点带宽达900GB/s，多链路合计带宽达1.8TB/s。
CPU多核互联，比如Intel UPI、AMD Infinity Fabric，点对点带宽只能在50GB/s以内，多链路合计带宽也只能做到百GB/s量级。
为了让GPU能更大规模的互联，老黄更是打造了NVLink Switch，它能跨服务器组合多台服务器中的GPU。CPU这边到现在为止没有对标的产品。
虽然NVLink Switch距离有限，通常只在一个机架内，但也算是突破了。
CPU除了带宽还要低延迟，UPI/ Infinity Fabric的延迟都是很低的。跨服务器互联无法做到低延迟，对CPU来说意义有限。
总的来说，CPU的体系并不是为AI而生的。
NVLink 和NVLink Switch还有对应的软件，NCCL库，再加上CUDA，老黄为AI打造了一个完整的体系。
体系化后可以有多强？
前一阵子印巴空战已经给我们上了生动的一课。巴方的战机、导弹、预警机、通信系统、导航系统，等等是一个完整的体系。印方阵风虽然先进，但还没有先进到以一己之边对抗一个体系。
回过来继续说CPU的张量计算单元(AMX计算单元)，它并不差，但像印方的阵风战机一样，也没有领先到以一己之边对抗一个体系的地步。
GPU强在AI计算体系，这一块上，CPU在硬件上短板明显，所有AI还是只能靠GPU。
如果刨除AI，只说并行计算，比如排序、HASH、Group by、Filter等通用计算，甚至pre-AI/post-AI计算（如数据的向量化、AI推理等），CPU是否可以一战呢？
这其实是我主要要讲的内容：潜力巨大的向量计算。
CPU通过向量计算方式，提供了不弱于GPU的并行计算能力，只是因为缺乏体系化，没有发挥出来。
我举了一个例子佐证这一观点：
FFmpeg是和PG同一量级的世界知名开源基础软件。
这个例子生动的说明了一个问题，向量虽好，但得一流的开发者，才能释放它的潜力。而且一下子就能释放出百倍的性能潜力。
为什么会这样？
CPU的向量计算没有体系化，这导致它的使用难度大大增加。向量计算虽好，不会用也白搭。
这段就不展开了，大家等着看PPT吧。
总的来说，这一次我的分享内容，是历年来难度最低的，我只是做了大量的名词解释，标量、向量、张量、SIMD、SIMT、……。
最后，还用DTCC 2012王珊老师访谈做个结尾：
当DTCC记者朋友问到国产数据库有无可能跨越式发展时，王珊老师回答说我们的数据库已经很好了，但这不是一个一个技术问题，……。
当年听到这话时，我无甚感知。在技术之路上又狂奔了十三年。
再听到这话时，我不禁感慨万千。对啊，这不是一个技术问题。初闻不知话中意，再听已是话中人。
