長期以來，將事務資料庫與分析系統分離被視為良好的架構實踐。然而，隨著企業開始大規模部署 AI 智能體，這些智能體需要持續讀取、推理並基於業務數據採取行動，數據倉庫和資料庫廠商越來越意識到，這種分離架構正在成為一種負擔。
就在 Databricks 發布基於 Neon Postgres 的湖倉事務與分析處理（LTAP）方案、致力於拉近 OLTP 與 OLAP 之間距離的數周之後，EnterpriseDB（EDB）也為其託管型 EDB Postgres AI 資料庫服務推出了融合分析能力，目標方向如出一轍。
兩家廠商都在應對同一股壓力：讓企業 AI 智能體能夠直接操作最新的業務數據，而無需等待數據管道和副本同步。但 EDB 認為，其方案出發點與 Databricks 存在本質差異。
EDB 首席工程官 Max Romanenko 表示："Databricks 是從湖倉向外擴展，試圖通過 Lakebase 將事務處理能力引入進來，而我們則是從 Postgres 的操作層出發——那裡本就是企業運行最關鍵業務負載的地方——然後從這個基礎向外延伸。"
與 Databricks 以湖倉為核心的 LTAP 不同，EDB 保持 Postgres 作為操作層的唯一可信數據源，並使用 Apache Iceberg 作為共享目錄層，將 Postgres 與 ClickHouse、WarehousePG 及 Spark 計算引擎相連接。在這一架構下，操作數據留存於 Postgres，歷史數據和分層數據儲存在 Iceberg 管理的對象儲存中，各分析引擎可通過統一目錄查詢同一份數據，無需額外的數據副本或 ETL 管道。
Romanenko 表示，這一架構層面的差異對 EDB 而言至關重要，因為該公司的目標客戶是那些希望獲得 AI 與分析能力、同時又不願將敏感數據遷移到雲端託管平台的企業。"對我們來說，重點始終在於讓數據保存在客戶自己擁有和掌控的基礎設施上。"
HyperFrame Research AI 技術棧業務負責人 Stephanie Walter 認為，EDB 對數據主權的強調"將對關注數據主權、合規監管數據及混合部署的 CIO 產生強烈共鳴"。她表示，這一方案能夠讓企業在自己掌控的基礎設施上、更貼近數據地運行 AI 與分析工作負載，同時避免構建另一套專有數據體系。
HFS Research 高管研究負責人 Ashish Chaturvedi 認為，對於那些正在努力管控分析與 AI 預算的 CIO 來說，EDB 的融合分析方案在成本可預測性上優於 Databricks LTAP。他指出，EDB 基於核數的定價模型讓成本預測更加清晰，而基於消耗量的雲數據平台則會因查詢量、AI 工作負載和數據處理需求的波動導致賬單難以把控。
不過，Info-Tech Research Group 顧問研究員 Igor Ikonnikov 提醒道，可預測的賬單不等於更低的賬單。"高速操作數據處理對硬體的要求更高，相對成本也更貴，這與廉價的湖倉儲存相比並不占優勢。"
在數據治理層面，EDB 的架構也有望簡化企業的管理負擔。IDC 研究總監 Devin Pratt 表示，由於操作、分析和 AI 工作負載都可以通過統一的 Postgres-Iceberg 基礎訪問數據，企業或許能夠避免部署和治理多套專用數據儲存，從而減少需要許可和安全防護的系統數量。
對於開發者和數據工程團隊而言，EDB 的融合分析方案同樣能簡化日常工作。Walter 指出，這一架構減少了開發者需要集成和維護的系統數量，同時消除了在事務系統和分析系統之間移動數據所需的大量管道工作。Pratt 也補充道："零 ETL 意味著幾乎不需要搭建和維護數據管道，工程師可以將精力集中在真正創造價值的工作上。"
在這一領域，EDB 和 Databricks 並非唯一的參與者。Snowflake 通過支持開放表格式，持續擴展對操作型工作負載的支持；微軟則通過 Fabric 平台，將事務處理與分析服務整合至更廣泛的數據架構體系中。
不過，此次更新並不止於融合分析。EDB 還正式發布了"智能體資料庫"功能，旨在自動化處理日常資料庫管理任務。該系統能夠持續監控數百項運營和性能指標，檢測異常，推薦修復措施，並在企業策略允許的情況下自動執行修復操作。EDB 表示，這些自動化智能體可幫助企業將資料庫優化和調優速度提升最高 10 倍。
對此，Walter 保持審慎態度："這更像是自治資料庫概念的演進，而非一個全新的品類。Oracle 等資料庫廠商在自治資料庫能力上已深耕多年。"不過她也指出，EDB 的差異化機會在於：將這些自治能力與 AI 驅動的推理、自動化修復以及治理控制相結合，讓企業能夠靈活決定賦予系統多大的自主權限。
Q&A
Q1：EDB 的融合分析架構與 Databricks LTAP 方案有什麼核心區別？
A：EDB 以 Postgres 作為操作層的唯一可信數據源，通過 Apache Iceberg 統一目錄連接 ClickHouse、WarehousePG 和 Spark 等分析引擎，數據無需複製或經過 ETL 管道即可被各引擎查詢。Databricks LTAP 則從湖倉出發，試圖將事務處理能力引入進來。EDB 強調數據主權，數據始終保存在客戶自己控制的基礎設施上，而 Databricks 更依賴雲端託管平台。
Q2：EDB 推出的"智能體資料庫"功能具體能做什麼？
A：該功能會持續監控數百項運營和性能指標，自動檢測異常，並提出修復建議。在企業策略允許的情況下，系統還可自動執行修復操作，無需人工干預。EDB 表示，這一能力可將資料庫優化和調優速度最高提升 10 倍。不過分析人士也指出，這類自治資料庫能力並非全新概念，Oracle 等廠商此前已有類似產品。
Q3：EDB 融合分析方案在成本方面有哪些優勢和潛在風險？
A：EDB 採用基於核數的固定定價模型，成本更易預測，適合預算管控嚴格的企業，相比 Databricks 等消耗量計費的雲平台更透明。但分析人士也提醒，可預測不代表更便宜，高速操作數據處理對硬體要求較高，整體硬體成本可能高於廉價的湖倉對象儲存方案，企業在評估時需綜合考量。
