在蚂蚁灵光平台，用户仅需一句指令，30 秒即可生成一个“闪应用”，涵盖记账、报名、打卡等多种场景。上线四个月，此类应用数量已突破 3000 万个。
应用生成的低成本引发了新的技术悖论：海量应用产生的数据如何存储？如何确保每个应用拥有独立、持久且可准确调用的运行记忆？蚂蚁集团平台技术事业群总架构师黄挺将其比喻为“既不能让人人独盖一栋楼，也不能让三千万人睡大通铺”的困境。
这一工程难题成为了 OceanBase 估值新故事的注脚。灵光案例标志着 OceanBase AI 数据库能力首次在 AI 原生场景完成大规模验证，这家源自金融核心系统的公司正被资本市场置于全新的参照系中。
图：灵光官网界面（来源：灵光官网）
3000 万个闪应用，重构数据库成本结构
灵光的增长速度超出了传统数据库行业的经验范畴。上线仅四个月，平台累计诞生超 3000 万个闪应用。这些多为记账、打卡等轻量级工具，虽单体规模小，但对数据的精确性要求极高。
以记账应用为例，用户不仅需要记录收支明细，还需按月汇总。这种确定性计算并非大模型所长，目前大模型尚无法保证每一笔账目的绝对准确。
图：灵光 App 中，用户一句话生成的闪应用（来源：蚂蚁灵光）
对于 Agent 生成的应用而言，持续运行不仅需要数据存储，更需要可保存、可隔离、可调用的 Schema、业务状态及确定性计算能力。平台显然无法为每个应用单独构建后端。
灵光团队曾尝试两条路径均告失败：一是将所有数据打包成 JSON 存入大宽表，导致丧失求和、排序等计算能力且权限难控；二是为每个应用单独建物理表，海量建表操作压垮数据库控制面，且元数据开销远超业务数据本身。
这两条路的死胡同揭示了同一个问题：成本结构倒挂。AI 将应用生成成本降至接近零，但传统数据库“按表计费”的逻辑未变。当应用数量呈千万级膨胀，数据层成本随之线性爆炸。对于仅有几十行数据的应用，其占用的元数据和常驻资源开销与亿级数据表相当，数据量越小，单位成本越不划算。
这不仅是灵光面临的挑战，也是所有 AI 应用平台的共性难题：应用可以无限便宜，但数据不能。如何在两者间找到平衡点？
OceanBase 的解法：逻辑表架构
OceanBase 提出的第三条路径是“逻辑表”。该方案不为每个应用单独建库，也不将数据混入无法计算的 JSON 池，而是让每个闪应用拥有独立的逻辑表。用户可以定义表结构、读写数据、执行 SQL 查询，体验与独立数据库无异，而底层则由大量应用共享同一套物理存储。随着应用规模增长，增加的仅是共享表中的记录，而非物理表数量。
共享存储带来了新的安全挑战：3000 万个应用共存，如何严守数据边界？
解决方案在于"AI 生成 SQL，但不让 SQL 越界”。数据库仅由灵光服务端访问，业务权限模块根据用户和应用身份重写 SQL，强制注入应用边界条件，并逐步开放能力以避免 AI 生成高风险语句。
OceanBase 产品部总经理韩富晟将此比作写字楼模式：“每家公司拥有独立办公室，按需装修和存放文件，但整栋楼共享水电物业。既保障了独立性与隐私，又大幅降低了建造成本。”此外，系统预留了演进空间，若某闪应用用户量激增，可一键迁移至独立物理表，实现性能与资源的升级隔离。
这套方案验证了 OceanBase 作为 Agent 数据底座的能力。市场为其找到的新参照系，来自大洋彼岸的 Databricks。
为何称 OceanBase 为“中国版 Databricks"
彭博社此前报道将 OceanBase 与 Databricks 对标，业内亦视其为“中国的 Databricks"。这一共识基于共同的行业判断：AI 竞争重心正从模型转向数据。谁掌握企业数据底座，谁就握住了 AI 落地的入口。
两家公司的演进路径截然相反却殊途同归：Databricks 从数据分析和 AI 能力起家，向数据库延伸；OceanBase 则从分布式数据库和金融核心系统出发，向企业全量数据管理及 Agent 数据服务拓展，最终走向 AI 数据平台。
OceanBase 拥有一张 Databricks 叙事中独特的牌：确定性资产。历经十六年打磨，OceanBase 在支撑蚂蚁集团核心交易系统及服务交通银行、中国移动等数千家企业中，证明了其在金融级核心场景的可靠性，并蝉联中国分布式数据库本地部署市场份额第一。在支付转账场景中磨练出的“零出错”能力，是用真金白银的交易验证出来的。
在 AI 时代，这张牌被重新定价。AI 系统本质是概率性的，而企业生产环境需要的是“不出错的智能”。在灵光案例中，3000 万个闪应用的运行记忆依然依赖数据库进行确定性计算。
对标的成立与否取决于真实场景的大规模验证。灵光是第一个跑通的场景，3000 万个闪应用共享一套数据库平稳运行，证明 Agent 数据底座并非概念，而是经得起规模考验的系统。这也构成了 OceanBase 讲述“中国版 Databricks"故事的底气。
资本估值逻辑随之改写：数据库公司的价值不再仅由“管理数据量”决定，数据底座已成为 AI 落地的最后一公里。在数据库时代，金融级可靠性是护城河；在 AI 时代，它是入场券。
图：6 月 29 日 OceanBase Hours 发布会，"AI 时代 OceanBase 给出的答案：湖库一体的 AI 数据库”（来源：OceanBase）
三大能力诠释“竞争为何走向数据”
过去三年，大模型智力飞速提升，但企业落地 AI 的卡点往往不在模型而在数据。AI 能否触达准确、完整的企业数据，决定了其是“玩具”还是“工具”。
基于"AI 竞争从模型走向数据”的判断，OceanBase 将自身定位为 global leading AI 数据平台，并构建三大核心能力：
- 企业全量数据的一体化底座：今年 6 月，OceanBase 发布新一代湖库一体 AI 数据库，将结构化、非结构化、向量三类数据统一至同一引擎管理，使 AI Agent 能一次获取完整业务上下文。
- Agent 的数据底座：灵光 3000 万闪应用的逻辑表方案，正是该项能力的首次大规模公开验证。
- 企业的数据服务入口：数据库从“存数据”转向“供数据”，数据能力变为可被 Agent 直接调用的服务。新一代 AI 能力已在蚂蚁阿福、灵光等核心场景完成验证，并在数十家企业客户中测试。
OceanBase 总架构师黄挺引用 OpenAI 提出的"AI 五级发展阶段”（Chatbot、Reasoner、Agent、Innovator、Organization），指出 AI 正快速从 Chatbot 时代迈向 Agent 时代。这一切换改变了基础设施的两个底层假设：使用方从工程师变为 Agent，系统从确定性变为概率性。
这一框架对数据库行业意味着三重变革：一是“规模”定义被改写，从大库大表转向千万级小应用、动态 Schema 及高密度承载；二是竞争壁垒从性能可靠性转向成为 Agent 可调用的数据服务入口；三是湖库一体成为 AI 数据平台的入场券。
AI 正在改写数据库行业的规模定义、壁垒来源和产品形态。这是一次价值重估的机遇，而新范式的第一局已从灵光开跑。
新范式的第一局
3000 万个闪应用共享一套数据库平稳运行，证明了一个事实：当应用可由 AI 无限生成时，数据平台依然可以不被成本压垮、不被规模冲散，并为每个应用守住可持续运行的记忆。逻辑表、控制面弹性、Agent 隔离等机制在灵光身上的成功落地，构成了 AI 时代数据平台新范式的第一次完整实践。
韩富晟表示：“面向 Agent 的数据底座仍需探索，OceanBase 将持续为下一代 AI 应用构建真正可依赖的基础设施。”第一局虽已跑通，但牌局才刚刚开始。
这也给行业带来启示：过去两年，目光多聚焦于模型层的军备竞赛，而真正的胜负手可能藏在数据层。模型决定 AI 有多聪明，数据底座则决定 AI 能走多远。
Databricks 用百亿美金估值讲过的故事，OceanBase 正用 3000 万个闪应用重新讲述。这一次，讲的是中文。
