苗治勇：AI问数要精准，语义平台该如何搭建
AI问数正逐步演变为数据消费领域的基础能力，但行业普遍存在一个难题：大模型在直接回应业务数据查询时，经常产生幻觉、结果不稳定、置信度偏低等问题。尤其在Text2SQL场景里，仅依赖模型训练知识或文本召回方式，很难保证结果的精准与一致。模型并不了解"营收"在贵司的统计口径，不清楚"活跃用户"的统计周期是7天还是30天，也不知道两张表该以哪个字段进行关联——它只是在猜，而猜错了用户甚至无法察觉。语义层的价值，正是在大模型与底层数据资产之间注入一层强约束的知识体系。它把指标、维度、实体、业务流程、物理实现、SQ
SQL 开始调用 AI，但 AI 写 SQL 尚未成熟
假设你要分析一批产品评论：哪些是负面评价？用户抱怨的是物流、质量、服务，还是价格？以前，分析师往往先从数据库提取评论，在独立环境中进行情感分析和分类，随后将结果回填至数据库。如今，仅需一条 SQL 语句即可搞定：第一步用 AI 函数判定情绪，第二步将投诉归类至物流、质量、服务或价格等板块。这些功能还能与常规的筛选、连接、聚合等 SQL 操作无缝结合。这种查询被称为 AI-native SQL，即“原生调用 AI 能力的 SQL”。Snowflake、BigQuery 和 Databricks 等云数据平台
AI不讲立场更危险：比“AI味”要紧的警报在哪里
昨天，我做了一个小实验。我把自己电脑里这些年的文字记录打包发给deepseek。原本只是想看看，它会怎样解读文本、如何评价作者，也会如何应对那些带有判断色彩的问题。聊着聊着，我心里就渐渐明白了一件事。很多AI体真正的短板，未必在于它写出来的内容像不像人，关键往往是：它其实并没有必须守住的立场。这种体会并不是凭空想象出来的，而是我一步步通过对话“试”出来的。起初，我采用相对第三方的口吻和它讨论某位作者。我的表达里带着些认可，它很快就沿着这个方向往下走，不断把那个人的价值往上抬。后来我刻意改换语气，把原本的肯
83岁图灵奖得主炮轰科技巨头：大模型真实测试零分，MapReduce是场灾难
近年来数据库领域盛行的几大主流观点，在迈克·斯通布雷克面前总会遭遇强力阻击。当你宣称大模型将颠覆一切时，他会反驳说团队已在四个真实企业数据仓库中验证，当前最热门的Text-to-SQL技术在他们设定的基准测试中得分为零。若提及Hadoop与MapReduce曾开创纪元，他会直言不讳地指出这只是谷歌犯下的低级错误。即便你将他缔造的Postgres描绘为无所不能的万能方案，他也绝不会附和这种行业共识。这绝非一场温和的数据库历史回顾。Ryan Peterman的播客节目迎来了图灵奖得主、Postgres之父Mi