云栖实录｜Hologres 4.0 全新发布：AI 时代的一站式多模态分析平台

2025 年云栖大会，Hologres 发布全新 4.0 版本升级，以“AI 时代的一站式多模态分析平台”为核心理念，全面展示了 Hologres 在结构化、半结构化与非结构化数据分析能力上的重大突破，特别是在 OLAP 分析、点查、向量检索、全文检索、湖仓协同及 AI Function 集成等方面的领先优势，刷新 ClickBench、JSONBench、VectorDBBench 等多项榜单，登顶第一。

直播回顾：

一、AI 时代的多模态分析从割裂到统一

1.1 AI 的飞速发展带来多模态分析的旺盛需求

随着人工智能技术的深入发展，企业对数据的利用已不再局限于传统的结构化数据分析。越来越多的行业开始依赖多模态数据进行智能决策，涵盖商品推荐、驾驶行为分析、金融风控、教育个性化等多个场景。这些场景普遍具备一个共同特征：数据形态多样、分析需求复杂、检索方式多元。

以电商行业为例，用户不仅需要通过关键词搜索商品，还期望实现“以图搜图”或“以文搜图”的智能推荐；在智能驾驶领域，车辆采集的信号数据既包括车速、电池温度等结构化字段，也包含图像描述、轨迹图片等非结构化信息，需支持按 VIN 号点查、多维统计分析、相似图像检索等多种操作；游戏行业则面临直播内容生成、玩家行为反作弊、个性化内容推送等挑战；金融与教育行业同样依赖合同文本合规审查、个性化投资建议、以图搜题等高级功能。

用智能驾驶一个典型的场景举例，可以看到智能驾驶场景中，采集的车机各种信号数据，以大宽表的形式存储在数据库中。这些信号数据通常会包含结构化数据（车辆状态、车机版本等）、半结构化数据（车机信号）、非结构化数据（轨迹照片等）。在业务应用的时候，要进行点查、OLAP 分析、全文检索、向量检索、混合检索等多种场景。

AI 时代的应用需要在一个统一平台上完成 OLAP 分析、点查服务、全文检索、向量搜索以及 AI 推理等多种能力的融合使用。然而，传统架构往往依赖多个独立引擎协同工作，导致系统复杂、成本高昂、数据不一致等问题频发。

1.2 传统多模态分析架构的痛点：N 个引擎带来的高成本与低效率

当前主流的数据分析架构通常采用“数据分层+多引擎”模式。

• 计算层-数据源经过 Flink、Spark 等实时或离线计算引擎处理后，分别写入不同的专用系统

• OLAP 分析 - 典型产品包括 ClickHouse、Doris 等

• 全文检索 - 典型产品包括 开源 Elasticsearch、Solr 等

• 向量检索 - 典型产品包括 Milvus、Faiss 等

• KV 点查 - 典型产品包括 Redis、HBase 等

• 时序 - 典型产品包括 InfluxDB、TSDB 等

• 宽表 - 典型产品包括 HBase 等

这种架构虽然能在单一能力上达到较高性能，但带来了四大核心问题：

1. 开发效率低：需为每个引擎适配数据格式，维护 N 条同步链路，管理 N 份元数据，开发周期长且易出错。

2. 存储与计算成本高：同一份数据被复制到多个引擎中，造成严重的存储冗余；各引擎资源独立，无法共享，资源利用率低下。

3. 运维管理困难：需同时运维 N 个引擎，故障排查复杂，SLA 保障难度大。

4. 数据对齐困难：由于各系统写入延迟不同，极易出现“能搜到却查不到”的一致性问题，严重影响业务准确性。

更为关键的是，当涉及跨模态查询（如“查找电池温度高于 40℃且图像中有人行横道的车辆记录”）时，必须在应用层手动拼接多个查询结果，逻辑复杂且性能低下。

1.3 Hologres：替换多种分析引擎，简化技术架构

针对上述痛点，Hologres 4.0 提出全新 HSAP 2.0 分析检索一体化架构（Hybrid Search/Analytics Processing）。基于单一引擎实现多模态数据的统一存储、统一计算与统一查询。该架构摒弃了传统的多引擎拼接模式，将 OLAP 分析、点查服务、全文检索、向量搜索、时序处理、KV 宽表等能力深度集成于 Hologres 内部，形成真正的“六边形战士”。新架构的核心优势体现在几个方面：

• 简化技术架构：用户只需管理一个引擎，大幅简化系统复杂度。

• 降低存储冗余：所有数据仅存储一次，避免多份冗余，显著降低存储成本。数据天然对齐，杜绝“搜到但查不到、查不对”的一致性问题。

• 提高加工效率：通过 Dynamic Table 实现近实时增量加工，支持从 ODS 到 ADS 层的自动分层，无需多写或多链路同步。

• 统一开发接口：开发者可通过标准 SQL 完成从点查到复杂分析、从文本检索到向量搜索的全场景操作。

• 成本与管理：Hologres 支持 Serverless 查询模式，按 Query 级别弹性伸缩资源

二、Hologres 4.0 架构：多模融合的一站式 AI 数据分析平台

2.1 Hologres 发展历程：从 HSAP 1.0 到 HSAP 2.0 的演进

Hologres 为高性能分析而生，自 2020 年推出以来，始终走在大数据分析技术前沿。发展脉络清晰地反映了行业分析需求的变迁：

• Hologres 1.0（HSAP 1.0）：首次提出“分析服务一体化”理念，将 OLAP 分析与 KV 点查能力融合，解决传统数仓与在线服务分离的问题，相关架构论文入选 VLDB 2020。

• Hologres 2.0：面对成本与稳定性难题，强化资源隔离与弹性能力，支持计算组实例化部署，并原生支持 JSONB 列式存储，提升半结构化数据处理效率。

• Hologres 3.0：迈向实时湖仓一体化，支持 MaxCompute、Paimon、Iceberg 等开放数据湖格式，通过 Dynamic Table 实现湖上增量计算，替代传统 Lambda 架构。

• Hologres 4.0（HSAP 2.0）：Data+AI 一体化架构火热，全面升级为“分析检索一体化”平台，集成向量、全文、混合检索能力，内置 AI Function，支持大模型 SQL 调用，成为 AI 时代的全栈数据分析引擎。

面对 AI 对多模态的旺盛需求，Hologres 正从一个高性能结构化数据分析引擎，逐步成长为支撑 AI 原生应用的多模态一站式数据分析基础设施。

2.2 Hologres 4.0 架构：多模融合的一站式 AI 数据分析平台

Hologres 4.0 的整体架构围绕“多模态分析检索 all-in-one”设计，实现“一份数据、一份计算、多模分析”的一站式目标，一条 SQL 即可完成从数据接入、AI 加工到多模查询的全流程。

数据存储层

支持三类数据源：

• 内部存储：结构化与半结构化数据（如向量、文本、JSON），支持高效列存与索引。

• 数据湖：无缝对接 MaxCompute、Paimon、Iceberg 等湖格式，实现湖仓一体。

• 非结构化数据：通过 Object Table 接入 OSS 中的图片、PDF、PPT、视频等文件，将其映射为可查询的表结构。

数据加工层

依托 Dynamic Table 能力，实现近实时增量计算。用户可声明目标表的新鲜度（如 1 分钟），系统自动根据上游变化增量刷新结果表，支持湖到仓、仓到仓、湖到湖等多种加工模式，显著降低资源消耗。

AI 能力层

集成丰富的 AI Function，基于阿里云 GPU 算力池，内置统一 Qwen 等大模型能力，通过 SQL 即可调用大模型进行推理，支持内容生成与转换（ai_gen、ai_translate）、文本理解与分析（ai_classify、ai_analyze_sentiment）、向量化与切片（ai_embed、ai_chunk）、数据安全（ai_mask）等函数。

数据分析层

提供统一 SQL 接口，支持五种核心查询模式：

• 点查：主键或非主键毫秒级检索

• OLAP 分析：复杂聚合、Join、窗口函数

• 全文检索：基于 Tantivy 引擎实现高性能 BM25 计算，支持召回杭景

• 向量检索：高召回率下的近似最近邻搜索

• 混合检索：标量、向量、全文条件联合查询

2.3 OLAP 与点查：刷新 ClickBench/JSONBench 多项性能榜单

OLAP 分析是 Hologres 的强项，在之前的 TPC-H 30000GB 性能测试中排行世界第一。其高性能的优势在于写入即可查，无需等待任何延迟，确保数据实时性。Hologre 4.0 在 OLAP 分析能力上持续刷新各项帮当成绩：

• ClickBench 内表性能中国第一

• 湖表（Paimon）性能对比 3.0 提升 100%，证明其在开放湖格式上的强大兼容性

• JSONBench 在 10 亿行数据集下，性能中国第一

• 点查场景引入全局二级索引，非主键点查 QPS 相比无索引时提升 65 倍

Hologres 让云上客户跟随版本更新即可实现性能优化，享受云上技术红利

2.4 向量检索：登顶 VectorDBBench 性价比榜单四项第一

向量检索已成为 AI 时代的“水电煤”，是连接大模型与现实世界的关键桥梁。Hologres 4.0 在该领域实现全面突破。

全新自研的内存+磁盘混合索引技术与 RabitQ 量化算法，在同等成本下，性能远超行业主流产品，以 20%的内存成本实现 95%以上的检索性能，单分片可支持 0.5 亿向量，助力企业低成本实现千亿向量数据的毫秒级检索，在 VectorDBBench 基准测试中（已提交社区审核），Hologres 以一年约 1000 美元的成本预算，在 99%高召回率下实现断崖式领先的 QPS，性能约为第二名的 4 倍以上，登顶 VectorDBBench 性价比榜单四项第一，实现高性能向量检索普惠化，**成为全球最快向量数据库！**这一成绩得益于其 Hologres 4.0 多重优化技术：

• BSA 剪枝框架：第一阶段使用压缩向量和近似距离进行初筛，第二阶段用原始向量精确重排，速度提升 1.4x~2.2x。

• 精细 IO 优化：异步并行 IO、缓存机制、Pangu 直读直写、预读取等手段显著降低磁盘索引查询延迟。

• 混合索引架构：内存中存储低精度索引（Rabitq），磁盘存储高精度索引（PAG 图-聚类混合索引），通过 elias-fano 编码压缩邻接表，内存占用减少 80%，性能损失小于 5%。

更重要的是，Hologres 保证一致性事务，确保标量与向量数据始终对齐，彻底解决“搜到却查不到”的行业难题。

2.5 高性能全文检索，标量+全文+向量一站式分析

Hologres 4.0 正式发布原生全文检索能力，基于高性能开源引擎 Tantivy 构建，采用 BM25 算法实现精准召回。

• 支持多种检索模式：关键词、 （带距离的）短语、自然语言检索

• 多样的分词器：simple、standard、icu、whitespace、keyword、ik、jieba

• 支持 BM25 打分（不仅能做检索，还能做召回）

• 标量 + 全文 + 向量 混合检索

Hologres4.0 通过标量+全文+向量混合检索一站式分析，实现跨模态精准定位。在搜索引擎、企业文档管理系统、日志分析平台等场景，帮助业务在海量信息非结构化文本数据中实现精准定位和知识挖掘

三、构建 AI 时代的一站式多模态分析平台

Hologres 4.0 将 OLAP 分析、点查服务、全文检索、向量搜索、时序处理、KV 宽表集于一体，但是 AI 的发展日新月异，一站式的多模态数据分析平台仍需要多项企业级能力，不断提升企业数据处理与分析的效率。其中包含了 3 项 Hologres 4.0 更新的能力：

• Object Table-非结构化数据访问

以表的形式直接访问 OSS 中的非结构化文件（如图片、PDF），并自动同步文件元信息。用户无需将数据迁入仓内，即可进行查询与加工。

• Dynamic Table-自动增量数据加工

增量刷新能力，系统可自动感知湖上数据变化（新增、修改、删除），并触发 AI Function 进行实时处理

• AI Function

通过 SQL 直接调用大模型进行推理，例如当 OSS 中新增一张图片，Dynamic Table 会自动调用ai_embed生成向量，调用ai_gen生成图文描述，并将结果写入目标表。

• 一站式多模态数据分析

数据写入 Hologres，进行一站式、高性能、多模态数据分析。整个链路声明式定义，仅需几行 SQL 即可完成，大幅降低开发门槛与运维成本。

3.1 Hologres 4.0-AI Function：SQL 化调用大模型，简化 AI 开发

Hologres 4.0 内置丰富的 AI Function，覆盖内容生成、文本理解、向量化、数据安全四大类：

• 内容生成与转换：ai_gen（智能生成）、ai_translate（多语言翻译）、ai_summarize（文本摘要）

• 文本理解与分析：ai_classify（文本分类）、ai_extract（信息抽取）、ai_analyze_sentiment（情感分析）

• 向量化与切片：ai_embed（Embedding 生成）、ai_chunk（长文本分段）

• 数据安全：ai_mask（敏感信息脱敏）

这些函数可直接在 SQL 中调用，无需编写 UDF 或维护外部服务。例如，ai_embed(file)可将图片或文本转换为向量，ai_gen('请描述图片', file)可生成图文摘要。

所有 AI 计算基于阿里云 GPU 算力池，用户无需预置 GPU 资源，实现“开箱即用”的大模型体验。

3.2 Demo：湖上图片的自动加工与多模检索

以下是一个完整的端到端示例，展示如何利用 Hologres 4.0 实现湖上图片的自动分析与检索。

步骤 1：创建 Object Table

-- object tableCREATE OBJECT TABLE image_object_tableWITH (   path='oss://ai-demo-datasets/unsplash-25k/part1/',   "oss_endpoint" = 'oss-cn-beijing-internal.aliyuncs.com',  "role_arn" = '***');REFRESH OBJECT TABLE image_object_table;

步骤 2：定义 Dynamic Table 调用 AI Function 进行增量加工

CREATE DYNAMIC TABLE image_embedding_tableWITH (    auto_refresh_mode='incremental',    freshness='1 minutes',    vectors = '{      "vector": {        "algorithm": "HGraph",        "distance_method": "Cosine",        "builder_params": {        "base_quantization_type": "sq8_uniform",         …}      }}',) AS SELECT object_uri, ai_embed(file) as vector, ai_gen('请用一句话描述图片内容', file) as descFROM image_object_table;CREATE INDEX idx1 ON image_object_table USING FULLTEXT (desc);

步骤 3：一站式多模态查询

• 文搜图（向量）：查找与“两只狗在雪中玩耍”最相似的图片

• 文搜图（全文）：在图文描述中搜索“Two dogs play in the snow”

• 图搜图：上传一张图片，查找相似图像

整个流程无需任何外部调度或 ETL 作业，完全由 Hologres 自动完成，真正实现“一键部署、自动加工、即席分析”。

四、Hologres 4.0：AI 时代的一站式多模态分析平台

Hologres 已广泛应用于电商、游戏、智能驾驶、金融、教育等行业。理想汽车基于 Hologres+Flink 构建了万亿车联网信号毫秒级响应实时分析平台，在成本与原先持平的情况下，写入性能提升 200%，实现万亿数据秒级写入。通过 Hologres 的 JSONB 存储分析能力支持 10000+车机信号动态增减，满意业务灵活性需求。在增量场景使用 Hologres Dynamic Table 增量加工并使用 Serverless 资源按量付费，成本降低 35%，需求交付效率提升 10 倍。Hologres 在高性能实时读写、增量计算、计算组隔离、Serverless，JSONB 智能压缩存储等核心技术上突破，成功支撑理想汽车在智能座舱、智能诊断等核心业务链路迭代，实现万亿级数据洪流下的秒级决策，助力新能源汽车在智驾场景实现多模一站式高性能 AI 数据分析，加速产业智能化进程。

Hologres 4.0 的发布，不仅是版本的迭代，更是理念的革新。它重新定义了 AI 时代的数据分析范式，实现了向量 + 全文 + 标量的一站式多模混合查询，通过结合内置的 AI Function 一键部署大模型，构建面向 AI 时代的一站式、多模态、高性能分析平台。数据分析不应再是割裂的工具组合，而应是一个统一、高效、智能的平台。未来，Hologres 将继续深化 Data+AI 一体化融合，探索更多 AI 原生应用场景，助力企业构建智能化数据驱动体系。