“萬物皆數，唯數學洞察一切，計算使能萬物。”這是第五代國產分布式智能數據庫AiSQL締造者、貝格邁思創始人張世明博士對于當下和未來數字社會的認知與思考。

張世明博士認為，未來所有需要解決的現實問題，最終都會回歸到相應的數學問題。

而數學問題自然要用數學思維去解決，這也是張世明博士成立貝格邁思的初衷。

發掘新硬件技術革新和軟件架構進步，利用數學優化算法模型，研發國內首款內存驅動架構的自適應異構智能計算引擎，全力打造第五代分布式智能數據庫AiSQL，真正首創踐行分布式數據庫核心卡脖子技術的國產化替代。

張世明博士畢業于香港大學計算機科學系，先后在德國慕尼黑大學LMU從事研究工作，曾任職于華為研究院諾亞方舟實驗室和百度研究院大數據實驗室，一直深耕大數據領域核心技術，在分布式系統和大規模機器學習系統等領域具有豐富的研發和應用經驗。

根植于“Bigmath”的貝格邁思，是一家為應對即將到來的快數據不斷增長的實時分析需求所面臨的諸多難題，特別是如何真正實現大規模數據的快速、實時優化處理，提出了自己的破解之法、解決之道——自適應異構智能計算引擎，打造新一代分布式數據智能平臺BigInsights的創新型公司。

數據井噴，追趕“快數據”

我們正在快速邁進數據智能時代的新紀元，未來幾年全球數據規模將繼續不斷增長，將讓現有的數據規模相形見絀，這些數據將帶來獨特的用戶體驗和眾多全新的商業機會。“快數據”將是繼“大數據”之后，下一個十年顯著的時代特征，快數據的力量必將給我們帶來幾乎無限的變化。

首先，數據規模會得到爆炸性增長。隨著5G、物聯網、大數據、人工智能、云計算等技術產業的快速發展，世界萬物互聯、智能感知，緊密相關的數據高速產生，全球數據量正迎來了爆發式增長。“大數據”躍然成為了“快數據”，全球數據正以難以置信的速度和體量產生。

IDC在《Data Age 2025》的報告中預測，從2018年到2025年，全球數據總量將從33ZB（1ZB=10億TB=1萬億GB）急速增長到175ZB，比2016年產生的數據量增加了十倍。其中，只有不足五分之一的數據將會得到實際應用，屬于數據分析的全球數據總量將增長至原來的50倍，而觸及數據庫管理分析的全球數據總量將增長至原來的100倍。

2020年，全球數據量已達到44ZB。其中，單在中國產生的數據量就達8ZB，約占據全球總數據量的五分之一。

與此同時，數據增長的速率正在不斷加快，數據中心承載的壓力也越來越大。其中，快速增長的實時數據的比例會大幅提升，到2025年，全球近30％的數據將是實時的。

其次，從數據到決策需要快速響應。無論是商業應用還是社會治理，數據實時價值日益凸顯，如何快速從海量實時數據中做出實時分析處理的需求不斷增加。面對高速產生的數據，越來越多的用戶需要更加實時、更快速地進行數據分析、優化處理。

數據爆炸正在驅動硬件、軟件及數據服務等市場前所未有的經濟增長。快數據時代，實時分析與實時決策將是數據分析的重點，傳統數據庫正面臨著不斷增長的數據規模和實時分析的雙重挑戰。

多年來，核心的數據處理硬件架構仍基于經典的馮·諾依曼體系結構，即指令與數據混合存儲，程序執行時，CPU在程序計數器的指引下，線性順序地讀取下一條指令和數據，以計算器為中心，這就注定了其本質特點是線性或是串行性。

簡單來說，核心在于“串行”二字，存儲器是馮·諾依曼體系架構的核心，CPU在每一次執行命令前，都要從存儲單元中讀取數據，執行一次計算任務，就要讀取一次，執行十次計算任務，就要讀取十次。

如此一來，馮·諾依曼體系結構的弊端由此顯現，即業界顯知的內存墻問題，不僅需要花費大量功耗在數據頻繁讀取上，更致命的是：慢。

如果處理速度過慢，則無法滿足快速增長的數據實時分析決策處理的需求。面對快數據，新一代數據庫需要解決三個基本問題：一，存儲和管理越來越大的數據承載量；二，將孤立的數據孤島連接起來；三，針對大規模數據進行實時分析。亟需對傳統數據庫進行技術革新，以應對不斷增長的快數據實時分析處理挑戰。

從零架構，打造自適應異構智能計算引擎

后摩爾時代，為突破以CPU為中心的馮·諾依曼架構的技術瓶頸，讓CPU、GPU、FPGA或其他各種智能計算芯片xPU一起協同計算，發揮不同處理器各自并行數據處理能力的優勢來共同完成計算任務是關鍵。為達到此目標，張世明博士及其創新團隊踐行了一條全新的解決之道，以適應內存驅動架構的異構智能計算引擎為基礎，融合機器學習框架和高速網絡，打造新一代分布式數據智能平臺BigInsights。

自適應異構智能計算引擎真正實現數據實時分析的異構智能計算優化處理，是貝格邁思區別于其它同類型公司的基礎。

傳統數據庫都是以CPU為處理核心，或有部分采用GPU或FPGA做為協處理器加速數據分析任務，但其并沒有把數據庫的計算任務下放到不同的處理器去進行適配優化處理。其結果是在不能進一步提升數據處理速度的同時還浪費了不同處理器各自的數據處理優勢，即沒有發揮不同處理器的各自所長。

一個大的數據分析任務分配到計算機的內部，會解析成為多個不同的子計算任務，這些子計算任務之間存在著不同的計算模式和關聯關系，貝格邁思可以通過這些計算模式和關聯關系進行不同計算任務的微調度，把相應的計算任務分別自動適配到各自適應的CPU、GPU、FPGA或其他各種智能計算芯片xPU上。

這就使得，原先需要等待CPU一步一步地串行完成的任務，現在針對現代CPU、GPU、FPGA或其他各種智能計算芯片xPU的不同并行數據分析能力，分解成不同的任務下放下去共同完成，將“單一處理模式”變成了“多重處理并行”，這即是所謂貝格邁思特有的自適應異構智能計算引擎。

區別于其他競品公司需要開發相應的專用系統來實現此，貝格邁思的技術領先之處即在于直接通過內置的自適應編譯引擎即可實現。

這樣結合諸多軟硬件技術進步從零架構的新一代分布式智能數據庫AiSQL即第五代數據庫，不僅速度可以領先國際主流內存計算平臺Spark超百倍，還可實現快數據復雜業務的實時分析處理，并實現在線系統彈性擴展、容災備份、多副本數據一致性同步、跨數據中心數據異步同步、自動數據遷移、高可用安全計算等新一代分布式智能數據庫所需的高效功能。

這種創新型的思考和落地實現是由以張世明博士為核心及張潼教授領銜的創新團隊歷經多年合作研發而成，團隊聚集了多位海歸博士及國內外著名企業的大數據與機器學習專家。他們熟識機器學習與人工智能應用的全流程技術要素，在大規模機器學習和高性能分布式系統研發方面有著豐富的經驗。

五大核心技術助力應對快數據挑戰

據張世明博士介紹，支撐起異構自適應智能計算框架的，主要是五大核心技術：壓縮可檢索、加密可查詢、原生虛擬化、內存驅動架構和遠程內存訪問，以這五大核心技術為基礎，幫助用戶提升效率、降低風險，實時獲得更大的商業價值。

壓縮可檢索，面對較大的數據量，一般都會進行壓縮，而傳統技術壓縮處理后須解壓縮后方可進行計算，而貝格邁思則采用獨特的數據結構，實現優于普通壓縮技術十倍的高效壓縮比，實現最小信息存儲，并在高效壓縮數據上直接實現微妙級的實時檢索，減少延遲，節約成本的同時，更大提升數據處理效率。

加密可查詢是一樣的道理，數據要上云，就必須要保證數據安全，數據加密后往往難以運算。貝格邁思使用最新加密可計算的安全協議，確保全程加密數據的安全計算，實現用戶可直接在加密數據上的高效查詢分析，保障用戶數據的安全可信計算，防范數據安全。

內存驅動架構則是以內存為中心的體系架構，而不同于傳統的以CPU處理器為中心的馮·諾依曼架構，即多個異構處理器共享統一的內存池和自適應異構智能計算引擎運行環境，實現真正大內存計算環境，有效防止多處理器緩存數據頻繁遷移而導致的井噴效應，突破馮·諾依曼架構的內存墻計算瓶頸，打造基于內存驅動架構的自適應異構智能計算一體機，滿足數據實時計算所需的強大算力需求。

原生虛擬化，為充分發揮新型硬件技術革新的高性能，突破操作系統的性能調度限制，讓數據分析引擎實例擁有專有的硬件設備資源，可以透過操作系統直接管理和操作這些專有的硬件設備，保證實時計算所需的硬件資源核心，同時保證不同數據分析引擎實例的安全隔離，實現裸機設備的輕量級實時虛擬化。

遠程內存訪問，要實現大規模數據的內存實時分析，諸如實現PB級數據的內存實時分析，則需成千上萬的計算機組成網絡集群，協同進行分布式內存計算方可完成，畢竟單臺計算機的內存資源是有限的，不可能將PB級數據裝入其內存。從而，實現多臺計算機間的內存互訪成為問題的核心。基于內存語義原語的遠程內存訪問協議，實現分布式內存計算框架，是貝格邁思自適應數據智能平臺的基礎。

目前，貝格邁思擁有的30多項核心專利都是圍繞以上五大核心技術延伸而來。張世明博士表示，這五大核心技術，單獨拎一個出來都可以做出一個千億級市值的產品，這也是未來貝格邁思垂直拓展的方向。

站在宏觀的角度，把握數字化、網絡化和智能化融合的數字經濟發展契機，是科技創新與產業變革的必由之路；站在用戶的角度，面對瞬息萬變的市場競爭，實時獲取數據的價值，是其立于不敗之地的關鍵。

貝格邁思將在數據智能技術創新賦能用戶這條道路上，繼續打磨技術，為新一代分布式智能數據平臺BigInsights提供必要的算力支撐，促進數據智能創新技術在金融、醫療、環保、智慧城市、智能制造、物聯網和工業互聯網等領域的創新應用。