MongoDB公司研究：AI應(yīng)用浪潮有望推動(dòng)新一輪客戶滲透用量提升周期.pdf

MongoDB公司研究：AI應(yīng)用浪潮有望推動(dòng)新一輪客戶滲透用量提升周期。MongoDB 的核心邏輯：AI 應(yīng)用浪潮驅(qū)動(dòng)企業(yè) IT 支出增長，且 結(jié)構(gòu)轉(zhuǎn)向 AI/ML 市場關(guān)注 MongoDB 的核心主要是 AI 受益邏輯，其核心邏輯為： 1、每一輪計(jì)算范式的變革都會(huì)帶來應(yīng)用開發(fā)技術(shù)棧的轉(zhuǎn)變。AI 可能會(huì)促進(jìn)自動(dòng)化開發(fā)，推動(dòng) 1）應(yīng)用開發(fā)數(shù)量的提升；2）數(shù)據(jù) 密集型應(yīng)用增加（數(shù)據(jù)庫支出占比提升）等。MongoDB 在 AI 應(yīng) 用開發(fā)中占據(jù)重要地位，適應(yīng)應(yīng)用開發(fā)場景（相比其他數(shù)據(jù)庫成 本低，I/O、CPU 利用率高）。此外，AI 應(yīng)用開發(fā)衍生出新需求 （向量搜索），相當(dāng)于 MongoDB Atlas 增加工作負(fù)載，會(huì)提升客 戶的平均付費(fèi)。2、AI 應(yīng)用會(huì)加速其從傳統(tǒng)架構(gòu)的遷移（從 RDBMS 遷移至 NRDBMS）。理由是 AI 會(huì)降低代碼生成的成本。

行業(yè)的成長邏輯是非關(guān)系型數(shù)據(jù)庫受益 AI 應(yīng)用浪潮及應(yīng)用架構(gòu) 現(xiàn)代化。

1）Generative AI 對開發(fā)成本的降低會(huì)促進(jìn)應(yīng)用生態(tài)繁榮。自動(dòng) 化開發(fā)顯著降低應(yīng)用開發(fā)、維護(hù)成本，這可能推動(dòng)應(yīng)用數(shù)量的增 加。更重要的是，在 AI 驅(qū)動(dòng)應(yīng)用中存在“數(shù)據(jù)-模型-AI 功能” 的循環(huán)，這導(dǎo)致對一些非結(jié)構(gòu)化數(shù)據(jù)的處理需求提升。MongoDB 在應(yīng)用相關(guān)領(lǐng)域占據(jù)核心位置，也將受益于 AI 應(yīng)用開發(fā)浪潮。 隨著 Google 發(fā)布 Gemini Nano，微軟發(fā)布 Windows Copilot，未 來端側(cè) AI 應(yīng)用將逐步落地，初期主要是 Google/微軟等商業(yè)化示 范，中長期外部應(yīng)用空間廣闊，MongoDB 將受益客戶新增工作 負(fù)載和向量數(shù)據(jù)庫需求。

2）非結(jié)構(gòu)化數(shù)據(jù)占數(shù)據(jù)量比例高，但處理能力弱，AI 加速數(shù)據(jù)遷移。企業(yè)遷移一般遵循新增負(fù)載放置新 數(shù)據(jù)庫，原有負(fù)載存放舊數(shù)據(jù)庫，因此工作負(fù)載/數(shù)據(jù)生產(chǎn)增速?zèng)Q定遷移周期，而 AI 應(yīng)用數(shù)據(jù)生產(chǎn)量高于傳統(tǒng) 應(yīng)用，這會(huì)加速工作負(fù)載的遷移，并且 AI 也能降低遷移成本，這也有利于 MongoDB。但需要注意，核心數(shù)據(jù)/ 系統(tǒng)對一致性/安全性的需求嚴(yán)格，因此主要在關(guān)系型數(shù)據(jù)庫內(nèi)部遷移，較少跨架構(gòu)遷移至非關(guān)系型數(shù)據(jù)庫，因 此 MongoDB 主要受益企業(yè)非核心系統(tǒng)/數(shù)據(jù)增長。

競爭邏輯主要是原有數(shù)據(jù)庫架構(gòu)與場景的匹配性，AI 目前對數(shù)據(jù)庫性能/成本等影響有限。傳統(tǒng)關(guān)系型數(shù) 據(jù)庫強(qiáng)調(diào)一致性和安全性，但擴(kuò)展性方面有所欠缺，與應(yīng)用快速迭代的需求匹配較弱，同時(shí)處理非結(jié)構(gòu)化數(shù)據(jù) 方面弱于文檔數(shù)據(jù)庫。專用的向量數(shù)據(jù)庫在數(shù)據(jù)庫基本性能方面不夠完備，例如 Pinecone 主要通過 APIs 發(fā)送和 接收索引數(shù)據(jù)，但缺乏一致性保障機(jī)制，即無法保證索引與源數(shù)據(jù)同步，這在高工作負(fù)載下可能造成嚴(yán)重問題。 數(shù)據(jù)庫領(lǐng)域的基本機(jī)制需要不斷工程迭代，因此專用向量數(shù)據(jù)庫在面向大客戶、商用場景需求可能不足，往往 需要外接其他數(shù)據(jù)庫，此時(shí)向量數(shù)據(jù)庫自身的擴(kuò)展性和維護(hù)成本成為問題，業(yè)界當(dāng)前思路聚焦傳統(tǒng)數(shù)據(jù)庫增加 向量處理能力。

AI 對向量數(shù)據(jù)庫行業(yè)預(yù)計(jì)貢獻(xiàn)增量，至 25 年行業(yè)規(guī)模可達(dá) 8.2 億美元。數(shù)據(jù)庫在行業(yè)穩(wěn)定發(fā)展后增速往 往小于收入增速（主要得益于工程優(yōu)化），但在行業(yè)快速發(fā)展階段其確定性高于下游應(yīng)用，且持續(xù)性強(qiáng)于上游 硬件（周期性）。在企業(yè) IT 支出結(jié)構(gòu)中，非關(guān)系型數(shù)據(jù)庫僅次于 BI 及應(yīng)用占比，受益 AI 應(yīng)用的敞口較大。價(jià) 值量增量方面，考慮當(dāng)前 OpenAI 200 萬開發(fā)者，平均每個(gè)應(yīng)用 4-6 個(gè)月的開發(fā)周期，假設(shè) 20 個(gè)開發(fā)者/團(tuán)隊(duì)，1 年維度對應(yīng) 20 萬 AI 應(yīng)用的增量，對應(yīng)約 3.4%的滲透率，結(jié)合 Top 100 的末位應(yīng)用開支，對應(yīng) 15.7 億美元的增 量開支。需要考慮 20%/30%的 AI 功能滲透率，那對應(yīng) 3.1~4.7 億美元/年的增量開支，預(yù)計(jì)至 25 年行業(yè)規(guī)模可 達(dá) 8.2 億美元，還需要考慮 AI 帶來的傳統(tǒng)數(shù)據(jù)庫間接開支增量。