当 AI 说起人话，数据却失语了——智能数据库的语言学

当 AI 说起人话，数据却失语了——智能数据库的语言学

一句话主旨　2026 年，大模型终于把"人话"说得滴水不漏，但企业数据还没学会"被读懂"。本文借符号学的三把刀——语法学、语义学、语用学——切开数据库五十年历史：1970 年，Codd 教会了数据造句；2026 年，DolphinDB 与 DolphinX 开始教会数据被读懂。结构、时间、空间之后，智能数据库的第四块拼图，是语义。

系列说明　本系列四篇各占一个正交维度：《当数据库长出大脑》讲结构（五层架构解剖），《三百年时延坍缩史》讲时间，《数据的引力》讲空间。本篇补上第四个维度——意义：智能与数据之间隔着的三层语言关系。结构 × 时间 × 空间 × 意义，四篇互不重叠。

序章　|　一问三不知：直播间里那道无人能答的题

2026 年 8 月 20 日晚，DolphinDB 与 EMQ 的联合直播《打造 AI 时代更轻、更实时的数据底座》进行到中段，出现了这样一个瞬间。一位运维人员向 Agent 提问：

“过去 24 小时哪些设备温度异常？”

主持人的回答值得整段抄录——一个能进入生产环境的企业级 Agent，需要清楚知道：数据在哪里、传感器表是什么、字段和单位是什么、异常阈值如何定义，以及是否需要结合告警和维修记录进行综合判断。

五个"知道"，没有一个与模型有关，全部与语言有关：字段叫 WZ_TD_03 还是 temp_sensor_3？单位是摄氏度还是开尔文？"异常"是超过 85℃ 还是偏离工况基线两个标准差？这些信息不在数据里——它们在数据字典的某页 PDF 里，在三年前离职的工程师的笔记里，在老师傅的肌肉记忆里。

数据不缺数值，缺释义。

这不是某一家企业的疏漏，而是整个行业五十年的结构性欠账。符号学家查尔斯·莫里斯（Charles W. Morris）在 1938 年的《符号学基础》中，把一切符号系统切为三层（Morris, Foundations of the Theory of Signs, 1938）：

用这把刀切开数据库五十年，会看到一个安静的事实：

过去五十年，数据库工业把语法学做到了极致；语义学被外包给了文档与"老师傅"，语用学被外包给了口口相传。只要提问的还是人类，这套安排勉强运转——因为人类自带语义与语用。当提问者换成 AI，两笔欠账一次性到期。

本文讲三件事：一部只有语法的数据库史（第一章）、一部正在补写的词典（第二章）、以及一场正在发生的语用革命（第三章），最后抵达整座工厂说同一种语言的现场（第四章）。

第一章　|　语法学（1970–2016）：数据学会了造句，却不知自己在说什么

1.1　Codd 颁布的第一部语法

1970 年 6 月，IBM 研究员埃德加·科德（E. F. Codd）在《美国计算机学会通讯》发表《大型共享数据库的数据关系模型》（Codd, CACM, 1970, 13(6): 377–387）。在此之前，数据的世界是"导航式"的：程序必须知道数据躺在磁盘的哪个角落、沿哪条指针链行走——数据的物理栖身之处，与提问者的意图，被迫使用同一种语言。

Codd 的洞见是一次彻底的语法革命：把物理存储与逻辑结构分离，一切数据皆可表述为"关系"（表），一切访问皆可表述为关系代数的运算。主语（FROM 哪张表）、谓语（WHERE 什么条件）、宾语（SELECT 哪些列）——SQL 从此成为一门严格的形式语言，落在乔姆斯基层级（Chomsky, 1956）的上下文无关文法之内，机器可以精确解析、优化、执行。1986 年，ANSI 将其立为美国国家标准（ANSI X3.135）。

有一个常被忽略的细节：SQL 的前身名叫 SEQUEL——Structured English Query Language，“结构化英语查询语言”（Chamberlin & Boyce, SIGMOD, 1974）。数据库行业从第一天起就想让数据库"说人话"，但当年的技术只容得下"结构化"三个字，容不下"英语"——自然语言被驯化成了形式语言，人则被要求去学机器的话。这个未兑现的承诺，一等就是五十二年。

1.2　时序数据库：时间的变位法

此后半个世纪，语法学一路添砖加瓦。最丰富的一支方言，长在时间上。

时序数据需要的远不止 SELECT 与 WHERE：窗口聚合是时态，asof join 是过去完成时，会话窗口是断句，乱序修正是不规则动词的变位。时序数据库因此成为数据语法学最精密的分支——它把"时间语法"从查询语言下沉到了计算引擎。DolphinDB 以高性能分布式时序数据库为内核（DB-Engines 时序数据库类别全球排名第五、国内第一），内置 2000+ 时序分析函数、流批一体，本质上是给"何时发生"颁发了一整套完整的词法与句法。

但恰恰是这套最精密的语法，暴露了语法的天花板。

1.3　语法的天花板

看一张完全合法的表：

ts device WZ_TD_03
2026.08.20T14:23:01 PLC-2024 85.7
2026.08.20T14:23:02 PLC-2024 86.1

语法无懈可击：时间戳精度到秒，字段类型正确，主键有序。但 WZ_TD_03 是什么？装在哪套装置上？85.7 的单位是什么？意味着正常还是报警？——语法一个字也回答不了。

于是五十年来，语义被外包了：外包给数据字典文档（三个月后悄然过期），外包给 ETL 作业里的注释，最终外包给一句"去问老王"。老王，就是企业的活体数据字典。

语法解决"怎么问"，语义解决"问的是什么"，语用解决"谁在问、为何问"。前五十年，数据库工业把第一件事做到了极致，把后两件事留给了口口相传——直到 AI 进厂，替所有人交卷。

第二章　|　语义学：给数据库编一部词典，把罗塞塔石碑刻进库里

2.1　语义税：那张 80% 的账单

语义的欠账值多少钱？EMQ 联合直播给出了第一手的度量。DolphinDB 解决方案总监林亮基于客户调研指出：

企业智能化团队 80% 的时间耗费在底层数据基建上——打通实时数据通道、对齐数据元信息、清洗杂乱数据、准备复杂技术栈；仅剩 20% 留给业务模型调优与价值闭环。

细读这份清单：四项开销里，"对齐数据元信息"是编词典，"清洗杂乱数据"是正音注疏——那张 80% 的基建税单，一半以上其实是语义税。 行业以为自己在为算力付费，其实一直在为释义付费。

图片来源：DolphinDB 官方公众号《直播回顾 | DolphinDB × EMQ：打造 AI 时代更轻、更实时的数据底座》（2026.08.23）

2.2　罗塞塔石碑：词典必须刻在数据旁边

语义学如何入库？两百年前有一块石头给出过答案。

1799 年，尼罗河三角洲的罗塞塔镇出土一块石碑：同一段诏书，以埃及圣书体、埃及世俗体、古希腊文三种文字并列刻写。正是这块"平行文本"，让让-弗朗索瓦·商博良在 1822 年借古希腊文这把已知语言的钥匙，破译了失传一千余年的圣书体——埃及三千年历史从此可读。

罗塞塔石碑的启示只有一条，却常被违反：

**破译的前提，是"未知文字"与"已知文字"刻在同一块石头上。**原始数据是圣书体，字段描述是希腊文——分开放的"数据字典"，等于把罗塞塔石碑凿成三块，分藏三家博物馆，然后指望破译者跑着看。

2026 年 7 月发布的 DolphinDB V3.00.6，做的是把石碑刻回一块石头上的事：表字段描述从 256 字节扩展到 1024 字节，新增 Catalog 与 Schema 层级描述——业务知识以元数据形式沉淀进数据库本身，Agent 即刻读懂任何一张表。配合外部表能力实时接入 MySQL、SQL Server 等历史系统，官方给出的落地要诀正是"统一数据字典：一次性维护好元信息后，AI 可从 DolphinDB 统一理解内部表与外部源"。

这是数据库五十年历史上第一次：语义学从"文档的附录"，升格为"库的一等公民"。

2.3　双引擎：词法与语义的复调

有了词典，还要有检索信道。这里藏着自然语言问数最深的暗礁：用户嘴里的"温度异常"，与字段名 WZ_TD_03 之间没有任何词法重叠——纯关键词检索在此彻底失灵，必须靠语义向量找近邻；反过来，“85℃”"PLC-2024"这类精确术语，又只有词法匹配才能保证不错位。

这不是新问题，而是信息检索领域的经典结论：BM25 一族的词法检索（Robertson & Zaragoza, 2009）与稠密向量语义检索（Karpukhin et al., Dense Passage Retrieval, EMNLP 2020）各有盲区，工业界的答案是混合检索。DolphinDB 官网 AI 页对 DolphinMind 智能体的架构描述正是这一结论的产品化——“混合检索 + 多路召回 + 重排序”，语义与词法双重检索，确保每一个答案"查有实据、消除幻觉"。其底层是 TextDB（全文与词法）+ VectorDB（向量与语义）双引擎，全程库内运行，无需外置向量库。

图片来源：DolphinDB 官网 AI 产品页《下一代 AI 实时计算与数据的基础设施》

第三章　|　语用学：同一句话，总行和支行听见不同的答案

3.1　意义即用法

语义学之上还有一层。维特根斯坦在《哲学研究》第 43 节写下那句著名的话：“一个词的意义，在于它在语言中的使用。”（Wittgenstein, Philosophical Investigations, 1953, §43）

数据库世界对这句话早有体感。同一句"查一下客户 A 的持仓"——总部分析师问，是研究；支行客户经理问，是服务；监管员问，是核查。同一句话，说话人不同，合法边界不同，答案本就应当不同。 传统系统里，这件事靠"为每个角色各开发一套报表"来实现：语义没变，语用被硬编码在界面里——僵硬、昂贵、永远追不上组织的变化。

3.2　以人定权：语用的第一次原生表达

DolphinX（内嵌于 DolphinDB V3.00.6 的企业级 Agent 开发与治理平台）给出的答案是权限继承：DolphinX 复用 DolphinDB 完善的权限管理体系，Agent 调用任何能力时，自动继承当前操作用户的权限。总部分析师与支行客户经理用同一个 Agent 问同一句话，得到天然不同的答案——这不是缺陷，这是语用学第一次被数据库原生表达：意义因人而异，且差异服从同一套权限语法。这套权限体系已在头部金融机构与电网企业运行多年，细粒度覆盖库、表、函数、任务、技能与 MCP 工具，支持角色继承与多租户隔离。

3.3　组织的语用学：记忆、技能与那本越写越厚的笔记

比"因人而异"更深的一层，是"因组织而异"——同一个词，在这家企业里有只有自己人才懂的用法。DolphinX 把这种组织语用做成了三类可积累的资产：

• 长期记忆：会话闲置 6 小时后自动提炼"业务规则、踩坑经验、用户偏好"，分为 Agent 公共记忆与用户私有记忆，来源可追溯——组织开始把"我们这儿的话这么说"沉淀为资产。

• Skill 技能体系：内置 20+ 官方 Skill（Dlang 智能编程、数据导入、策略回测、机器学习、金融业务、流计算、运维等，开源在 GitHub）。Skill 的本质不是"工具"，而是制度化的语用——策略回测必须规避"未来函数"偏差、FICC 定价有行业惯例：这些不是数据的语义（数据是什么），是组织的语用（我们怎么用它）。

• Obsidian 知识笔记（2026 年 7 月上线插件市场）：跑完分析，一行代码把结论写成结构化笔记——因子 IR、换手率、交易信号，自动追加进当日日记；一个月后，30 条分析记录直接交给 AI 写季报。官方的一句话说得极准：“你不是在保存数据，而是在为 AI 搭建一个可以长期使用的记忆库。” 这是在给语义（字段）之外，补上语用（结论、标签、上下文）的沉淀。

3.4　问责的语用：审计即留痕

语用的最后一环是责任。DolphinX 的全链路审计让每一次提问都成为时间轴上的事实：谁、何时、问了什么、读了哪条数据、调用了哪个 Skill、模型返回了什么。半年后发现某份报告有误，工程师可以逐帧回放。

语用学三支柱：以人定权（意义因人而异）、记忆与技能（意义因组织而异）、审计留痕（意义可追责）。三者齐备，AI 才从"会答话"走到"敢担责"。

图片来源：DolphinDB 官方公众号《DolphinDB × Obsidian：把你的数据变成 AI 能读的知识库》（2026.07.15）

图片来源：DolphinDB 官网《V3.00.6 & V2.00.19 正式发布！》（2026.07.08）

第四章　|　通天塔施工记：当整座工厂开始说同一种语言

4.1　机器的方言

《创世记》里，人类合力建塔通天，神变乱了他们的语言，工程自此停摆。工业企业不需要读这则寓言——它们生活在寓言里：PLC 说 Modbus，SCADA 说 OPC UA，MES 说自家的 SQL 方言，行情网关说二进制私有协议，日志说 JSON。AI 进厂的第一天，撞上的不是算力墙，是巴别塔。

传统的解法是翻译再翻译：业务系统 → 消息系统 → 流处理 → ETL → 数据存储 → 分析平台 → AI/BI。六级链路，每一跳都是一次翻译，每一次翻译都在丢语义、加延迟、添故障点——语义税的又一种征收方式。

图片来源：DolphinDB 官方公众号《直播回顾 | DolphinDB × EMQ》（2026.08.23）

4.2　三跳，与一部统一的词典

2026 年 8 月，DolphinDB 与 EMQ 的联合方案把六级坍缩为三跳：

数据源（PLC / SCADA / MES / ERP / IoT）→ FlowMQ → DolphinDB → AI / BI / Dashboard

分工是一句官方的原话："FlowMQ 负责接入数据，DolphinDB 负责存储计算，AI 负责用好数据。"用本文的语言学视角重读，这一次坍缩恰好发生在两个语言层面：

• 机器方言的归一：FlowMQ 以一个引擎支持发布订阅、队列、流处理三种范式，原生兼容 MQTT、Kafka、AMQP、NATS 四种协议（已验证单集群 1GB/s 吞吐、200 万 msg/s，长连接 P50 < 1ms）——设备各说各话没关系，进了消息层就是同一种话。

• 数据语义的归一：DolphinDB 以多模态存储引擎加外部表统一接入多源数据，配合第二章的统一数据字典——AI 从一个入口理解全厂，工业数据库的语义承载力在此兑现：千亿级时序表关联十万级业务表，库内百毫秒到秒级完成。

而语义在此处与实时性会合——意义也有保质期。"异常"的定义随工况漂移，智能问数需要当下上下文。作为流批一体的实时计算平台，DolphinDB 让"刚发生的语义"与"十年的语义"用同一句话查询，特征计算时延最低可达微秒级。语义的供给，必须赶在语义过期之前。

落地的速度感来自电力研究院的案例：原本需要数月的数据底座选型与技术调研，被压缩到一周内完成部署、导入 600 多张业务表并进入调试——前提恰是本文第二章与第三章的两件事：数据质量与字段注释清晰（语义），业务算法沉淀为技能（语用）。

智能物联网综合管理平台的"综合"二字，至此有了语言学注脚：不是把子系统拼得更全，而是让全厂第一次说同一种语言——机器方言在 FlowMQ 归一，数据语义在 DolphinDB 归一，人机对话在 DolphinX 归一。

图片来源：DolphinDB 官方公众号《直播回顾 | DolphinDB × EMQ》（2026.08.23）

图片来源：DolphinDB 官方公众号《直播回顾 | DolphinDB × EMQ》（2026.08.23）

终章　|　语言的归还：五十年后，数据库开口作答

回望这五十年，数据库史其实是一部人类学机器语言的历史：COBOL 要学，SQL 要学，Python 要学，Dlang 要学。维特根斯坦在《逻辑哲学论》里写道：“我的语言的界限，意味着我的世界的界限。”（Tractatus, 5.6）——SQL 的界限，曾经就是数据世界的界限：不会写 SQL 的人，被挡在数据世界之外；而 1974 年那个想让数据库说英语的承诺（SEQUEL，Structured English Query Language），始终只兑现了前半个词。

2026 年，方向第一次反转。DolphinX 部署后，业务用户在 Web 界面以自然语言即可建库建表、导入数据、查询分析、编写脚本、排查问题——不是人迁就机器的语言，而是机器搬进了人类的语言。

但这次"归还"是有条件的：自然语言进门的前提，是数据库先学会"被读懂"。语法，五十年前就毕业了；语义，正在入库（1024 字节的字段描述、统一数据字典、双引擎 RAG）；语用，正在沉淀（权限继承、长期记忆、Skill 资产、全链路审计）。三者合流之处，才是名副其实的智能数据库：

时序数据库给出时间的语法，实时计算平台给出毫秒的语速，入库的元数据给出语义，继承的权限给出语用——四者同库，数据库才真正开口作答。

这不是概念，而是正在被度量的现实：官网实测中，AI Agent 辅助下迭代效率提升 174%、正确率 97%（Gemini 3.0 实测，2025.11）；2026 年 8 月，从三亚荣盛业基金的量化投研全流程，到中信证券金融创新服务会议上的范式探讨，这条路线仍在加速。

所以，回到直播间里那道曾无人能答的题——"过去 24 小时哪些设备温度异常？"它的答案从来不在模型里，而在一部词典、一套权限、一本越记越厚的组织笔记里。

五十年前，Codd 让数据有了语法；今天，智能数据库让数据有了意义。当 AI 说起人话，数据库终于开始作答——而这一次，人不必再先学会机器的语言。

FAQ

Q1：数据字典早就有了，与这次的"语义入库"有何本质区别？

A：传统数据字典是给人看的文档——物理上与数据分离，更新永远滞后于 schema，AI 够不着。V3.00.6 把字段描述（扩至 1024 字节）与 Catalog/Schema 层级描述作为库内元数据的一等公民，随库演进入、被 Agent 检索即得。前者是图书馆里的注释本，后者是刻在石碑上的平行文本。

Q2：自然语言问数与 Text-to-SQL 是一回事吗？

A：不是。Text-to-SQL 只完成语法学——把一句话翻译成合法的查询。生产级的智能问数还需要语义学（字段含义、单位、阈值来自数据字典）与语用学（提问者的权限、组织的惯例）。只做翻译的方案，会在"85.7 是报警吗"这类问题上原形毕露。

Q3：权限继承让同一个问题对不同人给出不同答案，不会损害可信度吗？

A：恰恰相反。答案因身份而异正是合规的要求（最小权限原则）；保持一致的是方法与证据链——同样的提问走同样的检索与执行路径，差异只在权限边界，且每一次调用全程留痕、可回放审计。可追责的差异，比无差异的泄露可信得多。

关键字索引：时序数据库 ｜ 工业数据库 ｜ 智能数据库 ｜ 实时计算平台 ｜ 智能物联网综合管理平台 ｜ DolphinDB ｜ DolphinX ｜ 语义学 ｜ 语用学 ｜ 数据字典 ｜ 元数据 ｜ RAG ｜ Text-to-SQL ｜ 权限继承 ｜ Skill ｜ MCP ｜ 长期记忆 ｜ Obsidian ｜ FlowMQ ｜ 混合检索