“应用程序大模型化”之路——从12306未来畅想看预设模式颠覆与AI就绪的数据觉醒

惊雷破云烟，热数开新篇

（引言）

从PolarDB开发者大会归来，阿里数据库掌舵人飞刀的演讲令我深感通透。台上，他没有堆砌那些玄奥的未来概念，而是务实地将焦点锁定在了当下的关键路径：AI 就绪（AI Ready）。

这一主张的背后，是一种技术清醒：“当前主流大模型，本质上只吞噬冷数据和温数据；而真正承载业务价值的热数据，却始终被挡在模型门外。”

如此犀利的洞察，精准剖开了当下AI落地最大的痛点。那一刻，仿佛一道闪电击穿了思维的迷雾，一个前所未有的概念在我脑海中轰然炸响——应用程序大模型化。

我为什么忽然提出这个概念？因为传统的应用程序是基于预设的，而人类的需求是非预设的。用有限的代码去穷尽无限的意图，注定失败。只有让应用程序本身完成大模型化，从执行指令进化为理解意图，才能走出困境。

但我也必须坦诚地告诉大家：这条路，目前全世界都还没走通。为什么？因为大模型有先天的智力缺陷——它无法实时更新参数，无法真正理解世界模型。而飞刀强调的AI就绪数据库，正是填补这一缺陷、让应用程序大模型化从空想落地的关键基石。

今天，站在2026年的路口，我想为大家复盘并预演一场应用程序从僵化预设到大模型化觉醒的五阶段颠覆性进化。

预设死胡同，众生困牢笼

（一阶段：确定性逻辑的预设时代）

我们先回望大多数人目前所处的原点，我将其定义为确定性逻辑的预设期。

在这个阶段，软件开发的底层逻辑是确定性。程序员就像是一个翻译官，把产品经理的需求翻译成计算机能听懂的 if-else、when-then、for-loop...

以12306为例，当你打开APP时，你看到的每一个按钮、每一个输入框，都是程序员预设好的。 你想买票？好，系统预设了你必须输入出发地、目的地、时间。 你想选座？好，系统预设了你只能选A/B/C/D/F。

但是，美好生活，怎能被预设？

我妈每次让我帮她买票，她的需求从来不是冷冰冰的GXX次几等座，而是充满了生活气息的诉求： “我要去北京看孙女。别让我太早出发，我早上要遛弯。但我也不想太晚到。我腿脚不好，别让我买那种离厕所和开水间特别远的位置。还有，上次坐车旁边那个大小伙子一直在打呼噜，吵死我了...”

在第一阶段的架构里，面对妈妈的这段话，系统是崩溃的。 程序员会摊手说：梁老师，这需求没法做啊！数据库里没有安静这个字段，也没有遛弯时间、厕所位置等等参数。我们只能预设几种通用的筛选条件，没法这么随心所欲啊！

用我提出的应用程序大模型化标准来衡量，第一阶段的得分是：0分！人被关进了代码编织的笼子里，在预设的世界里转悠，没有踏进应用程序大模型化的门槛。

2

马车换胶胎，旧瓶装新酒

（二阶段：AI辅助编码的预设时代）

时间来到2024年左右，大模型开始爆发，很多企业宣称进入了AI时代。但我认为，这只是增加了AI辅助编码的预设期。

在这个阶段，最大的变化发生在开发端。 以前写一套车票查询逻辑，我可能需要敲一天代码。现在，有了GitHub Copilot，有了各种AI编程助手，我只需要写一行注释：//生成高铁查询接口，支持按时间排序，AI刷地一下就帮我生成了完美的函数，甚至连单元测试都写好了。

效率暴增，成本骤降。 以前需要10个人的开发小组，现在2个人带着AI助手就能替代。于是我们看到了大量的裁员，看到了程序员群体的焦虑。

但是，请大家冷静思考一下：对于用户端来说，APP变了吗？ 完全没有。界面还是那个界面，按钮还是那个按钮，逻辑还是那个预设的逻辑。 AI在这个阶段，仅仅是帮程序员更快地造出了那个预设的笼子。它并没有打破笼子，只是让造笼子的成本降低了。

这就像是给马车换上了特种橡胶轮胎，马跑得更轻松了，车夫更省力了，但对于乘客来说，它依然是一辆颠簸的马车，而不是汽车。

这就是为什么我说应用程序大模型化很难。绝大多数人只看到了用AI写代码这一层表象，却没看到底层逻辑的停滞。如果不解决数据感知的根本问题，那我们永远走不出预设的怪圈。很遗憾，即便在这个所谓的AI时代，该阶段应用程序大模型化依然没有发生。不过好歹开发效率大幅提升，就不打0分了，给个20分吧。

若是从前，这段语音根本无效。但在第三阶段，APP背后的AI大脑会瞬间激活，像一位经验丰富的老列车长，将非结构化的语言拆解为精密的业务指令。

听到带孙子，触发儿童票逻辑；听到充电口，筛选配备插座的车型。更令人惊叹的是对隐性需求的挖掘：针对对面也是带小朋友的这一非预设难题，系统会潜入已售数据深海，分析旅客画像进行匹配；面对离餐车近又要少走路的矛盾需求，AI瞬间化身精算师，结合车站3D地图，为你求得步行距离最短的最优解。

请问：AI怎么知道哪个座位对面是小朋友？AI怎么知道此时此刻哪个插座坏了？

现有的数据库里，只有冷冰冰的已售/未售状态，可不会有哪些车型没有插座的记录，更不可能有哪列车厢的那个座椅插座好坏的实时记录。

这就是大模型的死穴：它无法理解世界模型，也无法实时更新自己的神经网络参数。昨天训练好的模型，不知道今天的最新情况。如果不能解决这个时空错位，所谓的大模型化就是痴人说梦。

所以，AI就绪的数据库成为了破局的基石。

既然模型不好改变，我们就让数据活起来。飞刀提到的AI就绪，本质上就是要让数据库打通多渠道的热数据：它需要分析历史行为数据，从对面座位的过往订单中推断出常带娃出行的特征；它需要整合UGC数据，实时抓取社交媒体上关于某车次插座故障的吐槽并标记；它需要接入IoT数据，让列车座椅传感器实时上报状态；它甚至需要融合跨场景数据，像全能Agent一样联动打车软件与地铁数据，安排好无缝接驳。

这正是AI就绪的深意：只有当数据库能在一个内核里同时处理承载高并发的热数据和代表用户意图的向量数据，大模型才能真正感知到世界的实时变化。没有这个基石，应用程序大模型化永远只是实验室里的玩具。

当数据与推理在底层打通，应用程序在已经大模型化的前提下不断完善，将迎来更迷人的第四阶段：自进化期。

在进入这个阶段之前，我们需要警惕一种认知误区：很多人认为，只要接入了大模型，能对话交互，就是AI应用。其实，目前市面上绝大多数所谓的AI应用都是伪技术，它们只是静态的快照。

大模型的参数一旦训练完成就是静态的，它怎么成长？靠实时重训模型是不现实的。

答案依然在数据库里。这种成长，在第四阶段将由数据驱动成为现实。程序不再是死板的代码块，而是变成了有记忆、能进化的有机体。

推演抵达终局：第五阶段，早已实现大模型化的应用程序，彻底完成从工具到伙伴的蜕变，进入主动智能期。它不再守株待兔，而是未雨绸缪。

试想这样一个场景：当你接到紧急差旅任务，你的智能伙伴早已在后台悄然启动。所有的复杂计算都在毫秒间无声完成：当它监测到你的航班延误两小时，落地虹桥将错过原定高铁时，它没有惊动你，而是基于对你“深夜不愿奔波”的偏好理解，瞬间做出一连串决策——自动退掉高铁票以规避改签费，光速预订了机场附近的酒店，并同步预约好落地专车，甚至体贴地向明早的客户发送了行程变动通知。做完这一切，它并未邀功，只是轻弹一条消息告知结果，让你在深夜能安心休息。

这一幕看似科幻，但请大家清醒一点：市面上那些所谓的AI买票助手、豆包手机自动操作，离这个阶段还差了十万八千里！大家不要有错觉，认为现在的APP能串联几个指令就是实现了第五阶段。那是大错特错！目前那些所谓的智能，本质上还是在执行预设好的简单脚本——它们只能在规则内跳舞，一旦遇到航班延误、跨平台改签、个人健康状况（如腿脚不好）等多变量冲突的非预设复杂场景，立刻就会趴窝。一言以蔽之：表面看起来高大上，其实还停留在最原始的预设阶段，因为底层架构根本没变！

真正的第五阶段，是打破了APP的边界，跳出了单一应用的孤岛。这就不得不提我以前在中盾安信研究院工作时的一个核心研究课题——可信数字身份（后续考虑专门写一篇文章）。

未来的计算将真正实现以人为中心。当数据确权问题解决，基于可信数字身份，你的健康、出行、金融等数据将在用户授权下合理合法地互通。只有当数据不再是航空公司的私产，也不再是铁路局的孤岛，而是真正属于用户自己的数字资产时，那个全知全能的智能伙伴才能真正诞生。

有了这个基石，我们再回看12306春运一票难求的死结，就会发现一种全新的解法。以前的春运是数亿人同时发起的脉冲式攻击，是一场盲目的混战，瞬间压垮服务器。而在第五阶段，应用程序从被动响应走向主动统筹。在数据安全的保障下，系统对你和你的家庭了如指掌，它会在放票前与用户完成多轮主动协商，绘制出一张精准的全量需求地图：有的人时间灵活，这三天内出发都可以，系统将其平滑安排在波谷；有的人为了省钱愿意坐慢车；有的人因为严重的神经衰弱，在车上绝对失眠，必须避开所有过夜车次；而有的人则偏爱夕发朝至的卧铺，睡一觉到家还能省下白天的时间。

更重要的是，分配逻辑将变得极具人性化：稀缺的直达票会优先锁定给孕妇和行动不便的老人。进一步延展，当铁路运力饱和时，系统能瞬间联动航空和公路系统，给出性价比最优的替代方案，将压力平滑地分散到整个交通网络。这种全局统筹的结果，不仅是让大家更容易买到票，更是买到自己满意的票。真正的智能，不是让你抢得更快，而是让你根本不需要抢，这才是应用程序大模型化给社会带来的最大红利。

这才是终极的觉醒。但这不仅仅是为了让人偷懒，更是一场关于释放人类认知盈余的深刻变革。当人类不再需要把宝贵的脑力浪费在查攻略、对账单这些琐事上时，我们将拥有巨大的精力去攻克真正的难题。这种脑力的解放，将直接打破学科与创新的壁垒。当交互效率提升到极致，数据获取门槛降为零，奇迹就会发生：原本被封锁在各个专业软件里的知识与数据，将彻底打破藩篱，实现自由流动。这意味着，物理、化学、生物、材料、数学、医学等的融合将不再被技术鸿沟阻隔，史无前例的科研突破将由此诞生。

正如蒸汽机曾把人类从繁重的体力劳动中解放出来，应用程序大模型化旨在将人类从体力和脑力的桎梏中彻底解放，并反哺于人类文明的进化——这，才是科技进步的终极意义。

文章最后，我想对纯软件开发人员和数据库从业者聊聊职业护城河。

正如我们在前文所推演的，当应用程序大模型化后，从预设阶段进化到意图驱动和自进化阶段，核心竞争力已经从写出逻辑转移到了掌控数据。但现在很多做纯应用开发的朋友非常焦虑，因为AI抹平了写代码的技能门槛。以前觉得逻辑写得快是核心竞争力，现在AI几秒钟就能生成漂亮的代码。在单纯的构建程序这件事上，纯开发的技能优势确实在消融。

但如果你读懂了应用程序大模型化的终局，你会发现一个惊人的反转：在未来，当全世界所有的应用程序都参与大模型化转型改造时，万亿级的蓝海市场将彻底爆发。

还记得在第二阶段，我们提到的那个残酷现实吗？——效率提升，10个程序员被裁得只剩2个。但在大模型化的终局里，这剩下的2个程序员根本不够用，那被裁掉的8个人不仅回来了，整个团队的规模甚至比先前大得多！

为什么？这里有两层巨大的机会空间：

第一，是存量改造的工程红利。全球数以百万计的传统APP都需要进行“大模型化”的彻底重构，这相当于要把数字世界的地基全部翻新一遍。构建数据资产、设计反馈闭环、搭建向量数据库，工作量不可谓不巨大。

第二，是增量创新的生态红利。当数据打通、智能觉醒后，会诞生出全新的商业模式和创新应用——就像4G网络催生了短视频和外卖一样，大模型化将催生出我们现在还想象不到的超级应用。这些新物种的诞生和维护，需要海量的技术人才去支撑。

当所有的智能都建立在数据之上时，数据的崩塌就意味着智能的毁灭。这时候，数据从业者的核心价值被无限放大了。它从来不是写SQL，而是对数据资产的极致掌控力。当系统瘫痪，如何做精准恢复？在极端高并发下，如何保证数据强一致性？如何设计高可用架构，确保数据不丢？

这些涉及数据安全与治理的命门，AI不敢打包票，纯开发更是一头雾水。因此，AI时代出现了一个有趣的现象：代码生成变得廉价，而数据治理变得昂贵。

随着热数据进模型成为必然，懂得利用AI就绪数据库去处理向量、融合多模态数据的人，将是未来的架构师人选。而那些只会写if-else却不愿向数据领域转型的开发者，恐怕将面临严峻的职业挑战。

2026年，是一个新的起点。

尽管目前全世界都还没有实现真正的应用程序大模型化（哪怕是那些巨头，也还在摸索的路上，因为大模型的先天缺陷和数据融合的复杂性），这注定了这是一场艰难之旅。但请相信，这一定会成功。因为方向是确定的，而像PolarDB这样的AI就绪数据库，正在为我们铺平通往终局的道路。

我希望通过这篇未来畅想的文章，让你看到一个不一样的未来。在未来，12306不再是一个考验眼力和手速的战场，而是一个温情的出行管家；应用程序不再是冷冰冰的功能堆砌，而是懂你、爱你、甚至能预判你的智能生命。

这一路走来，从预设到觉醒，需要的不仅是算法的突破，更是底层数据架构的革命。

我妈妈或许搞不懂什么是AI就绪，什么是热数据。但当她有一天拿起手机，惊讶对我说：这手机成精了，它咋知道我想坐这儿呢？

那一刻，就是我们所有技术人奋斗的意义。

未完待续：我们的下一代，是AI原生的一代。当他们步入职场时，世界将是“应用程序大模型化”的完全体。该如何教育孩子，才让他们成为驾驭时代的主人？这一宏大的话题，留待下篇再聊。

    点关注   不迷路