以公安行业的应用为例，公安行业用户的迫切需求是在海量的视频信息中，发现犯罪嫌疑人的线索。而这个需求的实现，需要智能的前端摄像机，通过实时分析视频内容，检测运动对象，识别人、车等属性信息；然后需要汇总海量的城市级信息到后端人工智能的中心数据库进行存储，再利用强大的计算能力及智能分析能力，对嫌疑人的信息进行实时分析，最终给出最可能的线索建议。
大多数专家将边缘和云方法视为更大战略的补充部分。云AI更适合批量学习技术，该技术可以处理大数据集以构建更智能的算法，从而快速，大规模地获得最大的准确性。Edge AI可以执行这些模型，而云服务可以从这些模型的性能中学习并应用于基础数据以创建一个连续的学习循环。
边缘AI芯片组中受支持的神经网络架构的类型是有限的，并且通常比在云中可以实现的功能落后几个月。解决这些局限性的一种有用方法是使用编译器工具链和堆栈，例如Apache TVM，它们有助于将模型从一个平台移植到另一个平台。
在大数据上云解决方案中，通过数据集成将离线和实时的数据分别通过离线引擎（EMR、MaxCompute）和实时引擎（MaxCompute交互式分析（Hologres）、Flink）去做数据处理，然后汇聚到DataWorks中做数据开发和数据服务，包括机器学习PAI平台去做模型开发等，最后开放给数据应用去使用，包括QuickBI、DataV、Tableau等。
同时通过与达摩院向量引擎库Proxima的深度集成，可应用于实时推荐场景，实时推荐依赖特征查询、实时指标计算、向量检索召回，Hologres向量查询功能与Proxima深度整合可以提供高性能的向量查询服务，再加Flink和PAI，可以应用于实时个性化推荐、图像、视频及人脸等，提高广告留存率。
5）提供日志分析、监控、Tracing一站式能力，针对时序场景深入优化引擎，保证时序日志监控和分析的性能。
6）扩展性：基于分布式架构，以及灵活开放的RestAPI和Plugin框架，背后的开源社区也在为全新的技术栈提供丰富的对接手段
在业务层面，好未来（前身学而思）作为Elasticsearch的阿里云标杆客户，直播云业务支撑着百万人线上课堂，支持师生互动，承诺不卡顿并支持500ms低延迟高清画质。但是随着监控指标越来越多，直播质量实时性保障困难。为保障客户使用体验，好未来还需要对一个大池子中的数据进行细粒度的数据权限分析，并且应对教育行业寒暑假高流量，强波动的情况。
在介绍数据库2025的规划之前，首先回顾一下数据库的发展历程。数据库的发展离不开计算机基础设施的发展，因此可以将数据库的发展分为五个阶段。
屏蔽底层实现：K8s通过一系列抽象如Loadbalance Service, Ingress, CNI, CSI，帮助业务应用可以更好通过业务语义使用基础设施，无需关注底层实现差异。
类似 Cloud Foundry 的经典 PaaS 实现会建立一套独立概念模型、技术实现和扩展机制，这种方式可以提供简化用户体验，但是也引入了一些缺陷。无法和快速发展的 Kubernetes 体系相结合，无法充分组合使用多种新的技术实现，比如Serverless编程模型，支持AI/数据分析等新计算业务。但是基于K8s的PaaS平台缺乏统一的架构设计和实现规划，会出现很多碎片化的技术实现，并不利于可持续的发展。
