数据平台的墙，正被专用引擎拆掉

752倍。

这是 ClickHouse Cloud 在自家 CostBench 基准测试中给出的对比 Databricks 的"每美元性能"差距。几乎同一时间，Neo4j 宣布 Document Intelligence 即将在 AuraDB 上正式商用（GA），覆盖 Free、Professional、Business Critical 三个层级，把"从存量文档到知识图谱"的门槛一口气压到免费档。

两件事看似无关，实则指向同一个信号：通用数据平台的故事正在松动，专用引擎开始从性价比和易用性两端同时下刀。

📉 752倍：一场注定吵不完的 Benchmark

数据库行业的一个真理是：挑战者的声音，往往藏在竞品实验室的压测报告里。

ClickHouse 这次发布的 CostBench，给出的结论足够刺眼——ClickHouse Cloud 在每美元性能上领先 Databricks 752倍。但比数字本身更有信息量的，是它对差距的解释框架：从新数据到达，到快速答案返回，端到端追踪整条链路。换句话说，这不是一个单点微基准，而是冲着"实时分析完整生命周期"去的。

圈内流传一句话：所有厂商发布的 benchmark，都值得先除以 workload 再看。752倍这种量级，必然建立在特定的查询集合、数据规模和资源配置假设上，Databricks 侧几乎可以肯定会有官方或第三方的复核与反驳——这是数据库营销战的标准剧本。

但产业判断不能停在对数字真伪的围观上。真正值得记下的是"每美元性能"这个口径本身：它不是在比功能清单，而是在比 TCO（总拥有成本）。当一个挑战者把战场从"我能做什么"挪到"你为此付多少钱"，说明竞争已经从功能创新阶段，进入了效率绞杀阶段。

这是挑战者的经典打法：正面打不过平台的广度，就打平台的单价。

🧱 "全都要"的湖仓，在为通用性交税

通用性从来不是免费的，它是一笔隐形的税。

一个典型场景：某电商数据团队，白天高峰期看板查询变慢，BI 同事抱怨；平台团队回复"统一架构好维护，忍一忍"。这类场景在湖仓平台上并不罕见——一套平台覆盖摄取、存储、工程、BI、AI，好处是控制平面统一、治理集中，代价是任何一条具体路径都不是最优的。

CostBench 揭示的差距，正来自这条端到端链路：

湖仓的统一引擎要同时服务批处理、流处理、机器学习和交互式查询，每个场景都要在同一套运行时里做取舍。而实时分析这种"热路径"负载——数据刚到、查询频繁、延迟敏感——恰恰是专用列式引擎优化得最极致的场景。向量化执行、极致的列存压缩、为聚合查询定制的执行计划，这些积累不是通用引擎短期能追平的。

两种路线的差异，可以粗略对比如下（定性对比，基于公开信息的推演）：

产业逻辑很清晰：湖仓整合点状工具的时代红利正在耗尽。当年企业为了消灭十几个数据孤岛选择了大平台，如今开放表格式把存储层解耦出来，"引擎可替换"从口号变成了现实选项——于是通用性税第一次变得可计量、可逃避。

🕸️ 专用引擎的另一场翻身仗：把门槛打下来

专用数据库的宿敌从来不是平台，而是易用性。

知识图谱是最好的例子。过去建一张图谱的流程是：定义本体、写抽取规则、搭 ETL 管道、清洗数据、灌库——一个懂图数据库的专门团队，忙上几个月是常态。这让图数据库长期停留在少数金融风控、供应链场景里，进不了主流数据栈。

Neo4j 这次给出的答案是 Document Intelligence：在 AuraDB 上，从已有的存量文档——包括纯文本——直接构建知识图谱，并且以 GA 形式覆盖 Free、Professional、Business Critical 全部三个层级。链路被压缩成了这样：

注意两个关键词：存量文档和免费版。前者意味着不需要新建数据管道，资产就地变现；后者意味着 Neo4j 在用最低的试用成本换新增用户——这是典型的基础设施获客打法，和当年云数据库用免费额度养习惯是同一逻辑。

放在 AI 语境下，这一步的产业含义更大。企业做检索增强最头疼的，恰恰是非结构化文档里的隐性关系——文档之间谁引用谁、哪个实体属于哪个组织，纯向量检索解决不了。把文档自动变成图谱，等于给 AI 应用补上了一块向量库覆盖不了的能力。专用数据库正在借 AI 的手，把自己最贵的那段"数据准备"成本打掉。

ClickHouse 在打性价比，Neo4j 在打易用性，两头夹击的是同一个东西：通用平台的护城河。

💰 一美元性能背后的选型账

在云上，性能的尽头是账单。

为什么"每美元性能"这个口径现在有杀伤力？因为实时分析的成本结构里，热数据的计算与存储占了绝对大头，而且随业务量线性增长。当一家企业的实时查询规模从每天百万次涨到上亿次，两个数量级的单价差距，就是从"可以忽略"变成"董事会层面议题"的距离。

更关键的前提是：迁移成本正在塌缩。Iceberg、Delta Lake 这类开放表格式普及后，存储层不再锁定于任何一家引擎，数据资产留在开放格式里，上面跑哪家引擎，成了一个可以按季度重新决策的问题。平台厂商最引以为傲的数据引力，正在被自己推动的开放标准一点点稀释。

一个务实的选型框架正在行业内形成：

也就是说，越来越多的企业不再做"二选一"，而是让通用平台管批处理、工程和治理，把延迟敏感的热路径流量卸载给专用引擎——中间用开放表格式对齐数据。平台厂商未必喜欢这个架构，但账单会替企业做决定。

⚖️ 钟摆回摆，但平台派不会坐以待毙

数据架构的历史，就是"整合"与"专精"两个钟摆来回摆动的历史。

平台派手里的牌，依然比挑战者多。Databricks 的核心资产从来不是某个单一引擎的速度，而是数据引力——数据、权限、血缘、模型都在一个控制平面里，客户离开的成本极高。面对性价比质疑，平台的标准动作 predictable：推出高性能模式或专用 tier、在自研引擎上砸资源、把 benchmark 的解释权抢回来。

但这一次钟摆回摆的力度可能不一样。因为 AI 把专用引擎的第二个短板——易用性——也在快速补齐。Neo4j 用 Document Intelligence 把图谱构建做成开箱即用，这类"AI 降低了专用数据库门槛"的故事，大概率会在时序库、向量库、搜索引擎等一众专用产品上重演。当专用引擎既快又好用，还不需要复杂的数据准备，通用平台的价值主张就被从两端掏空了。

小结：752倍这个数字，先除以 workload 再决定信不信；但"每美元性能"成为主战场这件事，本身就是行业换挡的信号。存储开放化 + AI 补齐易用性，专用引擎第一次同时拿到了性价比和低门槛两张牌。2026 年值得盯两件事：Databricks 们如何回应性价比拷问，以及"Neo4j 式 AI 摄取"会不会成为专用数据库的标配。钟摆正在回摆，这次摆幅可能不小。