2018 年年底，MIT 與 Google 合作撰寫新型機器學習型資料庫的研究結果，提出資料庫 “Optimizers” 及 “Cost models” 演算最佳化的「學習型程式組件」建模。

與 RDBMS、NoSQL 至 NewSQL 不一樣的是，過去這類研究多基於「特定領域」提供 “特有解法”，所以難以一體適用。使得很多中大型企業要針對不同的場景使用不同的資料庫體系。而「學習型程式組件」可以依據 “資料” 的特性，選出 (學習) 較適的處理結構。

例如，論文指出，當資料是近乎連續的整數時，常見資料庫的 B+ Tree 結構對此執行 Range Scan 的意義不大，反而直接用 Array 處理最佳。實測時，資料量 1 億的數據，在 Array 的 O (1) 下約 300 ms 可完成，但在 PostgreSQL 9.6 需要 150 秒，效能差距是 500 倍。

當然，因為是基於「機器學習」，所以硬體也不單是 CPU，而是需要 TPUs / GPUs 才能達到預期效果。

想要依據機器學習來針對資料庫某些領域的突破，讓我想起 2017 年 6 月 AWS 也有專文撰寫一篇資料庫參數效能自動最佳化的文章。之前把心得整理在 AI 浪潮下，資料庫管理師也即將失業？。