AI 能力地图 · ⑧
整库预测：不止一张表，让整个数据库直接出预测
上一篇的表格预测，一次只吃一张表。可企业的真问题往往横跨很多张表——客户、订单、发货、售后、发票，用外键连成一片。整库预测让你对着整个数据库直接问一句话，就出预测。
这是什么（人话）
它叫"关系型基础模型"。你不用再把好几张表拼成一张大宽表、再做特征——直接把库里那些用外键连着的多张表当成一张大网喂给它，然后写一句人话："哪些客户 30 天内会流失""这批在手商机谁会赢单"，它对着这张关系网出答案。和表格预测一样：预训练好、拿来即用、零训练。
原理一句话：用图神经网络把"客户—订单—商品—行为"之间的关系连成一张大图，模型在图上直接算——它读的不是一张表，是表与表之间的关系。
成熟到什么程度（证据）
四个硬事实：
· 代表作 KumoRFM 是全球第一个"关系型基础模型"——把关系数据库当输入，零训练直接出预测（欺诈、流失、推荐）。
· 在公开的关系型预测基准上，它零训练的成绩打赢了数据科学家为单个任务手工调出来的专用模型。
· 🇺🇸 NVIDIA 已于 2026 年年中以 4 亿美元级别收购了做这个的公司（Kumo），要把"数据库直接出预测"并进它的企业 AI 栈——巨头真金白银投票。
· 用法已经压到一句类 SQL 的"预测查询语言"：
· 代表作 KumoRFM 是全球第一个"关系型基础模型"——把关系数据库当输入，零训练直接出预测（欺诈、流失、推荐）。
· 在公开的关系型预测基准上，它零训练的成绩打赢了数据科学家为单个任务手工调出来的专用模型。
· 🇺🇸 NVIDIA 已于 2026 年年中以 4 亿美元级别收购了做这个的公司（Kumo），要把"数据库直接出预测"并进它的企业 AI 栈——巨头真金白银投票。
· 用法已经压到一句类 SQL 的"预测查询语言"：
PREDICT 流失 FOR 客户 WITHIN 30 天，业务人员写得出。
对你的企业意味着什么
先分清它和上一篇表格预测的分工——别拿错工具：
| 你的问题 | 用哪个 |
|---|---|
| 单表、结构简单（一张历史表就够） | 表格预测（上一篇） |
| 跨多表、靠关系（客户 × 订单 × 售后 × 发票） | 整库预测（本篇） |
整库预测最值钱的地方，是省掉了"做特征、拼宽表"那几周的活——直接对着你 ERP / CRM 里原生的多张表问问题。对数据摊在好几个系统里、又想做预测的公司，这是门槛的一次大幅下降。
现在该做什么
先别急着上，先看地基。整库预测吃的是"关系"——先确认你的库外键干净、主数据统一（见 主数据 那篇）。地基不牢，多表预测只会把脏关系放大成"精确的错误"。地基没问题了，挑一个天然跨多表的问题（赢单预测、复购预测）让技术同事用开源/云上的关系模型跑一场，仍然和"最笨基准"比——打赢才往流程里接。
坑在哪
三个别踩：
· 外键不干净 = 白搭：多表 AI 的前提是表与表之间的关系线是对的。关系错，预测全错——这就是为什么主数据排在它前面。
· 别拿它做高风险自动决策：和表格预测一样，正确用法是排序和优先级（先联系谁、先处理哪单），不是自动拒贷、自动处罚。
· 最强的那个买不到、会锁定：领先模型已被巨头收进自家栈，大概率跟着它的云和卡走。要私有化 / 自主可控，得盯开源关系模型的进展，别把命脉压在一个买不到的黑盒上。
· 外键不干净 = 白搭：多表 AI 的前提是表与表之间的关系线是对的。关系错，预测全错——这就是为什么主数据排在它前面。
· 别拿它做高风险自动决策：和表格预测一样，正确用法是排序和优先级（先联系谁、先处理哪单），不是自动拒贷、自动处罚。
· 最强的那个买不到、会锁定：领先模型已被巨头收进自家栈，大概率跟着它的云和卡走。要私有化 / 自主可控，得盯开源关系模型的进展，别把命脉压在一个买不到的黑盒上。
最后更新 2026-09-09 · 技术信息以官方最新发布为准