HTAP國産分布式數據庫Hubble替代了Oracle一體機,核心表2000余張80T左右、400億條交易數據、提供56只服務應用交易、滿足500個用戶並發、500ms交易服務響應、每天在線交易量超200萬、占整個銀行核心交易量的10%，讓銀行面向櫃面系統可提供7*8小時A類實時核心交易，面向手機網銀系統可提供7*24小時A類實時核心交易。
從集中式Oracle切換到分布式HTAP，也解決了數據庫擴展性的問題。比如天雲數據讓光大銀行解決了曆史數據查詢問題，以往曆史查詢只能查到2年前，但在分布式技術上線後，可以查詢15年前所有交易數據，同時讓銀行櫃面系統以及手機APP可以無數人同時查詢。
而在BI逐步轉向AI的過程中，複雜的商業流程經算法重構。過去要把數據拿到SAS平台先分析，一層一層地把數據提出來搭建。但現在通過分布式技術，流程趨于扁平化，可以實現毫秒級的服務響應。
專注大企業客戶
天雲數據一開始就撬動的是行業頭部資源。目前天雲數據有光大銀行、興業銀行、中信銀行、中泰證券、中國石油、國家統計局等70余家行業內大企業客戶，分布在金融、能源、醫藥、政府軍事等領域，單筆合同級別超百萬
針對每個垂直行業，天雲數據都會成立一個子公司來專注賽道。目前天雲數據有160人，技術人員超六成。
在雷濤看來，如果一年600個項目，全是5萬、15萬等碎片化的訂單，公司總是重複滿足初級客戶的簡單需求，技術很難沉澱和深入。“在當下成長階段，打造産品需要在用戶想要什麽和你想做什麽中找到平衡”。
對于雷濤而言，專注頭部大B發展有兩大發展潛力。一方面，大B擁有機器學習的普遍能力和實驗室，更容易接受新産品。另一方面，天雲數據交付産品和交付服務的同時也在轉移大B客戶的數據價值。
“AI本身是一個知識生産過程，它能把大型企業規則、流程的經驗價值快速地抽樣出來進行複制，賦能行業內其它客戶甚至類似的其它行業。”
但在頭部客戶更定制化、個性化的情況下，天雲數據是否失去了很強的複制能力？
雷濤解釋到，雖然每個企業要求不盡相同，但都在不大的池子裏找數據庫。企業從海量數據中對數據進行遷徙、清洗、去重，可以去找合適的AI方法讓它産生業務的價值，此過程具有通用性。
談到核心壁壘，雷濤認爲天雲數據壁壘就是數據的複制價值。
壁壘的構建可分爲兩個階段。第一個階段是前沿科技本身的壁壘，比的是效率和産品核心價值，誰能夠紮得深和更好的交付，誰就能拔得頭籌。而作爲國內最早研發大數據和人工智能的團隊，天雲數據有一定的技術先發優勢。
第二個階段是推理端的服務。數據資源的價值需要通過機器學習進行提煉，形成知識，進而封裝成推理服務服務于行業。比如某保險公司20年長周期發生的重疾賠付定價上學習出來的特征和內容能夠快速地移植到保險行業，而頭部大企業客戶給天雲數據帶來很優質的訓練數據庫。
未來AI將引爆萬億級大市場，但目前滲透率不到1%，這給各企業留有衆多機會和想象空間。但無論哪種圈地方式，最終比的是速度、服務的穩定性以及産品化的能力。