人工智能的"幻觉"问题，本质上是一个数据问题。

当一个企业级AI助手被问到"去年签署的合同中，与A公司相关的条款是否导致了供货问题"，它需要同时理解文件内容的语义、合同各方之间的关系网络，以及日期和类型的结构化筛选条件。而现有的数据库技术，没有一种能同时做好这三件事。结果就是AI在信息不足的情况下"脑补"答案，输出一本正经的错误。

韩国科学技术院（KAIST）的研究团队在今年6月于ACM SIGMOD 2026会议上发表的成果，直接从底层数据库架构入手，给出了一个系统性的解决方案：将三种数据库合并成一个，让AI在回答问题之前，真正把数据看清楚。

AkasicDB 将向量、图和关系存储集成到单个数据库管理系统 (DBMS) 中，并通过统一的查询规划器和遍历-连接-相似性运算符，将跨三种数据模型的查询处理为单个执行计划。这与传统方法（通常分别操作多个数据库）截然不同。

三种数据库的墙，是幻觉的根源

要理解这项研究，先得理解现有企业AI系统为何容易出错。

企业里的数据从来不是整整齐齐存在一个地方的。非结构化文档，比如合同、报告、邮件，被存放在向量数据库里，系统把文字转化成数值向量，通过计算相似度来检索相关内容。实体之间的关系，比如谁和谁签了合同、哪家公司供货给哪条生产线，被存放在图数据库里。而日期、金额、产品类别这类结构化信息，则躺在传统关系型数据库的表格里。

三种数据库，三套系统，三套查询语言。当AI需要同时调用这三种信息时，工程师必须分别查询、在应用层手动拼接结果，过程繁琐，延迟高，而且拼接过程中的信息损耗往往就是幻觉的直接来源。AI没拿到完整的证据，只能靠"猜"。

KAIST计算机学院金敏洙教授领导的团队，与学院创业公司GraphAI合作开发的AkasicDB，把这堵墙拆掉了。

AkasicDB将向量数据库、图数据库和关系数据库整合进同一个数据库管理系统，并配备一个统一的查询规划器。用户可以用单一的SQL/GQL语句，同时发出向量相似性搜索、图关系遍历和结构化条件过滤的请求，系统将其作为一个统一的执行计划来处理，而不是三个独立任务的结果拼接。

在此基础上，团队开发了名为"Omni RAG"的新型检索增强生成方法。RAG是当前企业AI的核心技术路径，其基本逻辑是先检索相关信息再生成回答，让AI有据可查而非凭空发挥。Omni RAG的创新在于，它让这个"检索"环节真正覆盖了语义、关系和结构三个维度，而非只有语义一个维度。

数字说话：78%和20倍意味着什么

实验数据给出了相当直观的答案。

与传统RAG相比，Omni RAG将AI回答的准确率提升了高达78%，这意味着原本每100个问题里约有一半答错或答偏的场景，现在错误数量可以减少近四分之三。在速度方面，原本需要21.3秒才能完成的复杂查询，在AkasicDB中可以在不到1秒内完成，性能提升超过20倍。

速度提升的原因不难理解：统一执行计划避免了大量中间结果的生成和跨系统数据传输，减少了提交给大语言模型的冗余信息量，处理路径更短，噪声更少，模型需要"消化"的内容也更精准。

金敏洙教授表示，AkasicDB的目标应用场景是国防、制造、金融、法律、科学和技术等对数据准确性要求极高的领域。这些领域的共同特点是，一个错误的AI输出可能带来真实的法律风险、财务损失甚至安全隐患，幻觉在这里不是体验问题，而是合规问题。

这项研究的意义在于，它没有试图在大语言模型本身上修补幻觉，而是从数据供给端根治问题：给AI喂入更完整、更精准、更有层次的证据，模型自然就少了"脑补"的空间。数据基础设施的架构升级，或许才是企业AI走向可信赖的最短路径。