在技术领域，每一次创新都可能带来革命性的变化，尤其是在人工智能和数据库管理的交叉点上。最近，谷歌的AI研究团队宣布了一项新的基准测试——CardBench，它为基数估计（CE）领域带来了新的评估工具，这对于数据库性能优化至关重要。
基数估计，即预测数据库查询可能返回的结果数量，是数据库查询优化的核心。它涉及到选择最佳的查询执行策略，比如确定连接顺序、是否使用索引以及选择最合适的连接算法。这些决策对数据库的响应时间和整体性能有着直接且显著的影响。如果估计不准确，可能会导致执行效率低下，甚至在某些情况下，性能下降可能达到数量级。
传统的基数估计方法依赖于简化的假设和启发式算法，这些方法虽然计算速度快，但在处理复杂查询时，尤其是在涉及多个表和条件的情况下，其准确性往往不尽如人意。而现代的数据驱动方法则尝试通过建模数据分布来减少这种开销，尽管如此，当数据模式发生变化时，这些模型仍然需要重新训练。
CardBench的推出，为学习型基数估计提供了一个全面的评估平台。它包含来自20个真实世界数据库的数千次查询，覆盖了以往任何基准测试所未涉及的范围。这个基准测试不仅支持基于单个数据集的实例模型，还支持零点模型和微调模型，后者在预训练后可以使用少量目标数据集数据进行调整。
CardBench的测试集包括了9125个单表查询和8454个二进制连接查询，这些查询设计用于挑战模型在处理具有多个筛选条件的查询时的性能。例如，微调的图神经网络（GNN）模型在二进制连接查询中的表现显著优于零点模型，即使在只有500次查询的情况下，微调也能显著提升模型的性能。
CardBench的推出，不仅为研究人员提供了一个全面和多样化的基准测试，以系统地评估和比较不同的CE模型，而且也推动了这一关键领域的创新。它支持的微调模型，为那些训练数据有限的实际应用场景提供了一种成本效益高的解决方案。
这项技术的进展，无疑将为数据库管理和优化带来新的视角，同时也为AI在数据库领域的应用开辟了新的道路。随着CardBench的进一步应用和发展，我们可以期待数据库性能优化将迎来一个新的时代。
