2024年，中国正常运营的数据库企业有167家；到2026年6月，只剩94家。
两年少了73家，降幅接近44%。
但数据库市场并没有缩水。
中国数据库市场规模从2022年的403.6亿元增长至2025年的677.96亿元，预计2028年将达到979.74亿元。
一边是市场继续增长，一边是厂商少了近一半。
这不是行业冬天来了，而是数据库行业开始挤水分了。
图1：2022---2028年中国数据库市场规模及预测。来源：CCSA TC601《数据库发展研究报告（2026年）》
图2：全球及我国数据库企业数量。来源：CCSA TC601《数据库发展研究报告（2026年）》；2026年数据截至6月。
市场没变小，是留下来的门槛变高了
前几年，信创为国产数据库打开了市场窗口。那时，能不能在国产软硬件环境中运行、有没有完成兼容认证，是进入客户名单的重要条件。
随着兼容适配逐渐普及，客户的问题也变了。
核心技术是不是掌握在自己手里？
产品有没有进入真实生产场景？
实时与历史数据能不能在一套系统里完成存储、计算和分析？
这意味着，信创的入场券没有失效，但仅靠这张入场券已经留不下来。
早期依靠开源内核、兼容适配和外围替代进入市场的厂商，开始面对真实的经营压力。因为生产系统采购的不是一个能够通过验收的软件版本，而是未来多年持续维护、升级和演进的能力。
自主、场景、决策链路：数据库行业的三道生死门槛
核心技术能不能自主掌控，系统能不能扛住真实生产，实时与历史数据能不能更快变成业务判断，正在决定一家数据库厂商能否留在牌桌上。回答不了这三个问题，就跨不过这一轮淘汰赛的三道门槛。
第一道门槛是自主技术。
核心代码是不是掌握在自己手里，出了问题能不能追到内核，面对新的国产硬件和特殊业务负载能不能独立优化，决定了一家厂商能否对产品长期负责。
第二道门槛是核心场景。
实验室里的产品可以拥有漂亮的性能数字；生产系统里的产品，还要经历数据洪峰、复杂计算、硬件故障和长时间连续运行。
跑分很快，不等于生产环境扛得住。
第三道门槛是数据离决策有多远。
不少企业的数据要依次经过消息队列、数据库、流计算引擎和分析平台，最终才能变成一条预警。
系统越来越多，链路越来越长，真正留给业务的时间反而越来越少。
客户需要的已经不只是一个更快的数据库，而是一条更短的数据决策链路。
DolphinDB如何跨过这三道门槛？
今年，恰好是DolphinDB成立十周年。
DolphinDB跨过这三道门槛，靠的不是信创标签，而是三张硬牌：超过95%的核心代码自主研发，十年扎在金融实时场景，以及用一套系统打通存储、流计算和历史分析。
图3：DolphinDB应对自主技术、生产验证与实时历史一体化三道门槛的能力及公开案例验证。案例数据来源：DolphinDB官网。
第一关：超过95%的核心代码自主研发
2016年，DolphinDB研发团队成立。它没有从"再做一个通用数据库"切入，而是选择了高频时序数据这块难啃的骨头。
十年之后，DolphinDB核心代码自主研发比例超过95%。
它意味着生产环境出现特殊问题时，团队能够进入底层定位和修改；软硬件环境变化时，产品能够独立适配和持续演进。
自主可控最终不是材料里的百分比，而是出了问题以后，厂商能不能真正解决。
第二关：在金融生产场景中经受检验
金融市场是实时数据最苛刻的训练场之一。
行情数据管理、量化研究、实时计算、风险监控，都要求数据持续高速写入，计算尽快完成，系统还必须长期稳定运行。
平稳行情下，产品之间的差距并不明显，真正的考验，是行情突然波动的几分钟：数据量瞬间放大，订阅任务集中触发，实时指标同时计算，查询请求迎来高峰。平时藏在系统里的问题，会在那一刻一起冒出来。
跑分可以在一天内完成，生产能力却要在一个又一个交易日里磨很多年。
DolphinDB不是再做一次跑分，而是把系统放进真实的交易链路。
据DolphinDB与华安基金公开的客户案例，该公募FOF实时估值项目直接接入交易所Level1行情，把盘前数据准备、盘中流式计算、结果推送与落库放进一套架构，支撑上万只基金实时更新净值，平均响应延时小于10毫秒。
图4：华安基金联合DolphinDB打造公募FOF实时净值计算方案，支持上万只基金实时净值更新，平均响应延时小于10__毫秒。来源：DolphinDB官网客户案例页面。
另一端，在华夏基金金融科技部人员署名的公开案例中，使用DolphinDB后，10年沪深300日频调仓回测从2小时缩短至1分钟以内。
一个面对盘中实时行情，一个处理多年历史数据。这两组数字至少说明，DolphinDB的性能不只写在测试报告里，已经被放进具体业务中检验。
第三关：一套系统打通实时与历史
但进入生产只是结果，背后还要有一条足够短的数据链路。
华安基金案例中更值得注意的，不只是小于10毫秒的响应时间，而是同一套代码既处理盘中流式行情，也支持盘后批量计算、历史查询和重算。
DolphinDB把时序数据存储、流计算、历史分析和复杂计算放进同一套体系，让历史数据与实时数据尽可能使用一致的处理逻辑。
少一次数据搬运，少一套重复代码，也少一道口径不一致的风险。
数据库不再只是存放数据的仓库，而开始参与数据变成判断的过程。
从交易大厅到工厂车间
华安基金和华夏基金证明了DolphinDB能在金融场景落地。但实时数据不只产生在交易大厅，也产生在每一台持续运转的工业设备上。
表面上看，金融行情和工业设备相距很远，一个记录价格和成交，一个记录温度、压力、振动和转速；一个面对交易时间里的行情洪峰，一个面对全年不停的数据流，但在数据层面，它们处理的是同一类问题：海量时序数据持续产生，需要边写入、边计算、边告警，还要把实时数据和历史数据放在一起分析。
因此，DolphinDB从金融走向工业，并不是突然闯进一个陌生市场。场景变了，底层问题没有变：都是让持续产生的时序数据更快写入、更快计算、更快触发行动。
公开案例显示，比亚迪已经用DolphinDB建设实验数据实时分析平台，效率提升200倍；南方电网将其用于SCADA边缘端振动监测；中国核动力研究设计院则用它替换MySQL进行实时仪表监控。从交易大厅到工厂车间，这条延伸路线已经有了具体落点。
图5：中国核动力研究设计院仪控团队采用DolphinDB替换原有__MySQL__系统，用于仪控设备实时数据的采集、存储与监控。来源：DolphinDB官网客户案例页面。
回到开头那组数据：数据库企业从167家降到94家，消失的不是市场需求，而是缺少核心技术和真实场景的生存方式。
信创可以打开窗口，但不能保证谁一直留在牌桌上。
超过95%的核心代码自主研发、金融生产场景的验证，以及向工业实时数据场景的延伸，正是DolphinDB能够留在牌桌上的原因。
当金融市场锤炼出来的实时数据能力进入工业和物联网，DolphinDB的边界也从金融数据库，向更广泛的实时数据基础设施延伸。
数据来源： CCSA TC601《数据库发展研究报告（2026年）》、DolphinDB官方网站及公开资料；华安基金公募FOF实时净值计算案例、华夏基金量化投研案例、比亚迪实验数据实时分析案例、南方电网SCADA案例、中国核动力研究设计院实时监控案例。