数据库是下一个大趋势。这是图形数据库生成，也称为图1.0。图3.0设计需要既是分布式的又是本地的。就像第一代一样，存储都是自己做的。这个性能不错，但是设计是分布式的，所以数据量大没有问题。没有一台或几十台机器运行的限制，你可以运行。这样可以解决一些数据超大的公司，比如支付宝。比如“单机版”之前处理不了，因为数据量太大。
图数据库是用于做什么的？
图数据库是下一个大趋势。首先，图数据库是一个产品，但成为产品前，经历了很长时间的理论期。比如欧拉图其实已有超过 200 年历史，数学理论很完整，在图中有很多经典算法，像这两个点之间最短路径是？物流该怎么去优化？社区该怎么划分？它已有很多现成、成熟的算法和科学理论，但从理论到工业界的产品，这里一直存在巨大空白。
直到 2002 年时，出现一家公司，做了第一代“图数据库”，但他们不想把数据打乱，放到几个表里，而就想存成一个真正的图，所以一个词叫 Native（汉语翻译成“原生图”），就是说：我就是真正用一种图的数据结构来存图，这样我性能会好很多。但因为是 2002 年前的老技术，那时还没有大数据概念，还没有分布式系统的进展，这家公司做的就是单机版，数据只能在一台机器里跑，你数据量一大，它就没办法。
但这个公司十几年来就做这么一件事，然后不断教育市场，它现在还很有名，叫 Neo4j。这是图数据库一代，也叫图 1.0。然后大概 6、7 年前，因为有 hadoop/MapReduce 和其他开源的分布式系统，又有人做了些开源工具，做了些分布式图数据库，相当是有了一个捷径：你不用从头到尾做一个图数据库了，我用现有分布式存储系统来存数据，但在上头，我做个中间件，模仿一下图的 API，然后给终端用户终端开发者一个图的 API 概念。
比如说：我朋友的朋友是谁？朋友是谁有哪些类型的节点？有哪些类型的边？这样就号称可以存很多数据，不受一台机器限制，但缺点是性能差，整个过程很慢。也就是说：第一种性能好，但数据量一大，就没办法；第二种是多机版，它跑得过来，但性能差，没实时处理数据的能力；之后是图 3.0，像全球首家实时图分析平台 TigerGraph 在干的事。
图3.0设计需要既是分布式的又是本地的。就像第一代一样，存储都是自己做的。这个性能不错，但是设计是分布式的，所以数据量大没有问题。没有一台或几十台机器运行的限制，你可以运行。这样可以解决一些数据超大的公司，比如支付宝。比如“单机版”之前处理不了，因为数据量太大。
