AIGC 技術迎來大爆發后，國內外科技公司紛紛推出自家大模型產品，這一波浪潮把向量數據庫這一原本沒那么火爆的賽道推到了聚光燈下。

向量數據庫本質有三種形態：第一種是純單機向量數據庫，它不是分布式的；第二種是在傳統數據庫上加上一個具備向量檢索能力的插件；第三種是獨立的、專業的企業級向量數據庫。

目前國內的許多企業并沒有采用專門的向量數據庫，而是在原來傳統數據庫上增加了一項向量檢索能力，也就是上述提到的第二種形態。從表面上看，獨立的、專業的向量數據庫看起來并不是那么剛需，但事實的確如此嗎？

這就要從傳統數據庫和向量數據庫的區別來看了。傳統數據庫和向量數據庫的主要區別在于它們的數據存儲方式、數據規模、查詢方式和計算密集型。

數據存儲方式：傳統數據庫存儲的是結構化數據，而向量數據庫存儲的是向量數據，即將非結構化數據（如圖片、音頻、文章等）轉換為向量方式來存儲。

數據規模：傳統關系型數據庫的管理數據規模通常為千萬級，而向量數據庫的需求數據規模則以達到千億級。

查詢方式：傳統數據庫的查詢通常是精確查詢，即查詢結果要么符合條件要么不符合條件。而向量數據庫則使用相似性查找，即查找與查詢條件最相似的結果，這需要更高的計算能力。

計算密集型：傳統數據庫的查詢主要是事務處理，而向量數據庫的查詢則是計算密集型，需要進行大量的向量計算和比較。

總而言之，向量數據庫的主要特點是能夠高效地存儲和查詢大規模的向量數據。它通常采用基于向量相似度的查詢方式，即根據向量之間的相似度來檢索數據。這種查詢方式可以用于各種應用場景，例如圖像搜索、音樂推薦、文本分類等。維度越高、信息量越大，這些特性都是傳統數據庫很難做到的。這種專門用于存儲、索引和查詢嵌入向量的數據庫系統，可以讓大模型更高效率的存儲和讀取知識庫，并且以更低的成本進行 finetune（模型微調），還將進一步在 AI Native 應用的演進中扮演重要作用。

目前，大語言模型（LLM）往往包含數十億個參數，嵌入則廣泛作用于這些模型的訓練和微調過程，使其獲得執行各種 NLP 任務的能力。在 MaaS 業務的訓練、推理等場景，向量數據庫都非常重要。

更重要的是，向量數據庫可以大幅度拓展大模型的時間邊界和空間邊界。目前的大模型都是預訓練模型，對于訓練截止日之后發生的事情一無所知。向量數據庫可以通過存儲最新信息后給大模型訪問來彌補這點不足。

此外，通過向量數據的本地存儲，向量數據庫能夠協助解決目前企業界最擔憂的大模型泄露隱私的問題。向量數據庫還自帶多模態功能，能夠實現用中文搜索英語圖書、用俄文搜索圖片內容等操作，向量數據庫的近似搜索能力能夠給向量數據庫帶來巨大的商業化潛力。

在羅云看來，現在我們無法完全篤定地說最終向量數據庫會停留在哪個形態上，但他認為第三種形體是可以向下兼容前面兩種形態的，只是這種專業的向量數據庫需要有長時間的積累和投入才能做得出來。第一個形態它可能邊界就在幾十萬行的下面，第二個形態它可能做到幾百萬行到億可能就搞不定了，如果要做到億到 10 億的數據規模，就需要專業的企業級分布式向量數據庫了。

未來發展趨勢展望雖然去年至今年國內外大模型產品和企業層出不窮，但羅云認為，目前大模型還處于技術發展的初期階段，相應地，與之相關的技術也處于較早期。以向量數據庫技術發展現狀來看，向量數據庫的發展可以分為三個演進階段：

第一個階段，是向量數據庫概念的定義和規范階段。也就是一款數據庫它要具備向量數據庫所有的特征，在向量存儲能力、檢索能力上達到向量數據庫的要求，能夠滿足客戶的基本需求，才可以稱之為向量數據庫。

第二個階段，是向量數據庫核心成本優勢的競爭階段。當我們把向量數據庫的概念和特征明確后，就要求數據庫廠商們“卷起來”了。他們要去真刀真槍地對比誰家的產品成本更低，比如單 QPS 查詢需要客戶付多少錢、它節省了多少人力和時間成本等。

第三個階段，是向量數據庫的易用性打磨階段。這個階段就主要去解決客戶“既要又要”的問題了。客戶已經不再只要求成本上的降低，還會更加關注數據庫性能的極致體驗，這也是向量數據庫廠商們要大力投入的方向。

目前來看，客戶的需求還只是停留在需要一款真正的向量數據庫上。

相比于傳統數據庫，客戶在做向量數據庫選型時就容易得多，因為應用場景單一，不會涉及太多混合場景需求。羅云稱，“在市場側，國內客戶在做數據庫選型時更傾向于選擇有持久性保障的廠商，客戶們會考慮你的服務的可延續性，這個比較重要?！?/div>