2018高清国产一区二区三区-国产黄色视频免费在线观看-欧美激情欧美精品一区二区-免费国产一级片内射老妇

就(jiu)像啤酒(jiu)注(zhu)定要有泡沫，每一場(chang)淘金(jin)熱(re)都(dou)不缺被捧上了時代風(feng)口的人。

大模型這(zhe)一波熱潮中，向(xiang)量數據(ju)庫就是那(nei)個幸運兒。

一方面，技(ji)術層(ceng)面并沒(mei)有太大(da)突破。向量數(shu)(shu)據庫(ku)并不是一種特(te)別新的(de)數(shu)(shu)據庫(ku)技(ji)術，在AI領域已經應(ying)用(yong)了七八年(nian)，谷歌在2015年(nian)就宣(xuan)布使用(yong)RankBrain語義檢索來處(chu)理(li)搜索任務。相比N家的(de)卡(ka)、液冷(leng)的(de)算(suan)、全光的(de)網、升級的(de)存，向量數(shu)(shu)據庫(ku)在技(ji)術方面并沒(mei)有特(te)別亮眼的(de)突破。

而另一方面，向量數(shu)據庫的投(tou)(tou)資(zi)(zi)熱潮又特別旺盛(sheng)。在(zai)上半年成了創業(ye)公(gong)(gong)司、云計算廠商、老(lao)牌數(shu)據庫公(gong)(gong)司，以及投(tou)(tou)資(zi)(zi)人們“群起而攻之(zhi)”的風口，Pinecone、Chroma和(he)Weviate等向量數(shu)據庫初創公(gong)(gong)司都獲得了融(rong)資(zi)(zi)，有的融(rong)資(zi)(zi)額高達上億美元。這在(zai)全球(qiu)經濟不明朗的投(tou)(tou)資(zi)(zi)形勢下，還(huan)是非常亮(liang)眼的成績。

不同(tong)于GPU卡那(nei)樣短(duan)期內(nei)需(xu)求堅挺、供不應求，加(jia)上(shang)摩爾定律的(de)約束(shu)，即使有泡沫，也(ye)是(shi)鐵做的(de)。也(ye)不同(tong)于存(cun)算網這(zhe)類“新(xin)基(ji)建”，長期投入的(de)戰略價(jia)值，得(de)到了廟堂和民間(jian)的(de)一(yi)致(zhi)重(zhong)視。

向(xiang)量數據(ju)庫，更多是(shi)作為一種AI基礎技(ji)術和產品，開(kai)始為大(da)眾所知曉。

僅(jin)憑這樣，就(jiu)在投資市場上(shang)一飛(fei)沖天，多少(shao)有點讓人不安。加上(shang)最近(jin)，大訓模(mo)型(xing)的熱度開始降溫，ChatGPT訪問量下降，更多大模(mo)型(xing)已經到地里田間礦井“干活兒”去了。

不(bu)禁讓人好奇，隨著大模型的風口下(xia)沉，向量數據庫的投資概念還能(neng)飛多久(jiu)，會(hui)(hui)不(bu)會(hui)(hui)倏(shu)忽(hu)而來，倏(shu)忽(hu)而去，留下(xia)喝了“一嘴泡沫(mo)”的公司和投資人，在(zai)風中凌(ling)亂呢？

我們就來好(hao)好(hao)品一品，這一杯啤酒和泡沫。

技(ji)術的啤酒(jiu)

訓大(da)模型、用大(da)模型，離不(bu)開一系列AI基(ji)(ji)礎(chu)設施(shi)，所以(yi)，作(zuo)為基(ji)(ji)礎(chu)設施(shi)之一的向量數據庫，確實(shi)有點東西。引入向量數據庫，是(shi)能喝到真(zhen)材實(shi)料(liao)的“啤酒”的。

這就有必要先說說這個(ge)技(ji)術本身。

數(shu)(shu)據庫不用多說(shuo)，是(shi)必不可(ke)少的IT基礎設施，用于存儲和查詢各種數(shu)(shu)據，可(ke)以看作(zuo)是(shi)數(shu)(shu)據的“硬盤(pan)”。那么(me)，向量數(shu)(shu)據庫就是(shi)更(geng)適(shi)合AI體質(zhi)的“硬盤(pan)”，有幾個特質(zhi)來說(shuo)明(ming)這一點：

1.必(bi)要性。

向(xiang)量(liang)(liang)(liang)(liang)數(shu)(shu)據(ju)庫(ku)(ku)，顧(gu)名思義(yi)就是(shi)專(zhuan)門用于(yu)存儲和管理向(xiang)量(liang)(liang)(liang)(liang)數(shu)(shu)據(ju)。作為一種(zhong)數(shu)(shu)據(ju)結(jie)構，每個(ge)(ge)向(xiang)量(liang)(liang)(liang)(liang)都(dou)包含多個(ge)(ge)維度，每個(ge)(ge)維度代(dai)表(biao)不(bu)同的(de)特征或屬性(xing)，比如(ru)圖像(xiang)的(de)顏色(se)、文本詞匯的(de)出現頻率等。而AI算法，要從圖像(xiang)、音頻和文本等海量(liang)(liang)(liang)(liang)的(de)非結(jie)構化數(shu)(shu)據(ju)中學習，提取出以(yi)向(xiang)量(liang)(liang)(liang)(liang)為表(biao)示形式(shi)的(de)“特征”，以(yi)便(bian)模型能夠理解和處(chu)理。因(yin)此，向(xiang)量(liang)(liang)(liang)(liang)數(shu)(shu)據(ju)庫(ku)(ku)比傳(chuan)統的(de)關系型數(shu)(shu)據(ju)庫(ku)(ku)，更適合AI應(ying)用。

2.高效(xiao)率。

每個元素都有一(yi)個索引(yin)，便于(yu)訪問或修改數值(zhi)。基(ji)于(yu)此，向量數據庫可以(yi)通(tong)過將分組(zu)和索引(yin)，快(kuai)速找到與(yu)給定查詢最接近的嵌入，實現高效的相似性(xing)搜(sou)索，同時減少存儲和計算成(cheng)本。

相比(bi)傳統單機插件式數據(ju)庫，向量數據(ju)庫的檢索規模可以提升十倍，支持百萬級每秒(miao)查(cha)詢(xun)（QPS）的峰值能力，同(tong)時(shi)延遲控制在毫秒(miao)級。

想象一(yi)下，如果沒有高效的(de)搜(sou)索技術支(zhi)持，一(yi)個(ge)大(da)語言模(mo)型動輒(zhe)數十億、上(shang)百(bai)億參數，只能處理有限數量的(de)輸(shu)入數據，無法(fa)搜(sou)索更大(da)的(de)數據庫，那(nei)么(me)在AIGC、搜(sou)索、廣告推薦算法(fa)等任務(wu)的(de)性(xing)能表現(xian)就會受限。

一個(ge)公(gong)開數(shu)據是，通過使用(yong)云向量數(shu)據庫，QQ音樂(le)人均聽歌時長(chang)提(ti)升3.2%；騰訊視頻有(you)效(xiao)曝光人均時長(chang)提(ti)升1.74%；QQ瀏覽器成(cheng)本降低37.9%，這(zhe)些數(shu)據的變化就在于(yu)檢索效(xiao)率(lv)、運行(xing)穩定(ding)性、運營效(xiao)率(lv)、推薦算法等有(you)了較(jiao)大的提(ti)升。

3.需求大(da)。

隨著產業智能(neng)化的(de)(de)加速，以及大模型(xing)和(he)其他AI應(ying)用(yong)的(de)(de)爆發(fa)，各行各業的(de)(de)AI用(yong)例不斷增多(duo)，由此(ci)帶來了洶涌(yong)的(de)(de)數據洪潮和(he)存(cun)算任務，向量數據庫嵌入向量的(de)(de)長度不受限制，具(ju)有(you)良好(hao)的(de)(de)擴展性(xing)，可以根據AI用(yong)例和(he)模型(xing)而變化，更(geng)好(hao)地處理大規模數據集。

而(er)且，向量數(shu)(shu)據(ju)庫可(ke)以拓展大(da)模(mo)型(xing)(xing)的(de)(de)時間邊界和空間邊界，讓大(da)模(mo)型(xing)(xing)在訓(xun)練(lian)完成(cheng)后，也可(ke)以訪問向量數(shu)(shu)據(ju)庫的(de)(de)最新(xin)信息，了解最近(jin)發生的(de)(de)事情。

總的來說，向量數據庫(ku)就是更(geng)適合AI體質的數據庫(ku)，在(zai)AI任務上效果拔(ba)群，在(zai)機器學(xue)習(xi)領域中日益流行(xing)。

那么問(wen)題來了，一些在AI領(ling)域積淀已久的(de)科技(ji)(ji)大廠(chang)，如(ru)(ru)谷歌、微軟、Mate以及BAT等大廠(chang)，都(dou)(dou)有向量數(shu)據(ju)庫的(de)技(ji)(ji)術積累，也都(dou)(dou)可(ke)以向外輸出相關能力和產品。此(ci)外，一些基于開源(yuan)技(ji)(ji)術的(de)數(shu)據(ju)庫創業公司，如(ru)(ru)Pinecone、Weaviate、Odrant、Chroma近(jin)年來打開了市場知名度。

可以說，市場上并(bing)不缺乏(fa)向(xiang)量數據庫的(de)產(chan)品和解決方案。那么2023年，這(zhe)杯技術啤酒，是怎么咕嘟(du)咕嘟(du)冒出泡沫的(de)呢？

浪潮之巔的泡沫

向量數據(ju)庫(ku)的市場現(xian)狀，說是“從0到(dao)1”，并不(bu)為(wei)過。

首先，大眾市場的認知度才剛(gang)剛(gang)打(da)開。

此前，向(xiang)(xiang)量(liang)數(shu)據(ju)(ju)庫(ku)更多是AI企(qi)業在使用(yong)，今年才開(kai)始為大眾(zhong)所(suo)熟知(zhi)，這離(li)不開(kai)一些AI相(xiang)關企(qi)業的推(tui)波助(zhu)瀾(lan)。今年3月的NVIDIAGTC大會上，黃仁(ren)勛首(shou)次提及向(xiang)(xiang)量(liang)數(shu)據(ju)(ju)庫(ku)，強調向(xiang)(xiang)量(liang)數(shu)據(ju)(ju)庫(ku)對大語言模型(xing)的重(zhong)要性。

不是所有企業都(dou)有能力自建大(da)模型所需(xu)要的基(ji)礎設施，通過MaaS（模型即服務）業務來訓(xun)練應用大(da)模型是更靈活的選擇，這就(jiu)要求云廠商提供全棧基(ji)礎設施。

百度(du)、京東、騰訊、華為等(deng)，都在自家的(de)(de)(de)大(da)模型完整基礎(chu)設施(shi)中，提到了向量(liang)數據(ju)庫。目前(qian)，云(yun)廠商的(de)(de)(de)MaaS業(ye)(ye)務才(cai)剛剛開始走向市場，大(da)模型的(de)(de)(de)產業(ye)(ye)落地不是(shi)(shi)一蹴而就(jiu)的(de)(de)(de)，向量(liang)數據(ju)庫的(de)(de)(de)接受(shou)度(du)和規模究竟有多大(da)，還是(shi)(shi)個未知數。

第二，向量數據(ju)庫的技術，還沒經(jing)歷(li)“卷(juan)生卷(juan)死”的迭代。

Pinecone是閉源的領(ling)跑(pao)者，其他(ta)競爭者要么是開(kai)源的，比如Weviate，要么是巨頭(tou)，包(bao)括頭(tou)部云(yun)廠(chang)(chang)商(shang)和甲骨文、IBM等老牌數(shu)據(ju)庫廠(chang)(chang)商(shang)，開(kai)始構建AI數(shu)據(ju)庫的產品和解(jie)決方案。

大廠扎堆競(jing)技(ji)，這意(yi)味著，如果技(ji)術(shu)沒有大的(de)突破(po)，就會陷入高(gao)密度(du)的(de)同質化(hua)競(jing)爭(zheng)，從藍海快(kuai)速進(jin)入紅海。而如果技(ji)術(shu)有顛覆(fu)式變革，很多(duo)技(ji)術(shu)壁壘(lei)不高(gao)、客戶認知(zhi)不強的(de)新入局創業者(zhe)，很難跟(gen)開源生態(tai)或技(ji)術(shu)巨頭PK，容易(yi)被大浪(lang)淘沙。

最后，向量數據庫的成本，還沒有降到“可(ke)規模(mo)復(fu)制”的程度(du)。

無論是(shi)自(zi)建向量數(shu)(shu)據(ju)(ju)庫，還(huan)是(shi)通過MaaS服(fu)務接(jie)入，都還(huan)達不到(dao)“付費可用”的程度。一(yi)般(ban)來(lai)說，企業需要(yao)先將(jiang)非結構化(hua)的私密數(shu)(shu)據(ju)(ju)進行向量化(hua)，產生(sheng)一(yi)個(ge)向量的矩陣(zhen)，再存儲(chu)到(dao)向量數(shu)(shu)據(ju)(ju)庫里，來(lai)供大模型學習和檢索。這個(ge)過程涉及到(dao)大量的工(gong)程化(hua)，會(hui)耗費企業許多開(kai)發人員、時間成本。

這就需要云廠(chang)商或數(shu)據(ju)(ju)庫廠(chang)商，提(ti)供全鏈路的(de)工具，來幫助企業(ye)完成整個數(shu)據(ju)(ju)向(xiang)量(liang)化(hua)、大模型接入(ru)的(de)工作，以及減少后續運維的(de)難度。比如Pinecone就憑(ping)借(jie)良好的(de)開(kai)箱即用的(de)產品體(ti)驗(yan)，獲得了非常大的(de)增長，B輪估(gu)值(zhi)達(da)到7.5億美元。

谷歌云、騰訊云、京(jing)東云等(deng)也(ye)都基(ji)于內部應用(yong)的(de)多年積累，推(tui)出了一系列面向外部的(de)工具、框架(jia)和應用(yong)。但只(zhi)是邁出了從無到有的(de)第(di)一步，真(zhen)正成熟還需要讓各家“卷起來”。

可(ke)以看到(dao)，現(xian)在這個階(jie)段，熱捧向量數據(ju)庫(ku)，確實(shi)有AIGC、大模型、云服務等多(duo)方(fang)面(mian)的(de)現(xian)實(shi)需求，但(dan)從“概念(nian)普(pu)及”到(dao)“真(zhen)正可(ke)用”之間，還有不短(duan)的(de)距離(li)。這之間的(de)地帶，就是(shi)泡沫生長的(de)地方(fang)。

江湖路(lu)遠(yuan)，風高(gao)浪急(ji)，沒有(you)想清楚的創業公司(si)或行(xing)業用戶(hu)，還是別貿然“帶(dai)資進組”了。

啜飲時代(dai)的精(jing)釀

如果你是數據(ju)庫廠商(shang)，或者是著(zhu)急(ji)布局大模型和AI應用的企業，希望早點將啤酒(jiu)喝到嘴里，怎么辦(ban)呢？

篤(du)定遠一點的(de)未來(lai)，有些賽道的(de)泡沫比例是相對(dui)少(shao)的(de)，需求(qiu)格外旺盛。

市場(chang)方面(mian)，國(guo)產化(hua)替代(dai)是不(bu)錯的(de)選擇。

科技(ji)博弈(yi)背景下，加上我(wo)國(guo)數據庫產業(ye)的(de)日益繁榮(rong)和(he)技(ji)術突(tu)破，金融、電信、能源、交通等關鍵基礎行(xing)業(ye)的(de)企業(ye)，在數據庫選型時，都開始傾向于國(guo)產，以保障(zhang)數據的(de)穩定性和(he)安(an)全性。

國外廠商在向量(liang)數據庫上(shang)有著更早的(de)(de)探索和積累，國產數據庫要補齊短(duan)板(ban)是需要時間的(de)(de)。

目(mu)前，BATH這類實力較強(qiang)的(de)(de)國內科技企業(ye)，沉淀了向(xiang)量數據庫的(de)(de)核心自主技術，與其合作研發(fa)和定制化開發(fa)，針對某(mou)些(xie)具體場(chang)景，提供特定優化的(de)(de)向(xiang)量數據庫產品，加入國產化替代的(de)(de)賽道是(shi)成本更(geng)低、風險更(geng)可控、市場(chang)需求明確的(de)(de)選擇。

策略方面，加(jia)入云生態不要獨行(xing)。

鑒(jian)于向量數(shu)(shu)據(ju)(ju)庫(ku)的(de)商(shang)業(ye)(ye)化前(qian)景還不明朗，有業(ye)(ye)內(nei)人士表示(shi)，與其投資新的(de)向量數(shu)(shu)據(ju)(ju)庫(ku)項目(mu)，還不如(ru)關(guan)注現有數(shu)(shu)據(ju)(ju)庫(ku)中(zhong)，有哪些加(jia)上向量引(yin)擎可以變(bian)得更加(jia)強大。

云(yun)數據(ju)庫就是(shi)其中之(zhi)一，上(shang)云(yun)用數賦智(zhi)是(shi)大勢所趨(qu)，很多政企客戶往往會選(xuan)擇(ze)公(gong)有云(yun)或行業云(yun)來滿(man)足(zu)其業務需(xu)求，將數據(ju)遷移到云(yun)上(shang)，對(dui)云(yun)數據(ju)庫的關注(zhu)度和接(jie)受度上(shang)升。

騰訊云、華(hua)為云等大型(xing)云廠(chang)商，具有較高的(de)品牌認知度和市場(chang)接受度，具有云原(yuan)生(sheng)(sheng)(sheng)、AI原(yuan)生(sheng)(sheng)(sheng)的(de)技術棧和產品體系，經歷了海(hai)量場(chang)景的(de)淬(cui)煉和深度優化，和這類云生(sheng)(sheng)(sheng)態(tai)一起掘(jue)金向(xiang)量數據庫，是更穩妥(tuo)的(de)方式。

和(he)AI、大(da)模型一樣，向量數據(ju)庫要品出(chu)味道(dao)，離(li)不開時(shi)間的(de)窖藏和(he)醞釀。是(shi)在(zai)大(da)訓模型的(de)熱度(du)下(xia)降后，像(xiang)泡沫一樣湮滅，還是(shi)作為啤酒精釀沉淀下(xia)去，等待成為下(xia)一代數字基礎(chu)設(she)施的(de)剛(gang)需，被(bei)行(xing)業客(ke)戶所(suo)啜(chuo)飲，是(shi)留(liu)給數據(ju)庫玩家和(he)買家的(de)選擇(ze)題(ti)。