最近，又一個概念火了——向量數據庫。
隨著大模型帶來的應用需求提升，4月以來多家海外知名向量數據庫創(chuàng)業(yè)企業(yè)傳出融資喜訊。
4月28日，向量數據庫平臺Pinecone宣布獲得1億美元（約7億元）B輪融資；
4月22日，向量數據庫平臺Weaviate宣布獲得5000萬美元（約3.5億元）B輪融資；
4月6日Chroma獲1800萬美元種子輪融資；
4月19日Qdrant獲750萬美元種子輪融資。
國內方面，星環(huán)科技、北交所云創(chuàng)數據等公司的股價連續(xù)異動，其中云創(chuàng)數據自底部以來股價已接近翻倍。
7月4日，騰訊云正式發(fā)布向量數據庫Tencent Cloud VectorDB，預計8月上線騰訊云官網。
一連串的市場動作，都展示了向量數據庫的爆紅。那么，什么是向量數據庫，到底有啥用？
01 什么是向量數據庫？
當你在網上看到一張壁紙，你想知道這是哪個國家的美景，卻不知道如何搜索；或者，在閱讀一篇文章時，你想深入了解這個話題，尋找更多的觀點和資料，卻不知道該如何精確描述。
這時，你需要的是一個能夠理解你的意圖，為你提供最相關的結果，讓你輕松找到你想要的信息的工具。
這就是向量數據庫（Vector Data Base），它就像一個超級大腦，幫助你解決這些問題。
所謂向量數據庫，是一種專門用于存儲、 管理、查詢、檢索向量的數據庫，可以把復雜的非結構化數據通過向量化，處理統一成多維空間里的坐標值。
目前，向量數據庫主要應用于人工智能、機器學習、數據挖掘等領域。
具體來看，向量數據庫被廣泛地用于大模型訓練、推理和知識庫補充等場景：
●支撐訓練階段海量數據的分類、去重和清洗，給大模型的訓練降本增效；
●通過新數據的帶入，幫助大模型提升處理新問題的能力，突破預訓練帶來的知識時間限制，避免大模型出現幻覺；
●提供一種私有數據連接大模型的方式，解決私有數據注入大模型帶來的安全和隱私問題，加速大模型在產業(yè)落地。
簡而言之，向量數據庫可以解決大模型預訓練成本高、沒有“長期記憶”、知識更新不足、提示詞工程復雜等問題，突破大模型在時間和空間上的限制，加速大模型落地行業(yè)場景。
02 向量數據庫的發(fā)展
在向量數據庫出現之前，大家普遍使用的是關系型數據庫，如MySQL、Oracle等，這些數據庫以表格的形式存儲數據，適合存儲結構化數據。但對于非結構化數據，如文本、圖像、音頻等，處理起來就相對困難。
此外，關系型數據庫在處理大規(guī)模數據時，性能會下降，不適合大數據處理。這就像是在一個擁擠的圖書館里找一本書，你知道它在哪個書架上，但是找到它還需要花費大量的時間。
而向量數據庫和傳統數據庫的不同點在于，向量數據庫處理的是各種AI應用產生的非結構化數據，通過近似查進行模糊匹配，輸出的是概率上的提供相對最符合條件的答案，而非精確的標準答案。
舉例來說，傳統數據庫做圖片檢索可能是通過關鍵詞去搜索，向量數據庫是通過語義搜索圖片中相同或相近的向量并呈現結果。理論是向量之間的距離越接近，就說明語意越接近，效果也有最相似。
隨著時間的推移，向量數據庫開始在不同的領域和應用中不斷成長和進化。從20世紀90年代末到2000年初，美國國立衛(wèi)生研究院和斯坦福大學都開始使用向量數據庫。
2005年到2015年間，隨著基因研究的深入和加速，向量數據庫也在并行中增長，像UniVec 數據庫這樣的工具在2017年就已經被廣泛使用，它們在基因序列比對、基因組注釋等領域發(fā)揮了重要作用。
2017年和2019年之間，向量數據庫開始爆炸式增長，它被應用于自然語言處理、計算機視覺、推薦系統等領域。這些領域都需要處理大量和多樣化的數據，并從中提取有價值的信息。
向量數據庫通過使用諸如余弦相似度、歐氏距離、Jaccard 相似度等度量方法，以及諸如倒排索引、局部敏感哈希、乘積量化等索引技術，實現了高效和準確的向量檢索。
目前各大廠商使用的推薦系統、以圖搜圖、哼唱搜歌、問答機器人等應用，其內核都是向量數據庫。
在今年，向量數據庫開始被用于與大語言模型結合的應用。
它為大語言模型提供了一個外部知識庫，使得大語言模型可以根據用戶的查詢，在向量數據庫中檢索相關的數據，并根據數據的內容和語義來更新上下文，從而生成更相關和準確的文本。
這些大語言模型通常使用深度神經網絡來學習文本數據中隱含的規(guī)律和結構，并能夠生成流暢和連貫的文本。
向量數據庫 過使用諸如BERT、GPT等預訓練模型將文本轉換為向量，并使用諸如FAISS、Milvus等開源平臺來構建和管理向量數據庫。
總體而言，向量數據庫成功地解決了很多挑戰(zhàn)，并為人們帶來了很多價值。
針對傳統關系型數據庫難以處理的大規(guī)模數據、低時延高并發(fā)檢索、模糊匹配等領域，向量數據庫通過數據的向量化來滿足特定需求，尤其適用于人工智能領域。
03 讓行業(yè)大模型具備，know how能力
隨著AI大模型的崛起，向量數據庫的爆紅也就不難理解。
一是，在現實世界里，非結構化數據是“主流”。根據Gartner的數據，非結構化數據占企業(yè)生成的新數據比例高達90％，并且增長速度比結構化數據快三倍。
而生成式AI大模型進一步帶來了非結構化數據的暴增，也相應推動了對向量數據庫的需求。
向量數據庫的一大優(yōu)勢在于，能夠通過機器學習方法處理和理解來自不同源的多種模態(tài)信息，如文本、圖像、音頻和視頻等。
二是，越來越多的大模型從業(yè)者認為，所有的行業(yè)都值得被AI重新做一遍。
因此，建立在不同行業(yè)的垂直大模型，成為大家的切入點，而向量數據庫是行業(yè)大模型具備“行業(yè)knowhow”能力的必經之路。
這背后是，AI大模型的產生，需要經歷大量反復的訓練和調試。雖然通用AI大模型能回答一般性問題，但在垂直領域服務中，其知識深度、準確度和時效性有限。
而利用向量數據庫結合大模型和自有知識資產，可以構建垂直領域的AI能力。向量數據庫存儲和處理向量數據，提供高效的相似度搜索和檢索功能。
正如東北證券觀點，AI化的本質則是向量化，向量化計算成本高昂，海量的高維向量勢必需要專門的數據庫進行存儲和處理，向量數據庫應運而生。
向量數據庫在拓展AI全新應用場景的同時，也將對傳統數據庫產品形成替代，進而成為AI時代的Killer App。
目前，向量數據庫是一個亟待引爆的藍海市場。
據公開資料顯示，向量數據庫市場空間巨大，尚處于從0-1階段，預測到2030年，全球向量數據庫市場規(guī)模有望達到500億美元，國內向量數據庫市場規(guī)模有望超過600億人民幣。
未來隨著生成式AI大模型開發(fā)量和使用量的增長，向量數據庫的應用有望快速增長。
而國內外眾多玩家如傳統數據庫廠商、初創(chuàng)數據庫廠商、云廠商、跨界廠商等都已躍躍欲試，提前開始布局向量數據庫，做好了應對AI大模型時代的準備。