作者 | 吳思瑾、王與桐

【資料圖】

自從 AI 大模型時(shí)代轟轟烈烈到來，沉寂多年的向量數(shù)據(jù)庫再度獲得市場和資本的關(guān)注。

向量數(shù)據(jù)庫通過把數(shù)據(jù)向量化然后進(jìn)行存儲和查詢，能解決大模型預(yù)訓(xùn)練成本高、沒有 " 長期記憶 "、知識更新不足、提示詞工程復(fù)雜等問題，突破大模型在時(shí)間和空間上的限制，加速大模型落地行業(yè)場景。

36 氪也在近期對向量數(shù)據(jù)庫領(lǐng)域進(jìn)行過梳理。

不難發(fā)現(xiàn)，這些全球知名的數(shù)據(jù)庫中，既有創(chuàng)業(yè)公司，也有大廠的產(chǎn)品。在國內(nèi)，騰訊走在了大廠前列。8 月 1 日，騰訊云向量數(shù)據(jù)庫（Tencent Cloud VectorDB）正式上線公測。騰訊云數(shù)據(jù)庫表示，該數(shù)據(jù)庫不僅能為大模型提供外部知識庫，提高大模型回答的準(zhǔn)確性，還可廣泛應(yīng)用于推薦系統(tǒng)、文本圖像檢索、自然語言處理等 AI 領(lǐng)域。騰訊云向量數(shù)據(jù)庫是國內(nèi)首個(gè)從接入層、計(jì)算層、到存儲層提供全生命周期 AI 化的向量數(shù)據(jù)庫。

在產(chǎn)品公測當(dāng)天，36 氪對話了騰訊云數(shù)據(jù)庫副總經(jīng)理羅云，從向量數(shù)據(jù)庫行業(yè)發(fā)展、海內(nèi)外競爭格局、技術(shù)和商業(yè)路線選擇等角度，進(jìn)行了探討。

以下為對話全文，經(jīng) 36 氪編輯整理，Enjoy：

01 談行業(yè)發(fā)展：全球向量數(shù)據(jù)庫的發(fā)展，都與 AI 所處階段密不可分

36 氪：騰訊云在 2019 年開始孵化向量數(shù)據(jù)庫，當(dāng)時(shí)行業(yè)里對向量數(shù)據(jù)庫的看法是什么，為什么你們會選擇在這個(gè)時(shí)間點(diǎn)做這件事？

羅云：向量數(shù)據(jù)庫的發(fā)展不是一蹴而就的，它有個(gè)孕育過程。

早在 2012 年時(shí)，深度神經(jīng)網(wǎng)絡(luò)的發(fā)展日益成熟，包括騰訊集團(tuán)在內(nèi)的從業(yè)者開始發(fā)現(xiàn)萬事萬物都可以用向量來表達(dá)；

到了 2015 年至 2016 年間，Google 和微軟開始發(fā)布一些標(biāo)志性的 paper；

隨著 2017 年 Facebook 開源了他們的 Faiss 框架，這成為向量數(shù)據(jù)庫的里程碑事件之一；

2019 年，市面上開始陸續(xù)出現(xiàn)一些獨(dú)立的向量數(shù)據(jù)庫和基于 Faiss 發(fā)展起來的向量數(shù)據(jù)庫，騰訊云也是這時(shí)候開始入場；

到了 2022 年底，ChatGPT 突然火爆，原來狹義的人工智能開始受到各行各業(yè)關(guān)注；

2023 年，大家開始思考自己所在的行業(yè)是否有 AI Native 的機(jī)會——基于 AI 重構(gòu)現(xiàn)有的應(yīng)用。

因?yàn)橄蛄繑?shù)據(jù)庫可以處理非結(jié)構(gòu)化數(shù)據(jù)，正好迎合了當(dāng)下 AI 時(shí)代的發(fā)展需求，于是一波又一波的熱錢就開始進(jìn)來。騰訊云則是將過去 4 年中積累的向量數(shù)據(jù)庫底座搬至云上進(jìn)行售賣。

8 月 1 日，騰訊云向量數(shù)據(jù)庫正式開啟公測。

36 氪：從 2019 年至今，不少投資人曾對向量數(shù)據(jù)庫表示 " 看不準(zhǔn)、不太理解 "，您認(rèn)為他們的疑惑在哪，現(xiàn)在有變化嗎？

羅云：早年的向量數(shù)據(jù)庫使用場景受限，因此營收天花板并不高。

隨著 2023 年 ChatGPT 的火爆，大家都看到了 AGI 希望的曙光。作為 AI 的基礎(chǔ)設(shè)施之一，向量數(shù)據(jù)庫覆蓋面就大了很多，天花板也隨之提高。

這從今年 3-4 月份海外向量數(shù)據(jù)庫的融資情況就可見一斑——投資熱度升溫明顯——其實(shí)并不是說向量數(shù)據(jù)庫本身發(fā)生了多大變化，而是時(shí)代背景發(fā)生了變化。

36 氪：在 2019 年熱鬧一陣后，向量數(shù)據(jù)庫似乎進(jìn)入了不溫不火的階段。在過去四年里，行業(yè)里出現(xiàn)過哪些關(guān)于向量數(shù)據(jù)庫的質(zhì)疑聲？

羅云：質(zhì)疑聲主要集中在是否有必要存在獨(dú)立的向量數(shù)據(jù)庫。

過去幾年，向量數(shù)據(jù)庫主要服務(wù)于 " 搜廣推 " 三大領(lǐng)域，現(xiàn)在隨著 AI 的普及和發(fā)展，向量數(shù)據(jù)庫也開始向各行各業(yè)輻射，慢慢的原來用于離線型分析場景的數(shù)據(jù)庫，開始向線上轉(zhuǎn)變，與 C 端流量的關(guān)聯(lián)性也更強(qiáng)。

向量數(shù)據(jù)庫的計(jì)算特點(diǎn)是非常消耗 CPU 的計(jì)算內(nèi)存；如果將向量數(shù)據(jù)庫的工作負(fù)載單獨(dú)出來，會更利于后期的單獨(dú)擴(kuò)容和成本管理。

現(xiàn)在越來越多的業(yè)內(nèi)人士開始發(fā)現(xiàn)，此前在傳統(tǒng)數(shù)據(jù)庫上增加插件式的向量檢索引擎很難解決向量計(jì)算對 CPU 擴(kuò)展能力的要求。

待未來 AI 發(fā)展成熟之后，我個(gè)人的判斷是企業(yè)會出現(xiàn) "1+N" 的數(shù)據(jù)庫模式，"1" 是向量數(shù)據(jù)庫，用來托管企業(yè)對于向量的計(jì)算和檢索需求，"N" 是企業(yè)原有的各類數(shù)據(jù)庫，這對企業(yè)在成本管理和人才招聘等方面都是相對最優(yōu)選。

36 氪：今年 3、4 月份海外很多數(shù)據(jù)庫廠商獲得了比較大額的融資，也因此國內(nèi)資本對這一領(lǐng)域關(guān)注度加深。為什么向量數(shù)據(jù)庫的投資熱度是自外而內(nèi)？海內(nèi)外的 AI Native 環(huán)境有哪些不同？

羅云：向量數(shù)據(jù)庫是隨著大模型起來的，海外的大模型發(fā)展得比國內(nèi)早，所以投資熱度是由外及內(nèi)的。

至于海內(nèi)外的市場環(huán)境有哪些不同，我自己的看法是要需要換一個(gè)角度來看這個(gè)問題——海內(nèi)外云計(jì)算所處的階段不同。

向量數(shù)據(jù)庫也好，傳統(tǒng)數(shù)據(jù)庫也好，都是開發(fā)者應(yīng)用的重要一環(huán)，是剛需的產(chǎn)品，但客觀來說海外獨(dú)立數(shù)據(jù)庫廠商的經(jīng)營情況好于國內(nèi)，這也是海內(nèi)外云計(jì)算所處階段不同的一種表現(xiàn)。

目前國內(nèi)的云計(jì)算還處于企業(yè)主正在將業(yè)務(wù)從非云環(huán)境搬上云的階段。在中國的文化和企業(yè)背景下，CEO、CTO 們在選型數(shù)據(jù)庫產(chǎn)品時(shí)，更看重?cái)?shù)據(jù)的隱私性、安全性、服務(wù)的可持續(xù)性和數(shù)據(jù)的兜底能力。因此他們希望能由一家云計(jì)算廠商配置好包括計(jì)算、存儲、網(wǎng)絡(luò)、數(shù)據(jù)庫在內(nèi)的所有組件，所以當(dāng)企業(yè)完成上云之后，就很難會考慮再選購其他廠商的數(shù)據(jù)庫產(chǎn)品。這是國內(nèi)遇到的主要挑戰(zhàn)。

海外市場更偏技術(shù)本位，如果獨(dú)立的向量數(shù)據(jù)庫產(chǎn)品技術(shù)更好，企業(yè)主的嘗試意愿就會很強(qiáng)，他們會選擇和云廠商提供的配套服務(wù)結(jié)合起來使用。

36 氪：這種差異導(dǎo)致向量數(shù)據(jù)庫在市場推廣過程中會面臨哪些挑戰(zhàn)？

羅云：從騰訊云的角度來說，我們還蠻慶幸的，俗話說機(jī)會往往留給有準(zhǔn)備的人，我們恰好就是這樣。

騰訊云從 2019 年起就開始積累向量數(shù)據(jù)庫的經(jīng)驗(yàn)，現(xiàn)在是把過往積累的經(jīng)驗(yàn)產(chǎn)品化和變現(xiàn)；此外，騰訊云本身的服務(wù)體系，包括售前、售后和尾保類服務(wù)都已經(jīng)形成了一些口碑，所以整體來說我們還蠻有信心的。

36 氪：向量數(shù)據(jù)庫的使用成本和傳統(tǒng)數(shù)據(jù)庫相比有何不同？

羅云：現(xiàn)在行業(yè)中的向量數(shù)據(jù)庫分性能型和存儲型。

以性能型為例，單 QPS 每月約一元錢左右，與常規(guī)的 MySQL 數(shù)據(jù)庫相比，這個(gè)成本高了一兩個(gè)數(shù)量級。也就是說，向量數(shù)據(jù)庫服務(wù)一個(gè) C 端用戶一次查詢的成本會貴很多。

騰訊云向量數(shù)據(jù)庫希望給用戶和傳統(tǒng)數(shù)據(jù)庫類似的付費(fèi)體驗(yàn)，因此選擇了和對方類似的付費(fèi)模式——預(yù)購資源，這是第一步。

第二步是隨著 AI 的成熟，騰訊云向量數(shù)據(jù)庫也將集合更多的 AI 能力或者 AI 領(lǐng)域的上下游生態(tài)能力。比如客戶現(xiàn)在要處理一段大的 pdf 或 doc，它需要先做分段，之后再進(jìn)行數(shù)據(jù)的向量化，騰訊云團(tuán)隊(duì)希望能將 AI native 的能力集成進(jìn)向量數(shù)據(jù)庫，當(dāng)有了這部分能力后，我們會在數(shù)據(jù)庫中售賣相關(guān)的 GPU 資源，客戶也可以買固定的 GPU 資源，有了這些資源，客戶就可以比較方便地一站式完成之前它在外部買 GPU 做分段的事情。

所以未來我們的付費(fèi)模式會偏向于計(jì)算、預(yù)購加存儲節(jié)點(diǎn)，后面還會在產(chǎn)品形態(tài)中增加一些 GPU 的售賣能力。

36 氪：在您看來，下一步向量數(shù)據(jù)庫行業(yè)的發(fā)展趨勢和競爭格局會怎樣？

羅云：向量數(shù)據(jù)庫的發(fā)展可能會分三個(gè)階段。

階段一是向量數(shù)據(jù)庫滿足基本的使用功能，包括技術(shù)指標(biāo)、功能算法、檢索時(shí)延達(dá)到標(biāo)準(zhǔn)、滿足高可用標(biāo)準(zhǔn)，SDK、API 以向量數(shù)據(jù)庫的方式來設(shè)計(jì)。

階段二是當(dāng)業(yè)務(wù)量上來之后，企業(yè)會更關(guān)注單 QPS 成本，也就是說每次 C 端調(diào)用可能會消耗的數(shù)據(jù)庫資源大小，由于其與企業(yè)成本密切相關(guān)，會直接影響客戶選型，所以是下一步向量數(shù)據(jù)庫各廠商之間重點(diǎn)比拼的地方。

階段三是當(dāng)客戶已經(jīng)用起來之后，大家會開始關(guān)注其研發(fā)效能的提升，也就是之前提到的 AI native 化；向量數(shù)據(jù)庫是否可以與 AI 的算法和計(jì)算能力相結(jié)合，讓企業(yè)主或開發(fā)者盡可能投入最少的資源在數(shù)據(jù)庫中。

在這三個(gè)階段中，大概會分成兩派，一是獨(dú)立的向量數(shù)據(jù)庫公司；二是插件式的向量數(shù)據(jù)庫工具。

在階段一時(shí)，大家都可以滿足向量數(shù)據(jù)庫的功能性；當(dāng)階段二要去追求單 QPS 成本時(shí)，插件式的向量數(shù)據(jù)庫工具會面臨更多的挑戰(zhàn)；所以我個(gè)人會比較堅(jiān)定的看好獨(dú)立向量數(shù)據(jù)庫的未來，如果要把一個(gè)事情做得足夠好，投入專門的人力物力是非常有必要的；在階段三，獨(dú)立的向量數(shù)據(jù)庫會需要一些 AI 能力的加持，這時(shí)會考驗(yàn)各家廠商在 AI 能力上的積累和原有業(yè)務(wù)對向量數(shù)據(jù)庫補(bǔ)充的能力，最終形成競爭差異化。

02 談國內(nèi)格局：向量數(shù)據(jù)庫會成為云廠商的增量業(yè)務(wù)，存在窗口期

36 氪：當(dāng)下國內(nèi)向量數(shù)據(jù)庫行業(yè)的競爭格局是怎樣的？

羅云：目前通信院正在制定向量數(shù)據(jù)庫的團(tuán)體標(biāo)準(zhǔn)，我在一次偶然的機(jī)會上了解到可能不少國內(nèi)知名大廠和早期創(chuàng)業(yè)公司都已經(jīng)開始關(guān)注或正在開發(fā)相關(guān)產(chǎn)品，總數(shù)約三四十家左右。

在現(xiàn)有的解決方案中，部分團(tuán)隊(duì)是在現(xiàn)有傳統(tǒng)數(shù)據(jù)庫基礎(chǔ)上疊加向量的能力，但是慢慢的大家也發(fā)現(xiàn)這部分能力如果工作負(fù)載越來越高，投入也就越來越大，所以大家都在摸索向量數(shù)據(jù)庫的下一步技術(shù)發(fā)展方向。

36 氪：目前的市場環(huán)境，對于國內(nèi)云廠商來說，會帶來改變現(xiàn)有競爭格局的機(jī)會嗎？

羅云：數(shù)據(jù)庫產(chǎn)品本身是很難脫離云服務(wù)來單獨(dú)售賣的。正常來說，一家企業(yè)想要做遷移，把整體或部分搬站至某一個(gè)云廠商的情況是存在的。但向量數(shù)據(jù)庫這塊會有一點(diǎn)差別，向量數(shù)據(jù)庫更多的是一個(gè)增量的生意。雖然國內(nèi)的云計(jì)算廠商都在提云計(jì)算已經(jīng)進(jìn)入一個(gè)更加激烈的競爭階段，大家都在爭搶彼此的市場份額，但向量數(shù)據(jù)庫往往對應(yīng)的是新業(yè)務(wù)，所以只要我們給企業(yè)主提供足夠好的產(chǎn)品、數(shù)據(jù)背書和大廠背書，當(dāng)企業(yè)在騰訊云上架設(shè)起新業(yè)務(wù)，后續(xù)的遷移和搬站成本就會相對較低，所以向量數(shù)據(jù)庫相比其他的數(shù)據(jù)庫產(chǎn)品具備一定的時(shí)間優(yōu)勢。當(dāng)向量數(shù)據(jù)庫行業(yè)發(fā)展成熟后，就又變成了存量生意。

36 氪：這個(gè)窗口期是多久？

羅云：從現(xiàn)在的情況來看可能是在未來一到兩個(gè)季度內(nèi)，但隨著下半年 GPU 等資源到位和行業(yè)大模型逐漸成熟，窗口期會變短。

36 氪：在技術(shù)、資金和客戶資源上云計(jì)算廠商確實(shí)有明顯優(yōu)勢，如果窗口期這么短，那假如現(xiàn)在還有創(chuàng)業(yè)公司想要入局開發(fā)獨(dú)立的向量數(shù)據(jù)庫，是否就沒有什么機(jī)會了？

羅云：一些線下的私有云廠商可能在某一些垂直行業(yè)有自己的服務(wù)、口碑積累，細(xì)分市場的向量數(shù)據(jù)庫是很好的方向；此外，新創(chuàng)業(yè)公司從 day1 開始就面向全球化市場也是不錯(cuò)的選擇。

創(chuàng)業(yè)公司也面臨諸多挑戰(zhàn)：首先是產(chǎn)品大規(guī)模運(yùn)營的穩(wěn)定性；其次是其本身資質(zhì)對于數(shù)據(jù)隱私背書的挑戰(zhàn)性，舉例來說，可能會有企業(yè)主擔(dān)憂他們現(xiàn)在在有融資的情況下做的挺好，但后續(xù)萬一沒融資進(jìn)來就會經(jīng)營困難波及企業(yè)自身。

36 氪：您如何衡量國內(nèi)向量數(shù)據(jù)庫的市場規(guī)模？

羅云：目前向量數(shù)據(jù)庫行業(yè)還處于圍繞各行各業(yè) AI Native 化的早期發(fā)展階段，可見的收入規(guī)模并不大。

著眼未來，我有兩個(gè)角度的預(yù)估。

一是宏觀角度的數(shù)據(jù)規(guī)模，向量數(shù)據(jù)庫面向的是非結(jié)構(gòu)化數(shù)據(jù)，它包含了音頻、視頻、圖片和人類自然語言文本；有數(shù)據(jù)顯示，非結(jié)構(gòu)化數(shù)據(jù)占企業(yè)生成的新數(shù)據(jù)比例達(dá) 80％，未來每個(gè)應(yīng)用都基于向量數(shù)據(jù)庫和 AI 進(jìn)行研發(fā)體系重構(gòu)的話，它會成為數(shù)據(jù)庫領(lǐng)域里 top 級的產(chǎn)品類型，如果類比傳統(tǒng)數(shù)據(jù)庫的話，向量數(shù)據(jù)庫的市場規(guī)模上限可能會接近當(dāng)下主流數(shù)據(jù)庫 MySQL。

二是我們接觸的客戶的微觀層面，通過預(yù)估對方的向量數(shù)據(jù)庫的成本，我們發(fā)現(xiàn)其一個(gè)月的成本規(guī)模約等于 NoSQL 中頭部數(shù)據(jù)庫 Redis 的收入規(guī)模，所以我認(rèn)為向量數(shù)據(jù)庫在不久的將來就會達(dá)到 NoSQL 中頭部數(shù)據(jù)庫的收入規(guī)模。

03 談路線選擇：從 " 搜廣推 "，走向各行各業(yè)

36 氪：向量數(shù)據(jù)庫分開源和閉源，兩者的發(fā)展路徑和商業(yè)化路徑都不太相同，您認(rèn)為哪種更容易獲得成功？

羅云：從以終為始的角度來看，不管是開源產(chǎn)品還是閉源產(chǎn)品，最終目的都是要商業(yè)化，開源或閉源只是商業(yè)化過程中觸達(dá)目標(biāo)用戶的路徑。

以開源的廠商為例，他們通過 github 等平臺向目標(biāo)用戶傳達(dá)產(chǎn)品的技術(shù)成熟度，通過技術(shù)的極客精神吸引開源開發(fā)者過來。海外的閉源企業(yè)代表，它和 OpenAI 走得很近，在 AI 領(lǐng)域里面也有很深的洞察，在它的站點(diǎn)上面有非常多 AI 行業(yè)的資料，AI 開發(fā)者不僅能在其平臺學(xué)習(xí)向量知識，還能學(xué)習(xí)到其他 AI 知識。從他倆的路徑可以看出，大家只是選擇了自己擅長冷啟動(dòng)的觸達(dá)用戶的方式。

一開始選擇開源或閉源與企業(yè)創(chuàng)始人的背景和所輻射的資源有關(guān)，與商業(yè)化成功與否無直接關(guān)系。

以騰訊云為例，我們有很成熟的銷售體系，過往也積累了非常多的客戶資源，所以只要做好產(chǎn)品，就很容易開始商業(yè)化。

36 氪：也就是說初創(chuàng)公司更適合開源，而成熟型公司更適合閉源？

羅云：從結(jié)果上來看可能是這樣，但其實(shí)因果關(guān)系可能是顛倒過來的。小公司不是因?yàn)檫x擇了開源而容易成功，而是它可能沒有更好的觸達(dá)用戶的渠道，所以開源也行是當(dāng)下最好的選擇。

36 氪：向量數(shù)據(jù)庫成本高昂，目前我們會通過哪些方式來緩解這方面的壓力？

羅云：其實(shí)向量數(shù)據(jù)庫它本身技術(shù)的底子還是數(shù)據(jù)庫本身的架構(gòu)，我們?nèi)ザx數(shù)據(jù)庫它其實(shí)解決了兩個(gè)問題，第一個(gè)問題是如何低成本的去存儲數(shù)據(jù)，第二個(gè)問題如何高效的把存儲的數(shù)據(jù)檢索出來。向量數(shù)據(jù)庫它也是一樣的，只是說目前我們看到它在檢索這一側(cè)其實(shí)它的成本會非常的高昂。

目前業(yè)界有幾種做法：

第一是在算法的層面，去優(yōu)化現(xiàn)在用的比較多的 Faiss 的算法，包含 HNSW 的算法，讓算法變得更快。

第二個(gè)優(yōu)化方式結(jié)合算法本身，把 GPU 更好的并行起來，通過用 GPU 計(jì)算的方式讓它的成本變得更低。

第三個(gè)是，我們會用云上的一些各種資源的調(diào)度體系，用更廉價(jià)的，或者說更合適的云資源去把底層算力的成本去做更好的補(bǔ)充，這樣成本自然而然就會變得更低。

但是短期我們的判斷是，大家不會有數(shù)量級的差異，所以更多還是比拼應(yīng)用性，如何和云的資源體系結(jié)合，讓客戶用得更穩(wěn)，能讓單價(jià)成本有個(gè) 20%、30% 的提升。

36 氪：向量數(shù)據(jù)庫最先在 " 搜廣推 " 場景中落地，但這個(gè)領(lǐng)域的企業(yè)其實(shí)大都具備自研向量數(shù)據(jù)庫或基于開源向量數(shù)據(jù)庫自研的能力，且他們會更傾向于私有化部署，這是否意味著向量數(shù)據(jù)庫的客戶其實(shí)更多會來自中小企業(yè)？

羅云：目標(biāo)客戶不一定更多來自中小企業(yè)，因?yàn)閯偛盘岬降倪@些大企業(yè)如果要自研向量數(shù)據(jù)庫的話，投入可能比產(chǎn)出還要高，假如向量數(shù)據(jù)庫不能成為對方的核心收入來源，那選擇第三方專業(yè)向量數(shù)據(jù)庫會是更具性價(jià)比的選擇。長期來看，社會會有合理的分工，專業(yè)的人做專業(yè)的事。

對于他們私有化部署的需求，騰訊云向量數(shù)據(jù)庫完全可以支持，且在穩(wěn)定性、安全性等方面我們均更有優(yōu)勢。

36 氪：有些大企業(yè)本身也是大模型的構(gòu)建者，他們對于向量數(shù)據(jù)庫的需求和模型應(yīng)用層企業(yè)對向量數(shù)據(jù)庫的需求有什么不同？

羅云：模型構(gòu)建者通常會把向量數(shù)據(jù)庫用在以下幾個(gè)場景。

首先是數(shù)據(jù)清洗聚類階段，我們都知道如果訓(xùn)練模型時(shí)數(shù)據(jù)質(zhì)量不好，會導(dǎo)致最后訓(xùn)練出來的模型回答結(jié)果不夠精準(zhǔn)，如果用于訓(xùn)練的數(shù)據(jù)重復(fù)太多，訓(xùn)練的效率也會變差。向量數(shù)據(jù)庫的相似性搜索可以很好的優(yōu)化這些問題。

當(dāng)模型在為用戶服務(wù)時(shí)，用戶可能會問到時(shí)效性很強(qiáng)的事件，而這些事件模型的訓(xùn)練成本太高了，如果他們搭配向量數(shù)據(jù)庫來進(jìn)行搜索增強(qiáng)，那么模型就會先從向量數(shù)據(jù)庫中檢索最近的知識與大模型匹配，通過兩者結(jié)合的方式給到用戶不錯(cuò)的回答。

其次，如果這個(gè)模型已經(jīng)開始為企業(yè)主提供服務(wù)，那么企業(yè)主也會把向量數(shù)據(jù)庫作為大模型的補(bǔ)充。以在線文檔軟件為例，如果客戶在這里進(jìn)行文檔編寫，其實(shí)數(shù)據(jù)還是數(shù)據(jù)客戶自己的，在線文檔沒辦法把這些數(shù)據(jù)用于第三方模型訓(xùn)練，所以通常會將這部分?jǐn)?shù)據(jù)通過緩存的方式緩存到本地的某個(gè)數(shù)據(jù)庫中，當(dāng)客戶要來整理文檔紀(jì)要時(shí)，就可以通過向量數(shù)據(jù)庫進(jìn)行初步篩選，再交由大模型生成結(jié)果推理。

總結(jié)來說，向量數(shù)據(jù)庫會被用于加速訓(xùn)練提升大模型的時(shí)效性；通過在外部外掛一個(gè)向量數(shù)據(jù)庫幫助客戶更好的整理數(shù)據(jù)，以輸入、交互的方式提供給大模型再做最終的結(jié)果推理。

這兩種使用場景讓向量數(shù)據(jù)庫從原先的 " 搜廣推 "，在 AI 的陪伴下走向了各行各業(yè)。

36 氪：為什么現(xiàn)在大家要把向量化技術(shù)和向量數(shù)據(jù)庫分開做，這兩項(xiàng)技術(shù)合在一起不是更能提升用戶體驗(yàn)嗎？

羅云：我認(rèn)為這是有一個(gè)發(fā)展的階段，不同場景的方案也有適應(yīng)度的問題。在向量檢索里，很重要的一環(huán)就是分段模型的好與壞。通俗解釋，用戶體驗(yàn)涉及到的一次端到端的搜索準(zhǔn)確率、召回率由幾個(gè)事情影響：

一是分段模型的成熟度，就是怎么把一部分非結(jié)構(gòu)化文本、音頻變成一個(gè)向量，這個(gè)模型會比較重要。

二是在向量數(shù)據(jù)庫里面，Ann 的搜索算法也很重要。

騰訊云向量數(shù)據(jù)庫現(xiàn)在在做的就是把這部分分段模型放在向量數(shù)據(jù)庫中區(qū)，但它的挑戰(zhàn)性在于每家的數(shù)據(jù)不同，分段模型沒法一下做到大而廣之。在騰訊內(nèi)部有很多比如圖片類的分段模型、音樂類的分段模型和文本類的分段模型，我們會結(jié)合騰訊集團(tuán)的內(nèi)部積累，將其內(nèi)置到我們的向量數(shù)據(jù)庫中來，但是這個(gè)行業(yè)非常特殊，大家都有自己的素材，所以大家也會有自己的預(yù)訓(xùn)練去打造分段模型的方式，這兩者是相互配合的關(guān)系。

當(dāng)我們把它沉淀到向量數(shù)據(jù)庫里后，用戶開發(fā)它自己的 AI 應(yīng)用會變得很快，但是想讓分段模型效果足夠好，需要更多的積累。未來，向量數(shù)據(jù)庫會承載更多角色。

36 氪：因此各家向量數(shù)據(jù)庫，會在此形成差異化？

羅云：是的，目前大家都在往這方面靠，友商也會集成一些外部的分段模型，比如此前沒有積累的獨(dú)立數(shù)據(jù)庫廠商，會集成 OpenAI 的分段算法；騰訊則因?yàn)楸旧碓?PCG 的業(yè)務(wù)線就是偏泛互聯(lián)網(wǎng)的業(yè)務(wù)模型，所以有比較多的積累，我們會把更貼近業(yè)務(wù)實(shí)踐的分段模型產(chǎn)品化，為客戶提供增量價(jià)值。

36 氪：各家云計(jì)算廠商的基因不同，未來大家都做向量數(shù)據(jù)庫的話，彼此目標(biāo)客群會有什么不同嗎？

羅云：向量數(shù)據(jù)庫的核心還是一個(gè)標(biāo)品，提供標(biāo)準(zhǔn)的 API、SDK，能力也是標(biāo)準(zhǔn)的，服務(wù)的行業(yè)也是廣泛適用的。

雖然各家云計(jì)算廠商可能會有各自擅長的領(lǐng)域，但首先大家都會先把自己擅長的領(lǐng)域做好，再去看是否可以將向量數(shù)據(jù)庫作為拳頭產(chǎn)品吸引其他行業(yè)的客戶。

36 氪：向量數(shù)據(jù)庫在騰訊云產(chǎn)品體系中的定位是什么？

羅云：騰訊云向量數(shù)據(jù)庫的定位是成為這一波各行各業(yè)隨著 AI native 化成長起來的企業(yè)的剛需品，我們判斷在未來很長一段時(shí)間內(nèi)，對行業(yè)開發(fā)者來說都會是 "1+N" 的模式，"1" 是向量數(shù)據(jù)庫，"N" 是之前的多個(gè)數(shù)據(jù)庫。

P 和 F 都太容易猜到了，這里羅老師還是想減少一些麻煩。畢竟我們直接去點(diǎn)友商名字是不合適的

關(guān)鍵詞：