生成式 AI 应用落地已经从热火朝天的“百模大战”，步入到了少数优秀模型脱颖而出，工具链百花齐放，以及企业主管认真寻找生成式 AI 落地场景的新阶段。然而，大模型是否能够真正落地并应用于实践、如何基于开发者自身 IT 架构快速构建AI Native 应用、如何衡量引入生成式 AI 的价值等问题引发行业关注。
在此背景下，亚马逊云科技举办亚马逊云科技生成式 AI 构建者大会。在本次大会中，众行业大咖和技术专家们 聚焦生成式 AI 前沿技术，就生成式 AI 的热点技术话题和热门应用场景展开了深入分享与交流，为开发者们解读了当下应如何应对生成式 AI 带来的机遇，在 AI 时代保持强有力的竞争力。
Zilliz 合伙人兼技术总监栾小凡、Zilliz AI 云平台负责人陈将受邀参加。
以下是他们的精彩发言：
栾小凡表示，向量数据库是一种将数据存储为高维向量的数据库，高维向量是特征或属性的数学表示。拆解来看，向量数据库有两个关键要素，一是面向高维向量数据的处理能力，二是具备一个数据库的基本能力。因此，作为向量数据库需要具备支持向量数据的增删改查、高性能的向量检索、支持数据的持久化、支持一种易用的查询语言的能力。
此外，还可以从许多角度来评估向量数据库：系统的扩展性、弹性、可用性，所采用的向量检索算法，是否支持标量过滤、混合查询、多向量等功能，是否开源，是否提供云服务，以及是否有完善的生态支持等。Milvus 和 Zilliz Cloud 作为全球领先的向量数据库，能够从多个维度满足开发者对于向量数据库的需求。
Zilliz 合伙人兼技术总监栾小凡
当然，并非所有的向量数据库都生而平等。栾小凡认为，开发者评判自己是否需要真正的向量数据库时，需要着重考虑应用场景。向量数据库的传统应用场景包括文本类(如翻译和语义检索)、图片类(如去重和以图搜图)、视频类(如推荐和内容合规检测)、生物制药、自动驾驶等。随着大模型时代的到来，向量数据库的应用场景也随之拓展，包括 RAG(Retrieval-augmented generation)、AI Agent、多模态大模型等。
陈将在进行主题分享时则对 RAG 应用于向量数据库的场景进行了详细拆解。陈将认为，LLM 的最大问题就是缺乏最新的知识和特定领域的知识。对于这一问题，业界有两种主要解决方法：微调和检索增强生成。业内许多公司(如 Zilliz、OpenAI 等)都认为相比微调，RAG 是更好的解决方法。归根究底是因为微调的成本更高，需要使用的数据也更多，因此主要适用于风格迁移(style transfer)的场景。
Zilliz AI 云平台负责人陈将
相比之下，RAG 方法使用例如 Milvus 之类的向量数据库，从而将知识和数据注入到应用中，更适用于通用场景。陈将提到，采用 RAG 方法就意味着使用向量数据库存储真理数据，这样可以确保应用返回正确的信息和知识，而不是在缺乏数据时产生幻觉，捏造回答。不过，随着越来越多的文档、用例等信息被注入应用中，越来越多开发者意识到信息来源的重要性，它可以确保信息准确性，使得大模型的回答更加真实。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
