就像啤酒注定要有泡沫，每一场淘金热都不缺被捧上了时代风口的人。
大模型这一波热潮中，向量数据库就是那个幸运儿。
一方面，技术层面并没有太大突破。向量数据库并不是一种特别新的数据库技术，在AI领域已经应用了七八年，谷歌在2015年就宣布使用RankBrain语义检索来处理搜索任务。相比N家的卡、液冷的算、全光的网、升级的存，向量数据库在技术方面并没有特别亮眼的突破。
而另一方面，向量数据库的投资热潮又特别旺盛。在上半年成了创业公司、云计算厂商、老牌数据库公司，以及投资人们“群起而攻之”的风口，Pinecone、Chroma 和 Weviate 等向量数据库初创公司都获得了融资，有的融资额高达上亿美元。这在全球经济不明朗的投资形势下，还是非常亮眼的成绩。
不同于GPU卡那样短期内需求坚挺、供不应求，加上摩尔定律的约束，即使有泡沫，也是铁做的。也不同于存算网这类“新基建”，长期投入的战略价值，得到了庙堂和民间的一致重视。
向量数据库，更多是作为一种AI基础技术和产品，开始为大众所知晓。
仅凭这样，就在投资市场上一飞冲天，多少有点让人不安。加上最近，大训模型的热度开始降温，ChatGPT访问量下降，更多大模型已经到地里田间矿井“干活儿”去了。
不禁让人好奇，随着大模型的风口下沉，向量数据库的投资概念还能飞多久，会不会倏忽而来，倏忽而去，留下喝了“一嘴泡沫”的公司和投资人，在风中凌乱呢？
我们就来好好品一品，这一杯啤酒和泡沫。
技术的啤酒
训大模型、用大模型，离不开一系列AI基础设施，所以，作为基础设施之一的向量数据库，确实有点东西。引入向量数据库，是能喝到真材实料的“啤酒”的。
这就有必要先说说这个技术本身。
数据库不用多说，是必不可少的IT基础设施，用于存储和查询各种数据，可以看作是数据的“硬盘”。那么，向量数据库就是更适合AI体质的“硬盘”，有几个特质来说明这一点：
1.必要性。
向量数据库，顾名思义就是专门用于存储和管理向量数据。作为一种数据结构，每个向量都包含多个维度，每个维度代表不同的特征或属性，比如图像的颜色、文本词汇的出现频率等。而AI算法，要从图像、音频和文本等海量的非结构化数据中学习，提取出以向量为表示形式的“特征”，以便模型能够理解和处理。因此，向量数据库比传统的关系型数据库，更适合AI 应用。
2. 高效率。
每个元素都有一个索引，便于访问或修改数值。基于此，向量数据库可以通过将分组和索引，快速找到与给定查询最接近的嵌入，实现高效的相似性搜索，同时减少存储和计算成本。
相比传统单机插件式数据库，向量数据库的检索规模可以提升十倍，支持百万级每秒查询（QPS）的峰值能力，同时延迟控制在毫秒级。
想象一下，如果没有高效的搜索技术支持，一个大语言模型动辄数十亿、上百亿参数，只能处理有限数量的输入数据，无法搜索更大的数据库，那么在AIGC、搜索、广告推荐算法等任务的性能表现就会受限。
一个公开数据是，通过使用云向量数据库，QQ音乐人均听歌时长提升3.2%；腾讯视频有效曝光人均时长提升1.74%；QQ浏览器成本降低37.9%，这些数据的变化就在于检索效率、运行稳定性、运营效率、推荐算法等有了较大的提升。
3.需求大。
随着产业智能化的加速，以及大模型和其他 AI 应用的爆发，各行各业的AI用例不断增多，由此带来了汹涌的数据洪潮和存算任务，向量数据库嵌入向量的长度不受限制，具有良好的扩展性，可以根据AI用例和模型而变化，更好地处理大规模数据集。
而且，向量数据库可以拓展大模型的时间边界和空间边界，让大模型在训练完成后，也可以访问向量数据库的最新信息，了解最近发生的事情。
总的来说，向量数据库就是更适合AI体质的数据库，在AI任务上效果拔群，在机器学习领域中日益流行。
那么问题来了，一些在AI领域积淀已久的科技大厂，如谷歌、微软、Mate以及BAT等大厂，都有向量数据库的技术积累，也都可以向外输出相关能力和产品。此外，一些基于开源技术的数据库创业公司，如Pinecone、Weaviate、Odrant、Chroma近年来打开了市场知名度。
可以说，市场上并不缺乏向量数据库的产品和解决方案。那么2023年，这杯技术啤酒，是怎么咕嘟咕嘟冒出泡沫的呢？
浪潮之巅的泡沫
向量数据库的市场现状，说是“从0到1”，并不为过。
首先，大众市场的认知度才刚刚打开。
此前，向量数据库更多是AI企业在使用，今年才开始为大众所熟知，这离不开一些AI相关企业的推波助澜。今年 3月的 NVIDIA GTC 大会上，黄仁勋首次提及向量数据库，强调向量数据库对大语言模型的重要性。
不是所有企业都有能力自建大模型所需要的基础设施，通过MaaS（模型即服务）业务来训练应用大模型是更灵活的选择，这就要求云厂商提供全栈基础设施。
百度、京东、腾讯、华为等，都在自家的大模型完整基础设施中，提到了向量数据库。目前，云厂商的MaaS业务才刚刚开始走向市场，大模型的产业落地不是一蹴而就的，向量数据库的接受度和规模究竟有多大，还是个未知数。
第二，向量数据库的技术，还没经历“卷生卷死”的迭代。
Pinecone是闭源的领跑者，其他竞争者要么是开源的，比如Weviate，要么是巨头，包括头部云厂商和甲骨文、IBM等老牌数据库厂商，开始构建AI数据库的产品和解决方案。
大厂扎堆竞技，这意味着，如果技术没有大的突破，就会陷入高密度的同质化竞争，从蓝海快速进入红海。而如果技术有颠覆式变革，很多技术壁垒不高、客户认知不强的新入局创业者，很难跟开源生态或技术巨头PK，容易被大浪淘沙。
最后，向量数据库的成本，还没有降到“可规模复制”的程度。
无论是自建向量数据库，还是通过MaaS服务接入，都还达不到“付费可用”的程度。一般来说，企业需要先将非结构化的私密数据进行向量化，产生一个向量的矩阵，再存储到向量数据库里，来供大模型学习和检索。这个过程涉及到大量的工程化，会耗费企业许多开发人员、时间成本。
这就需要云厂商或数据库厂商，提供全链路的工具，来帮助企业完成整个数据向量化、大模型接入的工作，以及减少后续运维的难度。比如Pinecone就凭借良好的开箱即用的产品体验，获得了非常大的增长，B轮估值达到7.5亿美元。
谷歌云、腾讯云、京东云等也都基于内部应用的多年积累，推出了一系列面向外部的工具、框架和应用。但只是迈出了从无到有的第一步，真正成熟还需要让各家“卷起来”。
可以看到，现在这个阶段，热捧向量数据库，确实有AIGC、大模型、云服务等多方面的现实需求，但从“概念普及”到“真正可用”之间，还有不短的距离。这之间的地带，就是泡沫生长的地方。
江湖路远，风高浪急，没有想清楚的创业公司或行业用户，还是别贸然“带资进组”了。
啜饮时代的精酿
如果你是数据库厂商，或者是着急布局大模型和AI应用的企业，希望早点将啤酒喝到嘴里，怎么办呢？
笃定远一点的未来，有些赛道的泡沫比例是相对少的，需求格外旺盛。
市场方面，国产化替代是不错的选择。
科技博弈背景下，加上我国数据库产业的日益繁荣和技术突破，金融、电信、能源、交通等关键基础行业的企业，在数据库选型时，都开始倾向于国产，以保障数据的稳定性和安全性。
国外厂商在向量数据库上有着更早的探索和积累，国产数据库要补齐短板是需要时间的。
目前，BATH这类实力较强的国內科技企业，沉淀了向量数据库的核心自主技术，与其合作研发和定制化开发，针对某些具体场景，提供特定优化的向量数据库产品，加入国产化替代的赛道是成本更低、风险更可控、市场需求明确的选择。
策略方面，加入云生态不要独行。
鉴于向量数据库的商业化前景还不明朗，有业内人士表示，与其投资新的向量数据库项目，还不如关注现有数据库中，有哪些加上向量引擎可以变得更加强大。
云数据库就是其中之一，上云用数赋智是大势所趋，很多政企客户往往会选择公有云或行业云来满足其业务需求，将数据迁移到云上，对云数据库的关注度和接受度上升。
腾讯云、华为云等大型云厂商，具有较高的品牌认知度和市场接受度，具有云原生、AI原生的技术栈和产品体系，经历了海量场景的淬炼和 优化，和这类云生态一起掘金向量数据库，是更稳妥的方式。
和AI、大模型一样，向量数据库要品出味道，离不开时间的窖藏和酝酿。是在大训模型的热度下降后，像泡沫一样湮灭，还是作为啤酒精酿沉淀下去，等待成为下一代数字基础设施的刚需，被行业客户所啜饮，是留给数据库玩家和买家的选择题。
免责声明：此文内容为第三方自媒体作者发布的观察或评论性文章，所有文字和图片版权归作者所有，且仅代表作者个人观点，与 无关。文章仅供读者参考，并请自行核实相关内容。投诉邮箱：editor@fromgeek.com。
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。
