大模型在以“日更”進(jìn)展的同時(shí)，不知不覺(jué)也帶來(lái)一股焦慮情緒：估值 130 億美元的 AI 寫(xiě)作工具 Grammarly 在 ChatGPT 發(fā)布后網(wǎng)站用戶(hù)直線(xiàn)下降；AI 聊天機器人獨角獸公司 Character.AI 的自建大模型在 ChatGPT 進(jìn)步之下，被質(zhì)疑能否形成足夠的競爭壁壘 ......

【資料圖】

ChatGPT Plugins插件發(fā)布之后，更多創(chuàng )業(yè)者開(kāi)始擔憂(yōu)大模型的技術(shù)進(jìn)步會(huì )把自己卷入「打擊射程」，瞬時(shí)抹掉自己所在領(lǐng)域的技術(shù)積累和優(yōu)勢。

我們好像陷入了大模型所帶來(lái)的「WTF 綜合癥」——在過(guò)山車(chē)般的技術(shù)加速度中，人們會(huì )在「what the fuck」的驚訝和「what"s the future」的思索之間，反復橫跳。

冷靜下來(lái)思考，在底層大模型的國產(chǎn)化浪潮以及應用層的紅紅火火之外，大模型領(lǐng)域還有什么是值得被關(guān)注的？

向量數據庫（Vector database）在我們與行業(yè)人士的各種交流中屢被提及。它被看做 AI Infra 中的關(guān)鍵一環(huán)，這種專(zhuān)門(mén)用于存儲、索引和查詢(xún)嵌入向量的數據庫系統，可以讓大模型更高效率的存儲和讀取知識庫，并且以更低的成本進(jìn)行 finetune（模型微調），還將進(jìn)一步在 AI Native 應用的演進(jìn)中扮演重要作用。

向量數據庫之于大模型的價(jià)值和意義究竟是什么？它會(huì )不會(huì )被大模型本身的進(jìn)步吞掉？圍繞著(zhù)大模型的軟件開(kāi)發(fā)范式將會(huì )被如何構建？向量數據庫能發(fā)揮的作用是什么？

帶著(zhù)這些問(wèn)題，極客公園找到了Zilliz 創(chuàng )始人& CEO 星爵進(jìn)行交流。Zilliz成立于中國上海，總部在美國硅谷，于2019年開(kāi)源了全球首個(gè)向量數據庫產(chǎn)品 Milvus，它在 GitHub 上獲得了超過(guò) 1.8 萬(wàn)顆 Star，在全球擁有超過(guò) 1000 家企業(yè)用戶(hù)，成為目前全球最流行的開(kāi)源向量數據庫。而早在 2022 年，Zilliz 就完成了累計超過(guò) 1.03 億美金的 B 輪融資，估值達到驚人的 6 億美金。

^{圖｜Zilliz 在 SIGMOD’21 發(fā)表的論文，Milvus 是全球真正意義的第一款向量數據庫產(chǎn)品}

在大模型熱潮之前，整個(gè)向量數據庫市場(chǎng)一年只有幾億美元。直到去年 ChatGPT 推出，如 killer app（殺手級應用）一般拉高了市場(chǎng)天花板，也讓大模型和向量數據庫開(kāi)始真正出圈。

在今年 3 月的 NVIDIA GTC 大會(huì )，黃仁勛首次提及向量數據庫，并強調對于構建專(zhuān)有大型語(yǔ)言模型的組織而言，向量數據庫至關(guān)重要，而 Zilliz 也被官宣是 NVIDIA 的向量存儲的官方合作伙伴。

緊接著(zhù)，OpenAI ChatGPT plugins 發(fā)布的官方文章中，Milvus 和 Zilliz Cloud 同時(shí)作為首批插件合作伙伴被提及，成為唯一一家開(kāi)源項目與商業(yè)化云產(chǎn)品同時(shí)入選的向量數據庫公司。而在近一個(gè)月之內，向量數據庫迎來(lái)了融資潮，Qdrant 、Chroma 和 Weaviate 紛紛獲得融資；而?Pinecone?也正式官宣了新的 1 億美金 B 輪融資，估值達到了 7.5 億美元 ?......

圖｜ Zilliz 創(chuàng )始人 & CEO 星爵

從 3 月 到 5 月，我們與星爵一起見(jiàn)證了向量數據庫從默默無(wú)聞到成為行業(yè)大熱的完整過(guò)程，并和他陸續探討了大模型的演化、向量數據庫的價(jià)值和意義，以及 AI Native 應用演進(jìn)等一系列問(wèn)題。

以下是對話(huà)精選，由極客公園整理：

01?大模型和小模型的混合時(shí)代

極客公園：在你看來(lái)大模型是什么？

星爵：大模型是一個(gè)智能處理器，是一個(gè)大腦。傳統處理器是人工去編排電路，而大模型是用神經(jīng)網(wǎng)絡(luò )去編排電路。

大模型未來(lái)發(fā)展會(huì )更加強大，一方面會(huì )有中央處理的大模型，像 ChatGPT 的云端大腦，后面有數萬(wàn)塊 GPU，它會(huì )奔著(zhù)更大規模、更強能力的方向發(fā)展，但它的缺點(diǎn)也很明顯，能耗和成本也比較高；另外一個(gè)維度，它會(huì )往更高的效率、更低的能耗比方向走，會(huì )有小模型出來(lái)，像 Dolly 模型（注：Databricks 發(fā)布的擁有 120 億參數，類(lèi) ChatGPT 開(kāi)源模型），每個(gè)人手提一個(gè)「大腦」。

極客公園：這個(gè)結論是怎么得出來(lái)的？

星爵：我是站在人類(lèi)的科技發(fā)展史去看的，而不是大模型本身。

大模型本質(zhì)是開(kāi)啟了人類(lèi)智能計算的一個(gè)時(shí)代，但是計算能力一定會(huì )分化的，不可能說(shuō)只有一個(gè)。

人類(lèi)的計算最終都是從大分化成小的，「大」不見(jiàn)得是一個(gè)適合所有產(chǎn)品的需求。計算機最開(kāi)始是主機時(shí)代，是在大機房里面的大型機，而現在 ChatGPT 本質(zhì)也是如此。對于這種計算方式來(lái)說(shuō)，缺點(diǎn)明顯，響應很慢，吞吐率也不高。

出現小型化的趨勢是因為功能的需求在分化，如果你要辦公，你買(mǎi)一個(gè)上網(wǎng)的筆記本電腦就可以了，不需要一個(gè)超級計算機。

極客公園：會(huì )像主機到微機的時(shí)代演變，有清晰的階段劃分嗎？還是說(shuō)會(huì )是一個(gè)大模型和小模型混合的時(shí)代？

星爵：從大模型到小模型的大量涌現，這個(gè)演進(jìn)其實(shí)就花了 6 個(gè)月，人類(lèi)文明的進(jìn)化已經(jīng)變得更快了?，F在如果你想跑一個(gè)微軟出的 Deep Speed Chat 這種小模型，在筆記本上就行。

你可以認為小模型就相當于現在的 PC，大模型是現在的超級計算機。

我覺(jué)得大模型和小模型兩者會(huì )并存下去。需求分化的本質(zhì)背后，并不是一個(gè)技術(shù)問(wèn)題，而是資源如何最優(yōu)化配置的問(wèn)題。如果說(shuō)集中式的管理是最優(yōu)的話(huà)，那么一定會(huì )做集中式的。

極客公園：大模型和向量數據庫是什么關(guān)系？大多數向量數據庫公司其實(shí)在大模型熱潮出現前就有了，比較好奇大模型給向量數據庫帶來(lái)了什么？

星爵：在我看來(lái)，大模型是新一代的 AI 處理器，提供的是數據處理能力；那么向量數據庫提供就是 memory，是它的存儲。

向量數據庫之前應用比較分散，ChatGPT 的出現，讓向量數據庫迎來(lái)了killer app 時(shí)刻，一下子把行業(yè)的天花板拉高了幾個(gè)數量級，把向量數據庫面向的開(kāi)發(fā)者從幾萬(wàn)提升到全球幾千萬(wàn)。就像過(guò)去做移動(dòng)開(kāi)發(fā)和應用開(kāi)發(fā)，可能大家都會(huì )人手一個(gè) MongoDB 數據庫，以后也會(huì )人手一個(gè)向量數據庫。

極客公園：目前大模型發(fā)展非常迅猛，會(huì )不會(huì )把向量數據庫提供的價(jià)值直接被吞到大模型的體系里？

星爵：不管是大模型還是小模型，它本質(zhì)上是對全世界的知識和運行規則的一個(gè)編碼，是對我們人類(lèi)所有數據的一個(gè)壓縮。

但很難真的把所有數據放到大模型里面。比如有一種觀(guān)點(diǎn)，ChatGPT 是一個(gè)相當高效的壓縮編碼方式，但它并不是無(wú)損壓縮，并不能擁有所有知識，這個(gè)過(guò)程必然帶來(lái)熵減和信息損失。如果把所有信息都編碼到神經(jīng)網(wǎng)絡(luò )里面去，那么神經(jīng)網(wǎng)絡(luò )就會(huì )變得特別臃腫，參數規模會(huì )巨大無(wú)比，從而導致運行緩慢。所以不能全放進(jìn)去，這意味著(zhù)它可能需要外部的存儲。

在計算機結構中也有類(lèi)似的情況：CPU 里會(huì )有一個(gè)片上存儲 SRAM，一般會(huì )做得比較小，因為片上存儲的價(jià)格比內存 DRAM 要貴 100 倍，比磁盤(pán)要貴 1 萬(wàn)倍。神經(jīng)網(wǎng)絡(luò )就是大模型的片上存儲，更大規模的模型擁有更多的片上存儲。但是用神經(jīng)網(wǎng)絡(luò )來(lái)存儲數據是相當昂貴的，會(huì )導致網(wǎng)絡(luò )規模的急劇增大，所以大模型也需要一種更高效的數據存儲方式，這就是神經(jīng)網(wǎng)絡(luò )外的片外存儲，向量數據庫就是它的片外存儲。如果運行時(shí)發(fā)現有信息不知道，就到向量數據庫里面來(lái)取。而向量數據庫的存儲成本比存到神經(jīng)網(wǎng)絡(luò )的成本要低2 到4 個(gè)數量級。

極客公園：你拿硬件做了類(lèi)比，但是我們也可以看到有芯片公司是在做存算一體的架構，存儲和計算放在一起。

星爵：本質(zhì)上每一種計算都需要存儲，計算和存儲是兩個(gè)最基本的抽象，但它們是可以相互轉化的，可以用存儲換計算，也可以用計算換存儲。在達到一個(gè)更好地投入產(chǎn)出比的過(guò)程中，需要有一個(gè)平衡。

人類(lèi)的第一個(gè)計算機就是存算一體的，后來(lái)為什么要分開(kāi)？因為效率和成本。為什么說(shuō)大模型不能夠完全取代向量數據庫，這是因為向量數據庫的存儲成本比大模型要低一個(gè) 1 千倍到 1 萬(wàn)倍，就看你要不要這么做而已。歷史上，存儲永遠比計算便宜，計算也在降價(jià)，但你發(fā)現存儲一直更便宜。

極客公園：但這個(gè)邏輯其實(shí)是硬件的邏輯，軟件也會(huì )如此嗎？

星爵：軟件和硬件是相輔相成，互為支撐的。軟件里為什么要把中間計算過(guò)程保存下來(lái)，不重算一次？為什么要做緩存，要保存中間結果？因為保存是為了少算，少算的原因是用空間換時(shí)間，用存儲換計算資源，這在軟件里面是最經(jīng)典的一種設計模式。之所以軟件這么設計，也是硬件特性所決定的：存儲比計算要更便宜。

02?重新理解向量數據庫的價(jià)值

極客公園：最近有個(gè)玩笑說(shuō)，上一波投AIGC 的VC 公司基本上都后悔了，意思是在大模型之下很多應用層公司的壁壘都被抹掉了。私域數據會(huì )不會(huì )是構成競爭力的核心，向量數據庫是不是可以在這個(gè)方向起作用？

星爵：幫助用戶(hù)管理私域數據，確實(shí)是目前向量數據庫提供的核心應用場(chǎng)景。很多公司和個(gè)人不愿意讓大模型拿到自己的數據。

那么我們怎么樣利用向量數據庫和 OpenAI 這種大模型廠(chǎng)商交換數據呢？首先說(shuō)一點(diǎn)，大模型本身是可以將互聯(lián)網(wǎng)上的公域數據都爬到，對于私域數據可以用向量數據庫先做好編排，轉成向量數據庫里的向量?，F在要從私域數據的知識庫里要找到問(wèn)題的回答，可以利用向量數據庫的相似查找能力，精確定位到庫里的相關(guān)數據，然后把這幾個(gè)信息編成一個(gè) prompt。

盡管 prompt 的容量理論上可以無(wú)限，但這樣效率太低，并且也難以實(shí)現。通過(guò)以上這樣的方式就可以很容易控制是 2000 個(gè) tokens，或者 8000 個(gè) tokens，把它傳給大模型給出一個(gè)答案。所以說(shuō)，通過(guò)向量數據庫可以用私域數據和大模型做一個(gè)增強和互補。

極客公園：大模型不會(huì )把私有數據都拿走？

星爵：國外這一波 AI 起來(lái)之后還有一個(gè)特別好的點(diǎn)，就是把隱私數據保護都搞清楚了。

為什么有那么多開(kāi)發(fā)者敢用，那么多百億美金的公司愿把自己的服務(wù)接到 OpenAI 里面去，就是 OpenAI 已經(jīng)保證 ?prompt ?只能作為 input（輸入），不能存、不能訓練、不能學(xué)習。要不然我把數據都給你了，你學(xué)完以后把我踢掉怎么辦。國外已經(jīng)在公有數據和私有數據之間劃出了一個(gè)很大邊界。我相信中國最后也會(huì )立法，走到這一步的。

極客公園：向量數據庫在大模型中還有什么應用？

星爵：短期還有一種應用方式，用向量數據庫給大模型更新數據。

其實(shí)這也是個(gè)成本的考慮，模型的finetune（微調）更新的成本，是遠大于使用向量數據庫數據做存儲。

不管是大模型還是小模型的 finetune 都比較慢。除非你做一個(gè)超級無(wú)敵計算機，實(shí)時(shí)獲取新數據，也實(shí)時(shí)更新模型，但沒(méi)必要。像 ChatGPT 訓練所用的數據是截止到 2021 年 9 月，后面的事情它就不知道了，會(huì )給出錯誤答案。所以通過(guò)用向量數據庫給大模型更新數據，也是可以一定程度上解決大模型「胡言亂語(yǔ)」的問(wèn)題。

極客公園：Zilliz 還推出了GPTCache，要給ChatGPT 做緩存層。這個(gè)怎么理解？

星爵：緩存也是個(gè)很好的應用場(chǎng)景。我們認為全球的CDN 和緩存會(huì )有重做一次的機會(huì )。未來(lái) AI 的公共場(chǎng)景中信息交換的方式會(huì )發(fā)生變化，會(huì )向更智能，更偏向語(yǔ)義這個(gè)方向轉變，并且消化的是更加非結構化的數據。以前的 CDN 是基于精確條件的查詢(xún)，現在可以基于一些近似條件的查詢(xún)。未來(lái)需要一個(gè)更智能的一個(gè) CDN，更智能的一個(gè)緩存。

極客公園：最近很火的AutoGPT 和向量數據庫也有關(guān)聯(lián)，向量數據庫在其中扮演了什么角色？

星爵：向量數據庫是AutoGPT 中最為核心的組件之一。我們的產(chǎn)品 Milvus 已經(jīng)接入到了 AutoGPT 中，這給我們帶來(lái)了很大的流量。你可以這樣理解，AutoGPT 等于ChatGPT 加上向量數據庫。通過(guò)向量數據庫讓 AutoGPT 具備了長(cháng)期記憶能力，它知道之前搜的是什么，把歷史全部記進(jìn)去了，不然每次查詢(xún)是沒(méi)有上下文的。

極客公園：斯坦福大學(xué)和谷歌聯(lián)手發(fā)布的論文《Generative Agents: Interactive Simulacra of Human Behavior》也引起了行業(yè)強烈關(guān)注，實(shí)驗構建了一個(gè)虛擬小鎮，小鎮有25 個(gè)有「記憶」的虛擬人，他們可以結合自己的「人設」，在社交活動(dòng)中產(chǎn)生不同的決策和行為，這讓我們看到了現實(shí)版的《西部世界》構建的可能性。這個(gè)實(shí)驗里面非常重要的是虛擬人的記憶機制，向量數據庫能做嗎？

^{圖｜虛擬小鎮}

星爵：能。AutoGPT 加一個(gè)人物的頭像，就可以打造一個(gè)最簡(jiǎn)單的智能 Avatar。以后各種智能體都要有個(gè)記憶，而記憶是向量數據庫來(lái)提供，這個(gè)想象空間蠻大的。那它可能是個(gè)什么機會(huì )呢？還真不好去定義，人類(lèi)歷史上首次出現擁有獨立記憶體的虛擬人，這是一個(gè)歷史性的機會(huì )，對向量數據庫的需求會(huì )有幾萬(wàn)倍的增長(cháng)。

這本質(zhì)上還是使用向量數據庫作為大模型的 memory，應用在了虛擬智能體這個(gè)場(chǎng)景。我覺(jué)得慢慢地大家在達成共識，只要做大模型的應用，就會(huì )用向量數據庫來(lái)做記憶體。

極客公園：大模型要想處理復雜任務(wù)，首先要有記憶能力，然后基于記憶（上下文）做推理，而向量數據便是記憶體。那是只有向量數據庫就夠了，還是需要再加一些其他的？

星爵：基本就夠了。因為所有大模型和 AI 里面的數據交換都是用向量。這個(gè)本質(zhì)上是說(shuō)片外跟片內的存儲數據的交換格式是統一的。這也就是說(shuō)為什么不能拿 Oracle 去做智能體的記憶；ChatGPT 也沒(méi)有選 MongoDB，也沒(méi)有選 Oracle，因為它們都是不適合大模型的。

極客公園：是不是可以這樣理解，把大模型看成是一個(gè)基于自然語(yǔ)言編程的新型計算機，向量數據是它最原生的數據，向量數據庫是它最原生的數據庫，這其實(shí)是一個(gè)完整的體系？

星爵：是的。神經(jīng)網(wǎng)絡(luò )的確是向量，因為它所有的信息傳輸都是向量，每一層的參數也都是向量。所以能看成是個(gè)以向量（embedding）為基礎架構的一套新的計算體系結構。

這個(gè)體系結構簡(jiǎn)單說(shuō)來(lái)就是「CVP Stack」。其中「C」是 ChatGPT 這類(lèi)大模型，負責向量的計算；「V」是向量數據庫（vector database），負責向量的存儲；「P」是 Prompt Engineering，負責向量的交互。

03?AI Native 時(shí)代的應用演進(jìn)

極客公園：對于AI Native 時(shí)代的應用開(kāi)發(fā)來(lái)說(shuō)，什么變得更重要了？什么不重要了？

星爵：在大模型開(kāi)發(fā)時(shí)代，我率先提出了前面提到的「CVP Stack」概念，現在也逐漸被廣泛接受了。

這里要特別指出的是，我對于「P」的定義和理解會(huì )更加開(kāi)放一些，不限于 prompt engineering。它本質(zhì)上是個(gè)創(chuàng )造的過(guò)程，而不是說(shuō)簡(jiǎn)單的寫(xiě) prompt?！窹」的核心是提問(wèn)能力，或者說(shuō)是找到需求、找到市場(chǎng)的一個(gè)能力，比如說(shuō)你如何設計你的用戶(hù)流程，如何找到一個(gè)好的商業(yè)化落地的場(chǎng)景，這都是包含在「P」中。

對于現在的開(kāi)發(fā)者來(lái)說(shuō)，不管你是產(chǎn)品經(jīng)理還是前端工程師，用 ChatGPT 加上向量數據庫，寫(xiě)好 prompt，再用 LangChain 把項目串起來(lái)，基本用上一周就可以寫(xiě)個(gè)應用出來(lái)，這極大地降低了大模型應用的開(kāi)發(fā)成本。

極客公園：面向大模型時(shí)代，你對Zilliz 這家公司更準確的定義是什么？

星爵：我們是一家 DB for AI 的公司，大概 3 年前，我們發(fā)了這個(gè)領(lǐng)域第一篇 SIGMOD 論文的時(shí)候，提出了這個(gè)概念，但它是一個(gè)學(xué)術(shù)界的講法。如果按照更好理解的方式，我們其實(shí)的是一個(gè) AI Native 的數據庫公司。

過(guò)去10 年最大的機會(huì )是做Cloud Native（云原生）的Data Infra，產(chǎn)生了Snowflake 這樣的巨頭；未來(lái)10 年最大的機會(huì )是做AI Native（AI 原生）的Data Infra，像 Zilliz 這樣的向量數據庫公司將會(huì )迎來(lái)歷史性機遇。

極客公園：這一波大模型創(chuàng )業(yè)，應用層創(chuàng )業(yè)者被問(wèn)得最多的是，怎么去建立自己的競爭壁壘，而不被大模型本身的進(jìn)步「淹死」？你怎么看壁壘這個(gè)問(wèn)題？

星爵：應用層其實(shí)是有壁壘，技術(shù)壁壘變低了，那么其他的壁壘就變高了，我覺(jué)得創(chuàng )意和運營(yíng)變得更重要了。

極客公園：與中國關(guān)注應用層和大模型層不同，美國在AI Infra 上迎來(lái)了開(kāi)源的繁榮，AI Infra 的競爭格局會(huì )是怎么樣？中國接下來(lái)在AI Infra 上有什么值得期待的嗎？

星爵：Infra 是一個(gè)贏(yíng)者通吃的市場(chǎng)，像 Snowflake 在云原生數據庫領(lǐng)域就是一馬當先。

我覺(jué)得中國在這一塊還沒(méi)開(kāi)始，中國大模型比國外大概落后了半年。Infra 的話(huà)，我覺(jué)得中國可能還會(huì )落后半年到 1 年。我覺(jué)得 AI Infra 在接下來(lái)的半年里會(huì )有一個(gè)史無(wú)前例的快速發(fā)展。

04?爆火背后的堅持和運氣

極客公園：3 月的NVIDIA GTC 大會(huì )上，黃仁勛強調向量數據庫對于大模型至關(guān)重要，還宣布了你們是NVIDIA 的向量數據庫的合作伙伴。這中間發(fā)生了什么故事？

^{圖｜NVIDIA GTC 大會(huì )，黃仁勛首次提及向量數據庫，并強調對于構建專(zhuān)有大型語(yǔ)言模型的組織而言，向量數據庫至關(guān)重要}

星爵：我們在創(chuàng )業(yè)之初就堅定地認為 AI 時(shí)代的計算一定是異構的，也一直在堅持包括 GPU 加速在內的異構計算的技術(shù)路線(xiàn)。

NVIDIA 是在去年下半年看到整個(gè) AI 的發(fā)展趨勢中，向量數據的處理會(huì )越來(lái)越重要，非常希望更多的企業(yè)能夠把 GPU 加速用起來(lái)。他們在全球范圍內調研和接觸向量數據庫領(lǐng)域的公司和團隊，但也發(fā)現真正能夠在異構計算上面有布局、有實(shí)力的只有我們一家。

NVIDIA 在深入地了解我們之后，也成為了我們 Milvus 開(kāi)源社區里一個(gè)很重要的貢獻者。除了共同發(fā)布 GPU 加速向量數據庫，NVIDIA 還派了幾名的工程師專(zhuān)門(mén)給 Milvus 貢獻代碼。

此外，NVIDIA 還有一個(gè)用 GPU 加速的開(kāi)源推薦系統框架 Merlin，它把 Milvus 也做成 Merlin 中的一個(gè)關(guān)鍵部件，幫推薦系統去管理下面的數據?，F在 NVIDIA 不僅僅是我們的合作伙伴，同時(shí)也成為我們的一個(gè)大用戶(hù)。

極客公園：OpenAI 又是什么樣的故事？我看到在公布ChatGPT plugins 發(fā)布的官方文章中，Milvus 和Zilliz 是首批的合作伙伴，貢獻了向量數據庫插件。

^{圖｜OpenAI 發(fā)布 ChatGPT plugins 的官方文章中，Zilliz 的產(chǎn)品被提及了兩次}

星爵：OpenAI 的話(huà)就更加簡(jiǎn)單了，一年前就已經(jīng)有一些合作了。他們和我們說(shuō)要做一個(gè)平臺，就是 ChatGPT plugins，看到我們的向量數據庫是全球最流行和最具開(kāi)發(fā)者社區影響力的，因此希望加入。最開(kāi)始我們的心態(tài)很平和，覺(jué)得是基礎的開(kāi)源兼容合作。但 plugins 發(fā)布后，我們獲得了來(lái)自大模型領(lǐng)域開(kāi)發(fā)者和 GPT 用戶(hù)群體的空前關(guān)注，這個(gè)是我始料未及的。

極客公園：既然向量數據庫這么重要，會(huì )不會(huì )擔心國內別人再做一個(gè)向量數據庫？

星爵：說(shuō)實(shí)話(huà)我們很歡迎，因為向量數據庫還處于發(fā)展的早期階段，還需要更多的市場(chǎng)教育。

極客公園：對于「為什么是你們」這個(gè)問(wèn)題，你是怎么思考的？

星爵：我也想不到今年會(huì )有機會(huì )和大家都去談向量數據庫。之前我每年都跟別人講，向量數據庫是接下來(lái)特別牛逼的事情，但大部分人聽(tīng)完之后說(shuō)，有趣，你有這個(gè)想法和愿景，就好好干。

現在回頭看，沒(méi)有堅定的愿景和長(cháng)期主義的堅持，我們不可能走到現在。

當然，一個(gè)成功的企業(yè)也需要有些好的運氣。比如說(shuō)，我們歷史上每次融資都能夠遇到一些擁有相同愿景、堅持長(cháng)期主義的投資人。我們今年開(kāi)始準備做商業(yè)化，剛好遇到大模型的「iPhone 時(shí)刻」，一下子把我們推到了聚光燈下。之前有人會(huì )懷疑我們的商業(yè)化潛力，但現在有人和我說(shuō) Zilliz 想不掙錢(qián)都很難。

很多時(shí)候，你堅持在做一些難的事情，但是很多時(shí)間點(diǎn)你沒(méi)有趕上，你可能會(huì )死。因為其實(shí)很多優(yōu)秀的企業(yè)也是這么死掉的，盡管它的產(chǎn)品和技術(shù)很好，但它跟市場(chǎng)經(jīng)濟發(fā)展的趨勢不吻合，跟用戶(hù)需求爆發(fā)的時(shí)間點(diǎn)不吻合。

對于可以掌控的，那我們就拼命去做成功的必要條件；而有些是無(wú)法控制的，對我們來(lái)說(shuō)的話(huà)，很感恩這種運氣。

極客公園：所以你是怎么看自己的？是長(cháng)期主義的勝利者？

星爵：幸存者更恰當一些。

極客公園：大模型給向量數據庫帶來(lái)的是什么程度的加速？

星爵：是指數級的增長(cháng)，過(guò)去 6 個(gè)月開(kāi)發(fā)者的增長(cháng)量大概能頂得上我們過(guò)去三年的。

這是一個(gè)向量數據庫開(kāi)始瘋狂增長(cháng)的時(shí)代，也是 AI-native 數據庫未來(lái)十年高速增長(cháng)的開(kāi)端。

本文作者：王式，來(lái)源：極客公園，原文標題：《對話(huà) Zilliz 星爵：大模型時(shí)代，需要新的「存儲基建」》

風(fēng)險提示及免責條款 市場(chǎng)有風(fēng)險，投資需謹慎。本文不構成個(gè)人投資建議，也未考慮到個(gè)別用戶(hù)特殊的投資目標、財務(wù)狀況或需要。用戶(hù)應考慮本文中的任何意見(jiàn)、觀(guān)點(diǎn)或結論是否符合其特定狀況。據此投資，責任自負。

關(guān)鍵詞：