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 寫作工具 Grammarly 在 ChatGPT 發(fā)布后網(wǎng)站用戶直線下降；AI 聊天機(jī)器人獨(dú)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(jìng)爭(zhēng)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(dān)憂大模型的技術(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(shì)。

我們好像陷入了大模型所帶來(lái)的「WTF 綜合癥」——在過(guò)山車般的技術(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(fù)橫跳。

冷靜下來(lái)思考，在底層大模型的國(guó)產(chǎn)化浪潮以及應(yīng)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(shù)據(jù)庫(kù)（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)，這種專門用于存儲(chǔ)、索引和查詢嵌入向量的數(shù)據(jù)庫(kù)系統(tǒng)，可以讓大模型更高效率的存儲(chǔ)和讀取知識(shí)庫(kù)，并且以更低的成本進(jìn)行 finetune（模型微調(diào)），還將進(jìn)一步在 AI Native 應(yīng)用的演進(jìn)中扮演重要作用。

向量數(shù)據(jù)庫(kù)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？圍繞著大模型的軟件開(kāi)發(fā)范式將會(huì)被如何構(gòu)建？向量數(shù)據(jù)庫(kù)能發(fā)揮的作用是什么？

帶著這些問(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(guó)上海，總部在美國(guó)硅谷，于2019年開(kāi)源了全球首個(gè)向量數(shù)據(jù)庫(kù)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，成為目前全球最流行的開(kāi)源向量數(shù)據(jù)庫(kù)。而早在 2022 年，Zilliz 就完成了累計(jì)超過(guò) 1.03 億美金的 B 輪融資，估值達(dá)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(shù)據(jù)庫(kù)產(chǎn)品}

在大模型熱潮之前，整個(gè)向量數(shù)據(jù)庫(kù)市場(chǎng)一年只有幾億美元。直到去年 ChatGPT 推出，如 killer app（殺手級(jí)應(yīng)用）一般拉高了市場(chǎng)天花板，也讓大模型和向量數(shù)據(jù)庫(kù)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(shù)據(jù)庫(kù)，并強(qiáng)調(diào)對(duì)于構(gòu)建專有大型語(yǔ)言模型的組織而言，向量數(shù)據(jù)庫(kù)至關(guān)重要，而 Zilliz 也被官宣是 NVIDIA 的向量存儲(chǔ)的官方合作伙伴。

緊接著，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(xiàng)目與商業(yè)化云產(chǎn)品同時(shí)入選的向量數(shù)據(jù)庫(kù)公司。而在近一個(gè)月之內(nèi)，向量數(shù)據(jù)庫(kù)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(dá)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(shù)據(jù)庫(kù)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(xù)探討了大模型的演化、向量數(shù)據(jù)庫(kù)的價(jià)值和意義，以及 AI Native 應(yīng)用演進(jìn)等一系列問(wèn)題。

以下是對(duì)話精選，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(tǒng)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(qiáng)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(shù)萬(wàn)塊 GPU，它會(huì)奔著更大規(guī)模、更強(qiáng)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(shù)，類 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(jié)論是怎么得出來(lái)的？

星爵：我是站在人類的科技發(fā)展史去看的，而不是大模型本身。

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

人類的計(jì)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(jì)算機(jī)最開(kāi)始是主機(jī)時(shí)代，是在大機(jī)房里面的大型機(jī)，而現(xiàn)在 ChatGPT 本質(zhì)也是如此。對(duì)于這種計(jì)算方式來(lái)說(shuō)，缺點(diǎn)明顯，響應(yīng)很慢，吞吐率也不高。

出現(xiàn)小型化的趨勢(shì)是因?yàn)楣δ艿男枨笤诜只?，如果你要辦公，你買一個(gè)上網(wǎng)的筆記本電腦就可以了，不需要一個(gè)超級(jí)計(jì)算機(jī)。

極客公園：會(huì)像主機(jī)到微機(jī)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(xiàn)，這個(gè)演進(jìn)其實(shí)就花了 6 個(gè)月，人類文明的進(jìn)化已經(jīng)變得更快了。現(xiàn)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(rèn)為小模型就相當(dāng)于現(xiàn)在的 PC，大模型是現(xiàn)在的超級(jí)計(jì)算機(jī)。

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，那么一定會(huì)做集中式的。

極客公園：大模型和向量數(shù)據(jù)庫(kù)是什么關(guān)系？大多數(shù)向量數(shù)據(jù)庫(kù)公司其實(shí)在大模型熱潮出現(xiàn)前就有了，比較好奇大模型給向量數(shù)據(jù)庫(kù)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(shù)據(jù)處理能力；那么向量數(shù)據(jù)庫(kù)提供就是 memory，是它的存儲(chǔ)。

向量數(shù)據(jù)庫(kù)之前應(yīng)用比較分散，ChatGPT 的出現(xiàn)，讓向量數(shù)據(jù)庫(kù)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(shù)量級(jí)，把向量數(shù)據(jù)庫(kù)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(yīng)用開(kāi)發(fā)，可能大家都會(huì)人手一個(gè) MongoDB 數(shù)據(jù)庫(kù)，以后也會(huì)人手一個(gè)向量數(shù)據(jù)庫(kù)。

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(shù)據(jù)庫(kù)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(duì)全世界的知識(shí)和運(yùn)行規(guī)則的一個(gè)編碼，是對(duì)我們?nèi)祟愃袛?shù)據(jù)的一個(gè)壓縮。

但很難真的把所有數(shù)據(jù)放到大模型里面。比如有一種觀點(diǎn)，ChatGPT 是一個(gè)相當(dāng)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(shí)，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(shù)規(guī)模會(huì)巨大無(wú)比，從而導(dǎo)致運(yùn)行緩慢。所以不能全放進(jìn)去，這意味著它可能需要外部的存儲(chǔ)。

在計(jì)算機(jī)結(jié)構(gòu)中也有類似的情況：CPU 里會(huì)有一個(gè)片上存儲(chǔ) SRAM，一般會(huì)做得比較小，因?yàn)槠洗鎯?chǔ)的價(jià)格比內(nèi)存 DRAM 要貴 100 倍，比磁盤要貴 1 萬(wàn)倍。神經(jīng)網(wǎng)絡(luò)就是大模型的片上存儲(chǔ)，更大規(guī)模的模型擁有更多的片上存儲(chǔ)。但是用神經(jīng)網(wǎng)絡(luò)來(lái)存儲(chǔ)數(shù)據(jù)是相當(dāng)昂貴的，會(huì)導(dǎo)致網(wǎng)絡(luò)規(guī)模的急劇增大，所以大模型也需要一種更高效的數(shù)據(jù)存儲(chǔ)方式，這就是神經(jīng)網(wǎng)絡(luò)外的片外存儲(chǔ)，向量數(shù)據(jù)庫(kù)就是它的片外存儲(chǔ)。如果運(yùn)行時(shí)發(fā)現(xiàn)有信息不知道，就到向量數(shù)據(jù)庫(kù)里面來(lái)取。而向量數(shù)據(jù)庫(kù)的存儲(chǔ)成本比存到神經(jīng)網(wǎng)絡(luò)的成本要低2 到4 個(gè)數(shù)量級(jí)。

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

星爵：本質(zhì)上每一種計(jì)算都需要存儲(chǔ)，計(jì)算和存儲(chǔ)是兩個(gè)最基本的抽象，但它們是可以相互轉(zhuǎn)化的，可以用存儲(chǔ)換計(jì)算，也可以用計(jì)算換存儲(chǔ)。在達(dá)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。

人類的第一個(gè)計(jì)算機(jī)就是存算一體的，后來(lái)為什么要分開(kāi)？因?yàn)樾屎统杀?。為什么說(shuō)大模型不能夠完全取代向量數(shù)據(jù)庫(kù)，這是因?yàn)橄蛄繑?shù)據(jù)庫(kù)的存儲(chǔ)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(chǔ)永遠(yuǎn)比計(jì)算便宜，計(jì)算也在降價(jià)，但你發(fā)現(xiàn)存儲(chǔ)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(jì)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(jié)果？因?yàn)楸４媸菫榱松偎悖偎愕脑蚴怯每臻g換時(shí)間，用存儲(chǔ)換計(jì)算資源，這在軟件里面是最經(jīng)典的一種設(shè)計(jì)模式。之所以軟件這么設(shè)計(jì)，也是硬件特性所決定的：存儲(chǔ)比計(jì)算要更便宜。

02?重新理解向量數(shù)據(jù)庫(kù)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(yīng)用層公司的壁壘都被抹掉了。私域數(shù)據(jù)會(huì)不會(huì)是構(gòu)成競(jìng)爭(zhēng)力的核心，向量數(shù)據(jù)庫(kù)是不是可以在這個(gè)方向起作用？

星爵：幫助用戶管理私域數(shù)據(jù)，確實(shí)是目前向量數(shù)據(jù)庫(kù)提供的核心應(yīng)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(shù)據(jù)。

那么我們?cè)趺礃永孟蛄繑?shù)據(jù)庫(kù)和 OpenAI 這種大模型廠商交換數(shù)據(jù)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(shù)據(jù)都爬到，對(duì)于私域數(shù)據(jù)可以用向量數(shù)據(jù)庫(kù)先做好編排，轉(zhuǎn)成向量數(shù)據(jù)庫(kù)里的向量?，F(xiàn)在要從私域數(shù)據(jù)的知識(shí)庫(kù)里要找到問(wèn)題的回答，可以利用向量數(shù)據(jù)庫(kù)的相似查找能力，精確定位到庫(kù)里的相關(guān)數(shù)據(jù)，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(xiàn)。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(shù)據(jù)庫(kù)可以用私域數(shù)據(jù)和大模型做一個(gè)增強(qiáng)和互補(bǔ)。

極客公園：大模型不會(huì)把私有數(shù)據(jù)都拿走？

星爵：國(guó)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(shù)據(jù)保護(hù)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(xùn)練、不能學(xué)習(xí)。要不然我把數(shù)據(jù)都給你了，你學(xué)完以后把我踢掉怎么辦。國(guó)外已經(jīng)在公有數(shù)據(jù)和私有數(shù)據(jù)之間劃出了一個(gè)很大邊界。我相信中國(guó)最后也會(huì)立法，走到這一步的。

極客公園：向量數(shù)據(jù)庫(kù)在大模型中還有什么應(yīng)用？

星爵：短期還有一種應(yīng)用方式，用向量數(shù)據(jù)庫(kù)給大模型更新數(shù)據(jù)。

其實(shí)這也是個(gè)成本的考慮，模型的finetune（微調(diào)）更新的成本，是遠(yuǎn)大于使用向量數(shù)據(jù)庫(kù)數(shù)據(jù)做存儲(chǔ)。

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(jí)無(wú)敵計(jì)算機(jī)，實(shí)時(shí)獲取新數(shù)據(jù)，也實(shí)時(shí)更新模型，但沒(méi)必要。像 ChatGPT 訓(xùn)練所用的數(shù)據(jù)是截止到 2021 年 9 月，后面的事情它就不知道了，會(huì)給出錯(cuò)誤答案。所以通過(guò)用向量數(shù)據(jù)庫(kù)給大模型更新數(shù)據(jù)，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(yīng)用場(chǎng)景。我們認(rèn)為全球的CDN 和緩存會(huì)有重做一次的機(jī)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(zhuǎn)變，并且消化的是更加非結(jié)構(gòu)化的數(shù)據(jù)。以前的 CDN 是基于精確條件的查詢，現(xiàn)在可以基于一些近似條件的查詢。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(shù)據(jù)庫(kù)也有關(guān)聯(lián)，向量數(shù)據(jù)庫(kù)在其中扮演了什么角色？

星爵：向量數(shù)據(jù)庫(kù)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(shù)據(jù)庫(kù)。通過(guò)向量數(shù)據(jù)庫(kù)讓 AutoGPT 具備了長(zhǎng)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(qiáng)烈關(guān)注，實(shí)驗(yàn)構(gòu)建了一個(gè)虛擬小鎮(zhèn)，小鎮(zhèn)有25 個(gè)有「記憶」的虛擬人，他們可以結(jié)合自己的「人設(shè)」，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(xiàn)實(shí)版的《西部世界》構(gòu)建的可能性。這個(gè)實(shí)驗(yàn)里面非常重要的是虛擬人的記憶機(jī)制，向量數(shù)據(jù)庫(kù)能做嗎？

^{圖｜虛擬小鎮(zhèn)}

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(shù)據(jù)庫(kù)來(lái)提供，這個(gè)想象空間蠻大的。那它可能是個(gè)什么機(jī)會(huì)呢？還真不好去定義，人類歷史上首次出現(xiàn)擁有獨(dú)立記憶體的虛擬人，這是一個(gè)歷史性的機(jī)會(huì)，對(duì)向量數(shù)據(jù)庫(kù)的需求會(huì)有幾萬(wàn)倍的增長(zhǎng)。

這本質(zhì)上還是使用向量數(shù)據(jù)庫(kù)作為大模型的 memory，應(yīng)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(dá)成共識(shí)，只要做大模型的應(yīng)用，就會(huì)用向量數(shù)據(jù)庫(kù)來(lái)做記憶體。

極客公園：大模型要想處理復(fù)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(shù)據(jù)便是記憶體。那是只有向量數(shù)據(jù)庫(kù)就夠了，還是需要再加一些其他的？

星爵：基本就夠了。因?yàn)樗写竽Ｐ秃?AI 里面的數(shù)據(jù)交換都是用向量。這個(gè)本質(zhì)上是說(shuō)片外跟片內(nèi)的存儲(chǔ)數(shù)據(jù)的交換格式是統(tǒng)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?yàn)樗鼈兌际遣贿m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(jì)算機(jī)，向量數(shù)據(jù)是它最原生的數(shù)據(jù)，向量數(shù)據(jù)庫(kù)是它最原生的數(shù)據(jù)庫(kù)，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?yàn)樗械男畔鬏敹际窍蛄?，每一層的參?shù)也都是向量。所以能看成是個(gè)以向量（embedding）為基礎(chǔ)架構(gòu)的一套新的計(jì)算體系結(jié)構(gòu)。

這個(gè)體系結(jié)構(gòu)簡(jiǎn)單說(shuō)來(lái)就是「CVP Stack」。其中「C」是 ChatGPT 這類大模型，負(fù)責(zé)向量的計(jì)算；「V」是向量數(shù)據(jù)庫(kù)（vector database），負(fù)責(zé)向量的存儲(chǔ)；「P」是 Prompt Engineering，負(fù)責(zé)向量的交互。

03?AI Native 時(shí)代的應(yīng)用演進(jìn)

極客公園：對(duì)于AI Native 時(shí)代的應(yīng)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(xiàn)在也逐漸被廣泛接受了。

這里要特別指出的是，我對(duì)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 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(shè)計(jì)你的用戶流程，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(duì)于現(xiàn)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(shù)據(jù)庫(kù)，寫好 prompt，再用 LangChain 把項(xiàng)目串起來(lái)，基本用上一周就可以寫個(gè)應(yīng)用出來(lái)，這極大地降低了大模型應(yīng)用的開(kāi)發(fā)成本。

極客公園：面向大模型時(shí)代，你對(duì)Zilliz 這家公司更準(zhǔn)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(shù)據(jù)庫(kù)公司。

過(guò)去10 年最大的機(jī)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(jī)會(huì)是做AI Native（AI 原生）的Data Infra，像 Zilliz 這樣的向量數(shù)據(jù)庫(kù)公司將會(huì)迎來(lái)歷史性機(jī)遇。

極客公園：這一波大模型創(chuàng)業(yè)，應(yīng)用層創(chuàng)業(yè)者被問(wèn)得最多的是，怎么去建立自己的競(jìng)爭(zhēng)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(yīng)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(yùn)營(yíng)變得更重要了。

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

星爵：Infra 是一個(gè)贏者通吃的市場(chǎng)，像 Snowflake 在云原生數(shù)據(jù)庫(kù)領(lǐng)域就是一馬當(dāng)先。

我覺(jué)得中國(guó)在這一塊還沒(méi)開(kāi)始，中國(guó)大模型比國(guó)外大概落后了半年。Infra 的話，我覺(jué)得中國(guó)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(jiān)持和運(yùn)氣

極客公園：3 月的NVIDIA GTC 大會(huì)上，黃仁勛強(qiáng)調(diào)向量數(shù)據(jù)庫(kù)對(duì)于大模型至關(guān)重要，還宣布了你們是NVIDIA 的向量數(shù)據(jù)庫(kù)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(shù)據(jù)庫(kù)，并強(qiáng)調(diào)對(duì)于構(gòu)建專有大型語(yǔ)言模型的組織而言，向量數(shù)據(jù)庫(kù)至關(guān)重要}

星爵：我們?cè)趧?chuàng)業(yè)之初就堅(jiān)定地認(rèn)為 AI 時(shí)代的計(jì)算一定是異構(gòu)的，也一直在堅(jiān)持包括 GPU 加速在內(nèi)的異構(gòu)計(jì)算的技術(shù)路線。

NVIDIA 是在去年下半年看到整個(gè) AI 的發(fā)展趨勢(shì)中，向量數(shù)據(jù)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?cè)谌蚍秶鷥?nèi)調(diào)研和接觸向量數(shù)據(jù)庫(kù)領(lǐng)域的公司和團(tuán)隊(duì)，但也發(fā)現(xiàn)真正能夠在異構(gòu)計(jì)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(qū)里一個(gè)很重要的貢獻(xiàn)者。除了共同發(fā)布 GPU 加速向量數(shù)據(jù)庫(kù)，NVIDIA 還派了幾名的工程師專門給 Milvus 貢獻(xiàn)代碼。

此外，NVIDIA 還有一個(gè)用 GPU 加速的開(kāi)源推薦系統(tǒng)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(tǒng)去管理下面的數(shù)據(jù)?，F(xiàn)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。

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(xiàn)了向量數(shù)據(jù)庫(kù)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(tái)，就是 ChatGPT plugins，看到我們的向量數(shù)據(jù)庫(kù)是全球最流行和最具開(kāi)發(fā)者社區(qū)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(chǔ)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(shù)據(jù)庫(kù)這么重要，會(huì)不會(huì)擔(dān)心國(guó)內(nèi)別人再做一個(gè)向量數(shù)據(jù)庫(kù)？

星爵：說(shuō)實(shí)話我們很歡迎，因?yàn)橄蛄繑?shù)據(jù)庫(kù)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(duì)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(jī)會(huì)和大家都去談向量數(shù)據(jù)庫(kù)。之前我每年都跟別人講，向量數(shù)據(jù)庫(kù)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(xiàn)在回頭看，沒(méi)有堅(jiān)定的愿景和長(zhǎng)期主義的堅(jiān)持，我們不可能走到現(xiàn)在。

當(dāng)然，一個(gè)成功的企業(yè)也需要有些好的運(yùn)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(jiān)持長(zhǎng)期主義的投資人。我們今年開(kāi)始準(zhǔn)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(xiàn)在有人和我說(shuō) Zilliz 想不掙錢都很難。

很多時(shí)候，你堅(jiān)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?yàn)槠鋵?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(jì)發(fā)展的趨勢(shì)不吻合，跟用戶需求爆發(fā)的時(shí)間點(diǎn)不吻合。

對(duì)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(duì)我們來(lái)說(shuō)的話，很感恩這種運(yùn)氣。

極客公園：所以你是怎么看自己的？是長(zhǎng)期主義的勝利者？

星爵：幸存者更恰當(dāng)一些。

極客公園：大模型給向量數(shù)據(jù)庫(kù)帶來(lái)的是什么程度的加速？

星爵：是指數(shù)級(jí)的增長(zhǎng)，過(guò)去 6 個(gè)月開(kāi)發(fā)者的增長(zhǎng)量大概能頂?shù)蒙衔覀冞^(guò)去三年的。

這是一個(gè)向量數(shù)據(jù)庫(kù)開(kāi)始瘋狂增長(zhǎng)的時(shí)代，也是 AI-native 數(shù)據(jù)庫(kù)未來(lái)十年高速增長(zhǎng)的開(kāi)端。

本文作者：王式，來(lái)源：極客公園，原文標(biāo)題：《對(duì)話 Zilliz 星爵：大模型時(shí)代，需要新的「存儲(chǔ)基建」》

風(fēng)險(xiǎn)提示及免責(zé)條款 市場(chǎng)有風(fēng)險(xiǎn)，投資需謹(jǐn)慎。本文不構(gòu)成個(gè)人投資建議，也未考慮到個(gè)別用戶特殊的投資目標(biāo)、財(cái)務(wù)狀況或需要。用戶應(yīng)考慮本文中的任何意見(jiàn)、觀點(diǎn)或結(jié)論是否符合其特定狀況。據(jù)此投資，責(zé)任自負(fù)。

關(guān)鍵詞：