繼云廠商、模型商、開發(fā)者后，數(shù)據(jù)庫玩家入局大模型。

ChatGPT「漲不動了」？

最近，ChatGPT 用戶增長放緩的消息刷屏科技圈，環(huán)比增長率從一月份的 131% 降至五月份 2%。

數(shù)據(jù)的背后，是一次業(yè)界焦點(diǎn)的大轉(zhuǎn)移：從對 AIGC 大模型技術(shù)的狂熱，轉(zhuǎn)移到對商業(yè)化落地效果的審視。

生產(chǎn)力工具是目前大模型落地的重要方向。但面向垂域應(yīng)用，僅依靠大模型自身的訓(xùn)練數(shù)據(jù)集做支撐，難以達(dá)到生產(chǎn)可用的效果。

圍繞這一問題，也形成了兩大流派，傳統(tǒng)流派將垂域/私域內(nèi)容補(bǔ)充至訓(xùn)練集，即單模型架構(gòu)；新興流派引入向量數(shù)據(jù)庫為大模型提供長短期記憶，集成領(lǐng)域知識庫，即 ChatGPT + VectorDB + Prompt (CVP) 架構(gòu)。

CVP 架構(gòu)的興起讓向量數(shù)據(jù)庫這個(gè)新的數(shù)據(jù)庫品類站上了風(fēng)口浪尖。

全球最火的開源向量數(shù)據(jù)庫項(xiàng)目 Milvus 在 Github 的標(biāo)星已經(jīng)突破 2 萬，官方顯示，目前 Milvus 已經(jīng)擁有超過 1000+ 中大型企業(yè)用戶。

作為 Milvus 的原廠，Zilliz 已經(jīng)完成 1.13 億美元融資，并全面啟動商業(yè)化步伐，為大模型落地提供向量數(shù)據(jù)庫全棧產(chǎn)品與服務(wù)。

我們聯(lián)系到 Zilliz 合伙人兼產(chǎn)品負(fù)責(zé)人郭人通博士，和他一同探討向量數(shù)據(jù)庫所帶來的大模型應(yīng)用變革。

郭人通博士表示，CVP 架構(gòu)相比單模型架構(gòu)在靈活性、可擴(kuò)展性、實(shí)時(shí)性、成本四個(gè)維度都有明顯優(yōu)勢。最關(guān)鍵的原因是在 CVP 架構(gòu)中，領(lǐng)域知識以數(shù)據(jù)入庫的形式進(jìn)行更新，而非重新訓(xùn)練或微調(diào)模型。

目前，國內(nèi)大模型的綜合能力與 GPT-4 還有代差，但現(xiàn)在已經(jīng)走到了產(chǎn)業(yè)落地的早期，業(yè)界真正關(guān)心的是業(yè)務(wù)效果。

Zilliz 的團(tuán)隊(duì)研究發(fā)現(xiàn)，CVP 架構(gòu)中哪怕僅使用 GPT3.5 或一些頭部開源模型，其端到端效果也明顯優(yōu)于 GPT-4。

在這個(gè)框架下，除了要拼模型能力，更要拼知識庫的構(gòu)建能力、模型與知識庫的集成水平，這也為國產(chǎn)化大模型提供了一次在落地階段彎道超車的機(jī)會。

在不更改原意的基礎(chǔ)上，我們對郭人通博士的交流內(nèi)容進(jìn)行了梳理，希望能為大家?guī)硪恍┧伎蓟驅(qū)嵺`上的幫助。

1 ChatGPT is NOT all you need

提問：向量數(shù)據(jù)庫對很多用戶和開發(fā)者還是一個(gè)比較新的概念，能否講一下向量數(shù)據(jù)庫與傳統(tǒng)數(shù)據(jù)庫的關(guān)鍵差異？

郭人通：傳統(tǒng)數(shù)據(jù)庫應(yīng)用中，需要把業(yè)務(wù)側(cè)的數(shù)據(jù)結(jié)構(gòu)化成數(shù)值、字符串，但目前業(yè)務(wù)側(cè)沉淀下來的數(shù)據(jù)超過八成是非結(jié)構(gòu)化的，例如長文本、圖片、視頻、音頻、社交關(guān)系等，我們要應(yīng)用這些「新」數(shù)據(jù)，主要手段是通過深度神經(jīng)網(wǎng)絡(luò)對這些數(shù)據(jù)進(jìn)行「理解」，把語義信息編碼成向量。

向量數(shù)據(jù)庫是以向量為核心數(shù)據(jù)類型的新型數(shù)據(jù)庫系統(tǒng)，支持大規(guī)模向量數(shù)據(jù)的存儲、分析、查詢?nèi)蝿?wù)，同時(shí)兼顧面向數(shù)值、字符串的混合查詢分析能力。圍繞向量化的數(shù)據(jù)表示，向量數(shù)據(jù)庫提供了一套統(tǒng)一的非結(jié)構(gòu)化數(shù)據(jù)應(yīng)用技術(shù)，使我們的數(shù)據(jù)應(yīng)用不再局限于數(shù)值和字符串所能表達(dá)的語義范圍。

提問：為什么 CVP 架構(gòu)相比單模型架構(gòu)有更強(qiáng)的落地優(yōu)勢？

郭人通：目前有兩個(gè)流派，傳統(tǒng)流派希望模型具有端到端的能力，并將業(yè)務(wù)相關(guān)的數(shù)據(jù)補(bǔ)充至訓(xùn)練數(shù)據(jù)集。這在小模型時(shí)代成本還可以接受，但在大模型時(shí)代，想找到一種途徑將垂域、私域、或?qū)崟r(shí)知識更新到模型參數(shù)中，同時(shí)成本可控，是相當(dāng)困難的。基于這個(gè)考慮，領(lǐng)先的大模型廠商，如 OpenAI 和 Google Bard 等，都選擇了向量數(shù)據(jù)庫為大模型提供長短期記憶的CVP技術(shù)路線。

在 CVP 架構(gòu)中，我們通過向量數(shù)據(jù)庫為大模型補(bǔ)充一個(gè)外部記憶體。其中 C 作為運(yùn)算單元，提供邏輯分析和自然語言對接的能力，V 作為存儲單元，提供穩(wěn)定準(zhǔn)確、高容量、高可擴(kuò)展的知識，P 在前兩者的基礎(chǔ)上，提供面向具體業(yè)務(wù)的適配能力。這和我們?nèi)四X工作模式比較類似，我們不會去試圖記憶所有知識，書本作為知識載體比記憶更可靠，同時(shí)人腦以查詢書面知識的方式完成任務(wù)。

提問：目前向量數(shù)據(jù)庫在大模型時(shí)代有哪些典型的應(yīng)用場景？

郭人通：早期看最有潛力的是生產(chǎn)力工具這個(gè)方向，B端和C端都有不少實(shí)際的場景：

1.文本創(chuàng)作。

這是直接關(guān)聯(lián)的一類應(yīng)用，典型場景包括：文書生成，社交媒體 UGC，SEO 廣告，游戲任務(wù)劇本創(chuàng)作等。所有這些場景都需要在垂類細(xì)分中追求差異化優(yōu)勢，同時(shí)業(yè)務(wù)中積累的內(nèi)容也可以直接轉(zhuǎn)化為知識庫層面的資產(chǎn)。

2.聊天機(jī)器人。

可以確定，ChatGPT 為代表的 LLM 一定會徹底革新現(xiàn)有的聊天機(jī)器人系統(tǒng)。典型場景包括：客服，虛擬人，個(gè)人助手，游戲NPC 等。在 CVP 框架下構(gòu)建的聊天機(jī)器人不再需要樹狀問題分類規(guī)則，而是最自然的問答形式。比較典型的是客服系統(tǒng)，人工客服的問答會持續(xù)地向知識庫積累，最終機(jī)器人的能力會向所有客服能力總和的位置收斂。

3.搜索引擎。

這個(gè)方向的沖擊毋庸置疑，微軟通過一套組合拳已經(jīng)向谷歌發(fā)起挑戰(zhàn)。除了大型搜索引擎，傳統(tǒng)的文檔搜索也會進(jìn)行一次升級。基于關(guān)鍵字匹配的搜索會升級至以語義匹配為基礎(chǔ)，同時(shí)兼顧圖文等多模態(tài)檢索能力。這也是 Milvus 與 ElasticSearch 的典型賦能差異。

4.專業(yè)領(lǐng)域。

這個(gè)方向的工具主要解決專業(yè)領(lǐng)域菜鳥速成老鳥，以及老鳥生產(chǎn)力翻倍的問題。包括法律政策、知識產(chǎn)權(quán)保護(hù)、保險(xiǎn)、金融投資、醫(yī)療、教育等。相比上述幾類場景，這類場景更加低頻，且更加需要精準(zhǔn)可靠的專業(yè)知識加持。否則就會出現(xiàn)前些日子美國律師使用 ChatGPT，導(dǎo)致引用杜撰的案件等問題。

提問：CVP 框架下的實(shí)踐工作目前處于什么階段？對國內(nèi)大模型落地的機(jī)會如何？

郭人通：我關(guān)注到的類似的探索活動最早在去年6月份就有了，主要是在學(xué)術(shù)界。目前工業(yè)界的實(shí)踐還在很早期的階段，OpenAI 的動作是從今年3月份才開始的，提供了一套插件機(jī)制集成外部知識。在應(yīng)用方面，現(xiàn)在的 CVP 主要以單輪知識召回為主，很類似傳統(tǒng)推薦系統(tǒng)，差異點(diǎn)在于末尾加了大模型的能力做內(nèi)容總結(jié)。

關(guān)于效果，我們團(tuán)隊(duì)在近期推出的 OSSChat 項(xiàng)目（一個(gè)面向開源社區(qū)的文檔知識庫）中進(jìn)行過實(shí)踐論證。由 CVP 框架加成的 GPT-3.5 端到端應(yīng)用效果可以輕松擊敗 GPT-4 單模型能力。這意味著應(yīng)用開發(fā)者可以在 CVP 框架中探索兩個(gè)關(guān)鍵問題的答案：

如何解決國產(chǎn)大模型與 GPT-4 的代差問題。

如何使用小成本模型或多模型混合降低數(shù)據(jù)應(yīng)用的綜合成本。

業(yè)界真正關(guān)心的是業(yè)務(wù)效果。在這個(gè)框架下，除了要拼模型能力，更要拼知識庫的構(gòu)建能力、模型與知識庫的集成水平，這也為國產(chǎn)化大模型提供了一次在落地階段彎道超車的機(jī)會。

多階段賦能應(yīng)用落地

提問：Zilliz 作為 Milvus 的原廠，同時(shí)提供了開源和商業(yè)化解決方案，可以簡單介紹一下兩者定位的差異嗎？

郭人通：Zilliz 向開發(fā)者與用戶提供了開源與云服務(wù)多重解決方案，全面覆蓋不同場景的需求。從 AIGC 個(gè)人應(yīng)用開發(fā)到大型企業(yè)向量數(shù)據(jù)平臺，從國內(nèi)業(yè)務(wù)到跨境業(yè)務(wù)，從成本優(yōu)先到性能優(yōu)先，Zilliz 都提供了最專業(yè)的解決方案。

Milvus 支持三種部署規(guī)模：MilvusLite 面向本地原型快速構(gòu)建，pip install 一鍵安裝，算法工程師友好。Milvus Standalone 面向單物理機(jī)服務(wù)部署，維護(hù)便捷，適合小規(guī)模服務(wù)。Milvus Cluster 面向大規(guī)模集群部署，適合大型企業(yè)用戶在私有環(huán)境構(gòu)建向量數(shù)據(jù)搜索平臺。

相比開源方案，云服務(wù)提供了多重關(guān)鍵能力：

云服務(wù)采用商業(yè)版引擎，性能超越開源版 3 倍以上。同等的高 QPS 場景，所需硬件成本降至開源方案的 1/3 到 1/5。

99.9% 高可用，穩(wěn)定支持 10 億及以上規(guī)模向量數(shù)據(jù)。

軟硬件高度適配，提供性能型、容量型、經(jīng)濟(jì)型三類實(shí)例類型，滿足不同維度的業(yè)務(wù)需求。

AutoIndex 智能索引，面向負(fù)載與數(shù)據(jù)分布自動化性能調(diào)優(yōu)，進(jìn)一步提升性能一倍以上，免去手工系統(tǒng)調(diào)優(yōu)之苦。

Zilliz Cloud 面向 AIGC 個(gè)人開發(fā)者或小型團(tuán)隊(duì)量身打造了 Starter Plan。Zilliz 關(guān)注到 AIGC 開發(fā)者數(shù)量已經(jīng)到達(dá)千萬量級，為了支撐 AIGC 應(yīng)用在孵化期對于快速驗(yàn)證、快速迭代的需求，Zilliz 為每位用戶提供一個(gè)免費(fèi)的 Serverless 實(shí)例，服務(wù)開箱即用，可支持百萬向量規(guī)模的知識庫檢索。上手門檻與成本甚至低于 MilvusLite。

Zilliz Cloud 同樣提供 PaaS 服務(wù)，適合注重?cái)?shù)據(jù)隱私、數(shù)據(jù)安全與合規(guī)的企業(yè)。用戶可以在其虛擬私有云（VPC）上部署全托管的 Zilliz Cloud 向量數(shù)據(jù)庫服務(wù)。

提問：目前有大量的用戶在使用開源的 Milvus 系統(tǒng)，大家可能比較關(guān)心的問題是，在 Zilliz 商業(yè)化階段，Milvus 的開源路線是否會有變化？

郭人通：「好的系統(tǒng)和產(chǎn)品不是設(shè)計(jì)出來的，而是用出來的。」 是 Zilliz 在開發(fā)產(chǎn)品過程中一以貫之的最重要的原則。我對這條原則的解釋是「與開發(fā)者接觸面積最大化」。

Milvus 堅(jiān)定的走開源路線，是該原則的重要實(shí)踐。5年的時(shí)間，Zilliz 團(tuán)隊(duì)與幾千家企業(yè)用戶，上萬名開發(fā)者建立了深度的聯(lián)系。憑借來自眾多行業(yè)社區(qū)用戶的廣泛反饋，Milvus 已成為全球迭代速度最快、最成熟的的開源向量數(shù)據(jù)庫系統(tǒng)。

在商業(yè)化產(chǎn)品中，Zilliz Cloud 為每一位用戶提供免費(fèi)的 Serverless 實(shí)例，可穩(wěn)定支持百萬量級向量數(shù)據(jù)。根據(jù)我們對用戶數(shù)據(jù)的統(tǒng)計(jì)，該容量可支撐超過 90% 的早期用戶需求。Zilliz 團(tuán)隊(duì)在商業(yè)化路線中貫穿「與開發(fā)者接觸面積最大化」、「社區(qū)共建最快速產(chǎn)品迭代」 這一理念。對于一個(gè)數(shù)據(jù)庫系統(tǒng)的演進(jìn)旅程，5年尚早，Zilliz 還將繼續(xù)和社區(qū)一道，進(jìn)行向量數(shù)據(jù)庫技術(shù)與產(chǎn)品領(lǐng)域的前沿探索，不斷刷新最佳實(shí)踐。

提問：在 CVP 框架中，向量數(shù)據(jù)庫與大模型是互生的關(guān)系，在C-V兩側(cè)生態(tài)對接方面有什么動作嗎？

郭人通：為了進(jìn)一步降低應(yīng)用構(gòu)建成本，提供標(biāo)準(zhǔn)化組件，Zilliz 已與全球頭部大模型生態(tài)完成了 C-V 間對接。2023 年 3 月，Zilliz 作為 OpenAI 首批向量數(shù)據(jù)庫合作伙伴，完成了 Milvus 與 Zilliz Cloud 插件化集成，作為官方推薦的向量數(shù)據(jù)庫插件提供給廣大應(yīng)用開發(fā)者。此外，Zilliz 還與 LangChain、Cohere、LlamaIndex、Auto-GPT、BabyAGI 等熱門項(xiàng)目進(jìn)行了深度集成。與國產(chǎn)大模型的對接工作正在進(jìn)行中，預(yù)期會在近一個(gè)月開放。

3 量身定制的 AIGC 特性支持

提問：Zilliz Cloud 近期發(fā)布了 2.0 版本，同時(shí) Milvus 發(fā)布了 2.3 版本，在這些最近的版本中，有哪些面向 AIGC 應(yīng)用的新特性？

郭人通：Zilliz Cloud 在近期的重要版本更新中，添加了一系列面向 AIGC 應(yīng)用構(gòu)建的關(guān)鍵特性。涵蓋數(shù)據(jù)的靈活表示、面向 ToC 業(yè)務(wù)用戶粒度知識庫的支持、更高效的混合查詢與過濾等。

動態(tài) schema 。此前向量數(shù)據(jù)庫采用靜態(tài) schema 的方式，需要開發(fā)者在建表時(shí)根據(jù)業(yè)務(wù)定義數(shù)據(jù)的 schema。這對于大型企業(yè)的成熟業(yè)務(wù)是一種常見的方式。然而，當(dāng)下 AIGC 應(yīng)用多處于早期快速迭代階段，面向業(yè)務(wù)效果，需要頻繁調(diào)整向量數(shù)據(jù)庫內(nèi)的字段，對于這類需求，反復(fù)重建 schema 結(jié)構(gòu)以及頻繁的數(shù)據(jù)重導(dǎo)入會嚴(yán)重影響產(chǎn)品的迭代速度。因此，Zilliz Cloud 引入動態(tài) schema 的能力，支持用戶根據(jù)迭代需要，動態(tài)靈活的進(jìn)行字段插入。

Partition Key。Partition Key 特性是原有 Milvus partition 功能的升級，邏輯 partition 的數(shù)量不再受到限制。在業(yè)務(wù)層面，目前大量 AIGC 應(yīng)用是 ToC 的，因此一些業(yè)務(wù)需要為每一個(gè)用戶建立一個(gè)獨(dú)立的知識庫（例如問答歷史）。在先前的方案中，需要為每個(gè)用戶建立獨(dú)立的向量數(shù)據(jù)庫表以及索引，成本上基本無法滿足要求。在新的方案中，用戶可以將所有用戶數(shù)據(jù)放置于同一張表，并為每個(gè)用戶賦予不同的 Partition Key，在表內(nèi)實(shí)現(xiàn)用戶分桶隔離。相比單獨(dú)建表方案，綜合成本可下降兩到三個(gè)數(shù)量級。除了這類場景，用戶還可以通過 Partition Key 實(shí)現(xiàn)數(shù)據(jù)按時(shí)間區(qū)間或類別分組，并在此基礎(chǔ)上有效降低數(shù)據(jù)的查詢范圍，實(shí)現(xiàn)高效的查詢與過濾。

JSON 類型的支持。JSON 是目前最流行且最靈活的數(shù)據(jù)表示方式之一。目前，Zilliz 團(tuán)隊(duì)將半個(gè) Mongo 的能力搬進(jìn)了向量數(shù)據(jù)庫，用戶在 Zilliz Cloud 可以將 JSON 與 embedding 這兩種超強(qiáng)能力相結(jié)合，實(shí)現(xiàn)基于 JSON 與 embedding 向量的混合數(shù)據(jù)表示以及復(fù)雜的業(yè)務(wù)邏輯。

提問：在接下來的版本中，會有哪些相關(guān)的重磅特性發(fā)布？

郭人通：在接下來的版本更新中，Zilliz Cloud 會大幅增強(qiáng)向量表示與混合查詢能力：

稀疏向量。目前，Milvus 與 Zilliz Cloud 僅支持稠密向量表示，接下來會支持稀疏向量。稀疏向量可以更直接的表示離散化特征分量，并支持在具體特征集合上的向量化分析與查詢。這對于傳統(tǒng)ML的應(yīng)用，或傳統(tǒng)ML與深度學(xué)習(xí)相結(jié)合的應(yīng)用至關(guān)重要。

多向量混合查詢。對于同一對象具有多模態(tài)，或同模態(tài)多角度描述的數(shù)據(jù)應(yīng)用來講，需要對同一對象構(gòu)建多個(gè)向量進(jìn)行語義描述。多向量混合查詢能力可以在同時(shí)面向多個(gè)模態(tài)或多個(gè)角度對應(yīng)的向量進(jìn)行分析查詢，從而提升業(yè)務(wù)效果。

向量數(shù)組。這類向量化數(shù)據(jù)表示主要面向序列數(shù)據(jù)，如音頻、視頻、長文本。通常需要對這些數(shù)據(jù)進(jìn)行分片處理，如每一秒采集一個(gè)關(guān)鍵幀獲得 embedding 向量，或從文本的一個(gè)分片獲得 embedding 向量。每一條序列數(shù)據(jù)都對應(yīng)的表示為一個(gè)有序的（或 bag of vectors）向量數(shù)組。數(shù)據(jù)的分析與查詢同樣在數(shù)組這個(gè)粒度進(jìn)行，因此可以在業(yè)務(wù)中更好的引入序列數(shù)據(jù)的整體語義。

4 國內(nèi)的服務(wù)覆蓋計(jì)劃

郭人通：目前國內(nèi) AIGC 大模型與應(yīng)用發(fā)展的如火如荼，但遺憾的是，目前仍然缺乏專業(yè)的向數(shù)據(jù)庫服務(wù)。用戶要么需要基于開源方案自建，要么需要使用北美的云服務(wù)，兩種方式都帶來的較高的綜合成本。

Zilliz Cloud 云服務(wù)已覆蓋 AWS，GCP。從 2023 年 7 月開始，向量數(shù)據(jù)庫服務(wù)會在國內(nèi)公有云全面鋪開。7 月初即將發(fā)布的版本中，將支持阿里云、百度云、騰訊云以及金山云。預(yù)期價(jià)格相比北美服務(wù)會有較大幅度的下調(diào)，致力于為國內(nèi)用戶提供具有最高專業(yè)度及最高性價(jià)比的全托管向量數(shù)據(jù)庫服務(wù)。Zilliz Cloud 國內(nèi)云服務(wù)目前已支持企業(yè)用戶 PoC 申請（申請聯(lián)系方式見文末）。

提問：目前國內(nèi) CVP 框架實(shí)踐還都在早期，Zilliz 團(tuán)隊(duì)有相應(yīng)的用戶支持計(jì)劃嗎？

郭人通：為了加速打磨業(yè)界最佳實(shí)踐，我們即將啟動「CVP 實(shí)踐之星」 活動，Zilliz 將聯(lián)合國內(nèi)頭部大模型廠商一同甄選應(yīng)用場景， 由雙方提供向量數(shù)據(jù)庫與大模型頂級技術(shù)專家為用戶賦能，一同打磨應(yīng)用效果。如果你的應(yīng)用也適合 CVP 框架，且正在為應(yīng)用效果發(fā)愁，可直接申請參與活動。

編輯：黃飛