AI 數據庫是一個多功能平臺，它管理結構化和非結構化數據，并將 AI 模型應用于各種數據格式。

譯自AI Needs More Than a Vector Database，作者 Tim Young。

正如 Google Trends數據所示，人們對向量數據庫的興趣正在激增。在最新的報告“向量數據庫概覽，2024 年第二季度”中，Forrester強調了 20 多個向量數據庫，并將它們分為兩大類：專門的原生向量數據庫和將向量存儲集成到更廣泛數據生態系統中的多模態數據庫。

原生向量數據庫旨在實現最佳規模和性能，而多模態數據庫則提供處理多種數據類型的靈活性，從而降低了管理獨立系統的復雜性。要深入了解領先的原生向量數據庫，請參閱“GigaOM 關于向量數據庫的聲納報告”。

向量數據庫是一種專門的數據庫，旨在存儲、管理和查詢高維向量，這些向量對于通過語義相似性檢索內容的應用程序至關重要。

向量數據庫在 2010 年代后期出現，其興趣的增長得益于生成式人工智能，因為它們能夠實現快速準確的相似性搜索，這對于推薦系統、自然語言處理和圖像識別等任務至關重要，從而顯著提高了人工智能應用程序的質量和多功能性。

雖然向量數據庫被認為是生成式人工智能的關鍵，但向量本身只是更大拼圖中的一塊。在生成式人工智能中獲得相關答案依賴于強大的綜合搜索功能，該功能由機器學習算法提供支持，這些算法可以檢測歷史數據中的模式、預測結果、識別異常并推薦行動。

這必須在數十億個快速變化的數據點上進行，結果必須在瞬間 (<100 毫秒) 內提供，同時支持大量用戶群體，每秒可能執行數千個查詢。雖然某些數據可能是向量，但大多數業務應用程序都需要集成和分析非結構化數據（例如 PDF），以及傳統的結構化數據來生成向量。

鑒于這種復雜性，僅僅關注向量數據庫可能會忽略更廣泛的圖景。根據 Forrester 的說法，您可以選擇最佳的向量數據庫，但隨后必須集成必要的組件，例如機器學習、對非向量數據類型的支持以及用于性能和高并發的工作負載管理。或者，您可以選擇一個至少提供更廣泛數據類型的多模態數據庫，但需要將其與它從未設計為支持的應用程序集相匹配。

人工智能數據庫的出現

一種新型的數據庫正在出現：人工智能數據庫。人工智能數據庫是一個多用途平臺，除了向量之外，還管理結構化和非結構化數據。它將人工智能模型應用于各種數據格式，結合信號以獲得更準確的輸出。人工智能數據庫通過整合模型和數據類型來提高計算效率并支持可擴展性。它通過將相似向量聚類到查詢結果中來組織數據，并支持合規性，同時還搜索表格、文本和向量以查找特定值、文檔匹配和相似性搜索，以使用人工智能模型生成推斷。

人工智能數據庫支持三種主要的人工智能模型類型：近似機器學習 (ML) 的函數、自然語言處理 (NLP) 和生成式人工智能。

• ML 模型在歷史數據中查找模式以預測趨勢、識別異常、對結果進行排名/評分并推薦行動。它們主要選擇表格、文本或圖像等數據以供進一步使用。
• NLP 模型解釋和生成文本或語音，用于翻譯或情感分析等任務，主要處理文本文件。
• 生成式人工智能模型根據現有數據生成文本、圖像、音頻或視頻等內容，預測序列中的下一個元素。

這些模型通常在人工智能數據庫中托管和運行，它們根據接收到的數據學習模式、進行推斷并創建輸出。如果您想了解更多關于人工智能數據庫的信息，我建議您閱讀 BARC 的這份報告，以深入了解人工智能數據庫。

AI 數據庫代表著重大進步，但由于缺乏應用邏輯和運行時管理，它仍然只是一個部分解決方案。為了滿足生成式 AI 對規模和延遲的苛刻要求，需要付出大量努力來集成工具并優化運行時性能。最有效的方法是一個平臺，它無縫地將數據、應用邏輯和大規模執行結合在一起，提供一個全面的解決方案，以解決所有這些關鍵需求。

Vespa：一個開源的 AI 工程師平臺

Vespa.ai 是一個開源平臺，用于開發和運行針對搜索、推薦、個性化和檢索增強生成 (RAG) 的實時 AI 驅動應用程序。Vespa 有效地管理數據、推理和邏輯，支持具有大量數據量和高并發查詢率的應用程序。它以托管服務和開源形式提供。