《向量数据库指南》——向量数据库 有必要走向专业化吗？

向量数据库 有必要走向专业化吗？

向量数据库系统的诞生，来源于具体业务需求——想要高效处理海量的向量数据，就需要更细分、更专业的数据基础设施，为向量构建专门的数据库处理系统。

但这种路径是必须的吗？

从产品层面讲，如果传统数据库厂商不单独研发向量数据库，那么基本上会主张支持原生的向量词嵌入和向量搜索引擎。

向量数据库市场的阵营，在ChatGPT影响之前就已经在形成分化，既包括提供开源组件的Milvus、Vald、Weaviate、Qdrant、Vaspa、Vearch、AquilaDB、Marqo，到商业化服务产品Pinecone，再到大厂谷歌推出的Vertex AI匹配引擎，数据库厂商Elastic和Redis基于自身提供的向量检索功能等等。

这其实也表明了当前向量数据库市场存在的两种路线：

一个是基于分析数据库的向量化执行引擎，英文是Vectorization，这是学术界2013年提出的名词，如Clickhouse、Spark引擎，是一种新型的执行方式，用于处理传统的结构化数据如表单等，更多的是结构化数据分析数据里面做并行执行的一种方式，在新型的处理芯片上进行处理。

另一个则是推出向量数据库（Vector Database），本质上处理的是AI领域的一类新型数据类型，例如对多模数