3 月 23 日-24 日，聚焦全球開發(fā)者精英，由上海市人工智能行業(yè)協(xié)會(SAIA)主辦的 2024 全球開發(fā)者先鋒大會(2024 GDC)在上海舉辦。Zilliz 作為向量數(shù)據(jù)庫賽道的領(lǐng)軍者，受邀參與了此次活動，不僅在不同形式的活動中進行了 3 場主題分享，還與百川智能、Dify.AI、Moonshot AI 等公司一同在「大模型展示及研討專區(qū)」的產(chǎn)品互動展臺，與來自各地的開發(fā)者進行互動。
據(jù)悉，本次大會由世界人工智能大會組委會、上海市經(jīng)濟和信息化委員會、上海市徐匯區(qū)人民政府、中國(上海)自由貿(mào)易試驗區(qū)臨港新片區(qū)管理委員會共同指導，上海市人工智能行業(yè)協(xié)會聯(lián)合上海人工智能實驗室、上海臨港經(jīng)濟發(fā)展(集團)有限公司、開放原子開源基金會共同主辦。
全球開發(fā)者先鋒大會(GDC)緣起總.理在達沃斯世界經(jīng)濟論壇打 CALL 的世界人工智能大會(WAIC)，作為 WAIC 聚焦科技和人才力量的重要板塊，GDC 已發(fā)展成為全球開發(fā)者的盛大節(jié)日、頂尖技術(shù)趨勢的風向標。向量數(shù)據(jù)庫賽道正是 AIGC 時代的重要技術(shù)風向標，Zilliz 在現(xiàn)場向全球的開發(fā)者展示了其在頂尖向量數(shù)據(jù)庫技術(shù)的多重探索。
Zilliz 資深解決方案架構(gòu)師沈亮以《百億級向量數(shù)據(jù)庫架構(gòu)創(chuàng)新與優(yōu)化之路》的主題進行了分享。他表示，向量數(shù)據(jù)庫最早誕生于 2019 年，由 Zilliz 公司推出并開源了全球首款向量數(shù)據(jù)庫 Milvus。在那個時期，向量數(shù)據(jù)庫的功能相對比較簡單，主要是基于向量檢索庫 Faiss 的基礎(chǔ)上，封裝了遠程過程調(diào)用(RPC)接口，并支持了基于 Write-Ahead Logging(WAL)的持久化能力。相比于傳統(tǒng)的向量檢索方法，Milvus 1.0 的最大意義在于解耦了業(yè)務(wù)邏輯、模型和數(shù)據(jù)存儲這三者之間的緊密關(guān)聯(lián)。這意味著應(yīng)用開發(fā)者不再需要關(guān)注底層基礎(chǔ)設(shè)施的維護工作，這些工作包括但不限于集群的部署、數(shù)據(jù)的持久化和數(shù)據(jù)的遷移等。因此，Milvus 1.0 為許多用戶提供了從傳統(tǒng)煙囪式的人工智能開發(fā)模式向大模型時代。
隨著大模型技術(shù)的蓬勃發(fā)展，向量數(shù)據(jù)庫開始進入 2.0 時代，更多的個人開發(fā)者涌入賽道，對向量數(shù)據(jù)庫的關(guān)注也逐漸遷移到開發(fā)效率、部署簡單以及面向大模型加強場景的功能需求。向量數(shù)據(jù)庫絕不僅僅是用來進行簡單的向量檢索，要想真正提升開發(fā)者的開發(fā)效率和使用成本，需要系統(tǒng)開發(fā)者深入理解硬件、存儲、數(shù)據(jù)庫、AI、高性能計算、分布式系統(tǒng)、編譯原理、云原生等，以確保其穩(wěn)定性、性能和易用性。在此基礎(chǔ)上，Zilliz 推出了Zilliz Cloud，可提供全托管的 SaaS 及 BYOC 向量數(shù)據(jù)庫服務(wù)，具備深度優(yōu)化、開箱即用的 Milvus 體驗。使用 Zilliz Cloud 可以輕松構(gòu)建百億級向量數(shù)據(jù)庫，分鐘級部署和擴展向量搜索服務(wù)，并由全球最專業(yè)的向量數(shù)據(jù)庫團隊提供運維、優(yōu)化、及綜合支持。
Zilliz 開發(fā)者生態(tài)及市場運營負責人 Jerry 首先進行了主題為《走進向量數(shù)據(jù)庫和 RAG ——讓 LLMs 停止幻覺》的分享。Jerry 表示，過去一年，RAG 在技術(shù)層面發(fā)展迅速，為向量數(shù)據(jù)庫賽道添了一把火。RAG 和向量數(shù)據(jù)庫的結(jié)合，能夠有效解決幻覺、時效性差、專業(yè)領(lǐng)域知識不足等阻礙大模型應(yīng)用的核心問題。
具體來看，大模型的局限性包括：其一，缺乏領(lǐng)域特定信息：LLM 僅基于公開數(shù)據(jù)集訓練;缺乏領(lǐng)域特定信息或?qū)Ｓ行畔⒌确枪_數(shù)據(jù)。其二，容易產(chǎn)生幻覺：LLM 只能根據(jù)其現(xiàn)有數(shù)據(jù)提供信息和答案;如果超過該范圍，LLM 會提供錯誤或捏造的信息。其三，無法獲取最新信息：LLM 訓練成本十分高昂，無法及時更新其知識庫。其四，不變的預訓練數(shù)據(jù)：LLM 使用的預訓練數(shù)據(jù)可能包含過時或不正確的信息，且這些數(shù)據(jù)無法更正或刪除。
向量數(shù)據(jù)庫可有效針對解決上述問題，例如針對缺乏領(lǐng)域特定信息的問題，可利用向量數(shù)據(jù)庫建立知識庫，拓展認知邊界;針對無法獲取最新信息的問題，可以利用向量數(shù)據(jù)庫為大模型建立記憶、及時更新。
在此基礎(chǔ)上，RAG 技術(shù)棧應(yīng)運而生，通過 LLM、向量數(shù)據(jù)庫和提示詞的相互配合，讓 LLM 停止幻覺。此外，Jerry 還介紹了向量數(shù)據(jù)庫的其他應(yīng)用場景，包括圖片搜索、視頻搜索、文本搜索、數(shù)據(jù)去重、跨模態(tài)搜索、推薦系統(tǒng)、問答系統(tǒng)、版權(quán)保護、網(wǎng)絡(luò)安全、AI 制藥等。
在《2024 年，重新再來說說關(guān)于向量數(shù)據(jù)庫的那些事兒》主題分享中，Jerry 回顧了向量數(shù)據(jù)庫從小眾賽道到爆火的全過程，并提及了外界對于向量數(shù)據(jù)庫和 RAG 的疑問。他表示，大模型技術(shù)正在改變世界，但無法改變世界的運行規(guī)律。對于大模型而言，長期記憶的重要性也將持續(xù)存在。AI 應(yīng)用的開發(fā)者一直在追求查詢質(zhì)量和成本之間的完美平衡。當大型企業(yè)將生成式人工智能投入生產(chǎn)時，需要在控制成本的同時保持最佳的響應(yīng)質(zhì)量。在此情況下，RAG 技術(shù)和向量數(shù)據(jù)庫依然是實現(xiàn)這一目標的重要工具。
最后，Jerry 提到，Zilliz 最近面向 AI 初創(chuàng)企業(yè)推出了一項扶持計劃，預計提供總計 1000 萬元的 Zilliz Cloud 抵扣金，致力于幫助 AI 開發(fā)者構(gòu)建高效的非結(jié)構(gòu)化數(shù)據(jù)管理系統(tǒng)，助力打造高質(zhì)量 AI 服務(wù)與運用，加速產(chǎn)業(yè)落地。屆時將為全球的 AI 初創(chuàng)團隊提供資源、技術(shù)、市場推廣、銷售等全方位的支持，符合要求的團隊可獲得獨家資源與支持。歡迎各位開發(fā)者訪問 Zilliz 中文官網(wǎng)首頁點擊 Zilliz AI 初創(chuàng)計劃，與 Zilliz 一起共建 AI 生態(tài)!
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
