大模型卷价格，向量数据库“卷”什么？

文｜脑极体

"不是我不明白，这世界变化快"，崔健在20世纪写下的这句歌词，放在公有云市场也同样适用。技术风向的变化之快，让不少人感到惊讶。

2023年初大模型、生成式AI的起飞，也带来了向量数据库的爆火。投融资项目爆发式增长，头部公有云厂商都推出了AI向量数据库的相关产品。

然而一年狂飙之后，市场逐渐退潮，全球最著名的AI项目之一AutoGPT在2024年初宣布，不再使用向量数据库。因此有人质疑，向量数据库又凉了？

不过，随着5月份公有云厂商们掀起价格战，接连调低大模型API的价格，高性价比的大模型+向量数据库，在行业应用、企业市场又显现出了一定的商业价值。

向量数据库这一年的潮起潮落，究竟是火了还是凉了？大模型正在卷价格，向量数据库又该卷什么？公有云厂商又在这一市场发挥了什么作用？今天我们就来聊聊这些问题。

向量数据库，刚刚开始

新技术的火爆，必然会伴随炒作和泡沫，但向量作为大模型理解世界的数据形式，向量数据库作为AI革命重要基建的位置，长期来看是不会动摇的。

为什么这么说？

向量数据库并不是一种特别新的数据库技术，在AI领域已经应用了七八年，谷歌在2015年就宣布使用RankBrain语义检索来处理搜索任务。如果说数据库是数据的"硬盘"，那么，向量数据库就是更适合AI体质的"硬盘"。

其"AI原生"的体质，具体表现在几个方面：

1.更高的效率。AI算法，要从图像、音频和文本等海量的非结构化数据中学习，提取出以向量为表示形式的"特征"，以便模型能够理解和处理。因此，向量数据库比传统基于索引的数据库有明显优势。

2.更低的成本。大模型要从一种新技术转化为产业价值，必须达到合理的投入产出比，而向量数据库可以有效减少存储和计算成本。一个公开数据是，通过腾讯云向量数据库，QQ音乐人均听歌时长提升3.2%、腾讯视频有效曝光人均时长提升1.74%、QQ浏览器成本降低37.9%，就在于检索效率、运行稳定性、运营效率、推荐算法等，有了较大的提升。

3.更强的数据安全。有企业直言："沉淀了几十年的内部数据是我的核心竞争力，让我无偿去公开给大模型做训练，我肯定不愿意。"想做大模型，还要确保数据的隐私安全，就必须与数据库产品做好配合，这给向量数据库的本地部署带来了广阔的需求。

4.更大的扩展性。随着大模型走向行业应用，垂直领域的AI用例不断增多，汹涌的数据洪潮和存算任务，会带来大量向量搜索的需求。而向量数据库嵌入向量的长度不受限制，具有良好的扩展性，可以根据AI用例和模型而变化，更好地处理大规模数据集。

从大模型技术标杆的OpenAI发布的GPT-4o和即将发布的GPT-5消息来看，以及国内外商业化大模型的进展来看，大模型的技术路线还没有发生颠覆性的变革，因此落地应用还是需要向量检索和向量数据库。

由此可以肯定，向量数据库市场必然还会迎来一轮增长。趋于冷静，只是2023年热情过度高涨的适当回调。

两大新势力，云是方向

据东北证券预测，到2030年，全球向量数据库市场规模有望达到500亿美元，国内向量数据库市场规模有望超过600亿人民币。向量数据库市场吸引了"群雄逐鹿"，从引爆到饱和，进展迅猛。

传统数据库厂商不必多说，既有相应的能力建设，也有一定的客户基础，推出相关产品是必然。一些在AI领域积淀已久的科技大厂，如谷歌、微软、Meta、百度等大厂，都有向量数据库的技术积累，也都可以向外输出相关能力和产品。

除了这些常规面孔，向量数据库市场也吸引了新的参与者。

作为这一轮大模型投资热和创业热的主要目标之一，向量数据库领域诞生了不少创新创业公司。比如AI创业新秀Pinecone就是闭源的领跑者，凭借良好的开箱即用的产品体验，获得了非常大的增长，B轮估值达到7.5亿美元。其他竞争者大多建立在开源项目的基础上。

不过，作为创业公司，长期盈利能力还有待验证。一个主要原因，是客户大多是尝鲜、实验性质。

企业需要先将非结构化的私密数据，进行一个小的模型，进行向量化，产生一个向量的矩阵，再存储到向量数据库里，来供大模型学习和检索。这个过程涉及大量的工程化，会耗费企业许多开发人员、时间成本，一开始可能会因为AI大模型很火而对向量数据库产生兴趣，但能否真正在业务中落地还是个未知数。因此，长期付费意愿还有较大的不确定性。

另一股积极参与的新势力，就是公有云厂商。

不是所有企业都有能力自建大模型所需要的基础设施，通过MaaS（模型即服务）业务来训练应用大模型，是更灵活的选择。此外，很多政企客户往往会选择公有云或行业云来满足其业务需求，对云数据库的关注度和接受度上升，而这些用户在探索大模型时，会倾向于以整体解决方案的形式来交付，这就给了云厂商参与游戏的机会，同时也要求云厂商提供向量数据库的全栈支持。

如今头部云厂商基本建立了全生命周期AI化的向量数据库。有数据显示，企业原先接入一个大模型需要花1个月左右时间，使用某公有云的向量数据库后，3天时间即可完成，极大降低了企业的接入成本。

更何况，前不久火山引擎、阿里云、百度智能云等都围绕大模型API价格，打起了互相抄底的"价格战"，意味着AI创新门槛的降低，而AI应用市场的用户规模扩大，也会带动向量数据库的使用需求。

综上，整个云AI市场的格局还在快速变化之中，风物长宜放眼量，AI Native的向量数据库，前景仍然值得期待。

接下来向量数据库卷什么？

有人可能会问了，大模型开始卷价格，那向量数据库市场正在卷什么？

需要注意的是，大模型降价是以云厂商为主，而零一万物等创业公司已经明确表示会以技术创新为竞争力，而不会（与云厂商）对标价格。云厂商在AI基础设施、商业生态、市场规模效应上的既定优势，确实也会表现在向量数据库市场。

目前来看，公有云厂商有几重特殊优势，或许会让向量数据库加速走向商业成功：

1.多元化部署。垂直行业大模型，数据都是私有机密的，客户一般不愿意放到公有云上，这对一部分支持混合多云的云厂商是一大利好，通过私有部署、分布式、混合云等多种方案，打消行业客户将数据放到云端的现实疑虑。

2.一体化AI能力。向量数据库的火爆，本质是由AI驱动的，而AI Native时代的数据工程，还有许多复杂问题尚待解决，比如检索效率，在处理大规模数据的并行任务时，保持快速响应时间是一个挑战，需要优化索引结构和搜索算法；高负载下的系统稳定性，需要确保数据库系统具备高可用性和容错能力，防止服务中断；存储海量的向量数据，成本效益比要进一步优化……目前来看，云厂商具备从底层算力集群、Maas模型平台到全栈工具链的AI能力，有望通过技术协同创新，持续优化向量数据库的性能和成本。

3.产业服务能力。各行业对AI与业务的结合热情高涨，但大多还处于尝试探索期，需要结合自身场景、AI应用、IT设施等多种因素试错并迭代。这个过程中，随叫随到、帮助客户及时解决问题的ToB服务能力，也是非常看重的。深耕产业的公有云，有望降低很多企业在AI技术革命中的机会成本。

有人说，AI云市场越来越卷了，随着大模型性能边际效益不断走低，云厂商不得不用低价换规模。但有句话："东方不亮西方亮，黑了南方有北方。"只要公有云厂商在AI领域的产品阵营足够庞大，用多元化综合优势锁定用户，那么即使大模型收益下降，在商业回报上也不愁没有回旋的余地。

从这个角度看，或许公有云市场下一个卷起来的，就是向量大模型。