AWS S3 Vectors来了：便宜90%，向量数据库颠覆还是协作？

向量数据库迎劲敌？AWS S3 Vectors成本降90%

向量数据库在人工智能发展初期成为核心技术基础，而随着大型自然语言模型（LLM）的普及，向量作为其数据的数值表示，已逐渐成为数据库中的常规数据类型，并发展出一种类型的数据库——向量数据库。

如今，亚马逊云服务（AWS）推出Amazon S3 Vectors，为云对象存储注入原生向量存储与相似性搜索能力，再度改写行业格局。

Amazon S3作为AWS旗下广泛应用的云对象存储服务，是数据湖与湖屋部署的核心组件。此次新增的S3 Vectors功能，允许用户直接在S3中存储向量嵌入，无需迁移至专用基础设施向量数据库，即可支持语义搜索、检索增强生成（RAG）及AI代理工作流。

AWS宣称，该服务相比专业向量数据库解决方案，可将存储与查询的总成本降低高达90%。

那么，S3 Vectors能否真正替代专业向量数据库呢？

1. 从预览到通用，S3 Vectors为何受青睐？

Amazon S3 Vectors于今年7月首次推出预览版，初始单一索引容量为5000万个向量；在通用可用版本（GA）发布后，这一容量大幅提升至20亿个，单个S3存储桶最高可支持20万亿个向量。

预览版发布后的4个月内，客户已创建超25万个向量索引，导入向量总量突破400亿个。

通用版的规模升级，让企业得以将全量向量数据集整合至单一索引，无需分散部署。同时，AWS根据预览期收集的客户反馈，优化了核心性能：频繁查询延迟降至100毫秒以内，稀有查询1秒内可完成；最大搜索结果数从30个提升至100个，单向量更新支持每秒最多1000次PUT交易。

目前，S3 Vectors的核心用例包括混合搜索、代理内存扩展及现有数据语义层创建。例如预览客户March Networks借助该服务，实现大规模视频与照片的智能处理，既经济存储了数十亿向量嵌入数据，又通过与亚马逊Bedrock的内置集成，轻松融入生成式AI工作流。

2. S3 Vectors能取代专业向量数据库吗？

首先AWS S3 Vectors的定位是互补而非替代。

尽管S3 Vectors具备强大的向量处理能力，但AWS明确将其定位为互补存储层，而非专业向量数据库的直接替代品。两者的选择核心取决于应用对延迟的需求，可通过“性能分级”明确边界：

若应用需超快响应（如实时交互场景），Amazon OpenSearch等专业向量数据库仍是最优选择；

若用于语义层创建、代理内存扩展等对延迟容忍度较高的场景，S3 Vectors凭借成本优势更具适配性。

这一逻辑与数据湖的应用模式相似：企业会继续使用Amazon Aurora等事务数据库处理核心业务负载，同时借助S3的耐用性、可扩展性与成本经济性，承担存储与分析任务，向量存储的发展也将遵循这一“分层协作”路径。

其次，向量数据库厂商认为两者性能差距显著。

专业向量数据库提供商如Pinecone、Weaviate、Qdrant、Chroma等指出，其专业的向量数据库产品与S3 Vectors的“存储为中心”模式存在本质性能差距。这些厂商通过先进索引算法、实时更新及延迟敏感优化，已形成成熟的生产级部署能力。

Pinecone产品副总裁Jeff Zhu表示，该公司早在S3 Vectors推出前便已知晓相关项目，并不认为其在大规模场景下具备直接成本效益。例如某大型电商客户使用Pinecone处理14亿向量的推荐场景，实现了p50=26毫秒、p99=60毫秒的低延迟，且每秒查询量（QPS）达5700万，这是S3 Vectors当前难以企及的。

3. 分析师分歧：向量存储的未来是功能还是产品？

S3 Vectors的发布重新引发行业争论：向量搜索究竟是独立产品类别，还是将被云平台整合为标准化功能？

Constellation Research分析师Holger Mueller认为，S3 Vectors已对独立向量数据库供应商构成竞争威胁，向量本质上是一种“功能”而非“产品”。AWS的核心优势在于消除数据流动成本——S3已存储大量企业数据，原生向量支持无需额外数据迁移，这一特性深受CxO群体青睐。

而Gartner杰出副总裁分析师Ed Anderson则持折中观点：AWS将通过S3 Vectors实现业务增长，提升客户对S3的依赖度，甚至可能让部分企业放弃专用向量数据库，但这并不意味着向量数据库的终结。对于低延迟、高性能需求场景，专业向量数据库仍不可或缺。

AWS自身也认可这种互补关系，并表示将持续优化S3 Vectors的规模与性能。正如AWS相关负责人所言：“我们对S3 Vectors的开发才刚刚起步，就像优化视频和Parquet文件的读写性能一样，我们也会持续提升向量数据的处理能力。”

4. 企业如何选择？基于性能分级的向量存储部署

面对两种技术路径，企业架构师的核心决策依据是工作负载的性能需求，可采用“分层部署”或“混合模式”：

S3 Vectors适用场景：容忍100毫秒延迟的工作负载，包括大型文档语义搜索、代理内存系统、向量嵌入批处理分析、后台RAG上下文检索等。对于已深度应用AWS基础设施的企业，其大规模场景下的成本优势极具吸引力。

专业向量数据库适用场景：延迟敏感型应用，包括实时推荐引擎、高吞吐量并发查询（每秒数千条）、用户交互式应用（需同步等待结果）、性能优先级高于成本的核心业务负载。

混合模式：对于同时存在两种工作负载的企业，可参考数据湖的应用逻辑——用专业向量数据库处理性能关键型查询，用S3 Vectors承担大规模存储与非实时任务。

核心结论并非“是否替换现有基础设施”，而是“如何根据工作负载需求，跨性能层级设计向量存储架构”，实现成本与性能的最优平衡。