你是否曾经遇到过这样的情况：在网上看到一张壁纸，画面中的雪山和湖泊令人心驰神往，但你却不知道这是哪个国家的美景，也不知道该如何搜索；或者，在阅读一篇文章时，你想深入了解这个话题，寻找更多的观点和资料，但你却不知道该如何精确描述；又或者，当你在聆听一首歌曲时，你想寻找更多同样风格或情感的歌曲，但你却不知道如何分类。这时，你需要的是一个能够理解你的意图，为你提供最相关的结果，让你轻松找到你想要的信息的工具。
这就是 Vector Data Base (VectorDB， 向量数据库)，它就像一个超级大脑，帮助你解决这些问题！
Vector DB 的用途远不止于此，它还能够帮助像 ChatGPT 这样的智能系统，从海量的数据中快速检索出最合适的答案，提高它们的准确性和效率。在当前大家普遍面临算力不足，难以对大语言模型进行微调的情况下，为大语言模型配备一个知识库（超级大脑）就显得尤为重要。这就像给大语言模型提供了一份小抄，使其能够更好地服务于我们。
Vector 是什么 —— 计算机理解世界的起点
在我们深入了解 Vector DB 之前，让我们先来简单理解（或回顾）一下什么是 Vector，其实它也就是我们在高中数学或者大学数学里学到的向量，只不过维度比当时的直角坐标系里的二维多一点而已（或许多到了 512 维）。在许多学术论文中，你可能更熟悉它的另一个名字 —— 嵌入（Embedding）。为了实现我们前面提到的超级大脑，我们首先需要让这个大脑理解各种信息，而这就是嵌入的作用。
你可能会问，什么是嵌入呢？想象一下，你正在看一部电影，你的大脑会自动将电影中的人物、情节、对话等信息转化为你可以理解的形式。这就是一种嵌入的过程。同样，我们也可以让计算机做类似的事情，将各种类型的数据转化为它可以理解的形式，而计算机接受的也就是数字，也就是向量。回顾一下高中数学就好了，二维向量可以表征一个直角坐标系里的每个点，也就表征了这个直角坐标系里的所有信息了。那如果我们把维度无限拉大，他就可以表征无限多的信息。你可能在一些科幻电影中看到过，说高等生物可能不会像我们一样以三维的肉体存在，他们可能存在于更高的维度。比如时间就是第四维，跳脱之后就变成了四维生物。这其实就说明了为什么嵌入可以更好的理解这个世界，因为三维只能容纳我们的肉体，而高维的世界，才存在着我们的灵魂。
理解了为什么一串数字可以帮助计算机理解世界之后，你可能会考虑到下一步更实际的问题，如何将数据转换为向量呢？这就要靠我们在 AI 界做出的进步了，我们研究出了很多模型，可以将任意类型的数据映射到一个高维空间中，生成一个向量，这个向量就是数据的嵌入表示。
嵌入方法有很多种，例如文本嵌入（text embedding），可以将文字转换为向量；图像嵌入（image embedding），可以将图片转换为向量；音频嵌入（audio embedding），可以将声音转换为向量；视频嵌入（video embedding），可以将视频转换为向量；甚至还有多模态嵌入（multimodal embedding），可以将不同类型的数据转换为同一个空间中的向量，比如一个电影包含声音和画面，那如果要更全面的表征这个电影，我们就需要结合音频嵌入和视频嵌入，也就是多模态嵌入了。图 1 展示了几组文本嵌入的情况，一个最简单的例子就是 king – man + woman = queen，简单的小学加减法。
深入的向量研究也会是一个长期且深远的研究方向。随着 Vector DB 技术的成熟和普及，我们需要更深入的理论探索和实践探索。例如，在理论方面，我们需要更好地理解、度量和优化向量空间中的相似度问题；在实践方面，我们需要更好地结合、应用和评估 Vector DB 技术在不同领域中的效果。
作为研究者，我们有很多可以探索和研究的方向，包括向量算法的优化和创新，向量数据库的功能增强，向量数据库的应用扩展，以及深入的向量研究。让我们一起期待 Vector DB 的未来，一起探索向量数据的无限可能！
相关文章
