大模型正在重塑产业。

但想要真正拥抱大模型，仍然面临很多现实问题：

【资料图】

如何高效率、低成本地处理数据？

模型数据如何动态更新？

私有数据如何安全地接入大模型？

想要解决这些问题，我们需要在数据和大模型之间搭建一座桥梁。

过往，承担数据组织的是传统关系型数据库。但它更适合用来应对结构化的数据。

大模型和神经网络，更多面对的是海量的非结构化数据，比如文本、音频、视频、关系等。

它们有一种专门的处理方式：“向量化”：

想要按这种”脑回路“组织数据，需要一个专门的数据库——向量数据库。

把复杂的非结构化数据通过向量化（embedding），处理统一成多维空间里的坐标值，通过计算向量之间的相似度或距离，快速定位最相关的近似值。

它被广泛地用于大模型训练、推理和知识库补充等场景：

支撑训练阶段海量数据的分类、去重和清洗，给大模型的训练降本增效；

通过新数据的带入，帮助大模型提升处理新问题的能力，突破预训练带来的知识时间限制，避免大模型出现幻觉；

提供一种私有数据连接大模型的方式，解决私有数据注入大模型带来的安全和隐私问题，加速大模型在产业落地；

……

简而言之，如果大模型是一个智能的处理器，那向量数据库就是配合这台处理器的”外置缓存"。

今天，我们正式发布国内首个AI原生（AI Native）的向量数据库：

腾讯云向量数据库

Tencent Cloud VectorDB

它最高支持业界领先的10亿级向量检索规模，并将延迟控制在毫秒级。相比传统单机插件式数据库检索规模提升10倍，同时具备百万级每秒查询（QPS）的峰值能力。

针对大模型场景，它在接入层、计算层、存储层实现了全面AI化：

在接入层，智能化支持自然语言文本的直接检索；

在计算层，通过AI算子替代企业寻找/调优AI算法，将接入工期从一个月缩短到3天；

在存储层，融合智能压缩算法，把向量存储成本降低50%。

统计显示，将腾讯云向量数据库用于大模型预训练数据的分类、去重和清洗，相比传统方式可以实现10倍效率的提升。

如果将向量数据库作为外部知识库用于模型推理，则可以将成本降低2～4个数量级。

其实，腾讯云向量数据库经历了鹅厂内部业务的长期锤炼：

覆盖腾讯视频、QQ浏览器、QQ音乐等上百个业务场景，每日调用量超千亿次；

支撑QQ音乐人均听歌时长提升3.2%，QQ浏览器成本降低37.9%，腾讯视频有效曝光人均时长提升1.74%；

向量化能力（embedding）多次获得权威机构认可，曾登顶MS MARCO榜单第一。

展望未来，“向量数据库+大模型+数据”将产生“飞轮效应”，共同助力企业步入AI Native（AI原生）时代。

我们也将继续打磨技术能力，提供更坚实的AI基础设施。