蒋国云 深圳市瀚信资产管理有限公司董事长

蒋国云：尊敬的各位来宾，非常荣幸在这里跟大家交流对未来市场的基本看法。本来是一个定增的专场，因为我们旗下有一个产品，去年的业绩也还可以。但是我想讲的更多的是未来3—5年中国资本市场投资逻辑的深刻变化。大家都很清楚定增的锁定时间比较长，所以要看未来是一个什么样的变化，这个更加关系到我们投资的方向以及投资企稳的周期。

我的演讲题目是“未来3-5年中国资本市场投资逻辑的深刻变化”。今天的演讲分三个部分，第一是未来3到5年中国经济发展的趋势和方向。第二个是资本市场的逻辑会发生什么样的变化，事实上现在有些情况跟过去比发生了变化。第三个是我们怎么顺应这个变化。

未来3到5年中国经济发展的趋势和方向。第一个是大家现在比较关心的问题，就是中国能否成功迈过中等收入国家的陷阱，我们可能一直会谈这个问题。我做了很多年的经济学研究，我的观点是，只要是市场经济，加上勤奋的民族，几乎没有一个国家没迈过去的。关于迈过中等收入国家陷阱这个问题，关系到中国经济能否长期健康稳定的发展，也就是我们的环境会怎么样。在这么多年，很多国家一遇到中等收入陷阱就迈不过去，很多人认为就只有欧洲和美国，以及东亚少数几个国家迈过去了。中国会不会重新出现这个问题?我们研究哪些国家迈过去了，哪些国家没有迈过去，我们看到墨西哥、巴西、阿根廷、菲律宾这些国家没有迈过去，到今天我们看到南非的人均GDP已经比中国还低了。这些国家有一个特征，不管是美国还是日本，还是所有迈过去的国家都有一个特点，就是这个国家实行的是市场经济体制，市场经济体制就等于为所有人提供了一个公平竞争的机会，然后同时这些国家有一个特点，应该说民族比较勤奋，这个背后也是符合经济学逻辑的，只有这个国家和民族是实行市场经济体制，是一个勤奋的民族，都能迈过去。我把这个观点也曾经跟复旦大学的经济学院院长张军教授进行过交流，他也比较认可我这个观点，所以我们接下来不用担心中国经济长期徘徊不动，深圳包括广东在内，甚至包括浙江和江苏已经迈过中等收入国家了，所以这个不是问题了，大家不用担心中国会重现拉丁美洲曾经遇到的问题。亚洲国家中，包括日本、韩国、新加坡，以及中国香港地区，这些地区迈过中等收入国家陷阱，也都是这么一个特点，就是市场经济+勤奋的民族。

第二个对未来3到5年的经济看法，我们对未来中国经济的转型要重新定义，方向越来越清晰化。过去我们不断地发展，到今天中国经济已经不知不觉发生了很大的变化。我们要从新经济和传统经济两个角度来看，到今天，中国已经不再是追赶型的国家，有些领域是全球领先的国家，相对美国、欧洲和日本，我们以5G为核心的技术，已经开启了新的领先的格局，这是新经济的方面。比如说今天的中国移动互联网，包括移动支付等技术和领域，已经遥遥领先于欧洲、日本和美国，中国的金融支付的交易量也是美国的几十倍之多。我们再看互联网大的平台公司，日本和欧洲已经没有任何一家公司可以与中国的阿里巴巴、腾讯相媲美，只剩下中国和美国。在人工智能方面，中国在人工智能领域已经占据了全球人工智能科研力量的半壁江山，2015年全球顶尖期刊发表的43%的人工智能论文是华人所写的文章。

最近资本市场上表现比较火爆的还是以5G为核心的，比如说AR/VR和物联网技术，它本身是基于5G技术的。除了过去大家习惯的高铁中国领先、智能电网等等，我们觉得在很多核心的领域，中国会从原来相对落后的国家变成在很多重要领域的全球领先国家，我们在一些领域还比较落后，就是芯片领域。但是最近从一级市场大家找项目，包括国家成立几千亿的基金，有大量的资金渠追求这方面的很少的项目，接下来会看到芯片相关的行业，包括设备制造业都会高速发展，我估计不出10到15年，这个领域中国也会上来。

中国作为一个全球国家的崛起，它可能不是一个简单的加工制造业的崛起，而是一个中高端，包括最高端产业的崛起，这跟我们原来的定义不太一样。我们做新经济，基本上是10年换一次。

第二个是传统经济，我们过去提到传统经济认为是比较差的经济，我认为这个不一样，这里叠加了几个因素，我们过去认为传统经济是落后经济，是会被淘汰的。但是随着市场准入的严格，以及对环境资源的高度重视，相应的产业政策发生了根本性变化，传统经济出现了冰火两重天的局面。我们把它分成两个部分，一部分是大量过剩的产业，包括受新经济替代的产业，可能是日落西山，越来越难过。比如说传统的百货商超，传统的能源，以及非健康性消费品，这些是受新经济替代的产业，另外还有是受中国产业升级替代的，像低端劳动密集型产业，这个是比较难过的。但是部分传统经济反而受益于经济减速和经济结构的转型，在经历风雨之后，应该说更能见到彩虹。比如说今天的中国打造一个消费品的难度远远大于20年前，因为我们所有的媒体渠道越来越分散化，你做的广告投入效应越来越小，也就是说品牌消费品的打造比过去越来越难了。当然如果是一般的品牌消费品，尤其非健康性消费品，可能受制于人们对健康的追求，这是一个问题。但是如果这不是问题的话，它的影响就非常小，这是市场消费品的变化。

另外一个是大量过剩产业，由于去产能化以及需求不减，也就是供给侧改革同时需求不下降的行业，比如说部分化工行业要重新看待，它未必没有价值。这跟过去有点不一样，如果在产能供给充足的情况下，没有竞争力，它就是一个典型的周期性行业，如果供给受到约束，那就未必是一个简单的周期性行业。

还有一个是产业格局基本稳定的行业，也就是洗牌基本洗完了，以格力电器为代表，如果之前中国有两三百家企业做空调，格力和美的是不赚钱的，但是这个行业从过去的充分竞争变成现在只有几家在做，走向垄断竞争，我觉得它就是一个赚钱的行业，这样的行业就未必是传统行业，我觉得这是对传统行业的修正。

另外一个，资本市场会迎来战略的投资机遇期，它会第一次成为推动经济转型的核心力量。我们中国的股市搞了30年，到今天也就是银行的一个补充，而且占比非常低，到今天股市也就在2000点到3000点徘徊，两三千点已经徘徊了20年。为什么徘徊20年?为什么我们过去20年不需要创新?只要抄袭就可以了。就跟华为的任正非所讲的，到今天华为已经进入到无人区，没有可抄袭和模仿的对象，你就必须进行自主创新，这是一个很重要的原因。我们看到中国的股市很多是简单的加工制造业，它的周期性比较强，生命周期比较短。中国股市一直徘徊在两三千点，还有一个重要的原因，就是进入股市的资金与房地产相比只是小巫见大巫。我听说最近北京二环以内的房子已涨到25到30万，可见中国人对房子的疯狂的追求。有些人也炒了股票，但是只有在2006、2007年以及2014、2015年，股市最火爆的时候，有部分房地产资金、产业资金进入了股市，但是他们只是资金的临时安排，它不是长期资金。因此这么多年来，真正在股市的资金是远远小于进入房地产的，也就是说它不是一个主流的市场。

但是有一个问题，我也不知道这个事情能否变成现实，也是最高层第一次旗帜鲜明地提出“房子是用来住的，不是用来炒的”。但是遏制房地产能否遏制得住，如果能把房地产遏制住，我觉得股市就有希望，因为在中国人的资产配置中，这两个资产仍然是一个翘翘板效应，如果房子有更高的收益，很少就有人把钱投入到股市，过去30年买股票的人肯定是严重输给了买房子的人，哪怕过去两三年，也是远远输给了买房子的人，因为房子上涨有一个很典型的金融效应，涨了就跌不下来，而且越来越高，它有点像股权投资的PE的格局，只要这个企业不倒闭，不特别衰落，一轮融资之后，下一轮融资一定更贵，PE是典型的这个特点。但是股市不是这个特点，股市是一阵风的，只要一抽，马上就跌了，它们是两回事。如果房子是用来住的，这个格局改变了，就会有很大的变化。中国的监管当局应该已经注意到这个问题，什么样的融资结构对应什么样的产业结构，美国的产业结构为什么遥遥领先于欧洲和日本?它们都是民主国家，都是市场经济体制，都是非常勤奋的民族，但是为什么最近这20年美国取得了对欧洲和日本的遥遥领先?根本原因就是融资体系不一样，美国是以纳斯达克为核心的资本市场体系，而欧洲和日本还是以银行为代表的短期融资体系。所以在日本和欧洲你见到很少有人创新，因为这个融资体系有问题。中国好在1998年发生了东南亚金融危机，否则我们就会学习日本的主办银行制度，如果学习主办银行制，中国的金融体系就会出现严重的问题。所以我觉得中国开始认识到，有什么样的资本体系，就有什么样的创新体系。如果日本和欧洲不改变它的融资体系，我认为50年都赶不上美国，100年都赶不上美国，可能永久性落后美国。

第二点是未来3-5年中国资本市场的投资逻辑会发生什么样的变化，我们过去是什么样的投资逻辑，接下来会是什么样的逻辑?从目前来看越来越典型的是牛市新常态，资本市场会进入牛市新常态。是什么样的情况呢?第一是市场不温不火，波动逐渐降低，现在典型是这样的常态。第二是新股猛烈发行，壳价值逐渐贬损。第三是赚钱越来越难，散户趋于寂静，去年到今年百分之七八十都是亏钱的，从机构到投资者都是如此。第四是监管越来越严，违规成本日益加大，这是典型的牛市新常态。

在这种新常态下，大家之前一直讲价值投资，可能在中国历史上第一次成为市场主流投资者的一个观点，我们过去一直讲价值投资，其实几十年来价值投资从来没有取得相对于其它投资理念的优势，我们天天喊价值投资，为什么价值投资没有在中国盛行?因为你没有优势。为什么没有优势?我们做过一个统计，过去这二三十年，如果专门买小股票的，他就一直遥遥领先于买大股票的，所以过去二三十年买小股票的优势遥遥领先于价值投资，这些小股票随便一个定增，一个并购，一个重组，涨幅远远大于这些内生性的价值投资者。所以过去二三十年来，我觉得不需要价值投资，专门有人统计，如果2008年买市值最小的50只股票，不断地调整，到今天他们测算过，有接近七八倍的收益。但是任何一个价值投资者，2007年到现在两三倍的收益都没有，所以价值投资没有优势。但是我觉得随着最近的变化，价值投资可能会第一次成为市场主流投资者的方向。

这也是由于注册制的发行速度带来的，壳价值会被蒸发殆尽。新股发行速度特别快之后，小股票为什么涨得慢，是因为很多人非常天真地认为，只有壳公司才有壳价值，其实是错误的，中国股票市场3000多家公司，每个公司都是有壳价值的，只是对中石油来说，1万多亿的市值，三四十亿的壳价值没有什么影响，但是对于只有六七十以的公司来说，三四十亿的壳价值几乎占了百分之三四十的份额。很多人欢呼注册制的同时，只要你买了二级市场的股票，你都是受损者，因为每一家上市公司都内涵了30到50亿的壳价值，随着这种疯狂的发行，这个壳价值就没有了，所以这也为什么最近一年半以来，小股票涨幅很小的根本原因，因为你本身内涵的壳价值占比太大，而那些大市值的公司，比如说贵州茅台，本来就几千亿的市值，三四十亿的市值对它来说只有一两个点，它的意义不大，所以这时候大价值的公司成为主要的选择，长期盈利成为PE投资的关键。过去几十资本市场过于追求这种新东西，忽略旧东西，其实新东西未必赚钱，旧东西也未必不赚钱，未来这个投资逻辑会变。

第三个投资逻辑是中国资本市场将更加中国化，而不是美股化，更不会港股化。很多人都说中国会不会变成美股化，会不会港股化，我认为不会，我认为会中国化。这个中国化体现在什么地方呢?体现在中国逐渐成为引领市场的领导者，争夺定价权。所谓资本市场的全球定价权。不会盲目追随美国，更加不会追随香港。

中国成为全球第一，我认为只是时间的问题，这个没有悬念，按照正常的发展速度，10年左右全球GDP第一肯定是中国，这个没有例外，几乎是必然的事情。一旦中国成为全球第一，中国的制造就会变成全球的制造，中国的消费就会变成全球的消费。我们很清楚消费品消费的是文化，今天美国的消费，比如说可口可乐和迪士尼，为什么消费是美国的?因为美国是全球第一强国，所以我们在消费美国的文化。中国一旦变成全球第一强国，我们的投资的逻辑会发生变化，中国的制造会变成全球的制造，这个逻辑会发生变化。在这种情况下，如果中国变成全球第一，可以想像的是，我们有价值能够走向全球公司的市值，它的估值空间就打开了。我们现在是中国定价，比如说我们现在很多公司，按照中国定价就是200亿、300亿市值，或者两三千亿市值，如果按照全球定价，有可能会变成1万亿市值，苹果公司最近干到了接近8000亿美元的市值，相当于5万多亿人民币的市值，这个空间非常大。

最后一个逻辑是赌博和奇迹的破产。过去中国的投资逻辑是靠赌博、靠奇迹，变为相信概率和相信逻辑，我认为这一点是中国资本市场的“成人礼”，也就是赌博和奇迹的破产是中国资本市场的“成人礼”。我们看到一个问题是，全世界最难的事情是在中国市场做股票，为什么?因为最没有门槛的东西就是中国，有1亿多人参与炒股票，不需要任何门槛，一个电话或者一部电脑就可以炒股票了，一个没有门槛的行业，一个上亿人博弈的市场，再加上我们的游戏规则是变化的，一会儿熔断，一会儿取消，难度非常大。很多人觉得炒股票很容易，我不知道他们的逻辑是怎么来的，我们只是知道炒股票特别容易的人，往往都进了监狱。你看到没几个人炒股票是容易的。作为一个市场，往往有两三百个市场竞争者，说竞争得血肉模糊。但是你们想过没有，中国的股票市场有1亿多投资者，没有任何门槛，你觉得竞争不激烈吗?我跟很多人交流，我说炒股要想取胜有三个条件，缺一不可，第一个是你拥有相对于普通投资者的非对称信息，这个非对称信息可以合法获得，也可以非法获得，合法获得就是通过研究，通过走访上市公司，通过产业链的研究，这是合法的。非法获得就是跟上市公司勾结，但是没有非对称信息是不行的。第二个，你要有反人性的心理素质，在暴涨的时候你敢卖，大跌的时候你敢买，这是反人性的，能做好的都不是人。第三个，你要有足够的耐心，能够穿越牛市和熊市，你没有耐心，在黎明前就死掉了，就没戏。三个条件缺一不可。你不觉得这是很难的事情吗?所以在中国炒股是非常难的事情。我看到有1亿股民炒股票，你觉得每个人都具备这三个条件吗?我们看到，徐翔具备一个条件，他拥有非对称信息，所以他现在在监狱里待着。

相信概率和逻辑，这是中国资本市场接下去的深刻投资逻辑。

最后我们如何应对?我觉得也很简单，我还是很看好中国，我觉得我们没有任何理由看空中国，现在很多人说对中国不看好，担心有一大堆的问题，但是我很看好中国，看好中国经济成功的转型。第一个是中国成为全球第一，我认为只是时间问题，而且很有可能就在未来10年内发生。第二个，从30年前就有很多人提出中国崩溃论，到今天依然没有出现，反而在很好地成长，很多人到美国、欧洲留学，他们过去就是做空中国，但是没有得到什么好处。

我们要认清中国的发展方向，从中国制造到中国创造，实现青山绿水、快乐健康，这是我们的方向。

如果未来经济是可持续的，权益类投资还是能够最好地驾驭经济发展趋势的。我们看到权益类投资最近几年收益率还是上升的，相对于理财产品、债券产品，包括一般的普通的房地产市场。也就是说三四线城市的房地产，就是从去年年底才开始复苏的，但是今年很出人意料的是，最近这两三个月，三四线城市的房地产销售数据大幅度改善。

我觉得定增投资包括股权投资，为什么相对股票投资有一些优势?为什么做定增比做股票的赚钱多，我还是回到我刚才说的三个问题，第一是拥有非对称的信息，第二是反人性的心理素质，第三是足够的耐心。你们可以看，做股票这三点同时具备非常难，非对称信息很难获得，我在国信当研究所所长，我就很清楚地知道我们的调研是怎么回事。我可以告诉大家，绝大多数分析师也就能见到董事会秘书，马上就写推荐报告了，有时候甚至就变成上市公司的传声筒，能够推出股票的分析师，就能成为新财富或者水晶球最佳分析师，我们也做了数据和统计，我把2015年、2016年分析师的统计数据看了一下，盈利预测和最终公布的年报错误率达到70%左右，只有百分之一二十的分析师是靠谱的，很多都不靠谱。这也不能怪分析师，我管过团队，我知道他们很辛苦，不能怪他们，为什么?因为上市公司老板没上市之前，他天天跟我交流，他很平易近人的，他上市以后你也见不到他，他很牛了，所以你挖掘不到信息，他很难获得非对称的信息。

反人性的心理素质方面，跌的时候敢买、涨的时候敢卖的人，100个里面不超过5个人，很多做股票做得好的人都是脸色铁青，因为肝坏了，天天在那里着急，这个事情是挑战人性的，股市的波动图就是你的心电图，做这个做久了是要短命的，它就是这个逻辑。你不要讲你是圣人，没有这样的人，这是要付出极大代价的事情。

但是在定增市场不同，他要做定增，他要跟你沟通，所以你在信息上是比较对称的，他要发出去，很多信息都会告诉你，你获得信息容易一点。另外一点，他不需要反人性的心理素质，因为你买了就动不了了，不管是一年期定增还是三年定增，买了之后就锁定，变不了了。另外一个就是穿越牛市和熊市的耐心也不需要了，因为你买了也变不了了，它是被动式的投资，所以反而成就了你，这就解释了为什么这么多年定增市场的投资收益率是好于股票市场的，恰恰是因为这种因素而造成的，我们可以解释这个情况。

我今天就讲到这里，讲得不好请原谅，谢谢大家!

2023年，科技圈最火的无疑是大模型。然而，大模型的真正商用落地还需要一定时间，但大模型的“上游”却已经感受到了火热的氛围。

什么是大模型的上游呢？有两个关键的领域，一个是GPU，典型的如英伟达，今年英伟达的股价和业绩都受益颇深，这已经广为人知了。还有另一个隐藏的“大模型军火商”也开始走向前台，那就是向量数据库。在Google Trends上搜索Vector Database（向量数据库），其关注度先显著提升。

来源：Google Trends

仅在今年4月，就有多家向量数据库公司获得融资，典型的包括：Pinecone获得1亿美元B轮融资；Weaviate获得5000万美元B轮融资；Chroma获1800万美元种子轮融资；Qdrant获750万美元种子轮融资；Fabarta ArcVector，获得亿元人民币的 Pre-A 轮融资。

除了初创公司相继融资，诸如腾讯云、星环科技、联汇科技等很多厂商都相继推出向量数据库产品。

一夜之间，向量数据库成为数据库领域最炙手可热的明星。在人工智能技术的推动下，大数据变得越来越重要，而在大数据中寻找有用信息的最有效方法之一就是通过向量数据库。

随着向量数据库技术的不断发展，我们可以预见，它将在未来的大数据和人工智能领域发挥越来越重要的作用。本文将深入探讨向量数据库的内涵、发展历程、应用场景以及与大模型的关系，同时也会对向量数据库未来的发展趋势进行前瞻性分析。

在信息化社会中，数据的产生、储存和处理都成为了现代生活和工作中不可或缺的一部分。在这背景下，向量数据和向量数据库出现并发展起来，为我们解决了大量的问题，但同时也引出了新的问题和挑战。

首先，我们需要明白什么是向量数据。在人工智能时代，传统的结构化数据（如文本、数字等）已经无法满足我们的需求。而向量数据，是一种高维数据，它可以在多维空间中表示复杂的关系和模式，可以用来表示图像、语音、视频等非结构化数据，也可以用来表示深度学习模型的特征。

典型的向量数据包括：

图像向量，通过深度学习模型提取的图像特征向量，这些特征向量捕捉了图像的重要信息，如颜色、形状、纹理等，可以用于图像识别、检索等任务；

文本向量，通过词嵌入技术如Word2Vec、BERT等生成的文本特征向量，这些向量包含了文本的语义信息，可以用于文本分类、情感分析等任务；

语音向量，通过声学模型从声音信号中提取的特征向量，这些向量捕捉了声音的重要特性，如音调、节奏、音色等，可以用于语音识别、声纹识别等任务。

这些向量数据由于其高维性和稀疏性，不能有效地使用传统的关系型数据库（如MySQL）或者NoSQL数据库（如MongoDB）进行存储和检索。比如，如果把一个300维的文本向量作为一行数据存储在MySQL中，那么在进行高维空间的近邻查询（比如，找出与某个文本向量在语义上最相似的文本向量）时，性能会非常低下。

向量数据库为向量数据提供了专门的存储和索引机制。在向量数据库中，向量数据被存储为高维空间中的点，数据库会为这些点建立索引，常用的索引方法有KD-树、BB-Tree、HNSW等。这些索引结构使得向量数据库可以高效地进行向量间的相似度查询，如余弦相似度、欧几里得距离等，从而极大地提升了处理向量数据的效率。

向量数据库的发展历程可以大致划分为三个阶段：

第一阶段是向量数据的初级阶段，这个阶段的向量数据库主要是以文件形式存储向量数据，没有有效的索引和查询能力，典型的产品如早期的Lucene等。

第二阶段是向量数据的发展阶段，这个阶段的向量数据库开始使用KD树等索引结构，可以实现一定的查询性能，但是在高维空间的查询效率还不高，典型的产品有FAISS、Annoy等。

第三阶段是向量数据的成熟阶段，这个阶段的向量数据库已经可以实现高效的向量索引和查询，可以处理海量的高维向量数据，典型的产品有Milvus、Elasticsearch等。

需要指出的是，向量数据库是伴随着人工智能的发展而发展的，并在不断满足人工智能的数据存储需求过程中持续演进。

人工智能，尤其是深度学习，经历了从小规模到大规模的变革，涉及的数据量也从MB级别增长到TB甚至PB级别，这引发了一个问题：如何有效地存储和处理大规模的向量数据。这正是向量数据库的强项，它能够处理如此大规模的数据，并且在复杂查询和实时响应等方面也表现出色。

深度学习不仅推动了数据规模的扩大，也使得数据查询需求变得更加复杂。现在的深度学习应用需要进行的查询不再只是简单的精确匹配，而是需要进行复杂的相似度查询，例如找出与给定向量最相似的向量，或者查询在一定范围内的所有向量。这些复杂的查询需求已经超出了传统数据库的处理能力，而向量数据库则能够提供满足这些需求的解决方案。

此外，随着深度学习在更多的领域得到应用，比如在线推荐、广告投放、自动驾驶等，实时响应的需求也越来越强烈。在这些应用中，系统必须能够实时处理大规模向量数据，并且提供快速响应。在这方面，向量数据库凭借其高效的索引结构和查询算法，能够实现大规模向量数据的实时处理，满足了这些实时性的需求。

越来越多的人工智能应用需要处理跨模态的数据，比如结合图像、文本、音频等不同类型的数据进行分析和预测。这就要求数据库不仅需要能够处理单一模态的向量数据，还需要支持跨模态向量数据的存储和查询，这也是向量数据库未来的一个重要发展方向。

综上，人工智能的发展催生了向量数据库的需求，而向量数据库的发展又反过来推动了人工智能的发展。在这种良性互动中，向量数据库的应用越来越广泛，其在人工智能发展中的重要性也日益显现。

在人工智能领域，最近的一个重要趋势是大模型的兴起。在大模型的世界里，我们面临着处理和管理大规模向量数据的挑战，而向量数据库，就是为了满足这个需求而不断发展着。

那么，向量数据库跟大模型是什么关系呢？

带着这个问题，数据猿采访了联汇科技首席科学家赵天成博士。赵博士认为，向量数据库和大模型技术两者都是人工智能领域的重要技术基座。其中，向量数据库提供了存储、记忆能力，大模型提供了问题处理和分析能力。与传统数据库相比，向量数据库使用向量化计算，高速地处理大规模的、高维的、复杂数据，例如图像、音频和视频等，并支持复杂查询操作，扩展到多个节点，以处理更大规模的数据。

大模型具有的强大的学习和表示能力，能够处理庞大和复杂的数据，并从中提取出有用的特征和模式，并通过大规模的数据集预训练，加速迭代精进，提升模型性能，向量数据库为大模型提供了高效的数据存储和查询支撑，是大模型落地应用的重要条件。

大模型与向量数据库两项关键技术的深度融合应用为通用人工智能（AGI）的实现提供了可靠路径。以联汇科技为例，依托技术创新，联汇科技研发OmBot自主智能体，它集认知、记忆、思考、行动四大核心能力，作为一种自动、自主的智能体，它能够感知环境、自主决策并且具备短期与长期记忆的计算机模型，模仿人类大脑工作机制，根据任务目标，主动完成任务。

接下来，我们就向量数据库对于大模型的应用价值进行更深入的展开分析：

GPT-4等大模型，通过学习大量的训练数据，能够提供高准确度的预测和生成结果，从而在各种复杂的任务中表现出色。然而，这也带来了大规模向量数据处理的需求，包括存储、索引和查询。传统的数据库技术，无论是关系型数据库还是NoSQL数据库，都在处理这种类型的数据时面临挑战。

首先，大模型的训练需要大量的输入数据，这些数据通常是高维度的向量。传统的数据库在存储这种高维度数据时，往往需要大量的存储空间，而且查询效率也相对较低。向量数据库通过优化的数据结构和索引算法，可以高效地存储和查询大规模的向量数据，从而大大提高了大模型训练的效率。

其次，在训练过程中，大模型需要根据输入数据的相似度进行学习。这需要数据库提供高效的相似度查询功能，而这是传统数据库往往无法满足的。向量数据库通过使用诸如KD树、球树等高效的索引结构，可以快速找出与给定向量最相似的数据，从而支持大模型的训练需求。

此外，在模型训练完成后，需要对新的输入数据进行预测。这同样需要高效的相似度查询功能，以找出与新输入数据最相似的训练数据，然后基于这些数据进行预测。向量数据库在这方面同样展现出了优越的性能，从而支持了大模型在实际应用中的部署。

在人工智能领域，通用大模型的微调成为了一种常见且有效的策略。这种策略允许模型学习一种更具体、更详细的领域知识，从而能更好地解决领域内的问题。然而，这个微调过程的成功在很大程度上依赖于向量数据库的功能和性能。

当我们将通用大模型微调为专用大模型时，这个过程需要对特定领域的大量数据进行深入学习。这些数据通常包含大量高维度的特征向量，例如在自然语言处理中的词向量、在图像识别中的像素向量等。这些高维度向量数据的处理，传统的数据库无法满足其性能需求，而向量数据库却能有效地管理这些数据，支持对这些数据的高效检索和查询。

一个关键步骤是需要进行大量的相似度查询。为了寻找和给定向量最相似的向量，向量数据库通常采用特定的索引结构，如KD树、球树等，这些索引结构允许在大规模高维向量数据中进行高效的近似最近邻查找。这种查询效率的提升，直接导致了模型微调过程的效率提升。微调过程中，模型需要频繁地读取数据进行训练，向量数据库可以提供高效的读取能力。此外，模型训练过程中的更新数据也需要写回数据库，向量数据库的高效写入性能也能满足这一需求。

以联汇科技的向量数据库产品Om-iBase为例，Om-iBase基于智能算法提取需存储内容的特征，使用AI深度学习模型和自监督学习技术，对文本、图片、音频和视频等非结构化数据进行特征提取，有效实现非结构化数据向量化存储，并通过向量化编辑器、向量索引加速技术(ANN)、向量聚类、向量降纬、数据聚类、异常分析等核心技术与算法，确保向量分析的全面性和检索的准确性，实现数据库的高性能检索、高性能分析。此外，Om-iBase提供完整的SDK支持和灵活可配的插件体系，开发者可以最大化的自主发觉潜能。

总的来说，大模型的发展催生了向量数据库的需求，而向量数据库的发展又反过来推动了大模型的发展。这种良性循环，使得向量数据库在人工智能领域获得了前所未有的关注和应用，其重要性也日益突出。同时，向量数据库的发展也带来了一系列的技术挑战和研究热点，包括如何提高存储和查询效率、如何支持复杂的查询需求、如何提高易用性等，这将是未来研究的重要方向。

面对着未来，向量数据库的发展将会和大模型的发展更加紧密地结合，共同迎接一系列的新机遇和新挑战。在这个过程中，向量数据库的技术将会发展出一些重要的趋势。在文章最后部分，我们总结出了向量数据库的八大技术趋势。

1、更好的分布式与并行计算能力

随着数据规模的不断扩大以及大模型对计算能力的强烈需求，向量数据库必须对分布式与并行计算能力进行深度优化。更高效的分布式与并行计算可以让大规模向量数据在多个计算节点间进行分配，使得查询、排序等操作能够并发进行，大大缩短了计算时间。在具体实施上，分布式系统设计、数据切分策略、负载均衡算法等都将是挑战与机遇。

2、实时处理能力提升

对于许多AI应用来说，如自动驾驶、智能客服等，它们的决策过程需要在瞬息之间完成。这就要求向量数据库有高效的实时处理能力，即使是对大规模的向量数据，也能在最短的时间内找到最匹配的结果。因此，优化查询算法、提升数据存取效率，甚至是实现实时数据更新，都将是实时处理能力提升所需面对的关键问题。

3、高级查询功能

随着用户对数据处理需求的复杂化，传统的简单查询方式已经无法满足需求。高级查询功能，如范围查询、最近邻查询，甚至基于语义的查询等，将是向量数据库的必备功能。这不仅需要向量数据库本身的技术突破，还需要与AI技术深度融合，通过理解数据的深层含义，提供更符合用户需求的查询结果。

4、硬件加速尤其是GPU加速

CPU在处理大规模向量数据时，可能会遇到瓶颈。为了更高效地处理数据，硬件加速将是一种有效的解决方案。例如，利用GPU的强大并行计算能力，或者利用定制的AI芯片，都可以大大提高向量数据库的处理能力。但这也会带来新的挑战，比如如何将数据库操作高效地映射到硬件操作，如何管理和调度硬件资源等。

5、针对不同类型大模型的性能优化

不同类型的大模型对数据的处理和计算需求可能会有所不同。向量数据库需要能够针对这些差异进行优化，以提供最佳的性能。这可能包括特定类型模型的存储优化，或者是查询优化，甚至是针对特定类型模型的特殊查询功能等。

6、多模态数据处理能力

随着大模型向多模态发展，如图文混合模型、音视频混合模型等，对应的数据也将会更为复杂多元。向量数据库需要能够有效地处理这些多模态数据。这不仅需要数据库本身的技术突破，也需要和AI模型的深度融合，以理解和处理多模态数据中的关联和交互。

7、提升向量数据库的通用性和易用性

随着向量数据库的应用场景不断拓宽，提升其通用性和易用性成为一项重要任务。这包括提供更简单的数据导入导出，提供更易用的查询接口，以及提供更灵活的数据管理功能。同时，也需要提供丰富的文档和示例，降低用户的学习成本。

8、向量数据库与深度学习、大模型的深度融合

未来，向量数据库将和深度学习、大模型更紧密地结合，共同推动AI的发展。向量数据库需要能够理解大模型的需求，为其提供最合适的数据服务。而大模型也需要能够利用向量数据库的能力，以提高自身的效率和效果。这种融合可能会带来许多新的可能性，例如模型和数据库的联合优化，或者是数据库自身的自动学习和优化等。

在经历了大数据时代的高速蓬勃发展之后，向量数据库已然成为新一轮技术浪潮中的明亮新星。这背后并非偶然，而是科技与时代需求的完美结合。在探索无垠的人工智能宇宙中，我们渐渐明白，每一个巨大的计算模型都需要一颗稳固的“心脏”——一个可以储存、检索和管理高维向量数据的强大核心，而向量数据库正是这颗“心脏”。

如今，我们站在巨人的肩膀上，俯瞰整个技术领域的壮丽风景。OpenAI、阿里巴巴、百度、腾讯、星环科技、联汇科技等企业，都在为这片蓝海注入新的活力与创意。未来的路，或许还很漫长，但有了向量数据库和大模型这两大引擎的双重驱动，我们有信心跨越未知，追寻技术的极致，描绘出一个更为绚烂的数字世界。

文：一蓑烟雨 / 数据猿

上一篇：通达信炒股票指标选股还有通达信炒股指标

下一篇：看股票用什么软件还有看股票用什么软件好