1. Zilliz 与英伟达、OpenAI、Intel 等建立官方合作伙伴关系背后的故事 2. Oracle 的经历对创立 Zilliz 有什么影响？当时看到了什么机会？ 3. 向量数据库最被低估和高估的各是什么？ 4. 向量数据库如何解决大模型幻觉问题？是否是目前最佳方案？ 5. Milvus 2.4版本实现了哪些技术创新，如何做到较以往50倍性能提升？ 6. 为什么一开始就选择开源？如何看待开源的价值？ 7. Zilliz Cloud 作为云服务产品，面对不同类型客户如何平衡易用性和企业级需求？ 8. 为什么和云服务 bundling 是 Zilliz 唯一的商业模式？向量数据库能否向上/向下延伸？ 9. 面对愈发激烈的向量数据库市场竞争，Zilliz 将如何保持领先、构建壁垒？ 10. Zilliz 在全球化发展方面有什么经验和策略？AI 时代中国创业者如何走向世界？ 11. Long-context 长上下文的发展对向量数据库有何影响？ 12. Transformer 遵循的冯·诺依曼架构未来可能颠覆吗？对向量数据库的影响是什么？ 13. 向量数据库的想象空间有多大？是否有颠覆传统数据库巨头的机会？ 14. 极客范+浪漫主义的文化对企业创新和发展有什么价值？
IDC 预测地址： https://www.forbes.com/sites/forbestechcouncil/2022/02/03/the-unseen-data-conundrum/?sh=4880bfa87fcc
红杉美国博客： https://www.sequoiacap.com/article/generative-ai-act-two/ A16Z 博客： https://a16z.com/emerging-architectures-for-llm-applications/
市场预测地址： https://www.marketsandmarkets.com/Market-Reports/vector-database-market-112683895.html
Intel Vision： https://www.intel.com/content/www/us/en/events/on-event-series/vision.html Gaudi 3：https://www.intel.com/content/www/us/en/products/details/processors/ai-accelerators/gaudi3.html
Q1：Zilliz 与英伟达、OpenAI、Intel 等建立官方合作关系背后的故事
论文地址：https://dl.acm.org/doi/abs/10.1145/362384.362685
Q2：Oracle 的经历对创立 Zilliz 有什么影响？当时看到了什么机会？
Q3：向量数据库最被低估和高估的各是什么？
投资 Pinecone：https://a16z.com/announcement/investing-in-pinecone/
Q4：向量数据库如何解决大模型幻觉问题？是否是目前最佳方案？
Milvus Github 地址：https://github.com/milvus-io/milvus
Q5：Milvus 2.4版本实现了哪些技术创新，如何做到较以往50倍性能提升？
访谈地址：https://www.youtube.com/watch?v=6R7YCX4Q91Q
当我们开始创办 Pinecone 的时候，我们问了一个很基本的问题：为什么人们需要开源平台？没错，其中一个原因是为了赢得信任，另一个是为了获得社区的贡献，还有一个原因是为获得用户提供渠道。我们想，只要我们做得出色，提供令人惊叹的服务，就能赢得信任，我们不需要外部贡献。 事实上，如果你看一下统计数据，即使是开源公司，99%的贡献实际上来自于公司本身，不一定是 99%，但肯定超过95%。因此，这实际上并没有什么大的区别。
如果你可以不做开源，你就应该避免，这是一个循序渐进的挑战。因为通过开源，你可以获得分发渠道，但随后你必须找出商业模式。让一个开源项目成功就像在高尔夫球中的一杆进洞，你拿起一根棒球棒，你必须打一场全垒打，因为接下来你必须做第二次行动，确保这个东西真正作为一个公司运作。
Q6：为什么一开始就选择开源？如何看待开源的价值？
Advent of Code：https://adventofcode.com/
Q7：Zilliz Cloud 作为云服务产品，面对不同类型客户如何平衡易用性和企业级需求？
Q8：为什么和云服务 bundling 是 Zilliz 唯一的商业模式？向量数据库能否向上/向下延伸？
Towhee：https://github.com/towhee-io/towhee Attu：https://zilliz.com/attu GPTCache：https://zilliz.com/what-is-gptcache
Q9：面对愈发激烈的向量数据库市场竞争，Zilliz 将如何保持领先、构建壁垒？
Q10：Zilliz 在全球化发展方面有什么经验和策略？AI 时代中国创业者如何走向世界？
论文地址：https://arxiv.org/abs/2005.11401
由于 Gemini 在处理长上下文方面表现出色，甚至有人高喊「RAG 已死」。比如爱丁堡大学博士符尧在评价 Gemini 1.5 Pro 的帖子中写道：「大语言模型已经是非常强大的检索器，那么为什么还要花时间构建一个弱小的检索器，并将时间花在解决分块、嵌入和索引问题上呢？换句话说：一个拥有1000万 token 上下文窗口的大模型杀死了 RAG。」
文章地址： https://zilliz.com/blog/will-retrieval-augmented-generation-RAG-be-killed-by-long-context-LLMs
大模型技术正在改变世界，但无法改变世界的运行规律。自冯·诺依曼架构诞生之日起，存储器、计算器和外存就是分开的，即使在单机内存已经达到 TB 级别的今天，SATA 硬盘和闪存依然在不同应用场景下发挥着重要的价值。对于大模型而言，长期记忆的重要性也将持续存在。AI 应用的开发者一直在追求查询质量和成本之间的完美平衡。当大型企业将生成式人工智能投入生产时，他们需要控制成本，同时保持最佳的响应质量。RAG 技术和向量数据库依然是实现这一目标的重要工具。
另一个悬而未决的问题是，随着大多数模型上下文窗口的增长，嵌入（embedding）和向量数据库将如何发展。人们很容易说嵌入将变得不那么相关，因为上下文数据可以直接放入提示中。然而，专家们对这个主题的反馈表现出了相反的情况——随着时间的推移，embedding pipeline（嵌入管道）可能会变得更加重要。长上下文窗口是一个强大的工具，但它们也需要大量的计算成本。因此，有效利用它们成为当务之急。我们可能会开始看到不同类型的嵌入模型变得流行，直接针对模型相关性进行训练，以及旨在利用和实现这一点的向量数据库。
Q11：Long-context 长上下文的发展对向量数据库有何影响？
对话地址： https://www.youtube.com/watch?v=c3b-JASoPi0&list=PLOhHNjZItNnOoPxOF3dmq30UxYqFuxXKn&index=4
Q12：Transformer 遵循的冯·诺依曼架构未来可能颠覆吗？对向量数据库的影响是什么？
Q13：向量数据库的想象空间有多大？是否有颠覆传统数据库巨头的机会？
