写在前面：一个创业公司能够创造出一个新的数据库SKU，这份勇敢和坚持还是非常值得敬佩的。LLM机会涌现，很多高P走出大厂，踏上披荆斩棘的创业之路，无论成败，勇气可嘉。
今明两年头部公有云厂商都会正式商用自己的向量数据库； 这两年需求将会持续增长，虽竞争加速，但牌桌上的玩家都能分一杯羹； 云厂商会抢走Milvus一部分客户，但Milvus的知名度仍然会一骑绝尘。
为什么需要向量数据库
随着人工智能和大模型技术的飞速发展，向量数据存储和处理的需求日益增长。大模型需要向量数据库而非传统的非关系型数据库，主要原因在于向量数据库在处理高维向量数据、相似性搜索和模型微调等方面的优势。
高维向量数据支持：大模型通常处理高维数据，如图像、文本和语音等。这些数据需要转换为高维向量以便在模型中进行计算和表示。向量数据库专门针对高维向量数据进行了优化，提供了更高效的存储和检索功能。而传统的非关系型数据库（如键值存储、文档数据库、列族数据库等）并未针对高维向量数据进行特殊优化。
相似性搜索能力：大模型关注数据之间的相似性而非传统的关联性。向量数据库通过计算向量之间的距离（如欧氏距离、余弦相似度等），实现快速的相似性搜索。这在传统的非关系型数据库中较难实现，因为它们主要关注基于键值或标签的检索，而非基于内容的相似性搜索。
高效的索引结构：向量数据库采用特殊的索引结构（如k-d树、球体k树、近似最近邻哈希等），以实现快速的相似性搜索。这些索引结构相较于传统的关系型数据库索引，更适合处理高维向量数据，提高查询性能。传统的非关系型数据库索引结构可能无法满足高维向量数据的高效检索需求。
模型微调和迁移学习能力：向量数据库可以帮助大模型实现更高效的模型微调和迁移学习。通过将训练数据和知识库存储在向量数据库中，大模型可以更快地进行模型更新和知识迁移。而传统的非关系型数据库在这方面的支持相对较弱。
存储优化：向量数据库采用高效的数据结构和压缩算法，降低了存储空间需求，提高了存储效率。这对于大模型来说尤为重要，因为它们通常需要处理和存储大量的高维向量数据。传统的非关系型数据库可能无法提供针对高维向量数据的存储优化。
向量数据库在处理高维向量数据、相似性搜索和模型微调等方面具有显著优势，能够更好地满足大模型的需求。因此，大模型更倾向于使用向量数据库而非传统的非关系型数据库。
在这种背景下，向量数据库Milvus应运而生，Milvus背后的公司是Zilliz，Zilliz成立于上海，总部位于硅谷，专注于向量数据库技术研发的创新型企业，旨在为全球用户提供高效、可靠的向量数据管理解决方案。该公司与2019年开源了Milvus。
Milvus
Milvus 是全球最受欢迎、迭代最快、架构最成熟的开源向量数据库，拥有最大的中国/海外用户及开发者社区，下载量超 300 万次，深受全球 1000 多家企业用户的信赖。
Milvus 于 2019 年开源，可用于存储、索引和管理由深度神经网络学习与其他机器学习模型生成的海量向量。Zilliz 将 Milvus 作为孵化项目贡献给 LF AI & Data 基金会。Milvus 项目于 2021 年 6 月正式毕业，现已成为向量数据库业内领导者。
Milvus 2.0 是一款云原生向量数据库，采用存储与计算分离的架构设计，所有组件均为无状态组件，极大地增强了系统弹性和灵活性。整个系统分为四个层面：
存储服务 （Storage）：系统的骨骼，负责 Milvus 数据的持久化，分为元数据存储（meta store）、消息存储（log broker）和对象存储（object storage）三个部分。
Zilliz Cloud
Zilliz Cloud 由 Milvus 原厂打造，是全托管的 SaaS 及 PaaS 向量数据库服务，提供深度优化、开箱即用的 Milvus 体验。使用 Zilliz Cloud 可以轻松构建十亿级向量数据库，部署和扩展向量搜索服务。由全球最专业的向量数据库团队提供运维、优化、及综合支持。
Zilliz Cloud在全球拥有7个公有云合作伙伴，其中NVIDIA在其官方大会上的提及帮助Zilliz Cloud正式出圈。
在国内，Zilliz Cloud已经上架阿里云，定价逻辑是按照向量数据和向量维度进行收费。
差异
