关注【云原生AI百宝箱】公众号，获取更多云原生AI消息
大模型离不开向量数据库回答这个问题之前，我们先来理解一下什么是向量。
这是一个苹果，但在发明苹果这个词之前，人们怎么描述它呢？
颜色、大小、形状、纹理，找到更多的特征，就能对苹果的定义更清晰。
把这些特征用数字表述就可以得到一个数组，就是向量。
当复杂的图形变成了计算机熟悉的数字，它就认识苹果了。当新的苹果出现，计算机还能认出来它吗？当然。
因为这些图像，在向量空间中离得最近，相似性最高。今天让我们惊叹不已的人工智能，往往通过上千个向量维度来学习、训练，他们就像是AI大模型的眼睛。
当AI大模型遇上庞大的向量数据，这组黄金搭档如何让硅基生物更聪明呢？以大语言模型为例，简单来说，在训练时，喂给它的词句都会先转化为向量数据。
当训练数据里出现多组类似的语言时，在向量数据组成的高维空间相近的词汇就会距离更近，语言模型就可以逐渐捕捉到词汇间的语义和语法，比如他会更明白苹果和西瓜与异常接近，和公交车相差甚远。
接下来模型要对对上下文进行理解，此时transformer架构就开始发挥作用，从每个词自身出发，观察和其他词之间的关系权重。
云原生AI百宝箱
行万里路，此处相逢，共话云原生AI之道。 偶逗趣事，明月清风，与君同坐。
63篇原创内容
公众号
例如，这句话里很好吃，和我关系权重最大，权重结果被当做新的维度记录下来，一句更复杂的话，也转化成了带权重的向量。
语言模型经过查询、计算，生成权重最高的答案输出给你，一次问答就完成了。
实际上，大模型训练推理过程更为复杂，他们需要处理如文本、图像、音视频等大量非结构化数据，并转化为向量数据进行学习。这些数据的规模动辄过亿，向量的维度可能高达数千。
在选择数据库时，传统数据库只能进行行列检索，一一对应，再输出精准的答案。
但向量数据库则是专门为非结构化数据检索而设计，它将向量数据组成一个立体高维空间，在空间中进行模糊检索，能够快速输出权重最高的答案。
推荐阅读
- 叮，你收到一份来自CNCF的云原生景观简介
- 要魔改Kubernetes，我们可以从哪里扩展
- 问题排查太烦心，试试GPT的超能力
- Copa：无需重建镜像，直接修补容器漏洞
- 玩转K8s网络：16张图带你从小白到专家
- 1000节点集群，5秒搭建好
- 流量何处来又往何处去，这次一目了然
- Kubernetes CNI 插件选型和应用场景探讨
- 块/文件/对象存储难统一管理，试试这个集大成者
- GPU越来越难买，如何提高利用率
- 监控外部服务太复杂？ServiceMonitor 和 PrometheusRule有妙招
- 容器快了，却不安全了，Rootless 安排上
- 还在Jenkins点点，快来体验Tekton的灵活自动化
- 懒人福音：LazyDocker轻松驾驭容器，操作高效省心
