ITPub博客

首页 > 数据库 > 国内数据库 > 南大通用GBase 8c企业级向量数据库概述

南大通用GBase 8c企业级向量数据库概述

原创 国内数据库 作者:GBASE南大通用 时间:2026-11-18 13:33:55 0 删除 编辑

摘要:向量数据库把文本、图像、音频等非结构化数据映射成高维向量,用"距离"代替"精确匹配"来回答"什么和它相似";南大通用GBase 8c分布式数据库(gbase database)通过内置 DataVec 引擎,把向量检索能力直接做进一体化数据库,在保留 ACID 事务与完整 SQL 生态的前提下,实现亿级数据的毫秒级相似检索。

一、为什么传统数据库不够用了

过去几十年,关系型数据库的核心命题是 精确匹配:给定一个主键、一个账号、一个订单号,快速、准确地找回那条记录。B+ 树、哈希索引等结构都是为这件事服务的,它们擅长交易、账务等对准确性要求极高的场景。

但 AI 应用带来了另一类问题:

  • "帮我找和这段描述语义相近的文档"
  • "推荐和这件商品风格类似的商品"
  • "用这张图片搜索相似的图片"

这类问题的答案不是唯一的,也没有标准主键。用户真正想要的是 最相似的 Top N 个结果,而不是"等于"某条记录。用 LIKE 做字符串匹配,只能匹配字面,无法理解语义;用全表扫描逐一比对,数据量一大就会从毫秒级退化到分钟级。

这正是GBase向量数据库要解决的问题: 从"精确匹配"转向"模糊相似",通过距离度量找出最相似的结果。

二、从"水果摊"到"图书馆":向量与向量数据库

2.1 什么是向量

先看一个生活化的比喻。

去水果摊买水果,有经验的老板不需要看标签,通过水果的 颜色、形状、气味、甜度就能判断出这是什么水果。这些用于区分事物的特征,组合起来就构成了这个水果的"特征向量"。

在 AI 语境下:

向量(Vector) 是把一个对象的多维特征用一组数值表示出来的结果。相似的对象,在向量空间中的距离就更近。

一个水果可以抽象成 [颜色, 形状, 气味, 甜度, ...],一段文本、一张图片、一段音频同样可以被抽象成几百甚至几千维的浮点数数组。 维度就是特征的个数,数值就是特征的具体取值。

2.2 什么是向量数据库

再用图书馆做类比:

  • 传统数据库像一张卡片目录,你必须知道书名或作者,才能按索引精确找到那本书;
  • 向量数据库像一位"有智慧的图书管理员",你只需要说"我想找和这本书类似的书",他就能把语义相近的一批书都列给你。

所以,GBase向量数据库并不是"存向量的数据库"这么简单,它的本质是:

面向高维向量提供存储、索引与相似性检索能力的数据系统。

围绕向量,它通常具备三项核心能力:

能力

说明

向量检索

在高维空间中快速定位与查询向量最匹配的 Top N 个向量

向量计算

高效计算向量之间的距离、相似度、内积等度量

向量聚类

挖掘数据内在的聚集关系,用于分类、去重、异常检测等

2.3 关键技术:Embedding

连接非结构化数据与向量数据库的桥梁,是 Embedding(嵌入) 。它把现实世界的对象映射到高维向量空间,让机器具备"理解语义关系并计算相似度"的能力。

Embedding 生成向量通常分为三步:

步骤

做什么

解决什么问题

① 特征提取

用预训练 AI 模型分析原始数据,提取最具代表性的关键特征

从原始文本/图像中"看懂"内容

② 特征编码

把抽象特征转换成计算机可识别的一组浮点数

让语义变成可计算的数学表达

③ 特征压缩

把高维特征映射、压缩到固定长度的稠密向量

统一数据格式与维度,控制存储与算力开销

第三步尤其关键。特征并非提取越多越好:维度越高,占用的磁盘空间越大,距离计算的 CPU 开销也越高。 特征压缩在尽量保留语义的前提下降低维度,使海量非结构化数据变成统一、低维、可计算的向量表示。

这也是 Embedding 的两大价值所在:

  • 语义捕捉:含义相近的数据,在向量空间中的几何距离也自然相近;
  • 高效降维:把海量非结构化数据转化为统一、可计算的向量表示。


来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/69979120/viewspace-3189328/ ,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论
GBASE南大通用,致力于成为用户最信赖的数据库产品供应商!

注册时间:2020-07-16

  • 博文量
    1357
  • 访问量
    1355014