隨著人工智能的大火越燒越旺，最近市場上也好，宣傳中也罷，大家可能越來越多的看到了一個新名詞：“向量數(shù)據(jù)庫”。不僅僅是很多新興創(chuàng)業(yè)公司借助這個概念在猛炒作自己的AI能力，更是眾多巨頭大廠也在加入戰(zhàn)局，儼然一片藍海。但是對于不太懂人工智能的老百姓們，包括咱們廣大知識產(chǎn)權(quán)界的朋友們，可能真的不太明白什么是向量數(shù)據(jù)庫，這東西具體怎么樣，有啥用，為什么會有人賣乃至有人買，咱們今天就給大家科普一下。其實最好的科普就是借助一個現(xiàn)實中大家都熟悉的形象，由具象到抽象，一個橋梁搭起來。那么我們的講解例子就是Patentics的R算符。R算符，大家天天用，常常用，萬事不決，R/一下，這個已經(jīng)成了廣大檢索者們的口頭禪，而且也成了某種意義上語義檢索的代名詞。但是只有熟練者才真正懂得，Patentics的R算符可不是簡單的計算前400，Patentics的R算符就是ranking也就是排序的意思，它排序的是整個專利文獻庫，你只要找準一個基準目標，比如CN1234567這篇文獻，一個R/CN1234567，本質(zhì)上系統(tǒng)排序了全部專利文獻和你這篇待排序的文獻，按照相關度從高到低排到底。

有些朋友們可能覺得我怎么每次就看見400篇，那是因為我們覺得您可能最關鍵的也就是前400，但是如果您需要看更多，那么記住下面的命令：ctop/數(shù)字，具體比如：R/CN1234567 and ctop/1000; R/CN1234567 and ctop/20000

是的，ctop/后面寫什么數(shù)字就是排到多少位的意思，您盡管寫，只要您覺得有意思有用，寫一個億我們也是給您反饋回來。

說到這里請各位仔細想想是否其它的專利檢索數(shù)據(jù)庫的智能檢索或者語義檢索也有這個功能模塊呢？！即是否它們可以無限排序呢？是否它們是鎖死在400篇、500篇或者800篇呢？！

這就回應了我們今天的主題，Patentics特有的R算符的背后就是向量數(shù)據(jù)庫的支撐與存在！所謂的向量數(shù)據(jù)庫呢，其實在一個浩瀚的文字資料里，訓練結(jié)束后你可以選擇將指定的文獻都賦予一個指定的向量，那么正常情況下，模型的擁有者當然非常容易做到這件事情。但是如果你不是模型的擁有者，僅僅是使用者，那么就不是那么回事了，你可以去調(diào)用模型的特定功能，比如說鍵入一篇文獻，利用模型的近似算法給你反饋一個近似值集合。

看著眼熟吧，是的，這個就是絕大部分數(shù)據(jù)庫，專利數(shù)據(jù)庫的現(xiàn)實，本質(zhì)上它們是沒有自己的語義模型或者大語言模型，無法把所有的文獻轉(zhuǎn)化為一個N維空間中的數(shù)字向量值，因此具體的表現(xiàn)就是當用戶請求計算的時候，它們只能是調(diào)用某個商業(yè)的模型進行計算反饋，那么結(jié)果就是一個有限集合，比如500，比如800.

這里大家也立刻看出來了，那么真正有實力的任何人工智能玩家還是具體落地應用領域的玩家，一定是希望自己有模型，畢竟有模型就意味著有向量，有向量就意味著可以具體任意操控向量的計算，這個在后期任務上有明顯的優(yōu)勢。

那么延伸解讀，那么為什么現(xiàn)在滿大街的“向量數(shù)據(jù)庫”呢？那是因為擁有一個大型語言模型在當前一個是熱門，二是很多人搞不懂，三是有硬門檻。對于三這個門檻來說其實就是錢錢錢！沒有一定的硬件基礎現(xiàn)在無法獲得一個合理的大模型效果，那么退而求其次，就是向量數(shù)據(jù)庫了！

這個其實在以前是不常見的商業(yè)模式，本質(zhì)上也都是反饋你一個你期望的運算集合就可以了，其實很類似你和GPT對話，它也是反饋你一個最優(yōu)解，可以這么理解。但是現(xiàn)在作為商業(yè)上B端消費者可能也是不滿足這個層面了，希望自己能控制更多。那么向量數(shù)據(jù)庫就油然而生了！

小結(jié)一下：

1、向量數(shù)據(jù)庫就是利用大模型將指定文獻進行數(shù)字向量化，而且當前商業(yè)上可以客戶化定制，優(yōu)點很多，比如不用你自己練了，比如后期調(diào)用其實比較節(jié)省算力；

2、對于一個具體的應用，比如咱們專利檢索，完全向量化當然好處多多，就類似Patentics的R算符，它由于是真正意義上的全體排列，所以其可以和其他任意算符如布爾算符B/A等進行混合運算而不造成漏檢；

3、向量數(shù)據(jù)庫確實是好，是個商業(yè)進步，但是真的好還是要有自己的模型，否則說白了沒人根據(jù)你的具體應用去優(yōu)化，就算做也是要錢的，而且沒有免費的買賣，調(diào)用也是要錢的；

4、向量數(shù)據(jù)庫適合真的沒能力但是有需求的土豪朋友們，像我們這樣的科技咖，那當然是一定自己做咯；

5、透露一點點，我們想說文獻檢索不需要那么復雜，幾十億的模型也許就夠了，但是也沒有那么簡單腦殘，幾個開源的羊駝模型我們也試驗過了，效果只能說是呵呵，對比我們自己的還是不夠看，但是我們有思路有辦法，其實仔細看我們文章的朋友們就應該也想的明白。