數千億向量搜尋資料庫上線，Elastic推出無伺服器服務

Elastic($ESTC)推出無伺服器向量資料庫，從文件嵌入到向量儲存與搜尋均可在同一平台完成，產品鎖定數千億個向量的搜尋、檢索增強生成（RAG）及人工智慧（AI）代理應用。

Elastic於11日公開「Elasticsearch Vector Database」。產品目前可在Elastic Cloud無伺服器環境中使用，Elastic官方公告表示，使用者只需輸入文件與查詢，平台便可支援嵌入生成、索引調整及相關基礎設施管理。

向量資料庫會儲存將句子或圖片語意轉換成數值後的向量，再找出與問題語意相近的資料。RAG則是在大型語言模型（LLM）生成回答前，先搜尋相關文件作為參考，向量資料庫在其中扮演核心儲存角色。

這項產品預設處理文件切分、嵌入生成、索引設定及搜尋結果重新排序。文字、圖片與多模態向量可在同一索引中搜尋，也支援結合關鍵字搜尋與向量搜尋的混合搜尋。

除了自有模型外，使用者也能在託管GPU環境中使用Jina AI的嵌入與重新排序模型。產品設計讓開發者不必另行建置模型伺服器與嵌入流程，即可配置搜尋功能。

降低記憶體負擔的核心技術是Elastic的「Better Binary Quantization（BBQ）」。「Elastic技術文件」表示，BBQ會以位元為單位壓縮向量，最多可將記憶體使用量降低32倍。

BBQ採用有損壓縮，可能降低搜尋準確度。產品透過過度搜尋與重新排序，彌補壓縮造成的準確度下降。

面對大規模資料，也可採用「DiskBBQ」。這項方式以磁碟為主儲存向量，降低RAM需求，但可能犧牲搜尋速度，因此使用者需依資料規模及對準確度、速度的要求，在BBQ-HNSW、BBQ-Flat與BBQ-Disk之間選擇。

費用將依儲存資料與搜尋容量計算，而非依運算資源用量計算。Elastic表示，背景工作不會另行收費。

實際費率及台灣使用者的成本負擔尚未公開。因此，記憶體節省效果能否轉化為實際營運成本降低，仍需依資料規模與搜尋頻率另行驗證。

阿賈伊·奈爾(Ajay Nair) Elastic Elasticsearch與平台主管表示：「AI應用程式開發者不必為了實作向量搜尋而成為基礎設施工程師。」這番話顯示，Elastic希望將原本分散在不同資料庫與模型伺服器中的搜尋基礎設施，整合至同一平台。

向量搜尋市場過去同時存在分別配置儲存與搜尋層、嵌入模型及重新排序模型的做法。Elastic則將相關流程整合至單一託管環境，重點放在減少初期建置與後續營運工作。

企業資料庫與AI服務在同一雲端環境中連接的趨勢，也可從先前Oracle擴大AI資料庫服務的案例看出。不過，Elastic此次產品較著重簡化向量搜尋本身的建置與營運，而非連接特定雲端資料庫。

產品推出後的市場占有率變化及客戶導入成果尚未公開。BBQ壓縮對準確度與搜尋速度的影響，以及實際營運數千億個向量時的成本，仍需依使用環境驗證。

Elastic目前已在Elastic Cloud無伺服器環境提供這項產品。未來關注焦點將是大規模搜尋環境中，記憶體節省、搜尋品質與處理速度之間如何取得平衡。