摘要

Zilliz 的增长显示，向量数据库正在走出“荒漠”，但这不是一夜风口。 公司创业 8 年、全球约 130 人，过去 12 个月营收增长 3.3 倍，具体收入和利润未披露；星爵把 2023 年 GTC 点名视为品类高光而非命运转折，因为 infra 靠的是“每一天、每一年复利去叠加”。
需求端真正的跃迁，是非结构化数据从千万、上亿条扩大到百亿乃至千亿，并同时进入模型推理、训练数据清洗与行业场景。 向量数据库不只服务 RAG，还被用于自动驾驶多模态数据、电商推荐和反欺诈、AI 制药及基因筛选；规模上升后，降低向量数据库成本已成为迫切需求。
Zilliz 下一阶段要从单一在线向量数据库扩展为数据库加 Vector Lake 的数据平台。 在线系统继续承担高准确度、低延时查询，离线系统则按天、周或月扫描百亿至千亿全量数据；一个全球最大 IT 公司之一的客户希望把互联网每个网页都转成向量，为大模型提供“互联网规模的语义查询”。
“我们没有对手”说的是 2018 年曾经无人同行，而非今天不存在竞争。 Pinecone 估值 7.5 亿美元、Zilliz 估值 6 亿美元，星爵称自家性能领先 3—5 倍，却强调“技术都会平权”；真正可持续的差异是开源带来的开发者反馈、road map 清晰度与迭代速度。
开源不是低成本捷径，而是一座必须与商业化连续跨越的双重大山。 Zilliz 从 2018—2019 年就选择 dual core：开源与闭源内核在体验、接口和产品形态上兼容，商业内核重写并动态领先 12—18 个月，以无缝迁移和更好性能回答“为什么付钱”；代价是两套团队、两套产品和持续移动的领先窗口。
一项直接的经营压力，是 AI 客户自身能否活到下一轮。 2024 年 10—11 月，首批 AI 创业公司因没有 PMF、产品同质化且融不到第二笔钱而集中倒闭；Zilliz 过去 18 个月也经历了前十大客户流失，其中包括一家美国头部 AI 公司，只能填补客户流失留下的缺口，再争取更多客户维持增长，像“一边开飞机，一边还要换引擎”。
星爵的世界观已从纯技术理想主义转向“领先一点、足够好”，但仍把理想主义视为产品优势的源头。 他的 AI 投资判断集中在拥有能源与基础设施资源的公有云、头部大模型和较好的 AI 应用；个人用得较多的 AI 工具包括 ChatGPT、DeepSeek 与 Cursor，甚至以 Cursor 取代 Word 写作和管理知识库。

精读

1. 向量数据库的高光不是转折，八年复利才是

星爵给出的经营快照是：Zilliz 已创业 8 年，全球约 130 人，过去 12 个月营收增长 3.3 倍；收入与利润的具体数字则选择不披露。
对 2023 年黄仁勋在 GTC 点名 Zilliz，他首先想到的不是公司命运改变，而是“更多的是向量数据库这个品类的一个高光时刻”。2018 年入场时，市场、用户与场景都不确定，甚至无法判断它能否成为大市场。
Infra 没有一次算法灵光闪现就反超对手的捷径。星爵的描述是耐心打磨产品，让“每一天、每一年复利去叠加”；Gen AI 创新持续加速，但 2024 年 10—11 月，不少首批创业公司因没有真正 PMF、产品同质化且无法再融资而集中倒闭。

2. 向量是神经网络的数据单位，不是 Gen AI 的附属品

星爵用图书馆解释数据库：文字时代靠图书馆管理信息，IT 时代由关系型数据库保存金融、ERP、电商中的数字和字符；AI 时代要理解语言、图片和视频，深度学习便把它们转换成 embedding，也就是特征向量。
向量数据库的作用，是大规模存储这些向量，并让开发者以自然语言和语义方式检索非结构化数据。它早于生成式 AI，因为 embedding 是神经网络内部及其与外部数据交换的基本格式，“并不是大语言模型所独有的”。
Zilliz 在 2018 年已服务上一代 AI 公司，当时主流可能是卷积神经网络和 RNN。Gen AI 把向量数据库推上风口，却没有创造其底层需求，只是扩大了向量数量和应用范围。

3. 百亿到千亿数据把数据库推向 Vector Lake

五六年前，几千万乃至上亿条向量已算大规模；现在客户谈的是百亿甚至千亿。用途也从知识库、RAG 扩展至训练数据清洗、自动驾驶多模态数据、电商推荐与欺诈检测，以及蛋白质三维结构和基因序列筛选。
Zilliz 的下一步不是只放大在线数据库，而是把向量数据库与 Vector Lake、面向非结构化数据的数据湖结合。前者服务低延时、高准确度查询；后者按天、周或月对百亿、千亿全量数据做离线分析，以应对对每条数据实时查询的挑战。
星爵举出的最大数据规模场景来自一家全球最大的 IT 公司之一：把互联网上每个网页转换成向量，为 AI 搜索提供“互联网规模的语义查询”。大模型查询若要尽可能精确，理想状态是能在线检索互联网全部信息。
企业知识库面对的是另一种规模：每名客户只有 1 万条知识，但服务 1 万家客户就是 1 亿条，10 万家就是 10 亿条。此时难点不只在容量，而在租户隔离、数据独立性和安全性。

4. “没有对手”只属于荒漠期，今天的胜负在迭代速度

星爵为那句强势标题补上限定语：“我们曾经没有对手。”2018 年全球尚无向量数据库概念；而如果长期没人跟进，“大概率的话，你走错一条路了”，所以后来出现友商反而让他感到喜悦。
与 Pinecone 的竞争“咬得很紧”：对方估值 7.5 亿美元，Zilliz 为 6 亿美元，核心路线差异是闭源与开源。星爵称自家当前性能领先 3—5 倍，但不愿把它当永久壁垒，因为“技术都会平权”，领先身位仍源自开放社区形成的反馈循环。
对 Qdrant、Weaviate 等开源项目，星爵把 Milvus 的优势归纳为性能、可扩展性和 TCO。FAISS 则不是同类数据库，而是向量检索算法集；Zilliz 自称是 Facebook 之外最大的参与者和贡献者，Milvus 也大量以其作为算法底座。
传统数据库增加向量插件，在星爵看来像燃油车加电池的“增程式汽车”：数据少、场景单一时可用，关键业务放大后仍会迁移到原生系统。LangChain、LlamaIndex 属于应用层框架，与数据库处于不同层次，双方实际是战略合作伙伴。

5. Milvus 的产品优势最终要落到全生命周期 TCO

硬件成本首先由性能决定：相同任务所需机器越少，前期投入越低。Milvus 过去七八年又持续适配 AI 框架和大语言模型，以现成整合降低开发成本。
产品边界也已超出向量近邻搜索：它能做标量过滤、标量与向量混合查询、聚类、分类和 re-ranking，并支持更多数据类型与查询方式，减少开发者另行拼装组件的工作。
上线后的成本同样进入竞争：Zilliz 提供可视化和运维工具链，并与数据采集、权限管理及企业 access control 系统打通。星爵因此不把注意力押在某个特定对手身上，真正担心的是公司“能不能以更快的速度去创新”。

6. 开源不是捷径，Dual core 要跨两座大山

即使重来一次，星爵仍会选择开源。关于 Reynold Xin 认为应一开始闭源的说法，他回应没有开源就没有 Databricks；早期开源社区的影响力帮助 Databricks 融资并获得首批用户，开发者生态也可能使它拥有比 Snowflake 更大的长期成长空间。
但“这肯定不是个捷径”。开源让产品低成本进入开发者工具栈、允许直接下载和检查实现，却也意味着找到商业 PMF 时像二次创业；星爵反而认为，两座山越难跨，竞争者复制这条路径也越难。
传统 open core 只在开源核心外增加企业服务，研发效率高，却逃不开客户的“灵魂拷问”：商业版与免费版到底有什么区别？Databricks 的 dual core 则维持两个核心，在接口、体验和产品形态上兼容，但商业执行引擎以 C++ 重写，开源执行引擎使用 Java。
商业内核必须在设计、功能和性能上保持领先，而且是“动态的好”：开源版本也持续前进，闭源版本便要维持约 12—18 个月的移动窗口。Zilliz 在 2018—2019 年已决定走这条路，代价是两套人马、两套产品，以及更高的工程、产品和组织执行要求。

7. 开源争夺的是透明度、退出权和开发者时间

星爵认为，今天开源的核心价值不一定是吸引大量外部人员编写核心代码，而是把技术“展开来”、避免黑盒。工程师可以研究架构和实现细节，也能在不再合作时转向社区或自建团队维护升级。
海外企业采用开源项目，往往不是为了不付钱，而是防止技术锁定：即使将来不再与商业公司合作，也能退回社区，或自建团队维护升级。这份可退出性本身就是采购价值。
Milvus 社区有 300 多名开发者，其中约 20% 在 Zilliz，却贡献了 80%—90% 的代码；外部开发者更多修复 bug、开发周边工具、增强功能和整合。星爵接受商业公司主导方向的现实，因为数据库核心开发者需要很长的成长周期。
DeepSeek 的开源则承担另一种任务：后发者迅速占领用户心智和“最宝贵的开发者时间”。星爵的判断是，一名开发者或一家公司安装 DeepSeek 后，大概率不会再安装其他家的模型，开源因而成为抢占位置的竞争策略。

8. 先驱者要试一千次，创新却“不能靠管理”

星爵对成功的定义要等到退休时回看：Zilliz 不仅是非结构化数据和向量数据库的先驱者，还要成为“集大成者”和最终成功者。他承认最深的恐惧正是做了先驱，却没摘到最后的果实。
创新者可能尝试 1,000 种方法、排除 999 种，追随者却只需照着成功答案再做一次。在 AI 加速迭代的环境里，长期领先只能依赖持续创新和快速迭代产品，而不是早期进入者身份。
星爵的文化判断很直接：“创新是不能靠管理的，一管就死。”公司的办法不是设计流程制造创新，而是招入本身有创新精神、愿意快速迭代的人。

9. 商业化比技术更痛，客户消失会直接打穿增长

如果能对八年前的自己说话，星爵“也许会劝八年前自己就不要创业”。问题永远解决不完；选择这条路，就必须把它当作 lifestyle 和一辈子想做的事，否则“你可能会崩溃”。
最困难的是过去约两年：团队此前专注产品、开源和技术，都在工程师舒适区；第一次做商业化，既缺经验又给自己设定高增长目标，组织、架构和流程只能边做边搭。
2024 年市场调整时，一家美国 AI 领域最头部的客户迅速陷入困境，流失与数据库产品做得好坏无关。过去 18 个月经历回调后，Zilliz 的前十大客户流失，团队既要填掉客户消失留下的坑，还得争取更多客户维持增长，“一边开飞机，一边还要换引擎，还要做组装”。
星爵得到的方法论并不花哨：永远多花时间招合适的人，从错误中快速恢复，靠“打胜仗”修复士气，不重复犯错，更要避免原则性错误。他最后把竞争压缩成耐力题：“你的对手可能比你多犯了两个错误”，前提是先与自己的不完美和解。

10. 理想主义褪成灰色，AI 投资押注云、模型与应用

八年创业让星爵从“彩色的外衣”褪到“灰色的内衣”。他曾相信团队应该完全透明、最好的公司不需要管理，也把管理与官僚画等号；规模扩大后，他承认透明度取决于对象、场景和阶段，“管理真的是一门科学”。
技术审美也从永无止境地追求更好，转为商业世界里的“足够好就可以了”：比对手好一些，但不必好太多。他以英特尔和英伟达“挤牙膏”为例，认为优秀公司恰恰懂得协调创新节奏与商业化节奏。
这种现实主义没有否定起点。纯粹追求技术卓越，正是 Zilliz 今天产品和技术优势的根；即使公司变得更 business savvy，星爵仍认为自己从哪一边出发很重要。
星爵点名认为亚马逊的云平台“肯定会有更好的增长”，并判断 AI 已走到能源与基础设施能力竞争的临界点，大规模数据中心会成为云基础设施，拥有资源的大公司和公有云可能因此受益。其后是头部大模型与较好的 AI 应用公司；他个人用得较多的 AI 工具包括 ChatGPT、DeepSeek 和 Cursor，甚至用 Cursor 管理知识库、写文章并取代 Word。

Miles Dieffenbach揭秘CMU 400亿美元捐赠基金与Khan Academy工程总监Shawn Jansepar谈教育领域的AI革命