近两年对 AI 技术架构影响最大的就是大模型。在大模型产生、迭代和演进的过程中，它对底层的基础设施提出了新的挑战。向量数据库是一种专门用于处理高维向量数据的数据库系统，通过把数据向量化然后进行存储和查询，可以极大地提升效率和降低成本。它能解决大模型预训练成本高、没有“长期记忆”、知识更新不足、提示词工程复杂等问题，突破大模型在时间和空间上的限制，加速大模型落地行业场景。在实际的业务实践中，我们还遇到了云上多租户隔离、标量数据与向量数据混合查询、百亿数据规模下的性能和成本优化等挑战。本次演讲将为大家带来百度智能云 BES（Baidu Elastic Search）在大规模向量数据库应用场景的探索和实践。

演讲提纲：

1. 向量数据库应用场景简介

2. 百度智能云 BES 构建向量数据库的技术挑战与实现

3. 百度智能云 BES 向量数据库应用案例介绍

你将获得：

• 了解向量数据库的应用场景
• 了解百度智能云  BES 的向量数据库实现细节
• 了解百度智能云  BES 的向量数据库应用案例以及如何解决在实际的业务实践中遇到的坑

Redis 作为一个广受欢迎的内存 Key-Value 存储，在诸如高效缓存、内存数据库、消息队列及流式处理、搜索查询等等领域都得到了广泛应用。在向量数据库这一新兴赛道，其实 2012 年初 Redis 已经完整支持了向量搜索功能，2012 年底开始大语言模型的火爆更是让更多用户开始了解并使用 Redis 向量数据库。

最近几年来许多厂商都在推出基于社区版 Redis 的产品，功能和性能都各有不同；向量数据库领域也有许多不同的技术方案。这些会导致开发者和架构师在面临技术选型和开发部署时遇到诸多困难。我们将从 Redis 原厂的角度，探讨向量数据库这一新兴领域的机遇与挑战，介绍 Redis 是如何一如既往地以高效、简洁、灵活、优雅的方式让开发者和架构师拥抱 AI/ML 领域的崭新应用，以及 Redis 全球客户在向量数据库这一领域的实际用例。

Redis 7.2 版本刚刚发布，这一崭新版本也极大加强了向量数据库的功能。本次分享也会介绍 Redis 新版功能在向量搜索方面的性能提升。

演讲提纲：

1. Redis 向量数据库技术简介

2. Redis 向量数据库技术特性及优势

3. Redis 7.2 新特性对向量搜索的增强

4. Redis 向量数据库案例介绍

你将获得：

• 了解 Redis 向量数据库的技术细节及技术优势
• 了解 Redis 7.2 在 AI/ML 领域的新特性
• 了解如何使用 Redis 进行企业级 AI/ML 应用开发
• 了解全球 Redis 企业级用户在向量数据库领域的应用场景

随着各个行业非结构化数据的指数级生成，向量数据库优雅地提供了非结构化数据的存储、索引和快速检索的解决方案。在 AIGC 时代，向量数据库不仅提供了低成本的本地知识库搭建和对大语言模型的专属知识的拓展，更为多模态数据融合检索和问答结果呈现提供了丰富的可能。 本次演讲将为大家带来京东捐献给开放原子基金会的开源向量数据库产品 Vearch 的实现原理，技术挑战及各种应用场景。

演讲提纲：

1. 向量数据库的概述，发展历程及在大语言模型中的应用
2. Vearch 的定位，高性能及高可用的实现方案及异构架构
3. Vearch 的应用案例及和如何在 AIGC 生态 LangChain 使用 Vearch

你将获得：

• 向量数据库在大语言模型中的应用
• 向量数据库 Vearch 的架构细节
• 向量数据库的未来走势

大数据时代下，数据规模高速地增长、不同类型的复杂数据分析和处理的需求不断增加；AIGC 时代下，大语言模型爆发，而向量作为非结构化数据（e.g. 文本、图片）的主要载体，在其中扮演了非常重要的角色。除此之外，在企业降本增效的大环境下，如何在一套系统里低成本地处理结构化和非结构化数据，也给现有的系统设计带来挑战。

本次演讲将为大家带来云原生数仓 AnalyticDB 向量版面临的技术和业务挑战以及实践经验。

演讲提纲：

1. 向量数据库在 AIGC 时代下的应用场景
2. AnalyticDB 构建高性能向量数据库的技术挑战和实现
3. 向量数据和传统结构化数据的一站式融合查询
4. AnalyticDB 向量数据库的案例分析

你将获得：

• 了解 AIGC 时代下，业务对向量数据库的需求
• 了解 AnalyticDB 向量数据库的技术细节
• 了解 AnalyticDB 向量数据库的实际案例

随着以大模型技术为核心的 AIGC 技术的快速发展，AI 逐渐迈向大模型时代。但在大模型场景下，企业也需要解决大模型的幻觉、长期记忆、知识更新滞后等问题，并能基于有限的资源提升推理效果。为了解决上述问题，需要在引擎层通过图和向量的融合技术，打造大模型时代的 AI 的技术基础设施，提供支持图、向量和 AI 推理能力的多模态智能引擎。图和向量都是表示和推理知识的重要工具，通过图来管理企业的多模态数据，通过向量搭建数据与大模型的桥梁。通过图和向量的融合，减少大模型的幻觉问题、提供长期记忆、知识实时更新，并可以降低大模型的推理成本。本次演讲将从业务场景出发，并结合真实的业务应用阐述如何基于图和向量融合建立大模型 AI 基础设施。

演讲提纲：

1. 技术架构

2. 数据模型

3. 应用场景

4. 总结和展望

你将获得：

• 了解基于大模型 AI 基础设施遇到的问题和挑战
• 了解基于图和向量融合的大模型 AI 基础设施的构建思路

大模型时代下向量数据库的创新与挑战摘要: 在 AI 元年之前，腾讯已在向量搜索领域积累经验，但向量索引主要独立存在，许多开发者未完全意识到其潜力。 随着大模型的兴起，向量数据库逐渐成为 AI 领域的关键存储基础设施。 在这个 AI 繁荣时代，我们需要探讨适合的存储底座及向量数据库未来的发展和演进，以指导技术创新和业务拓展。

演讲提纲：

1. 向量数据库是什么，为什么需要向量数据库

2. 腾讯云向量数据库的架构和创新

3. 腾讯云向量数据库 AI Native 能力

4. 未来面临的挑战

听众收益:

• 全面了解向量数据库的背景、发展趋势与业务启示
• 深入探讨搜索算法和技术优化方向
• 认识 AI Native 向量数据库在生态中的影响和潜力