从「没有对手」到「一天崩溃好几次」｜对谈 Zilliz 创始人/CEO星爵

“我始终相信，技术世界需要理想主义。”

在 AI 圈，如果你关注基础设施、尤其是向量数据库，那你大概率听说过 Zilliz。2023 年，黄仁勋在 GTC 大会上的一次点名推荐，让这家公司进入大众视野。但真正吸引我注意的，是 Zilliz 创始人星爵年初的一篇访谈文章，标题叫做：《我们没有对手》 ——在商界如此直白地表达自信非常罕见，这让我确信他对自己做的事有极强的信念和实际领先优势。因此，深入了解后，我发现 Zilliz 不仅技术硬核，故事也很丰富。

这期播客我们特地在上海的 AI Hacker House 线下录制，也是十字路口第一次尝试视频版内容。完整视频也会同步发布在小红书、B站、视频号等平台，欢迎搜索收看。

Part 1 快问快答，认识星爵

👦🏻 Koji

你的毕业院校是什么？

👨🏻 星爵

华中科技大学。

👦🏻 Koji

Zilliz 创业几年了？

👨🏻 星爵

到现在为止八年

👦🏻 Koji

创业前你做过什么？

👨🏻 星爵

数据库工程师。

👦🏻 Koji

你的 MBTI 和星座？

👨🏻 星爵

ENTP、天蝎座。

👦🏻 Koji

一句话介绍公司和产品？

👨🏻 星爵

我们是 AI 时代的数据 Infra 公司，专注于非结构化数据平台的建设。

👦🏻 Koji

收入和利润情况？

👨🏻 星爵

不方便透露具体数字，但过去 12 个月营收增长了 3.3 倍。

👦🏻 Koji

目前团队的规模？

👨🏻 星爵

全球大概有 130 人。

👦🏻 Koji

黄仁勋在 GTC 2023 大会上提到你们时，你当时的心情是？

👨🏻 星爵

我觉得这是「向量数据库」这个品类的高光时刻。2018 年我们刚开始做时，几乎没人知道这个赛道，连我们自己都在怀疑这个市场是否存在。但到 2023 年，整个行业终于认识到，AI 尤其是 GenAI，离不开向量数据库。

👦🏻 Koji

对你来说，那是一个命运转折点吗？

👨🏻 星爵

其实不是。做 Infra 这条路很苦。跟算法突破不同，我们几乎不会因为某个灵光一闪就超越对手、赢得更多客户。数据库属于重投入、慢产出的领域，靠的是长期打磨和产品复利。

👦🏻 Koji

从 GTC 2023 到现在，GenAI 变化巨大。有哪些趋势至今依然没变？又有哪些发生了明显转变？”

👨🏻 星爵

不变的是 AI 创新速度越来越快，对数据平台的需求也持续上升。但过程中也有波折。2023年很多公司跟风创业，拿到融资。但到 2024 年的 10、11 月份，很多项目并没有找到真正的 PMF，产品也比较同质化。很多公司拿不到下一轮融资，集中性的倒闭了。

👦🏻 Koji

我们很多听众未必有技术背景。能否先给大家科普一下什么是向量数据库？再介绍一下 Zilliz 和 Milvus 这个产品？

👨🏻 星爵

数据库的本质，是用系统化的方式存储和管理大量数据。几千年前人类用文字记录信息时，图书馆就是数据管理工具。

到了 IT 时代，数据被数字化，关系型数据库随之诞生，广泛应用于金融、电商、ERP 等领域。

而在 AI 时代，计算机开始处理人类自然生成的信息——语言、图像、视频这些非结构化数据。而深度学习的出现，让这些内容可以转化为“特征向量”（embedding）。AI 的迅猛发展给这种数据结构也带来了爆发式增长。

有了这么多的特征向量，AI 开发者需要新的数据库来存储和管理数据。这就是向量数据库的用途。它能用自然语言和语义方式，高效检索非结构化数据，如文本、图片和视频。

Part 2 「我们曾经没有对手」：走在 AI 时代前的孤独之路

👦🏻 Koji

所以向量数据库早于生成式 AI，也不仅适用于生成式 AI。你八年前创业时，是基于怎样的判断？

👨🏻 星爵

特征向量其实不是一个新概念，虽然在最近这一波深度学习驱动的 AI 革命中变得炙手可热，把我们推到了风口浪尖。早在七八年前，向量数据库就在图像识别、自然语言处理等 AI 场景中广泛使用。作为神经网络的基本“语言”，embedding 是网络内部、网络之间、以及与外部系统交流时的核心数据结构。因此从 2018 年起，我们已经服务了很多上一代的 AI 公司。那时大家主要是做卷积神经网络 （CNN）和 循环神经网络 （RNN）。

👦🏻 Koji

过去三年，从生成式 AI 的兴起到现在，向量数据库这个领域发生了哪些变化？

👨🏻 星爵

变化很大，主要有三个方面。

首先是数据量大幅增长。五六年前，几千万、上亿条数据就算很大了，现在已经扩展到百亿甚至千亿级别。

其次，应用场景不断拓展。除了大模型知识库的检索，向量数据库也被用于模型训练阶段的数据清洗，比如自动驾驶中的多模态数据处理、电商中的推荐系统、风控与欺诈检测，甚至还用于生物医药领域分析蛋白质结构和基因序列。越来越多算法开始将各类数据转化为特征向量，用向量方式推进新药研发与筛选。随着数据量和使用场景的爆发，

第三个明显趋势是，用户越来越关注如何降低向量数据库的使用成本。

👦🏻 Koji

接下来你们的重点是什么？是提升规模、降低成本，还是有别的目标？

👨🏻 星爵

我们希望帮用户处理更大规模的数据。

过去向量数据库主要用于实时查询，对延迟和准确性要求极高。但现在，越来越多的场景需要对海量数据进行离线分析。

因此我们正在从传统的向量数据库，拓展为结合 vector lake 的混合架构。也就是在支持在线查询的同时，构建一个能够处理非结构化数据的“数据湖”，专门面向离线任务。

当数据量达到几百亿、甚至上千亿级别时，实时逐条查询不仅成本高，技术挑战也大。这种情况下，更适合通过离线方式定期处理全量数据，任务周期可以是按天、按周，甚至按月。

👦🏻 Koji

你刚才提到数据规模变得越来越大，我也很好奇，目前你们见到最大规模的数据应用是在哪家公司、做什么产品？为什么需要这么大的数据量？

👨🏻 星爵

我们有一个客户是全球最大的 IT 公司之一，他们的目标是用向量数据库对整个互联网进行语义检索。也就是说，要把互联网上的每一个网页都转化为向量。

👦🏻 Koji

他们这样做的目的是什么？最终是提供什么服务？

👨🏻 星爵

最终是为了做 AI 搜索。

👦🏻 Koji

像是类似 博查 AI 或早期的 Bing Search API？

👨🏻 星爵

对，现在很多大语言模型的查询，都会配合实时搜索。如果你想获得最精确的结果，最好就是能检索全网的信息。

👦🏻 Koji

所以这类客户对于数据量的需求几乎是无限的。

👨🏻 星爵

对，而且数据还在持续增长。AI 搜索和 RAG 本质上用的是类似的技术。RAG 通常是私有的知识库，而 AI 搜索是把整个互联网变成公共知识库。

RAG 的数据量虽然单库不大，但客户数量庞大也是一个挑战。比如一个企业服务 10 万个客户，每个客户有 1 万条知识，就是 10 亿条数据。

这类场景的难点不在数据总量，而在于数据管理。系统必须支持大规模多租户的隔离与安全，确保每个客户的数据互不干扰。

👦🏻 Koji

我看到一篇硅星人的报道，标题叫《我们没有对手》。这句话是你说的。当时是在什么样的语境下提出的？因为我认为其实这个领域的竞争还挺激烈的。

👨🏻 星爵

这句话指的是「我们曾经没有对手」。2018 年我们刚做向量数据库时，全球几乎没有同行，真的像走在一片荒漠里。如果长期没有对手，反而说明你可能走错方向了。

但过去几年，越来越多公司进入这个赛道，我们看到向量数据库成了热门方向。其实我们心里挺喜悦的。

Part 3 Zilliz 的竞争策略：开源 vs 闭源

👦🏻 Koji

我感觉向量数据库的竞争其实很激烈，比如像 Pinecone 这样的公司。你们选择了开源路线，而他们是闭源，目前估值也到了 7.5 亿美元。你怎么看这种差异？

👨🏻 星爵

我们两家公司确实竞争很激烈。他们估值是 7.5 亿美元，我们是 6 亿。最大的区别就在于开源和闭源。如果让我再选一次，我还是会坚定选择开源。开源能推动知识传播和技术交流，也能加快产品迭代。

👦🏻 Koji

所以你觉得你们相较 Pinecone 最大的竞争优势就在于开源？

👨🏻 星爵

开源肯定是我们长期的核心优势。如果只谈产品和技术，我们在性能上比 Pinecone 快 3 到 5 倍。但我并不想把这当作主要差异，因为技术优势是会逐渐趋同的。

我们现在在技术和产品上的领先并不是偶然。正因为开源，我们才能吸引全球更多开发者使用、参与，他们会不断反馈真实需求，帮助我们快速迭代产品，避免走弯路。

未来的竞争，不取决于今天的起点，而是取决于我们是否能持续保持这种开放生态，让产品在真实场景中不断进化。这是我们面对闭源公司的最大底气。

👦🏻 Koji

你刚才提到 Pinecone 和 Zilliz 咬得很紧。其实在开源赛道上你们也有一些其他的竞争者，比如 Qdrant、Faiss、Weaviate。从你的角度看，他们有对你们造成冲击吗？

👨🏻 星爵

Faiss 是一个非常重要的向量检索算法集，我们 Zilliz 是除了 Facebook 之外最大的外部贡献者。我们在 Milvus 项目中也大量使用了 Faiss 作为底层算法基础，所以它更像是我们生态的一部分，而不是直接竞品。

相比其他的开源项目，Milvus 的优点是 TCO 更优。Milvus 的性能强、可扩展性高，意味着用户部署时对硬件的要求更低，用更少的资源就能支持大规模场景。

其次是更低的开发成本。过去七八年，我们与全球主流的 AI 框架和大语言模型做了深入集成，支持丰富的数据类型和查询方式。Milvus 已不只是做向量检索，还能支持标量过滤、混合查询、聚类、分类、排序等复杂任务，开发者的使用门槛也大幅降低。

最后是更低的运维成本。我们提供完整的运维工具链，包括可视化界面、权限系统整合、与企业内部 access control 的打通等，帮助用户降低了维护成本。

👦🏻 Koji

我理解还有两个潜在竞争方向。一是 MongoDB、Postgres 等传统数据库也在加向量检索功能；二是像 LangChain、LlamaIndex 这样的框架，可能会把向量数据库整合进自己的体系。你会担心独立数据库公司未来被吞并吗？

👨🏻 星爵

先说第一种情况，传统数据库加向量模块，在数据量小、场景简单时是能用的。但随着规模扩大、场景变复杂，用户还是会迁移到专用的向量数据库上来。这就好比“增程式电车”，和真正的电车是两种思路，它终究只是过渡方案，没法和原生架构相比。

第二，像 LangChain、LlamaIndex 属于开发框架，而数据库属于底层基础设施。他们从第一天起就和我们不是同一类产品，所以根本谈不上竞争或替代。

我认为 AI 时代的开发框架只会越来越多样化，但数据库依然是核心基础层，不会被上层框架“包住”或“吞并”。就像 Web 时代的架构，应用层、中间层和数据库层是清晰分工的。我们和 LangChain、LlamaIndex 实际上是战略合作伙伴，在生态上也会配合。

👦🏻 Koji

在刚才提到的所有竞争者中，有没有哪个是你最担心的？

👨🏻 星爵

我更在意我们自己。真正担心的不是对手做了什么，而是我们能不能以更快的速度持续创新。

👦🏻 Koji

我想到 Databricks 的联合创始人 Reynold Xin 曾说，如果可以重来一次，他会选择闭源。那如果让你重新来过，你还会选择开源吗？

👨🏻 星爵

我还是会选开源。

没有开源，就没有今天的 Databricks。他们靠开源社区建立起早期影响力，拿到了融资和第一批用户。放到今天来看，我反而觉得 Databricks 和 Snowflake 的竞争中，正是因为有庞大的开发者基础，Databricks 的生态潜力可能会更大。

👦🏻 Koji

那你觉得开源对 Databricks 和 Zilliz 来说，是一种捷径，还是一个不得不做的选择？

👨🏻 星爵

它绝对不是捷径。开源反而需要更多耐心。但它能成为你的护城河，帮助你赢得开发者的心智。你要让他们低成本地把你的工具接入到工作流里，愿意学习你的产品，持续用下去。开源产品可以直接在 GitHub 上下载、查看实现细节。这种开放性天然更容易获得用户好感。

👦🏻 Koji

但像 Reynold Xin 就觉得开源让他们经历了“二次创业”：先做开源，再去找闭源的 PMF，好像要连跨两座山。你怎么看这种说法？

👨🏻 星爵

Reynold 所说的“跨两座山”，其实也是 Databricks 今天成功的重要壁垒。虽然这条路很难，但他们走通了，竞争对手要复制也同样不容易。

传统的 open core 模式，是开源一个核心，商业化版本在此基础上加企业服务。优点是研发一次就够了，但问题是很难说服用户付费：开源都能用，为什么还要买商业版？

Databricks 采用了 dual core 模式：一个开源核心，一个闭源核心。两者在接口和用户体验上几乎一致，可以无缝迁移，但底层实现完全重写——开源用 Java，闭源用 C++，商业引擎是独立设计的。这种方式兼顾了用户易用性和商业闭环，是非常巧妙的架构设计。

👦🏻 Koji

所以 Databricks 是完全两套人马写两套系统？

👨🏻 星爵

对。他们必须保证商业化的核心在功能、性能、设计上都优于开源版本。这样才能说服用户为闭源产品买单——体验一样，迁移成本几乎为零，但性能更好、效果更强，自然愿意付费。

但这条路也很难。本质上是同时做两个产品：一个面向开源社区，一个闭源产品面向商业客户。商业版不仅要兼容开源版，还要持续领先。

而且这种领先是动态的。因为开源产品也在不断迭代，你要保证闭源版本始终领先 12～18 个月。这对工程能力、产品设计、组织执行力都是非常大的挑战。

👦🏻 Koji

那你们现在也走的是 dual core 路线吗？

👨🏻 星爵

是的。我们在 2018、2019 年就做出这个决策了。这条路不容易，对工程和产品团队的执行力要求非常高，要有很强的迭代速度。

👦🏻 Koji

你怎么看 DeepSeek 的开源，对他们带来了哪些价值？

👨🏻 星爵

DeepSeek 和我们这种数据库公司不太一样。他们作为后发者，更关注的是怎么快速占领用户心智。开源帮他们完成了用户获取和注意力抢占的目标。对开发者来说，一旦安装了 DeepSeek，大概率就不会再装其他模型了。“开源”这其实是个“占位”的策略。

👦🏻 Koji

现在看来，大家选择开源的初衷已经不仅仅是为了吸引开发者共同参与，把产品越做越好。你觉得开源是不是正在失去它原本的那种纯粹理想？变成了一种竞争手段、一种品牌策略，甚至是一种获取好感和关注度的方式？

👨🏻 星爵

我觉得开源协作的方式本身也在发生变化。

吸引外部开发者参与当然是好事，但如果人太多，反而会带来项目管理和方向引导上的困难。所以现在很多成熟的开源项目，背后其实都有一家公司在引领社区、引领项目。

开源真正的价值，不一定是让每个人都参与贡献，而是把技术做到透明化。

很多工程师选择开源，不是为了贡献代码，而是通过查看源码，可以理解架构、了解设计细节，从中获得成长。

另外，在海外市场，选择开源往往不是为了不付钱，而是为了避免技术锁定。如果用了闭源产品，未来就只能走一条路，你无法判断它未来的发展方向。而开源至少提供一个退路，一旦不再合作，可以组建自己的团队，基于社区版本继续维护和升级。

👦🏻 Koji

那在你们的开源项目中，有多少关键代码是来自外部的开发者？

👨🏻 星爵

我们目前社区里有 300 多位开发者，其中只有 20% 来自我们公司，但他们贡献了 80% 到 90% 的代码。

外部开发者更多参与的是 bug 修复、工具增强、生态整合等工作。这和我们的预期一致。数据库系统复杂，要成为核心贡献者通常需要很长时间的积累。

Part 4 「崩溃」是创业中的常态

👦🏻 Koji

你怎么定义这段创业的成功？你已经投入七、八年了，未来可能还会持续很多时间。你对它的期待是什么？

👨🏻 星爵

我希望成为全球第一个探索非结构化数据处理和向量数据库的人。

到我退休的那一天，我希望我们不仅是行业的先驱者，更是集大成者，也是一个真正的成功者。

👦🏻 Koji

你会担心吗？成为了行业的先驱，却没能坚持到最后，把果实摘下的人是别人。

👨🏻 星爵

这种恐惧是有的。走在无人区，本身就要面对巨大的不确定性和技术更新的压力，而在 AI 时代，这种压力又被放大和加速了。

创新者可能要尝试 1000 种方法，最终只有一种能成功；但追随者只需要复刻那一个结果。

唯有持续创新和快速迭代的能力，是真正的长期优势。

👦🏻 Koji

那你们公司这些年来，是怎么在管理、文化或其他层面上保持这种创新力的？

👨🏻 星爵

我认为创新是不能靠管理的。

如果想成为一家创新型公司，关键是要找到那些愿意创新、乐于快速迭代的人。

👦🏻 Koji

你已经创业八年了，有没有什么特别想对当初那个刚起步的自己说的话？

👨🏻 星爵

也许我会劝自己别创业。创业比想象中难太多，根本停不下来。你解决了一个问题，第二天就有新的挑战，每一个阶段都会遇到不同层面的难题。

如果你选择这条路，最好把它当成一种 lifestyle，一辈子愿意做的事。否则，你可能会崩溃。

👦🏻 Koji

你最接近崩溃的时刻是什么时候？

👨🏻 星爵

最坏的时候是一天崩溃好几次，状态好一点也差不多每一两个星期就来一次。

👦🏻 Koji

但你现在公司估值已经有 6 亿美金了，在很多人看来已经非常成功了。可你却还是会频繁崩溃，你能不能讲一个最近让你感到崩溃的瞬间？

👨🏻 星爵

过去这两年，是我创业以来最困难的阶段。

在那之前，我们主要专注于产品和开源，团队都是工程师出身，还在自己的“舒适区”里。但两年前公司开始推进商业化，还给自己定了很高的增长目标，压力非常大。

到了 2024 年，市场也开始动荡，一些 GenAI 公司倒闭，这并不是我们的问题，但仍然受到了波及。

👦🏻 Koji

你们有一些客户突然就消失了？

👨🏻 星爵

对，我们曾有个客户是美国顶尖的 AI 公司，后来突然陷入困境，项目中断，对我们打击很大。

客户流失后，我们还要快速找到新客户，不仅要填上缺口，还要维持整体增长趋势。

更难的是，团队也是第一次做商业化，很多组织架构、流程还没搭好，就已经要跑起来。就像是一边飞着飞机，一边换引擎，还要继续组装机身，那种状态非常煎熬。

👦🏻 Koji

作为工程师背景的创始人，你现在也开始频繁面对客户、推动销售了。有什么心得或方法可以分享吗？

👨🏻 星爵

首先还是要找到合适的人。在招人这件事上，再多的投入都不为过。

其次，商业化没什么可怕的。如果让我重新来一次，可能还是会经历同样痛苦的阶段，只不过错误的细节会不一样。关键是出错后能尽快恢复状态，既要调整自己的心态，也要稳住团队的节奏，最重要的是别让士气掉下来。

👦🏻 Koji

在遭遇打击时，你是怎么维持团队士气的？

👨🏻 星爵

最终还是要靠打胜仗来提气。

出错不可避免，但不能反复犯同一个错。关键是要从失败里尽快总结经验，快速走出来。

除此之外，战略判断也很重要；避免犯方向性的错误。

同时也要接受自己不完美。如果你不能和自己的缺点和解，很多时候真正击垮你的不是别人，而是你自己。

很多竞争，最后比的不是谁做得更多，而是谁在压力下少犯了几个错。

Part 5 从理想到现实：星爵的转变与坚持

👦🏻 Koji

那有没有什么是你八年前坚信不疑的，但现在已经完全不信了？

👨🏻 星爵

在创业前，我是个百分百的理想主义者。但八年下来，这层彩色的外衣已经褪去，现在更多留下的是一件灰色的内衣。

👦🏻 Koji

有没有一件事，会让你明显感受到自己从理想主义走向现实主义的变化？

👨🏻 星爵

在团队管理上，以前我觉得最理想的状态是绝对的透明、无话不说。那时候我把管理等同于官僚。但现在我认为，管理其实是组织成长中不可缺少的一部分。

技术上也是。作为工程师，理想主义让人沉迷于创新和极致。但在商业世界，“足够好”就行了。

领先一点点就能赢。像英特尔、英伟达，靠稳扎稳打的“挤牙膏”式进步，也能取得巨大成功 ——因为他们把握了技术与商业之间的节奏感。

我始终相信，技术世界需要理想主义。虽然理想主义已被现实打磨得所剩无几，但正是当年的极致追求，才奠定了我们产品和技术的优势。

即使现在我们正在变得更商业化，我还是希望，在现实主义逐渐占据决策的同时，我们的内心深处，能留下一块彩色的、有情怀的天空。

👦🏻 Koji

在整个 AI Infra 的赛道中，从大模型到数据库，如果你要投资，会看好哪些公司？

👨🏻 星爵

在整个 AI 赛道中，我最看好的其实是云平台，尤其像亚马逊这样的巨头。因为 AI 已经进入“能源和基建”的阶段，最终比拼的是谁有能力建设和运营大规模的数据中心，而这正是公有云的强项。我认为公有云的重要性还会持续上升。

大模型作为底座当然不可忽视，尤其是几家头部公司。

另外也有些不错的 AI 应用公司。我自己用得最多的几个工具是 ChatGPT、 DeepSeek、Cursor。

👦🏻 Koji

今天非常感谢星爵，和我们一起录了一期非常硬核的播客。也祝 Zilliz 继续高速成长。期待星爵下次再来做客十字路口。

👨🏻 星爵

谢谢。

文章来自于微信公众号“十字路口Crossing”。