3.更强的数据安全。有企业直言：“沉淀了几十年的内部数据是我的核心竞争力，让我无偿去公开给大模型做训练，我肯定不愿意。”想做大模型，还要确保数据的隐私安全，就必须与数据库产品做好配合，这给向量数据库的本地部署带来了广阔的需求。

4.更大的扩展性。随着大模型走向行业应用，垂直领域的AI用例不断增多，汹涌的数据洪潮和存算任务，会带来大量向量搜索的需求。而向量数据库嵌入向量的长度不受限制，具有良好的扩展性，可以根据AI用例和模型而变化，更好地处理大规模数据集。

从大模型技术标杆的OpenAI发布的GPT-4o和即将发布的GPT-5消息来看，以及国内外商业化大模型的进展来看，大模型的技术路线还没有发生颠覆性的变革，因此落地应用还是需要向量检索和向量数据库。

由此可以肯定，向量数据库市场必然还会迎来一轮增长。趋于冷静，只是2023年热情过度高涨的适当回调。

两大新势力，云是方向

据东北证券预测，到2030年，全球向量数据库市场规模有望达到 500 亿美元，国内向量数据库市场规模有望超过600亿人民币。向量数据库市场吸引了“群雄逐鹿”，从引爆到饱和，进展迅猛，

传统数据库厂商不必多说，既有相应的能力建设，也有一定的客户基础，推出相关产品是必然。一些在AI领域积淀已久的科技大厂，如谷歌、微软、Meta、百度等大厂，都有向量数据库的技术积累，也都可以向外输出相关能力和产品。

 企业需要先将非结构化的私密数据，进行一个小的模型，进行向量化，产生一个向量的矩阵，再存储到向量数据库里，来供大模型学习和检索。这个过程涉及大量的工程化，会耗费企业许多开发人员、时间成本，一开始可能会因为AI大模型很火而对向量数据库产生兴趣，但能否真正在业务中落地还是个未知数。因此，长期付费意愿还有较大的不确定性。

另一股积极参与的新势力，就是公有云厂商。

不是所有企业都有能力自建大模型所需要的基础设施，通过MaaS（模型即服务）业务来训练应用大模型，是更灵活的选择。此外，很多政企客户往往会选择公有云或行业云来满足其业务需求，对云数据库的关注度和接受度上升，而这些用户在探索大模型时，会倾向于以整体解决方案的形式来交付，这就给了云厂商参与游戏的机会，同时也要求云厂商提供向量数据库的全栈支持。