2024年6月11日，PostgreSQL云数据库公司Timescale Inc.宣布发布了两款新的开源扩展插件，这些插件显著增强了PostgreSQL在从向量数据库检索数据时的可扩展性和易用性，特别是在人工智能应用领域。
新扩展插件：pgvectorscale与pgai
新推出的扩展插件pgvectorscale和pgai，使得PostgreSQL这一开源关系型数据库能够用于向量数据检索，这对于构建AI应用和专门的上下文搜索至关重要。
向量数据库的基本原理
向量数据库允许AI开发者将数据插入到高维数组中，这些数据根据它们之间的上下文关系相互连接。与传统的关系型数据库不同，向量数据库使用上下文化的含义存储数据，其中“最近邻”可以用来连接它们，例如，猫和狗在意义上（作为家庭宠物）比猫和苹果更接近。这使得当AI执行语义数据搜索，如关键词、文档、图像和其他媒体时，查找信息的速度更快。
Timescale的视角
Timescale的AI产品负责人Avthar Sewrathan在接受SiliconANGLE采访时表示，尽管大多数数据存储在非常受欢迎的高性能向量数据库中，但并非所有服务使用的数据都存储在向量数据库中。因此，有时同一个环境中存在多个数据源。
pgvectorscale：性能与成本的平衡
pgvectorscale扩展基于已经存在的开源扩展pgvector，帮助开发者以更低的成本构建更可扩展、性能更高的AI应用搜索嵌入。Sewrathan表示，它包括两项创新：DiskANN，一种能够将其一半搜索索引卸载到磁盘的能力，这些索引通常存储在内存中，对性能影响很小，这有助于大大节省成本；以及Statistical Binary Quantization，这是标准二进制量化的改进，有助于减少内存使用。
Timescale对pgvectorscale的基准测试显示，PostgreSQL在99%的召回率下，对于近似最近邻查询，其延迟比流行的Pinecone向量数据库低28倍，查询吞吐量高出16倍。与用C语言编写的pgvector不同，pgvectorscale是用Rust编程语言编写的，这将为PostgreSQL开发者提供更多构建向量支持的机会。
pgai：简化AI应用开发
pgai扩展旨在使开发者更容易为其AI应用构建搜索和检索增强型生成，或称为RAG的解决方案。RAG通过向大型语言模型（LLMs）提供实时、最新的权威信息，结合向量数据库的优势，帮助减少幻觉的发生，即AI自信地发出虚假陈述的情况。
这项技术是构建准确可靠AI应用的基础。pgai的初始版本支持快速创建OpenAI嵌入，并且版本正在PostgreSQL内部直接构建OpenAI聊天补全，例如GPT-4o模型。
OpenAI的GPT-4o是OpenAI的最新旗舰模型，提供强大的多模态能力，包括实时语音对话和视频理解。
易于使用的桥梁
Sewrathan表示，能够在PostgreSQL中使用向量创建了一个强大的“易用性”桥梁，这对于许多开发者来说可能非常强大，因为许多企业已经依赖PostgreSQL数据库或其他关系型数据库。
“通过扩展插件在PostgreSQL中添加向量存储等能力，简化了数据架构，”Sewrathan说。“你有一个数据库。它可以在同一个地方存储多种数据类型。这是一个巨大的优势，因为否则，你将面临数据同步、数据去重以及很多复杂性。”
