阿里云开源分析数据库StarRocks正在把多模态检索与分析合并到同一套SQL查询中,覆盖图片、视频和文本。其价值不在于增加一个向量搜索功能,而在于减少AI数据链路中的系统切换与重复同步;但这仍是厂商发布的产品能力,生产性能与成本仍需验证。

这是什么

多模态检索指同时处理文字、图片、视频等信息,并按语义相似度寻找相关内容。传统做法通常由向量检索服务先找候选样本,再把编号交给分析数据库关联标签、统计分布;样本量扩大后,跨系统传输和补查都会增加。

StarRocks的新方向是将向量检索、业务条件过滤、关联和聚合纳入同一条查询。用户在EMR Serverless StarRocks中可读取Paimon、Iceberg等开放湖表,并用SQL调用模型提取字段或生成向量。官方列举的场景包括训练数据圈选、检索增强生成(RAG,让模型先检索资料再回答)和AI应用的历史记录检索。

行业怎么看

我们认为,这反映出AI基础设施正在从“模型中心”向“数据链路中心”移动。模型能力趋同后,企业差异往往来自能否高效找到、筛选并治理自己的业务数据。把检索和分析放在一个引擎内,有望减少候选名单往返,也避免重复保存业务属性。

但统一并不等于更便宜或更简单。向量索引会占用存储与计算资源,大规模图片、视频检索的延迟和召回质量也未在本文中披露。多模态检索还要面对授权、版本和标签一致性等问题,尤其游戏、广告素材的复用不能只靠相似度判断。另一个风险是查询优化器能否稳定执行复杂的混合计划,而不只在演示场景中成立。

对普通人的影响

对企业IT:企业可能逐步减少向量数据库、分析库与数据同步工具之间的拼接,但迁移前仍需核算索引、计算和运维成本,并验证现有湖表格式与业务系统的兼容性。

对个人职场:数据、运营和业务人员将更容易用自然描述寻找图片、视频或历史案例;不过能否真正提效,取决于公司是否完成数据整理、标签和权限治理,而非只增加一个查询入口。

对消费市场:广告素材匹配、商品内容检索和客服知识库可能获得更稳定的分析反馈,进而影响推荐与投放效率;消费者也会看到更多基于企业私有资料的个性化内容。