ベクターデータベースは、この分野に参入するスタートアップ企業の数や、そのパイを獲得しようと資金を投じる投資家の数から判断すると、大流行しています。大規模言語モデル（LLM）の普及と生成AI（GenAI）ムーブメントは、ベクターデータベース技術が発展するための肥沃な土壌を作り出しています。
Postgres や MySQL などの従来のリレーショナル データベースは、構造化データ (行と列にきちんと整理できる定義済みのデータ タイプ) には適していますが、画像、ビデオ、電子メール、ソーシャル メディアの投稿、および定義済みのデータ モデルに準拠していないデータなどの非構造化データには適していません。
一方、ベクターデータベースは、テキスト、文書、画像などのデータを、異なるデータポイント間の意味と関係性を捉える数値表現に変換するベクター埋め込みの形式でデータを保存・処理します。これは機械学習に最適です。データベースは、各項目間の関連性に基づいてデータを空間的に保存するため、意味的に類似したデータを容易に取得できます。
これは、OpenAIのGPT-4などのLLM（学習モデル）に特に役立ちます。AIチャットボットは、過去の類似した会話を分析することで、会話の文脈をより深く理解できるようになります。また、ベクトル検索は、ユーザーが検索した内容を把握し、類似のアイテムを瞬時に取得できるため、ソーシャルネットワークやeコマースアプリにおけるコンテンツの推奨など、あらゆるリアルタイムアプリケーションにも役立ちます。
ベクトル検索は、元のトレーニング データセットでは入手できなかった可能性のある追加情報を提供することで、LLM アプリケーションにおける「幻覚」を軽減するのにも役立ちます。
「ベクトル類似性検索を使わなくてもAI/MLアプリケーションを開発することは可能ですが、より多くの再トレーニングと微調整が必要になります」と、ベクトル検索スタートアップQdrantのCEO兼共同創業者であるアンドレ・ザヤルニ氏はTechCrunchに説明した。「ベクトルデータベースは、大規模なデータセットがあり、ベクトル埋め込みを効率的かつ便利に処理できるツールが必要な場合に役立ちます。」
1月、Qdrantは2,800万ドルの資金調達を実施し、昨年最も急成長を遂げた商用オープンソーススタートアップ企業トップ10入りを果たしました。近年、資金調達に成功したベクターデータベーススタートアップはQdrantだけではありません。Vespa、Weaviate、Pinecone、Chromaも昨年、様々なベクター製品で合計2億ドルを調達しています。
テッククランチイベント
サンフランシスコ | 2025年10月27日～29日
年明け以降、Index Venturesが、複雑なデータをベクトル埋め込みに変換するプラットフォームであるSuperlinkedに950万ドルのシードラウンドを主導したことも話題になりました。また、数週間前にはY Combinator（YC）がWinter '24コホートを発表し、Postgres向けのホスト型ベクトル検索エンジンを販売するスタートアップLanternも参加しました。
一方、Marqoは昨年末に440万ドルのシードラウンドを調達し、その後すぐに2月に1250万ドルのシリーズAラウンドを調達しました。Marqoプラットフォームは、ベクター生成、保存、検索など、あらゆるベクターツールをすぐに使える状態で提供しており、ユーザーはOpenAIやHugging Faceなどのサードパーティツールを回避できます。しかも、すべてを単一のAPIで提供しています。
Marqoの共同創業者であるトム・ハマーとジェシー・N・クラークは、以前Amazonでエンジニアリングの職務に就いており、テキストや画像など、様々なモダリティを横断するセマンティックで柔軟な検索に対する「満たされていない大きなニーズ」に気づきました。そして、2021年にMarqoを設立しました。
「Amazonでビジュアル検索とロボティクスに取り組んでいた時に、ベクター検索を真剣に検討しました。商品発見の新しい方法を模索していたのですが、その考えはすぐにベクター検索に集約されました」とクラーク氏はTechCrunchに語った。「ロボティクスでは、ホースや荷物といった不要なものがないか特定するために、マルチモーダル検索を使って多くの画像を検索していました。そうでなければ、この問題を解決するのは非常に困難だったでしょう。」
企業に入る
ChatGPT や GenAI 運動の騒ぎの中でベクター データベースが注目を集めていますが、ベクター データベースはあらゆるエンタープライズ検索シナリオの万能薬ではありません。
「専用データベースは特定のユースケースに完全に焦点を当てている傾向があり、そのため、現在の設計に合わせる必要のある汎用データベースと比較して、必要なタスクのパフォーマンスとユーザーエクスペリエンスに合わせてアーキテクチャを設計できます」と、データベースサポートおよびサービス企業Perconaの創設者Peter Zaitsev氏はTechCrunchに説明した。
専門データベースは、他のものを排除して 1 つのことだけに優れている場合がありますが、Elastic、Redis、OpenSearch、Cassandra、Oracle、MongoDB などのデータベースの既存ベンダーが、Microsoft の Azure、Amazon の AWS、Cloudflare などのクラウド サービス プロバイダーと同様に、ベクトル データベース検索のスマート機能を追加し始めているのはこのためです。
Zaitsev氏は、この最新のトレンドを10年以上前のJSONの動向と比較しています。当時、Webアプリが普及し、開発者は人間が読み書きしやすい、言語に依存しないデータ形式を必要としていました。当時、MongoDBのようなドキュメントデータベースという形で新しいデータベースクラスが登場し、既存のリレーショナルデータベースにもJSONサポートが導入されました。
「ベクターデータベースでも同じことが起こる可能性が高いと思います」とザイツェフ氏はTechCrunchに語った。「非常に複雑で大規模なAIアプリケーションを構築するユーザーは専用のベクター検索データベースを使用するでしょう。一方、既存のアプリケーションにAI機能を少し追加する必要があるユーザーは、既存のデータベース内のベクター検索機能を利用する可能性が高いでしょう。」
しかし、Zayarni 氏と Qdrant の同僚たちは、ベクター検索を後付けで追加する企業と比べて、完全にベクターを中心に構築されたネイティブ ソリューションが、ベクター データが爆発的に増加する際に必要な「速度、メモリの安全性、スケール」を提供できると確信しています。
「彼らの売り文句は『必要であればベクター検索もできます』です」とザヤルニ氏は述べた。「私たちの売り文句は『高度なベクター検索を可能な限り最善の方法で提供します』です。特化こそが重要です。私たちは、既存の技術スタックにあるデータベースから始めることをお勧めします。ベクター検索がソリューションの重要な要素である場合、ユーザーはいずれ限界に直面するでしょう。」
