2025年Q4，上市公司Elastic對(duì)JinaAI的收購(gòu)，

在掌聲中落幕。

嵌入模型（Embedding）賽道的故事也降溫了。

JinaAI是LLM時(shí)代的新秀，

在嵌入模型領(lǐng)域擁有成熟技術(shù)棧。

嵌入模型不是新玩意，

在AI基礎(chǔ)設(shè)施領(lǐng)域，

是有一定歷史的“常用組件”。

或者說(shuō)，在AI理解世界方式的演進(jìn)道路上，

“嵌入模型”這一組件不可或缺。

而Elastic公司，

則在荷蘭阿姆斯特丹成立，

紐交所上市，

尤其擅長(zhǎng)檢索與日志分析軟件，

Elastic當(dāng)年雖然是搜索和AI基礎(chǔ)設(shè)施公司，

但選擇了更為傳統(tǒng)和嚴(yán)格的紐交所，

體現(xiàn)它作為企業(yè)級(jí)基礎(chǔ)設(shè)施廠商，

（比如Snowflake）的一種穩(wěn)重定位。

從純技術(shù)角度講，是一家中間件平臺(tái)，

Elastic收購(gòu)的原因是啥？

看上去，中間件公司購(gòu)買(mǎi)了AI新貴，

耳熟能詳?shù)拇鸢甘牵?/p>

Elastic補(bǔ)齊其在模型，

工具鏈和開(kāi)發(fā)者體驗(yàn)層面短板，

從而把產(chǎn)品鏈條做得更完整。

文本嵌入模型已趨于成熟，

成為AI基礎(chǔ)設(shè)施的一部分。

在AI基礎(chǔ)設(shè)施被云廠商通吃的周期里，

趕緊把"技術(shù)流量"轉(zhuǎn)成“被收購(gòu)的價(jià)值”實(shí)屬正解。

在我看來(lái)，嵌入模型雖然不再是黃金極熱賽道，

但它依然在產(chǎn)業(yè)里是螺絲釘般的存在。

文本向量化

（embedding，

文本經(jīng)過(guò)嵌入模型后的向量表示過(guò)程），

正在演變成一種成熟的通用能力。

嵌入模型競(jìng)品不少，且開(kāi)源，

不難發(fā)現(xiàn)，OpenAI、阿里Qwen頭部公司幾家，

都有嵌入模型，

不過(guò)OpenAI發(fā)布的最早，

可以追溯到 2022 年 12 月；

除了提高性能之外，一直發(fā)力于降成本；

也就是檢索的成本越來(lái)越低。

嵌入模型越大，成本越高，

消耗更多的計(jì)算、內(nèi)存和存儲(chǔ)資源。

這里說(shuō)嵌入模型大，

就是向量維度高的意思。

好比，

小是模糊照片，

看得快但細(xì)節(jié)少；

大是高清照片，

細(xì)節(jié)豐富但文件大。

要不要“開(kāi)高清”，

取決于你想看多細(xì)。

我觀察到的情況是：

觀察一，

嵌入模型對(duì)大模型公司意味著什么呢？

頭部大模型團(tuán)隊(duì)會(huì)順手做一個(gè)，

簡(jiǎn)單說(shuō)，只是"順手禮包"，不是戰(zhàn)略高地。

那么嵌入模型還有什么玩頭？

觀察二，文本嵌入的門(mén)檻在被快速抹平。

幾年前，“誰(shuí)能把語(yǔ)義檢索做順滑”還算差異化，

但到今天，跑出一個(gè)能用的嵌入模型并不難。

開(kāi)源模型、現(xiàn)成的訓(xùn)練腳本、乃至商用API，

足夠讓大多數(shù)團(tuán)隊(duì)低成本起步。

有技術(shù)小哥哥告訴我：

“BAAI General Embedding和JinaAI，

打得有來(lái)有回，他們就在這兩款之間換著用，

哪個(gè)好用換哪個(gè)。”

我在智源有一個(gè)朋友，他告訴我，

BAAI General Embedding的主要技術(shù)骨干，

是一位低調(diào)大佬，

直接匯報(bào)給王仲遠(yuǎn)，

雖然我給他發(fā)了郵件，

但是為了不給獵頭送炮彈，

本文不實(shí)名大佬名諱。

技術(shù)小哥哥們常說(shuō)，

誰(shuí)的開(kāi)源新版本好，

就用誰(shuí)的，何必買(mǎi)單？

這句閑談的背后，

付費(fèi)意愿隨之蒸發(fā)。

嵌入模型很容易做好嗎？

答案是否定的。

當(dāng)答案是否定的，

這就得到了我的第三個(gè)觀察，

嵌入模型：門(mén)檻雖低，做精不易。

現(xiàn)在的嵌入模型市場(chǎng)很清晰地分成兩種：

入門(mén)級(jí)和企業(yè)級(jí)；

做出一個(gè)能用的，并不困難：

經(jīng)驗(yàn)有且豐富，

我?guī)啄昵皩?xiě)電商推薦系統(tǒng)（阿里和京東）的時(shí)候，

就寫(xiě)過(guò)類似組件。

我的理解是：

“嵌入模型就像是給語(yǔ)言拍‘X 光’——

它不生成句子，而是揭示“語(yǔ)義的形狀”。

有了這些語(yǔ)義坐標(biāo)，AI 才能真正知道，

哪兩句話‘意思差不多’，

哪兩篇文檔‘八竿子打不著’。”

現(xiàn)在有開(kāi)源用起來(lái)更爽。

入門(mén)級(jí)用于輕量級(jí)應(yīng)用；

企業(yè)級(jí)適合復(fù)雜語(yǔ)義檢索場(chǎng)景，

RAG 高質(zhì)量高要求場(chǎng)景。

紫東太初多模態(tài)檢索算法負(fù)責(zé)人，

高級(jí)算法經(jīng)理郭海云博士，

她告訴“親愛(ài)的數(shù)據(jù)”：

“嵌入模型更強(qiáng)調(diào)通用性，

而不是微調(diào)以契合特定業(yè)務(wù)域，

從創(chuàng)新研發(fā)技術(shù)上來(lái)說(shuō)，

這個(gè)似乎不是難點(diǎn)了，

更多的是工程實(shí)現(xiàn)的巧妙權(quán)衡。”

類似技術(shù)重點(diǎn)包括，

如何在有限資源上保持泛化能力？

又如何將文本、表格、

圖像、代碼等多模態(tài)特征，

融合到一個(gè)穩(wěn)定向量空間。

看上去，能否在這些工程化難題上長(zhǎng)期交付，

還是要看團(tuán)隊(duì)技術(shù)水平。

另外，別忘了另一類需求：

是快速試點(diǎn)和中小團(tuán)隊(duì)落地。

這個(gè)需求，

基本上被JinaAI的開(kāi)源模型很好地解決了。

問(wèn)題來(lái)了，

JinaAI靠什么上岸？

它家的優(yōu)勢(shì)更準(zhǔn)確地說(shuō)是，

差異化，而非絕對(duì)領(lǐng)先。

具體來(lái)說(shuō)：JinaAI在開(kāi)源社區(qū)的傳播力、

對(duì)開(kāi)發(fā)者友好的工具鏈、

以及易上手組件的能力，

確實(shí)讓它在快速試點(diǎn)和中小團(tuán)隊(duì)落地上具有優(yōu)勢(shì)。
這些特點(diǎn)是它的差異化，

也是Elastic有意收購(gòu)或合作的邏輯所在。

相信大家也看出來(lái)了，

嵌入模型不是護(hù)城河，

是螺絲釘，

客戶需求不同，

螺絲釘?shù)男吞?hào)就不同。

還有的客戶關(guān)心：

成本能否壓到可用水平？

索引更新能否實(shí)時(shí)跟上？

表格、圖像、視頻等非文本數(shù)據(jù)，

能否被統(tǒng)一納入檢索？

我找到了一位原大廠嵌入模型資深研發(fā)，

我認(rèn)為，他來(lái)評(píng)價(jià)這件事足具資格，

原因是，

他是中國(guó)第一代大廠嵌入模型開(kāi)源技術(shù)主力，

不僅如此，他的身份，

已經(jīng)從技術(shù)轉(zhuǎn)型為全棧產(chǎn)品經(jīng)理，

也有自己的收費(fèi)AI產(chǎn)品。

很可惜，他不愿意實(shí)名，

不過(guò)我相信，一些投資人能猜出來(lái)，圈子很小。

他告訴我：

“Embedding都我自己弄的，再用ONNX，

“把PyTorch框架上的模型編譯成C++高速版”，

這樣就能讓BERT在CPU上飛起來(lái)。

他對(duì)比了在端上部署JinaAI的嵌入模型的情況，

對(duì)JinaAI的吐槽是：

JinaAI那些模型太大端上不適合。

其廠商官方還停留在“PyTorch”的原始時(shí)代，

自然被吐槽“又大又慢”。

他特意提到，他的方案，

比JinaAI（用Pytorch）推理效率高接近一倍。

嵌入模型有兩種技術(shù)路線，

Istari企業(yè)智能創(chuàng)始人，

楊薈博士告訴我：

“嵌入模型的結(jié)構(gòu)和LLM可以是一套

（比如LLM 架構(gòu)去掉中間幾層），

也可以不是一套的。”

一種是從 LLM 削出來(lái)的“Encoder子模型”。

另一種是專門(mén)為了相似度檢索優(yōu)化的模型，

或者說(shuō)Encoder-only模型。

第二種技術(shù)路線的模型不依賴LLM，

而是獨(dú)立訓(xùn)練的語(yǔ)義編碼器，

結(jié)構(gòu)上依然是Transformer，

但細(xì)節(jié)上做了很多“工程強(qiáng)化”。

嵌入模型要被下游的RAG消費(fèi)，

或者說(shuō)和RAG配合使用。

RAG流程有這樣幾個(gè)步驟：

1.把企業(yè)已有數(shù)據(jù)（文檔、代碼、FAQ、圖像等）

預(yù)先做向量化，存進(jìn)向量數(shù)據(jù)庫(kù)。

2.查詢階段（實(shí)時(shí)）把用戶輸入的query轉(zhuǎn)換成embedding，

3.用戶問(wèn)題和企業(yè)已有數(shù)據(jù)embedding在同一個(gè)向量空間里對(duì)齊。

4.把檢索到的上下文就是“專有數(shù)據(jù)”補(bǔ)充給LLM。

這樣一來(lái)，

大模型就能“理解”企業(yè)內(nèi)部數(shù)據(jù)，

即使它原本沒(méi)訓(xùn)練過(guò)這些文檔。

如果你仔細(xì)觀察，

會(huì)發(fā)現(xiàn)一個(gè)微妙的變化，

競(jìng)爭(zhēng)已經(jīng)轉(zhuǎn)向多模態(tài)。

文本向量化的精度差異，

在很多場(chǎng)景里已經(jīng)不足以形成強(qiáng)壁壘。

行業(yè)敘事的重心已經(jīng)開(kāi)始移動(dòng)。

文本向量化的紅利期正在結(jié)束：

模型趨同，生態(tài)成熟，增量創(chuàng)新有限。

嵌入模型是“找資料”的工具，

長(zhǎng)上下文是“讀資料”的范圍。

多模態(tài)嵌入模型，

正在成為新的機(jī)會(huì)窗口。

又或者是不得不踢的加時(shí)賽。

把圖像、音頻、

視頻、代碼等復(fù)雜數(shù)據(jù)，

壓縮進(jìn)一個(gè)可用的語(yǔ)義空間，

并能被下游——RAG（檢索增強(qiáng)生成）有效消費(fèi)，

這才是2025年之后的真正戰(zhàn)場(chǎng)。

誰(shuí)能解決多模態(tài)的“粒度對(duì)齊”與“上下文整合”，

誰(shuí)就能在下一個(gè)周期里拔得頭籌。

整個(gè)行業(yè)往多模態(tài)方向上的加速被推動(dòng)了。

RAG是業(yè)界當(dāng)紅解決方案，

也是嵌入模型消費(fèi)的大頭，

若RAG沒(méi)前途，嵌入模型也沒(méi)有前途了，

我觀察到有如下行業(yè)觀點(diǎn)的碰撞：

正方觀點(diǎn)：

“模型長(zhǎng)上下文能力的增長(zhǎng)，

正在降低RAG的必要性。”

此方觀點(diǎn)認(rèn)為：

過(guò)去，大模型的上下文窗口有限，

RAG必須非常精準(zhǔn)，

把“最有價(jià)值的（文檔片段）”，

向量化后送給模型，

否則就放不下。

而如今，2M級(jí)上下文窗口已成為現(xiàn)實(shí)，

用戶可以直接把長(zhǎng)文輸入模型，

繞過(guò)embedding，

也能獲得不錯(cuò)的效果。

換句話說(shuō)，embedding不再是“必須”，

而只是“可選”。

只要大模型能力一直增長(zhǎng)，

只要OpenAI這樣的企業(yè)一直投錢(qián)，

只要這場(chǎng)競(jìng)賽一直持續(xù)，

大于2M的上下文窗口需要用embedding嗎？

或者換一種專業(yè)技術(shù)表達(dá)，

當(dāng)上下文窗口超過(guò) 2M tokens 時(shí)，

模型是否仍需要通過(guò)嵌入模型生成語(yǔ)義向量，

以支持RAG？

當(dāng)然，2M tokens≈3本《紅樓夢(mèng)》

當(dāng)然embedding依然可以用。

原來(lái)就是很重要，

現(xiàn)在一些場(chǎng)景非必需了。

也就是說(shuō)，

以前塞不下，

需要嵌入模型精準(zhǔn)地“挑出”。

而現(xiàn)在上下文變長(zhǎng)（2M+ token），

——可以塞更多候選資料進(jìn)去，

對(duì)“精確召回”的要求沒(méi)那么高，

嵌入模型的存在價(jià)值，

從“必需”變成“輔助”。

長(zhǎng)上下文解決的是“能放多少信息”；

RAG解決的是，

“如何找到最相關(guān)的信息”。

也就是說(shuō)，

長(zhǎng)上下文削弱了對(duì)“高精度embedding檢索”的剛需，在文本場(chǎng)景的“剛需屬性”正在消解。

文本檢索與大模型結(jié)合的護(hù)城河在坍塌。

坐擁1500+企業(yè)客戶的Elastic，

其客戶仍然有大數(shù)據(jù)量需求，

用嵌入模型作為一個(gè)工具沒(méi)問(wèn)題，

但它已經(jīng)不是必備條件。

甚至部分產(chǎn)品已經(jīng)完全繞開(kāi)嵌入模型，

效果還要好。

嵌入模型在文本這里的紅利期走到盡頭，

但多模態(tài)數(shù)據(jù)還沒(méi)有。

尤其是多種模態(tài)的數(shù)據(jù)，

無(wú)法直接用長(zhǎng)上下文“硬塞”，

必須依賴這種手段，

文本的向量化正在成為成熟組件，

而多模態(tài)的向量化仍是行業(yè)必爭(zhēng)之地。

反方觀點(diǎn)上，

紫東太初多模態(tài)檢索算法負(fù)責(zé)人，

高級(jí)算法經(jīng)理郭海云博士，

告訴“親愛(ài)的數(shù)據(jù)”：

“我不贊同上述說(shuō)法。”

郭海云博士參與了，

紫東太初Taichu-mRAG框架的研發(fā)，

（通過(guò)統(tǒng)一多模態(tài)細(xì)粒度檢索引擎，

與紫東太初多模態(tài)大模型協(xié)同，

實(shí)現(xiàn)了檢索召回率，

和端到端問(wèn)答準(zhǔn)確率的雙重提升）

她談到，當(dāng)前AGI有兩大趨勢(shì)，

會(huì)導(dǎo)致模型的長(zhǎng)上下文需求越來(lái)越高，

RAG的需求并沒(méi)有降低。

一個(gè)趨勢(shì)是很多場(chǎng)景需要模型進(jìn)行多模態(tài)推理，

推理中，思維鏈的生成，

會(huì)加劇模型輸入上下文的長(zhǎng)度增長(zhǎng)，

另一個(gè)趨勢(shì)是multi-agent技術(shù)的發(fā)展，

Agent的memory也會(huì)增加上下文的長(zhǎng)度，

因?yàn)榻换ド舷挛木褪莔emory的一部分。

尤其當(dāng)前Agent落地的一大瓶頸就是上下文工程；

上下文太長(zhǎng)，信息冗余，

長(zhǎng)上下文也還沒(méi)建模好，

上下文太短又信息不足，

所以需要檢索技術(shù)精準(zhǔn)找到最相關(guān)的上下文。

雙方觀點(diǎn)有分歧主要存在于，

RAG是否會(huì)因?yàn)榇竽Ｐ湍芰ι蠞q而重要性下降，

但是，對(duì)于“多模態(tài)尚有紅利”，

雙方都沒(méi)有爭(zhēng)議。