正在加载视频...
视频章节
当整个 AI 圈都在 All in 向量数据库时，Neo4j CEO Emil Eifrem 在这期 Latent Space 里泼了一盆冷水：向量很重要，但它们解决不了“理解”。真正让 AI 变聪明的，是知识图谱、上下文和可解释的结构。这是一场关于“AI 为什么还不够聪明”的深度对谈。
Neo4j CEO 说了句狠话：只靠向量搜索，AI 永远不懂你的知识
当整个 AI 圈都在 All in 向量数据库时，Neo4j CEO Emil Eifrem 在这期 Latent Space 里泼了一盆冷水：向量很重要，但它们解决不了“理解”。真正让 AI 变聪明的，是知识图谱、上下文和可解释的结构。这是一场关于“AI 为什么还不够聪明”的深度对谈。
最反直觉的开场：向量数据库赢了，但也输了
这期对话最炸的一点，并不是 Neo4j 在推图数据库，而是 Emil Eifrem 对向量数据库的态度异常冷静。
他说了一句很耐人寻味的话：“Everyone has vector indexes now.” 潜台词是——向量搜索已经“商品化”了。它不再是竞争壁垒，只是现代 AI 系统的基础设施之一。
过去两年，向量数据库被捧成了 RAG 的核心：Embedding + 相似度搜索，仿佛就能解决一切知识问题。但 Emil 的判断是：
- 向量检索“好用”，但它只擅长模糊匹配
- 它擅长回答“像什么”，却不擅长回答“为什么”和“怎么关联”
这直接点出了一个行业集体回避的问题：当你把所有知识都压缩成向量，AI 得到的是感觉，不是理解。
所以他说得很直白——向量搜索“good enough for most situations”，但前提是：你不在乎可解释性、不在乎精确推理、不在乎复杂关系。
为什么知识图谱重新变重要：不是存数据，而是存“关系”
在 Emil 看来，现代 AI 系统的核心变化，并不是模型更大了，而是系统开始需要“显式知识”。
他反复强调一个对比：
- 在向量世界里，关系是“隐含的”（implicit）
- 在图里，关系是“显式的”（explicit）
这带来三个直接后果：
第一，准确率的来源变了。
在纯向量 RAG 中，准确率来自相似度猜测；而引入知识图谱后，准确率来自“路径”。模型不是猜哪个文档像，而是沿着已知关系走。
第二，可解释性突然回来了。
Emil 提到 explainability 时，语气明显变重。图的好处在于：你可以清楚地看到 AI 是“怎么得出这个答案的”——哪几个节点、哪条路径、哪一步推理。
第三，生产力提升不是来自模型，而是来自结构。
他们观察到，引入知识图谱后，用户的生产力提升并不只是因为模型回答更好，而是因为系统本身更“可控”。
一句话总结：图不是为了取代向量，而是为了把 AI 从“感觉正确”拉回到“逻辑正确”。
图 vs 向量，其实是个假问题
对话进行到中段，一个很关键的观点浮出水面：“这不是 graph or vector 的选择题。”
Emil 非常明确地反对站队式争论。他描述的现实工程路径是这样的：
- 向量搜索：用来“找到起点”
- 知识图谱：用来“走完路径”
也就是说，向量负责 recall，图负责 reasoning。
他们在系统中常见的模式是：
- 先用向量搜索，从海量非结构化数据中找到可能相关的节点
- 再把这些节点映射进图中
- 在图里做路径搜索、约束推理和上下文扩展
这背后其实是一个更大的趋势判断：
工程复杂度，正在从训练时，转移到运行时。
过去我们指望通过训练一个“更聪明的模型”解决问题；现在，越来越多的智能，来自运行时的编排、约束和上下文结构。
这也是为什么他说：现代 AI 系统的竞争力，已经不只在模型，而在“你怎么把模型接进真实世界的数据”。
企业案例透露的信号：三个月内发生了质变
在谈到制药、银行等企业用户时，Emil 提到一个非常值得警惕的时间点：“in the last 3 months.”
他的原话大意是：过去三个月里，某些能力“dramatically flipped”。
变化体现在哪里？
- 系统开始不仅回答问题，而是“帮你起草、生成、推演下一步”
- AI 不再只是查资料，而是参与到决策流程
- 企业开始认真讨论 agentic memory、decision traces 这些以前偏研究的话题
这里他提到了几个关键词：
- Agentic memory：不是简单的对话历史，而是带结构、可追溯的长期记忆
- Decision traces：AI 做每个决策时留下的路径记录
- Context graphs：把上下文本身建成图
这些东西有一个共同点：它们都需要“关系型记忆”，而不是纯文本或纯向量。
这也解释了为什么知识图谱在企业场景里，比在 demo 场景里重要得多——因为企业要负责。
关于微调，他给了一个更现实的答案
在微调这个话题上，Emil 的态度同样不极端。
他承认：“We actually still fine-tune.”
但紧接着补了一句：现实“a little bit messier”。
他的意思是：
- 微调不是银弹
- 更多时候，它只是众多信号之一
真正有效的系统，往往是：
- 少量微调
- 大量结构化上下文
- 明确的 DSL、规则或约束
这再次呼应了他前面的核心逻辑：当你能在系统层面表达知识，就没必要把一切都塞进模型参数里。
模型不是不能变聪明，但不应该承担所有“记忆”和“逻辑”的负担。
总结
这期对谈真正的价值，不在于“图数据库会不会取代向量数据库”，而在于它点破了一个行业迷思：AI 的智能，不等于模型的智能。对从业者来说，真正的 takeaway 是三个问题：你的系统里，哪些知识应该是显式的？哪些推理路径是你必须能解释的？哪些记忆不该交给模型遗忘？如果你还在纠结 embedding 维度和召回率，可能已经落后于这场结构之战了。
关键词： 知识图谱， 向量数据库， RAG， Agentic Memory， 可解释性
事实核查备注： 需要核查：Emil Eifrem 的原话表述；“过去3个月发生质变”的具体语境；视频中提到的 Pfizer、Nordisk 是否仅为举例而非详细案例；关于 agentic memory、decision traces 的定义是否与原意一致