VDPU（向量数据处理单元）
VDPU亦作、亦称：向量数据处理单元 · VDPU · Vector Data Processing Unit
VDPU 是 Dnotitia 向量搜索专用处理器——FMS 2026 AI Application Award（news-7330），并在 FMS 2026 首发首颗物理芯片（NSP-016），向量检索的专用硬件路线。
核心
见 glossary-new-terms.ts 同名条目。与 native-vector-search（数据库内集成）构成两条相反的向量检索硬件化路径；选型判据是检索 QPS 是否值得专用硬件。
相关术语
和本术语关联紧密的其他词条，便于串联理解。
🎯 考点练习
含该术语的高频面试题，含标准答案与追问。
- 高级概念查看详解 →
解释 LLM 对齐同质性如何导致 RAG 可迁移阻断攻击（TabooRAG）及防御思路
LLM 对齐同质性使主流安全对齐模型共享相似的风险类别与拒答判据，攻击者可用一篇与查询主题相关的「风险语境文档」注入知识库，让 RAG 在召回后对良性查询整体拒答（阻断型攻击），且可跨模型迁移。arXiv:2603.03919v2 在 3 个 QA 数据集、9 个 LLM 上验证 NQ 阻断 ASR 达 59.1%-77.4%，现有防御下仍鲁棒。
- 初级系统设计查看详解 →
如何处理系统设计面试题？
先澄清功能与非功能需求并估算 QPS/存储；再给高层架构；然后深入关键路径（数据模型、缓存、一致性）；全程沟通 trade-off 与扩展方案。
- 高级开放查看详解 →
为什么融资正在取代芯片供应，成为 AI 基础设施扩张的最大障碍？
考察候选人能否从算力供需、资本结构与部署形态三个层面解释 AI 基础设施瓶颈的迁移：从「买不到 GPU」到「融不到钱」，以及这对推理基础设施选型（每瓦 token、模块化部署）的含义。
- 高级系统设计查看详解 →
解释 Disaggregated Inference 的 prefill/decode 分离原理及硬件选型权衡
Disaggregated Inference 将 LLM 推理的 prefill（计算密集型）和 decode（内存密集型+延迟敏感型）分配到不同硬件。Prefill 用高 FLOPS 硬件（GPU/LPU），decode 用高带宽低延迟硬件（HBM/LPU）。OLIX DX-1 $312M B 轮验证专用 decode 芯片商业可行性。
延伸阅读
从知识库精选 2 篇文章，帮助深入理解该术语。
- 1
Agent 记忆系统（四）：向量数据库、知识图谱与记忆检索全景指南
AI Agent 的记忆系统是决定其智能水平的核心组件。本文系统讲解 Agent 记忆体系的完整架构：从短期工作记忆到长期语义记忆，从向量数据库的嵌入检索到知识图谱的关系推理，从记忆压缩策略到遗忘机制，帮助你在构建 Agent 时设计正确的记忆方案。
- 2
RAG 2026：从混合搜索到检索栈专用化的演进
2026 年年中，RAG 的瓶颈正在从模型层下移到检索层：混合搜索（BM25 + 稠密向量）以可验证的精度增益成为默认检索架构，而向量检索的计算负载又把问题推向硬件——Dnotitia 在 FMS 2026 发布首颗 VDPU（Vector Data Processing Unit）芯片并获 AI Application Award，宣称把宿主 CPU 利用率从 70-90% 压到接近 0。与此同时，arXiv 论文 TabooRAG 揭示了检索栈的另一个盲区：对齐同质性让安全对齐本身成为可迁移的拒绝服务攻击面，9 个主流 LLM 上的阻断攻击成功率达 59.1%-77.4%。本文沿「为什么检索成为瓶颈 → 混合搜索的增益与代价 → 检索硬件专用化机制 → 攻击面边界 → 企业选型决策」五步，给出 RAG 检索栈 2026 年的完整演进图景。
外部参考
维基百科：查看「VDPU」词条本页内容为本站原创撰写；维基百科链接仅作延伸参考。