Hier ist die Zahl, die IBM auf ihrer Topics-Seite versteckt: Die Adoption von Vektor-Datenbanken wuchs 2025 um 377% gegenüber dem Vorjahr — das schnellste Wachstum aller Technologien im Orbit der Large Language Models. Diese Zahl leistet wichtige Arbeit. Sie sagt dir, dass die Basis der aktuellen AI-Welle nicht das Modell ist. Es ist der Index. Und ein Index ist, wenn man das Marketing abzieht, ein sehr altes Kapitel der Computational Geometry: Gegeben ein Punkt — welcher der gespeicherten Punkte liegt am nächstgelegen? Alles, das dir eine Vektor-Datenbank anbietet — RAG, Semantic Search, „KI-gestützte Empfehlungen” — ist ein Wrapper um diese eine Frage, gestellt in einem Raum mit hunderten oder tausenden Dimensionen statt zwei.

Also lass uns tun, was wir hier immer tun: Das Produkt ignorieren und die Struktur darunter ableiten. Wenn du die Geometrie siehst, hört das Werkzeug auf, Magie zu sein, und wird zu etwas, das du in einem Review verteidigen kannst.

←HEUTE: Eine „Smartphone”-Anfrage liefert „Handy” und „Mobilgerät”, weil ihre Embeddings in der gleichen Nachbarschaft liegen, nicht weil ein Schlüsselwort übereinstimmt.
→3012: Die Modelle werden vergessen sein; die Voronoi-Partition des Bedeutungsraums, die sie gemeisselt haben, wird die archäologische Schicht sein, die Karte davon, was eine Zivilisation für nah beieinander hielt.
Drehpunkt: Semantic Search fühlt sich nur deshalb neu an, weil wir aufgehört haben zu bemerken, dass „nächstgelegen” ein geometrischer Anspruch ist — und Geometrie wird nicht obsolet, wenn der Anbieter es wird.

Was es ist: Eine Vektor-Datenbank speichert Daten als Zahlenarrays fester Länge — Embeddings — wobei jede Dimension ein gelertes latentes Merkmal ist, nicht eine Spalte, die du selbst benannt hast. In IBMs eigenem Beispiel wird „cat” zu einem 3-dimensionalen Vektor wie [0.2, -0.4, 0.7]; „dog” landet in der Nähe; „car” und „vehicle” fallen fast auf den gleichen Punkt zusammen, obwohl sie keine Buchstaben gemeinsam haben. Die ganze Aufgabe der Datenbank ist, einen neuen Query-Vektor zu nehmen und die gespeicherten Vektoren zurückzugeben, die ihm am nächstgelegen sind, gerankt nach einer Ähnlichkeitsmetrik — Kosinus, Euklidischer Abstand oder ein rohes Skalarprodukt — in Millisekunden, über Millionen Punkte hinweg. Das ist alles. Nicht exakte Übereinstimmungsabfrage auf Tokens (das Modell relationaler Datenbanken), sondern Nähe-Abfrage im kontinuierlichen Raum.

Wieso es funktioniert: Im Moment, da du sagst „return the nearest stored point”, hast du eine Voronoi-Partition beschrieben. Jeder gespeicherte Vektor ist ein Keim; der Raum teilt sich lautlos in Zellen auf, eine pro Keim, wobei eine Zelle genau die Region des Query-Raums ist, für die dieser Keim die nächste Antwort ist. PAZ’s eigenes Voronoi-Konzept-Panel macht den Punkt klar: Ein Voronoi-Diagramm ist nichts anderes als die geometrische Antwort auf „welcher Keim ist am nächstgelegen” — die gleiche Mathematik, die trabekuläre Knochen packt, Zellmasten platziert und seit John Snows Karte der Broad Street 1854 entscheidet, welche Ressource ein Ort zuerst erreicht. Eine Abfrage wird aufgelöst, indem man findet, in welche Voronoi-Zelle sie gefallen ist. Das Dual, die Delaunay-Triangulation, verbindet Keime, die sich eine Zellwand teilen — und dieses Dual ist das Geheimnis, um das schnell zu tun.

Weil die brutale Wahrheit in hohen Dimensionen der curse of dimensionality ist: Einen Query gegen alle N gespeicherten Vektoren zu vergleichen ist O(N·d), und in einem 1.536-dimensionalen Embedding-Raum funktioniert Rohgewalt nicht. Also schummeln Vektor-Datenbanken, ehrlich, mit approximate nearest-neighbour (ANN) search. Die dominierende Methode, Hierarchical Navigable Small World (HNSW) Graphen, baut einen geschichteten Nähe-Graphen — nahe an einem Delaunay-Graphen — auf und nutzt die Small-World-Eigenschaft, die Watts und Strogatz 1998 in Nature beschrieben: Ein Graph kann sowohl enge lokale Clustering als auch kurze globale Pfade haben. Du trittst in eine grobe obere Schicht ein, springst gierig auf den Query zu und steigst ab. Du erreichst die Nachbarschaft in logarithmischer Schrittanzahl, statt alles zu durchsuchen. Locality-sensitive Hashing (LSH) ist der ältere Cousin — Hashfunktionen, die so gebaut sind, dass nahe Punkte absichtlich kollidieren. Und product quantization (PQ) komprimiert jeden Vektor in einen kurzen Code, der relative Distanz bewahrt, sodass eine Milliarde Vektoren in den Speicher passen. Drei spezifische geometrische Tricks; eine geometrische Frage.

Ursprünge: Nichts davon wurde für AI erfunden. Georgy Voronoy formalisierte die Zellen 1908; Boris Delaunay veröffentlichte die duale Triangulation 1934. Nächste-Nachbar-Suche als Rechenproblem ist Jahrzehnte alt; Indyk und Motwani gaben LSH seine theoretische Grundlage 1998. Die Kompression kam von INRIA: Jégou, Douze und Schmid veröffentlichten product quantization für Nächste-Nachbar-Suche 2011. HNSW ist Malkov und Yashunin, 2016. Was sich änderte, war die Quelle der Vektoren. Mikolov und Kollegen bei Google lieferten word2vec 2013 und zeigten, dass Embeddings Bedeutung geometrisch tragen können — king minus man plus woman landet nah bei queen. Sobald Transformer diese Embeddings billig und gut machten (der Attention-Operator, den PAZ’s Konzept-Panel ableitet, O(n²·d) und alles), wurde die fünfzig Jahre alte Geometrie der Nächste-Nachbar-Suche plötzlich ein Geschäftsmodell. Die 377% sind der Sound alter Mathematik, die neue Nachfrage findet.

In der Praxis: Ein Zürich-Atelier kümmert sich nicht um E-Commerce-Empfehlungen. Es kümmert sich, dass sein Jahrzehnt Projekt-Wissen — SIA-Norm-Interpretationen, Angebots-Antworten, die Begründung hinter einer Fassaden-Detail — in PDFs steckt und niemand kann die relevante Präzedenz unter Zeitdruck finden. Das ist die exakte Form, die RAG löst: Bette das Corpus ein, speichere die Vektoren, und lass eine Abfrage die drei semantisch relevantesten Passagen ziehen, um die Antwort eines LLM zu verankern. IBMs eigene Zusammenfassung betont, dass ein gut gebauter Agent das Quelldokument und die Seitenzahl zur Überprüfung zurückgibt, und dass Hybrid-Search eine semantische Abfrage durch Metadaten-Filter auf einen Datumsbereich oder eine Kategorie einschränken kann — der Unterschied zwischen einer zitierfähigen Antwort und einer zuversichtlichen Vermutung. IBM bemerkt auch, dass Teams normalerweise mit einem allgemeinen Embedding-Modell beginnen — IBM Granite, Meta’s Llama-2, Google’s Flan — und es dann auf ihren eigenen Daten spezialisieren. PAZ’s Wissens-Pyramide läuft auf genau das: Die embed Stage verwandelt destillierte Artikel in Vektoren, sodass die Schriftsteller-Briefs wirklich auf-Topic vorherige Arbeit anzeigen. Koppel es mit anbieter-agnostischem Austausch — Speckle für die Modell-Daten, EPFL’s offene IFC-Arbeit für den Standard — und das Atelier besitzt seine Abruf-Schicht, statt sie zu mieten. Montags-Move: Nimm fünfzig der stärksten vergangenen Dokumente deiner Praxis, embedde sie mit einem offenen Modell, und führe eine ehrliche Nächste-Nachbar-Abfrage durch — „wie haben wir Kältebrücke an einem Kragbalkon-Balkon detailliert?” — um zu sehen, ob die nächste zurückgegebene Passage wirklich der richtige Präzedenzfall ist. Wenn nicht, ist dein Embedding-Modell, nicht dein Archiv, das Problem.

Ein Vorbehalt, klar ausgesprochen, weil die Anbieter-Seiten ihn abschwächen: Nächste-Nachbar-Abruf ist Fakten-Finden, nicht Verständnis. IBM gibt es direkt zu — frage eine Vektor-Datenbank, die ganze Corpus zusammenzufassen, und sie scheitert, weil es kein „nächstgelegen” zu einer thematischen Übersicht gibt, und du bist besser dran mit einem List-Index, der alles liest. Ähnlichkeit ist ein lokales geometrisches Operationen; globales Verständnis ist nicht eine Abfrage entfernt.

Und hier ist die Dauerhaftigkeits-Warnung, von einem Schreibtisch, der Plugins dunkel werden sah. Ein Embedding ist ein Punkt, dessen Koordinaten ein Modell zugewiesen haben, das du vielleicht in zehn Jahren nicht hast. Speichere die Vektoren und verliere das Modell, und du hältst eine Voronoi-Partition eines Raums, den du nicht mehr betreten kannst — eine Karte ohne Legende. Die Geometrie überlebt; die Bedeutung nicht, es sei denn, du hältst das Rezept. Speichere, welches Embedding-Modell und welche Version jeden Vektor produziert hat, neben dem Vektor. Die Distanz-Metrik ist zeitlos. Der Encoder nicht.

Hack: Rang ein Archiv nach Kosinus-Nähe zu einer Abfrage und zieh die einzige nächstgelegene Passage — die ganze Abruf-Schicht, bevor jede Datenbank sie anzieht. Das ist Nächste-Nachbar-Suche mit der Geometrie, die zeigt: Punkt die normalisierten Vektoren, nimm den grössten, das ist die Gewinns-Voronoi-Zelle.

import numpy as np
def nearest(q, db):
    sims = (db @ q) / (np.linalg.norm(db, axis=1) * np.linalg.norm(q))
    return int(sims.argmax()), float(sims.max())

Tausche die Spielzeug-Arrays gegen echte Embeddings und du hast verstanden, was HNSW seine Cleverness auf beschleunigt. Sobald das den richtigen Nachbarn auf fünfzig Dokumenten zurückgibt, hast du das Recht verdient, zu einem echten Index zu greifen; bevor es das tut, scheitert die fancy Datenbank nur schneller.

Quelle: ibm.com