AMD GPU 加速向量检索：seekdb × hipVS 学习笔记

发布于 2026年9月8日

学习资料：OceanBase《2026 从 0 到 1 数据库实践教程》第二讲《AMD 赛题方向解析》
主讲人：母自豪（AMD ROCm 软件与解决方案架构师）
记录日期：2026 年 9 月 6 日
以下性能数据来自课程演示，尚未自行复现实验。

1. hipVS 与 seekdb 的关系

hipVS 将 cuVS 的向量检索能力移植到 AMD GPU 上，并保留兼容的接口。 cuVS 原本面向 NVIDIA GPU；hipVS 通过 HIP / ROCm 适配 AMD GPU，使上层软件可以复用已有的接入方式。

seekdb 可以通过这套接口使用 GPU 加速向量检索。课程中的调用链可以简记为：

seekdb SQL → 向量抽象层 → C 桥接层 → hipVS → ROCm → AMD GPU

课程按索引选择后端：lib=vsag 使用 CPU，lib=cuvs 使用 GPU。AMD 路径仍沿用 cuVS 接口名称，底层实际由 hipVS 执行。

我的理解是，seekdb 负责数据库接口与查询组织，hipVS 负责底层 GPU 检索计算，兼容接口降低了两者的对接成本。讲者说明，录制时相关接入仍在开发，后续会提供实现 PR 与更详细的材料。

2. CPU 与 GPU 的效率对比

课程使用 AMD Radeon PRO W7900（48 GB 显存）、ROCm 7.2.4，以及同源的一万条向量数据，对比 CPU 与 GPU 检索路径。

加速比为 CPU 耗时 ÷ GPU 耗时，数值越大表示 GPU 相对越快。

单查时，GPU 的固定调用开销会抵消计算优势；批量提交更多查询后，开销被分摊，GPU 的并行处理能力才更明显。 因此，这组实验中 CPU 更适合少量、低延迟查询，GPU 在大批量查询中体现出吞吐优势。这里降低的是每个查询的摊销成本，不代表整批总耗时随批次增加而一直下降。

课程还展示了 Recall@10：GPU 为 0.866，CPU 为 0.640。这个指标表示真实前十个近邻中被找回的比例，用来观察检索质量。

需要保留一个实验条件：CPU 使用 VSAG 逐个查询，GPU 使用 batch_knn 批量接口。因此，约 12 倍是这套算法、调用方式和硬件共同作用的演示结果，不能直接推广到所有查询场景。

3. AMD 算力资源领取与使用

课程涉及两个主要入口：AMD AI 开发者计划用于注册、完善资料和兑换算力；**Radeon Cloud（开发者云）**用于启动 GPU 实例、运行 Notebook 和远程开发。

领取算力

1. 打开课程专属注册链接，注册或登录 AMD AI 开发者计划。保留链接中的课程来源后缀。
2. 完善个人资料。讲者提示，如果账户只有 1 积分，需要先完成资料填写。
3. 在“算力兑换”中将积分兑换为算力时间，再从首页进入 AMD 开发者云。

课件介绍了 150+ 小时免费算力，具体领取条件与额度以账户页面为准。

启动实例与运行 Notebook

1. 在 Radeon Cloud 的模板页面找到 seekdb + hipVS 对应的 Notebook 模板。
2. 点击 Launch 启动实例。平台已预先编译 seekdb 与 hipVS，并准备好实验镜像。
3. 启动后通过实例页面或 Profile 中的 Jupyter 链接进入实验环境。
4. 打开课程示例 Notebook，依次选中代码单元，按 Shift + Enter 运行并查看输出。

演示中的 Notebook 路径为：

seekdb_hipvs_notebook/seekdb_hipvs_batch_demo_executed.ipynb

其中包含环境检查、数据准备、单条查询、批量查询和召回率对比，可以按顺序复现课程结果。

SSH 连接与资源释放

如果需要从本地工具远程开发，先在账户 Profile 保存 SSH 公钥，再 Launch 实例，然后使用自己实例页面提供的 SSH 连接信息。如果实例启动时没有配置公钥，课程演示的处理方法是保存公钥后重建实例；提前配置好则无需重建。

平台还提供 TokenFactory 模型调用资源，可用于接入模型服务，与运行 GPU 实例的算力时间用途不同。

关闭浏览器不会停止实例。 使用结束后，先保存需要保留的实验记录，再通过 Destroy 释放实例，避免继续消耗算力时间。