您现在的位置是：网站首页>国际国际

电玩城里的所有游戏

王涵蕾 2025-05-14 【国际】 3486 人已围观

如果在软件行业发展的坐标轴上划出一个分野点③，华创资本管理合伙人吴海燕认为是2021年⑪。因为这一年▓，不仅是软件行业估值的高点⑦，也是行业最受资本追捧的一年⑭。因此⑲，她把软件公司分为两类：一类是 2021 年融到了很多钱的公司❷，一类则是 2021 年没有融到钱的公司⑪。这之后⑫，两类公司都不可避免地遭遇挑战❸，但困难的程度和路径选择却截然不同❸。

华创派企业 PingCAP 就属于 2021 年融资成功的阵营❷。那个时候他们对未来的宏观形势有所预判⑨，得以抓住机会加速了全球化的布局⑬。作为一家企业级开源分布式数据库厂商❸，PingCAP服务的客户如今已超过20个国家和地区⑦，创立的分布式关系型数据库 TiDB⑤，能持续帮助企业最大化发挥数据价值⑱。

随着 AI 浪潮的来临④，数据价值也得到了前所未有的提升⑭。但这股大潮的影响远不止于此❸，AI 将如何深刻改变企业软件的交互方式与产品形态②？基础软件在 AI 时代又该实现哪些自我革新和进化⑯？近日⑭，PingCAP 联合创始人兼 CTO 黄东旭做客「牛白丁」⑰，与吴海燕一起探讨了AI大潮冲击下⑲，软件公司该如何顺流而上⑲，发挥出自己独特的行业价值▓。

嘉宾介绍：❸、黄东旭❶， PingCAP 联合创始人兼 CTO

本期主播：⑳、吴海燕⑧，华创资本管理合伙人

以下为节目内容⑨，经过 CGCVC 编辑——

海燕：大家好⑭，这里是华创资本的播客节目「牛白丁」⑦，我是吴海燕⑭。这期我们请到了 PingCAP 的联合创始人兼 CTO 黄东旭⑩。

我其实现在回想咱们的第一次见面还印象深刻⑩，你们出过一本书《与开源同行》⑨，我当时在作的序里也写了这个场景⑮。我记得是2017年3月的一个早晨⑧，我和你约在 PingCAP 当时办公的东升科技园❸，因为约的时间太早⑫，会议室里只有你一个人在等我⑩。后来我才知道⑱，程序员因为工作习惯⑬，早晨一般都不在公司⑯。

东旭：那次我印象也特别深刻⑤，和你聊完以后我就去赶飞机了②。一下飞机就收到你的信息⑫，说PingCAP是家好公司⑲。

海燕：我当时也是下了飞机就告诉刘奇华创决定领投⑨，他还说这是“云上”的决定⑥。2017年3月我们见面❸，年中完成了投资⑭，10 月份刚好咱俩都分别去北美出差⑩，我们在硅谷还一起见了些朋友⑪。所以那时候你们已经正式开始在北美设办公室⑥、招人了吧⑪？

东旭：没错⑱，PingCAP 2015年创立⑲，从第一天起⑰，我们就想着去做一个 global company⑬，公司成立前两年基本都在写代码⑱，你说的2017年10月的那个时间点⑤，是我们真正决定要在硅谷设点⑱，开始正式运营在海外的业务❷。其实在那之前③，我从来没有在海外工作⑫、留学过④，在当地也没有什么 connection ⑱，只是觉得这对于PingCAP的战略来说是一定要做的事情⑰，哪怕没有条件④，创造条件也要去做⑨，所以我当时都没买回程机票▓，事情没办完我就不打算回来❷。

海燕：咱们那轮融资算是当时相对比较大的一笔美元⑱，你们融资后的第一件事就是立马去北美开办公室⑳。2017 年咱俩在硅谷碰面时⑰，我介绍你认识了硅谷当地一些做投资的朋友③。后来到了 2020 年⑪，一位朋友还跟我说后悔在硅谷介绍你们认识时没有投资PingCAP⑱。

东旭：未来还有机会的▓。我们开始国际化的时间比较早⑭，中间也踩了好多坑❶，以后有机会我们再分享③。

海燕：说起 2017 年❷，感觉像是昨天⑯，但实际上过去八年里已经发生了非常多的事件和变化⑩。站在投资人的角度⑭，说一下我感觉到的咱们这个行业的变化⑤。

2021 年实际上是软件行业估值的高点⑧，应该也是行业最受追捧的一年❸。 2021 年我们软件 portfolio 所获得的融资❸，比历史上华创其余九年里软件 portfolio 的融资额加起来还要多⑯。后面的几年⑨，再也回不到 2021年的盛况了⑪。

东旭：那个时候应该是美国印了很多钱⑰，整个资本市场有点被催熟⑫。

海燕：当年标志性的事件就是 Snowflake 上市⑯，超高估值上市激起了大家对软件行业非常大的热情❶，所以行业融了很多钱③。到了 2022 年初⑭，世界一下又变化了⑬，按下了暂停键⑯。之后的三年里④，直到今天⑫，企业软件公司融资就变得不太容易了③。

我们每次年底做行业回顾的时候⑳，我就会把软件的 portfolio 分成两类：一类是 2021 年融到了很多钱的公司❷，一类是 2021 年没有融到钱的公司⑪。这两类公司在 2022 年之后⑥，可能就是一个很大的分野❷，他们或许都经历了不同程度的困难②。注意⑪，我没觉得 2021 年融到很多钱的公司就特别了不起或者顺利❸，其实大家都经历了不一样的困难③。 2021 年没有融到钱的公司⑮，就是错过了那个融资最高峰的时候❷，所以他们每一年都在过苦日子⑭，每一年都在降本增效③。

东旭：非常 tough⑳。

海燕：活下来的可能都是“打不死的小强”了⑬。而 2021 年融到很多钱的公司⑰，他们经历的困难大部分是涉及到心态调整和管理上的巨大挑战⑧。因为 2021 年你融到很多钱❷，就意味着你当时一心想要做高增长⑨，会招很多很多人②，会开新的办公室⑳，花很多时间精力做销售⑲，不顾一切地去拿订单⑥。这是 2021 年融到很多钱的公司一定会去做的事⑭，然后在 2022 年❶，啪⑤，一个巨大的终止符下来了⑯。所以在 2021 年融到很多钱的公司❸，无一例外地经历了团队从很小规模到很大③，又缩回很小的这样一个阵痛的过程❸。

东旭：PingCAP 也属于 21 年拿到钱的那个阵营⑯。但我们拿钱的心路历程我可能没跟海燕聊过⑳。其实我们在 20❷、21 年已经非常明确地知道 22 年一定会有大的经济危机⑳，因为美联储持续地加息⑤、印钞❷，我们觉得风险非常非常大⑬。 21 年正好在市场比较好的时候④，尤其在 Snowflake 上市以后⑨，我们知道未来马上会有苦日子③，所以必须在那个时候先把过冬的粮食给准备好▓，而且当时拿那笔钱①，我们的一个思路并不是要去追求更高的增长②，而是在那个时间点之后⑥，如果你只做单一市场是不够的⑩，我们一定要在那个时间点让自己变成一个 global company⑰，这样才能有更多抵御风险的能力⑦。包括到现在我们对于 spending 的控制❶，我觉得还可以⑬，没有说突然有钱了以后就疯狂扩张⑲。

当时确实扩了一点⑲，但很快在 2022 年时⑪，我们又往回缩了一些⑧。倒不是因为业务的原因⑰，而是我们需要像跑马拉松一样⑤，根据最终的目标来去分配精力和能量⑫。因为当时是我们做全球化最好的时机⑬，由于疫情的缘故⑩，物理世界的数字化在加速①，包括 cloud 的 infrastructure 变得越来越成熟⑭，当然 mindset 也接近成熟⑱。所以我觉得我们还是比较幸运⑭，大多数人没有办法预测未来③，只是正好在那个时候有一个很好的时机❸，就活到了现在②。

海燕：我其实在 2021 年的时候⑧，问过几个我们拿了大钱的 portfolio⑱，他们在 21 年融了不止一轮⑰，且融了非常多的钱⑦。每次他们融到大钱时⑥，我都会打电话问创始人：“根据咱的业务状态和进展⑲，似乎没有必要一定要拿这笔钱▓，你是怎么考虑的⑦？”

我不是建议他们拿或者不拿▓，只是问询一下他们的考虑③。这几个创始人都给了类似的答案❷。首先就是你刚才说的❸，他们预判了现在是一个资本膨胀的时代⑥，而且资本是有周期的⑩，可能不久的将来就会是一个 downtime⑮，我们也不知道什么时候是 downtime⑲，但既然现在是 high time ▓，就应该多储备一些现金⑨；第二⑯，他们不介意所谓的股权稀释⑱，万一哪天到了 downtime⑮，公司有足够多的现金▓，可能会比别人有更多的竞争优势⑰，可能还能收购一些钱不够了但是产品和技术很好的团队⑧。我从几个创始人那里都得到了同样的答案⑮，所以大家当时是看得很准的⑦。

到了 23 年⑯，大家从疫情中刚刚回过神来④，又一个大的时代到来了—— ChatGPT 3.5 发布了⑬。

东旭：其实 Open AI 在 GPT-2 出来的时候我就开始在玩⑩，后来 ChatGPT 迭代大家都知道了⑲。

海燕：我觉得一方面印证了 21 年大家说的一些话⑪，可能后面的 downtime 你不一定能拿到很多钱⑦。而 AI 大潮的来临⑮，其实抢夺了软件公司在资本化方面很稀缺的资源⑦。因为从 22 年之后⑤，不管是美股❸、 A股⑰、港股这些比较大的二级市场②，还是一级市场③，都变得非常紧缩⑩，流动性不足❷，就导致股权融资变得很困难③。即便是上市公司②，你要做增发④，要在二级市场再融资也不太容易⑨。一级市场的各种统计数据都显示⑱，从 22 年以后⑦，融资的公司数量⑮、总的融资金额都在不断地下降⑰。我觉得这个情况在硅谷和在北京都是一样的⑱，不是说硅谷的情况就比咱们好很多⑲，大家都处于一个紧缩的时代①。

东旭：或者说市场的注意力都转到了 AI 这边⑨。

海燕：对⑯，在融资总规模变小的情况下①，AI 的占比还提升了⑪，唯一特别活跃的投融资就发生在 AI 领域⑬。尤其是最近一年特别明显❶，市场上一些投资人甚至非 AI 项目不看⑦。

东旭：⑨、这是非常明显的 “The Head Effect”⑪。

海燕：这就导致很多其他行业优秀的公司❶，在过去一两年要不融不到钱⑲，要不融到钱估值也没法看⑬，对吧⑨？不是 down round 就不错了⑬，很多都是 flat round②。

软件公司在过去两年也 kind of 被大家有点遗忘了⑫，给人感觉是软件公司跟 AI 到底能发生什么强关联呢⑱？AI 时代会不会有一些完全不同的公司出来⑫，做面向企业客户的数字化⑭、智能化⑰？你在硅谷看到的变化是什么呢⑤？

东旭：我觉得现在我们真正站在一个非常大的时代的门口⑧。一直到 DeepSeek 今年春节爆火之前⑧，整个行业大概都是在 build prototype⑤。今天有个很好的 idea⑭，我就试一试⑩。前两天更加夸张⑭，大模型动辄投个几千美金训练了一个新的模型出来⑦，打个榜三天以后就 hype⑬，而且 AI 的势能过大③，导致 hype 时间非常短⑥，因为所有的注意力和资源都砸在这个方向上⑲，而且 Transformer 跟过去的科技创新①，或者软件行业的技术创新还有点不一样②。

过去软件的护城河或者价值⑳，其实在于业务 Know-how 还是系统复杂⑧，比如像我们的数据库④，过去的门槛其实在于工程复杂性▓。就是你可能要写 100 万行代码⑬，才能表现得很好⑫。像 Salesforce 或者 ERP 软件⑰，得有很深厚的技术和业务的 Know-how⑧，才能做这样的 system software⑰。包括各种 SaaS⑫，在过去都是这样的逻辑❶。

但 AI 这波⑦，尤其是大语言模型⑧，它本身的注意力机制⑭，我觉得大学本科毕业的人看 Transformer 的论文看两个礼拜⑩，第一能看懂①，第二能自己实现出来一个⑦。我当时就想着也要学习一下❸，看论文花了两个礼拜⑧，真的就写了一个出来②。只是到最后还需要很多算力④、数据⑥，但它的机制本身是不复杂的⑯。

所以⑳，创业者投身AI⑬，尤其是大语言模型的门槛其实比以前是低很多的⑮。加上全世界的资本全都集中在这④，大家其实一直在经历各种各样的三天一遍的一个hype❷。

海燕：Hype 之下一个很重要的心态⑫，就是 FOMO⑬。不管是个人用户⑩、企业客户还是投资人⑫、创业者⑦，大家都有不同的FOMO 情绪③。比如过去两年⑳，我们软件 portfolio 说现在大部分企业日子不好过⑩，数字化预算都降低了⑰。但这个背景之下⑯，各个企业还都有部分预算是特意留给 AI 的⑪。就是无论如何我都得先试试 AI⑧，万一我被时代抛下怎么办⑯？

东旭：这是为什么我觉得现在是一个很重要的时间点②，但我们还站在门口⑦，没有进去❷。我觉得到今年 AI 的基础能力⑫，不管是 DeepSeek 还是现在的 Tier1 的 model⑲，已经能做一些 actually something useful⑯，这是非常非常重要的⑳。

我先说一个结论：未来所有的软件⑪，尤其是企业软件都会被 AI 彻底改造⑱，软件的形态会发生很大的改变⑳，但一些更深层次的内核是不会变的⑲。比如 CRM 作为销售的辅助对于本身的行业 Know-how ⑩，在未来也会变成这个软件的护城河⑳，只是 AI 会改变它的整个产品形态⑤。

海燕：你话里面的第一重逻辑⑪，至少给了我们软件行业的创业者一个 comfort⑪，专业的企业软件公司还是需要的⑪，不是基础的大模型就能颠覆和替代了的⑪。

为啥有这样的疑问⑳？举个例子④，我们之前有一个 portfolio 公司要被收购了⑮，被收购的过程中▓，收购方的业务层大老③，他们可能不是特别理解技术②，所以一直在问：都 AI 时代了❸，还买个软件公司干嘛⑥？以后理论上客户不就用 AI 能替代了①，还要软件干嘛⑥？

东旭：就好像 AI 是万能药③。

海燕：对⑭，有个 AI 就不需要专业的软件公司了⑨。这两年我也琢磨了一下⑤，到底 AI 对于软件公司意味着什么④？类比自动驾驶时代到来后⑰，车变得不一样了❸，变得更强大了⑳，但还是需要专业的造车公司去把车给造出来⑮，你还是需要一辆车的⑭，对吧⑰？

东旭：举个很简单的例子⑭，比如像会计⑱，我父母都是会计师▓，他们是互联网时代之前的会计⑤。现在所有的会计电商化都完成数字化了以后▓，这个行业不存在了吗⑤？它还是一直存在的⑥。从古代有交易开始⑱，一直到现在❷，记账这件事情从来没变过❶，只是不同的时代我们用不同的工具②，它的产品形态会发生改变⑤，就像 CRM ⑯，还是销售过程管理⑪。难道在 AI 普及的时代⑮，就不需要销售吗⑩？就不需要过程管理吗③？我觉得一定需要的⑪。只是未来软件的形态一定会比现在更加好⑫、更加智能⑫。

以前我们有些事情是没有办法做到的⑫。比如我们公司在海外用的 Salesforce⑲，现在 PingCAP 内部大概有三个同事全职在帮我去做各种各样的 Salesforce 的报表⑯。比如我提个需求⑫，想看一下今年哪些客户买哪些 SKU⑰，哪些涨得特别好⑩？重要的客户是谁⑩？哪些销售排名更靠前⑨？

海燕：你需要基于 Salesforce 做数据统计或者 BI②。

东旭：以前都得靠人⑦，而且我提一个需求可能两天以后才能做好⑤。我非常 respect 这些同事的工作⑲，因为企业软件一个很重要的护城河⑳，是对于这些企业的 Know-how⑱，以及这些数据在什么地方▓，怎么把它组织起来▓，变成一个能够被提取的 insight⑪，这些其实很重要的❷。

现在我自己做了一个 Agent⑨，但还是太慢了⑱，还需要一些更加个性化的能力③。我是怎么做的呢⑱？我直接把我所有的Salesforce 数据全都同步到我自己的 database 上⑩。然后我自己写了一个 Agent 用 NCP 去读取我的 database⑮，它自己写 SQL⑪，我在上面就用自然语言去看❶，比如最近 10 天最好的销售排名❸。

海燕：你已经实现了传说中的 ABI⑦。

东旭：虽然还不成熟❸，但我觉得体验比以前自己打开 Salesforce⑩，然后在各处找数据做报表要好②。这里涉及到一个核心的逻辑——过去我们的软件都是静态的⑫。静态是什么意思呢②？就是程序员把这个业务逻辑写好⑭，变成报表也好⑩，或者变成业务逻辑也好⑱，就在那⑫，它没有任何机会去变化⑳。

但是今天大语言模型在所有的用户接口层给每一个人提供了一种灵活性⑳，相当于以前一个公司⑩，比如只有高管才有助理帮他订机票⑭，现在你可以认为每一个企业软件服务的用户⑰，他自己在他的软件里面有能够提供灵活性的一层②。有点像过去产品底下是一个大的数据库⑮，这个数据库你是看不见的⑤，比如 Salesforce 底下会有各种各样的 data Infra❷，而且这些数据是被分割在不同的地方⑭。但是未来可能在产品和数据之间⑦，会有一层叫 Agent⑲，或者 AI②。

海燕：云计算时代⑲，是把传统软件所谓的烟囱状给打破了④，可能 AI 时代进一步把 SaaS 的藩篱给打破了⑥。

东旭：是的⑪，而且我觉得 AI 还打破了一个事情⑯，就是人的思维局限❶，有的时候烟囱不是在技术层面❶，其实是在用户和产品经理的脑子里⑳。

海燕：我说一个我的观察①。我们投了相当多的软件公司⑲，各类都有④。我过去看到的⑫，不管是国内还是国外⑲，软件有一个核心的指标叫做 Customer Retention⑯，就是客户的 retention rate⑪，而 Customer Retention 的一个最大障碍就是客户买了软件之后❸，有没有真正把软件用起来⑨？但凡真正用起来▓，不需要是多么牛逼的软件⑮，客户的 retention 一定是好的▓。

如果客户都没用起来⑱，他一定不会续费⑰。那么客户用软件的障碍又在哪里⑱？细究一下会发现所有的软件都是有使用门槛的⑧，用户要学习怎么去使用⑧。相当于一辆车❸，这个车已经代表了现代制造业⑰，但问题是开车这个事情⑨，包括把日常开车出门以车代步这个事情变成一个习惯⑳，它是有门槛的▓，是需要去学习的⑫。你要了解车的基本架构是什么⑭？每个按键是什么功能④？开上之后还要掌握一定的手感⑥，你要慢慢地熟悉它⑤，习惯它的速度⑤，还要遵守交通规则⑤。

东旭：门槛太高了⑬。

海燕：对⑳，这些门槛导致了很多用户会缩回来⑲。哪怕这个企业客户买了⑤，组织买了④，让每个同事去用❷，很多人还是在自己的老习惯里②，记在小本上⑲，再把小本上的内容找一个集中的时间上传到软件里去⑩。这就说明他其实并没有掌握开车的习惯④，也就很难理解②，以车代步会大大地提升效率⑯、拓展能力⑫。

东旭：这种情况他真正需要什么⑰？需要一个司机❶。

海燕：但就像你刚才说的⑭，不可能每个人都给配个司机⑭。

东旭：你看这个截图⑧，这是我们公司的一个销售⑥。我想知道他最近在负责什么样的项目⑨？所有这些数据都是动态的⑰。我也可以问他最近一次跟某某客户开会是什么时候⑳？聊了什么内容⑬？就是刚才你说的每个人的司机❶。

就像我刚才说到一个非常重要的点⑬，长期来看软件的门槛⑫，是一直在降低的⑰。我觉得未来软件最易用的形式其实就是对话③。

海燕：不需要用户做任何学习⑮，非常非常低的门槛就能用起来①，但凡让他还要学点啥❸，比如要了解这个软件的整个结构⑧、功能按键等涉及到了学习成本和过去工作习惯的改变⑬，就会导致很多软件用不起来⑳。

东旭：没错⑲，我先描述一下我想象的未来企业软件的样子⑧，下一代的 Salesforce 可能会长什么样⑳？第一❶，它是一个对话框⑭；第二⑨，你可以想象现在把所有的 Salesforce 的功能全都切成一个个碎块❷，这个碎块就是一张张小卡片⑱，在你的对话中 AI 或 LLM 有点像一个 Copilot⑩，这个 Copilot 会根据你的上下文和你现在的需求⑪，把相应的碎片拿出来放到对话框里⑪。比如我现在要审批一个东西▓，他直接在 LLM 把这个审批的按键调出来⑤。

海燕：不需要让你在一堆列表里找⑥。

东旭：这会很深刻地改变软件的产品形态⑦，它不再是一个网站或者 APP⑬，你可以认为它是一堆散落在各地的小的 tools❶。

海燕：改变主要是交互层面①，还是别的地方❷？

东旭：交互层面就是最重要⑬、最大的创新⑦，这种创新远比我们想象中带来的意义要大⑭。

海燕：还是用车来打个比方：应用软件日后就得变成自动的了⑩，就别让用户学开车了❸，人从不会开车到会开车是要专业培训⑥，要考驾照才能上路③，而且还不一定能开得好⑥，说不定还要吃罚单❸。车也是一步一步进化到全自动驾驶的⑬。到了L2 时代⑯，可能已经解决了一些问题⑧，比如自动泊车③，不用每次停车的时候都为难倒不进去怎么办⑪？自动泊车功能就帮你倒进去了②。这可能只是先帮你解决一些开车不自信的问题⑤。等有一天达到 L3 甚至 L4 级别了①，使用车更多地变成了人和机器的一些基于人的自然习惯的交互⑥，比如用语言去命令它：我今天就要去哪到哪③，根本不用再碰方向盘了⑨，很可能那时候车都不一定再有方向盘这个东西①，对吧❷？

东旭：这一点上我大方向认可⑬，但是有一个小小的 comment⑦。还是用车来作一个例子⑨，我不觉得完全自动好④，除非全世界所有的车都被强制规定自动驾驶⑰。

海燕：不仅得规范车⑬，还得规范人⑧。

东旭：没错⑥，如果 human 还 in the Loop⑮，对于产品设计有一个很重要却被很多公司容易忽略掉的要求②，很多时候不是越自动越好⑦，而是你给我的结果要具备一个人能理解的可解释性❶。什么意思呢⑲？比如自动泊车⑩，对于人来说②，如果你在车里⑱，你其实更希望看到方向盘是怎么动的⑪，以及给我个 plan⑦，我去确认❶，就是 human 一定要有一个 under control 的结果⑰。

海燕：这让我想起 DeepSeek R-1 的巨大创新就在这里⑥。

东旭：把思维链展开给你看⑮。

海燕：让 AI 告诉你⑰，它是怎么分析和解决问题的①，它把思维链展开给你看了⑪，这个交互本身就是非常非常破圈的一点⑲。

东旭：对⑳，所以为什么我觉得交互的改变意义深远⑳，现在不管怎么样⑪， AI 还是为人服务的⑮，而且大语言模型有一个非常大的问题④，就是可解释性⑮。为什么我说 Deepseek 是一个特别重要的时间点⑧，就是因为在那个时间点之前⑭，你所有用 LLM 做的东西▓，可能最后的结果还是不具备可解释性的②，是个黑匣子⑭，大语言模型拍脑袋说啥就是啥⑥。但其实在 Reasoning model 普及以后▓，你对于 AI 输出的结果⑦，是可以去做审核和判断的③，而且就算发现有问题⑦，你也可以随时接管❸。所以现在包括 Cursor 等比较成功的 Agent 应用⑩，都是会把人当成整个软件的一部分❸。

海燕：所以挺有意思⑱。换句话说④，其实 L3 级别的自动驾驶⑦，反而是相当长时期 stay 在那里的一个形态③， L3 其实就是 Copilot 方式的存在⑥，它在绝大部分情况下⑬，都是不需要去接管的②，但在必要的时候用户可以随时接管⑰。回过头来说⑰，Agent 也不是用来替代软件的⑬，而是会变成软件机制的一部分①，这是我们对应用软件的一些畅想或者期待②。

我觉得 Infra 软件和 PingCAP 做的事就更接近了⑩，因为应用软件是面向用户的②，所以可能 AI 时代一个重要的革新▓，其实就是在交互层面⑫，怎么把这种可解释性④、自然语言的交互习惯⑫，包括怎么让用户能更容易上手⑨，降低使用的门槛❶？在这方面⑮，你作为从业者❷，对于基础软件在 AI 时代有哪些观察和心得④？

东旭：基础软件里面我觉得最重要的几个东西⑨，我先说数据库①，因为我们自己就是做数据库的④。第一个结论是我们越来越重要了⑭，我们最近这两年的增长②，还是比较 promising 的⑯，这里边一部分的原因⑤，尤其在一些新的 workload 里⑫，大多数都是跟 AI 相关的⑰。我觉得从客户的角度来看⑤，第一个心态就是以前很多数据⑪，用户因为不知道怎么利用⑧、分析❶，像用 Snowflake 跑跑报表⑲，最后给 CEO 看一看大图就完了⑩。

以前像 OLAP 数据仓库的很多应用场景⑱，其实就是给数据分析师或者领导写报告⑧。但是仔细想一想⑮，就是因为我们没有办法对这种海量碎片化的数据去提取⑪、利用⑰，我才有了做 ETL ⑦、Transform④、Load⑩，涵盖了将数据从一个数据源提取出来⑬，经过各种处理和转换②，最后加载到另一个数据源的全过程⑭。）做这种大数据的动机❷，因为我需要从数据的整体去看⑥。

但今天我觉得 AI 提供了一个 possibility❷，就是我对每个人的所有的数据⑨，都可以很好地利用起来⑮。所以第一点⑳，很多企业对数据的心态就是先甭管这些数据存储成本怎么样⑦，我先把它存下来⑬，因为所有数据都会有用⑯。

海燕：就是数据的价值提升了⑰，或者说开发这些数据成为可能③，导致数据的价值提升了⑪。

东旭：对于数据的存储需求❸，是在提升的⑪。我们也有预判⑲，在云上如何给用户提供一个低成本⑮、无限拓展性的版本⑨，这是一个很重要的 topic⑦。第二⑧，对于数据我觉得很重要❸，也是我最近的一个思考：过去我们做数据库或者做数据的接口⑪，目标人群是开发者②、DBA 或者数据分析师⑦，他们有个共同点⑧，都是人▓。但在 AI 尤其 LLM 或者 Agent 的时代①，我作为一个数据软件接口的设计者⑦，我要考虑我的用户可能不一定是人⑳，我的用户可能是 LLM⑤，可能是大语言模型❶。

海燕：就是访问数据库的⑬，不是开发者⑬。

东旭：对⑩，是 Agent⑮，在这种情况下⑧，如果按照传统思维去设计系统②，会非常非常奇怪⑫。举个例子⑤，像 Snowflake 或者数据仓库的公司⑪，很强调自己的数据 ETL 能力⑬，要把数据来回掰扯①，变成一个报表▓，或者一些抽象数据的 insight⑤，好让大家去做分析⑧。

但试想一下▓， AI 在访问你的数据时❸，如果你给它的是一些被处理过的数据⑲，或者是一些你自己通过大脑想出来的⑯，我觉得 AI 应该用我的 open 数据的 API 去封装⑪，其实反而是不好的⑱。相当于你给 AI 一个报告⑳，它只能回答这个报告相关的上下文的东西⑦，一旦你问的问题超出了报告的边界⑧，它就没办法回答了⑲，因为你没有给它足够的数据①。所以对于 AI 来说⑬，我自己实践过最好的办法④，就是直接给它开放原始的数据访问权限⑩，同时再给它一个足够 flexible 的访问数据的方式⑦。

SQL⑯，我最近做的思想实验是想象我自己是一个 AI Agent⑪，为了回答我的“老板”——我的人类主人的一个问题⑰，比如他问：最近 Top10 的销售是谁⑲？因为我只是拿到了这个需求⑳，同时底下是一个类似 Salesforce 的拜访记录⑧，一个原始数据④，最方便的办法就是我通过把“主人”给我的需求⑲，变成一个对原始数据库的 SQL 的访问①，这样我就可以得到一些实时的数据⑫，然后再根据这些数据去做总结①，有点像过去人类数据分析师干的事情⑦。比如老板提了一个要求⑮，数据分析师回去搞报表⑮，只是现在用 AI 来实现刚才的场景⑬，变得每个人都可以做⑬，而且非常轻量④。所以①，最后我得到的结论就是：SQL is still the best thing we have⑱，SQL 现在仍然是我们跟 AI 以及数据之间最好的桥梁❷。

第二⑧，以前其实有各种各样的 database 或者 data infrastructure⑳，这些 data infrastructure 如果是站在 Agent 视角⑪，它对于数据的烟囱和孤岛是很讨厌的⑥。如果这些数据都在一起⑮，我用一条 SQL 就能关联起来⑰。但如果是在孤岛⑦，这边一个向量数据库④、一个文档数据库⑰，那边一个 SQL 数据库⑪。

海燕：相当于我要翻很多墙才能完成工作⑱。

东旭：所以我觉得 Infra 的归一化也是一个特别大的趋势⑩。

海燕：我尝试以用户语言或者业务语言理解下你刚才说的内容⑦，过去应用软件服务人⑥，它是直接面向用户的②，用户使用应用软件⑥，应用软件调下面 Infra 这一层③，应用软件是以开发者为中心去做的⑩，对吧⑧？

东旭：对⑲，开发者写“死”了①。

海燕：刚才咱们提到其实应用软件更像 L3 的智能驾驶⑭，把过去很多的用户操作变成了智能化的自动操作①。本质上是把很多 Agent embed 到它的应用软件里面了⑥，代替了用户人手一条一条去点开①、执行⑦、找界面⑯、找对应的空去填⑧。换句话说⑯，现在应用软件很大一部分是由各种各样的 Agents 构成的②，所以过去的用户访问数据库或者开发者访问数据库⑰，就变成了大量的 Agents 在访问数据库❶。

有点像过去非智能驾驶时代⑬，它是油车⑬，支撑车的是内燃机发动机⑬。但现在完全不一样了⑲，因为现在车要获取很多传感器数据去做实时的智能判断⑦，然后再把指令给到发动机电机去驱动车往前走或者停⑳。换句话说④，Infra 的用户变了⑱，不是开发者▓，不是人④，是 Agents❸。因此 Infra 也要面向新的用户层去设计⑪、改变❷。刚才你提到的有一条很对②，就是统一数据库更重要❶，而不是分散的⑦、小的⑨、各种各样的数据库拼凑的整个 Infra 底层⑰。

东旭：对⑨，另外一个就是接口❶。接口一定要用一个统一⑥、通用⑪，以及 AI 跟人都能理解的语言去访问数据❶。现在最好的语言就是 SQL❸，因为第一⑱，SQL 是一个标准的语言⑮，AI 训练了这么多年⑳，用的就是它⑪；第二⑥，SQL 又是一个精准的语言⑥，SQL 写对了⑰，一定能够捞出数据可解释⑪。第三⑨， SQL 也是可以被人类读的⑮，比如刚才我给你看的那个例子⑨，我想看公司最近前 10 名的销售▓，它给了我一个列表④，告诉我这个列表是根据 5 条 SQL 跑出来的④。

总之⑧，最重要的就是记住一条：AI 时代要面向 Agent 或者面向 LLM 去设计软件⑯，而不是面向人和开发者设计软件⑫，这可能是未来要面临的一个课题⑫。

第二个方面⑱，我觉得基础软件里很重要的一个 category⑮，就是操作系统②。虽然我不是做操作系统的⑰，但我觉得它会发生很大的改变⑫。

操作系统以前是一个在硬件和用户中间的东西⑫，相当于它把硬件的抽象给隐藏起来①，对上面的应用软件提供标准的接口⑳，程序员再利用这些 System API 去做应用⑳。比如我画一个窗口❶，其实跟我刚刚说数据库是一样的逻辑❸，未来System API 硬件封装这层肯定要做⑨，但是再往上去提供操作系统本身能力的时候⑪，一定要考虑到它的消费者或者用户不再是应用开发的程序员了⑭，而是 AI agent⑬。

所以刚才我提到像 CRM 软件⑩，未来是能够把它所有功能拆成一个一个小块⑪，然后在对话框里通过对话跟 LLM 的交互⑪，让 LLM 能够把相应的能力变成一个对话中的小block⑰。类比到操作系统里⑥，其实这个工作在硅谷已经有一些创业公司在做了⑦，最近这两天有个融资的项目❶，他们的 vision 就是做一个面向 AI Agent 或者 LLM 的浏览器⑦。未来⑱，浏览器可能会是一个很重要的操作系统⑥。

海燕：我也听到我们有一些 portfolio 在提这个想法⑨。换句话说⑭，云计算的时代也给 AI 打了个基础⑩。AI 让软件的形态发生变化⑩，其实是把过去自动化时代的一些事情推向了更加智能化⑲、更加小颗粒⑦、更加简单③、更加 flexible⑭。是这样一个趋势❶，但并不是就抛弃了软件这个形态⑪。

东旭：不会抛弃的⑰。我觉得软件尤其企业软件⑮，真正的护城河有两个：第一③，就是我刚才说的这些企业里的 Know-how⑩，比如懂企业客户③、懂场景❸，这些是 AI 很难理解的⑬。就像卖东西⑳，你不可能让 AI 来帮你卖东西❸，至少现在还很难▓。

第二⑭，还是工程复杂性⑦，就是 LLM 作为单独的模块⑬，它的复杂性是没有的⑭。比如现在千问3刚出来❶，Deepseek 刚出来⑧，你只要搭上个 Ollama ③，之后暴露的 API 都一样⑮，实际上没有什么差异❶。

海燕：某种意义上❶，工程的复杂性反而更高了⑫。

东旭：有点像企业软件或 SaaS 软件一样①。到最后我觉得 AI 真正有用的场景或者有用的东西⑮，一定是不简单的⑮。哪怕就想做一个 AI 自动帮你订机票的事⑪。

海燕：只是面向用户更简单了❸，但反而把复杂的东西都留给了开发者⑯，或者说留给了专业建造者⑧。

东旭：是的❸，所以我觉得还是有门槛⑳。就像海燕刚才说的⑮，AI 就像整道菜的一把盐⑭，能够把这个菜变得更好吃③，但它还是那道菜②。

海燕：那你觉得日后企业客户的独有数据这个事还重要吗①？

东旭：当然重要❸。

海燕：以后一定会有越来越多的独有数据⑩，还是反而会打破数据的藩篱⑰，有更多的公海数据呢②？

东旭：这点我稍微有点悲观⑩。因为大家现在都知道▓，包括所有的大厂其实都已经知道数据的价值①。老实讲⑩，以前做一个很好用的软件❶，反正用户的交互数据如果没用就扔掉了❸。但现在所有的大企业⑩，只要在有用户交互的点上⑥，那都是兵家必争之地了④。数据才是未来企业最高的护城河⑬。

海燕：换句话说⑲，面向企业的软件工具④，本质上还是有三个原因⑫，导致它不会被通用的所谓的 Agents 或者大模型给吃掉：一是对它所在场景的一些独有的理解⑤，就是行业 Know-how 或者客户 Know-how①；第二是工程复杂性⑧，在 AI 时代面向用户越简单⑪，后面对工程复杂性的要求越高▓，所以需要一些专业服务⑬；第三是如何帮助企业客户用好他自身的数据▓，因为数据反而更大了④。

东旭：数据的价值更高了⑮。

海燕：所以每个企业都想保护好自己的独有数据⑯。

东旭：我用大白话来打个比喻：如果你不给大模型任何数据③，它只是像一个哲学家一样跟你讲点大道理⑦，怎么能跟“你”产生关系⑱？只有数据❸。我觉得大模型要变得有用⑰，有两点必不可少：一个是模型本身的智力⑬，就是通识⑬；第二是 context❸，你的 context 越精准⑱，这个东西就越有用④。所以在这点上▓，我觉得企业之间的壁垒会越来越大①，但是在企业内部①，数据打通会越来越通①。

海燕：我觉得你刚才提出来的关于数据库的那一条❶，有可能成为新的下一代数据库⑩，很快人人都会说⑦，但这个独有观点是咱们提出来的⑯。