您现在的位置是：网站首页>财经财经

西安电玩城哪里开着

徐凡梅 2025-05-14 【财经】 8140 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⑫，华创资本管理合伙人吴海燕认为是2021年③。因为这一年⑮，不仅是软件行业估值的高点⑮，也是行业最受资本追捧的一年③。因此⑳，她把软件公司分为两类：一类是 2021 年融到了很多钱的公司⑳，一类则是 2021 年没有融到钱的公司⑦。这之后⑲，两类公司都不可避免地遭遇挑战⑰，但困难的程度和路径选择却截然不同⑲。

华创派企业 PingCAP 就属于 2021 年融资成功的阵营⑫。那个时候他们对未来的宏观形势有所预判⑭，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⑯，PingCAP服务的客户如今已超过20个国家和地区⑯，创立的分布式关系型数据库 TiDB⑮，能持续帮助企业最大化发挥数据价值③。

随着 AI 浪潮的来临⑦，数据价值也得到了前所未有的提升⑤。但这股大潮的影响远不止于此⑫，AI 将如何深刻改变企业软件的交互方式与产品形态⑧？基础软件在 AI 时代又该实现哪些自我革新和进化⑩？近日⑦，PingCAP 联合创始人兼 CTO 黄东旭做客「牛白丁」⑳，与吴海燕一起探讨了AI大潮冲击下❶，软件公司该如何顺流而上⑱，发挥出自己独特的行业价值⑲。

嘉宾介绍：⑲、黄东旭⑬， PingCAP 联合创始人兼 CTO

本期主播：⑫、吴海燕①，华创资本管理合伙人

以下为节目内容⑮，经过 CGCVC 编辑——

海燕：大家好⑰，这里是华创资本的播客节目「牛白丁」③，我是吴海燕①。这期我们请到了 PingCAP 的联合创始人兼 CTO 黄东旭⑥。

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》③，我当时在作的序里也写了这个场景⑥。我记得是2017年3月的一个早晨⑱，我和你约在 PingCAP 当时办公的东升科技园⑦，因为约的时间太早②，会议室里只有你一个人在等我⑰。后来我才知道②，程序员因为工作习惯❷，早晨一般都不在公司⑬。

东旭：那次我印象也特别深刻❸，和你聊完以后我就去赶飞机了⑥。一下飞机就收到你的信息❶，说PingCAP是家好公司⑳。

海燕：我当时也是下了飞机就告诉刘奇华创决定领投⑩，他还说这是“云上”的决定④。2017年3月我们见面⑯，年中完成了投资⑱，10 月份刚好咱俩都分别去北美出差❷，我们在硅谷还一起见了些朋友▓。所以那时候你们已经正式开始在北美设办公室③、招人了吧⑬？

东旭：没错⑮，PingCAP 2015年创立②，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⑪，你说的2017年10月的那个时间点⑳，是我们真正决定要在硅谷设点④，开始正式运营在海外的业务⑰。其实在那之前①，我从来没有在海外工作⑭、留学过⑤，在当地也没有什么 connection ③，只是觉得这对于PingCAP的战略来说是一定要做的事情②，哪怕没有条件⑬，创造条件也要去做⑳，所以我当时都没买回程机票❸，事情没办完我就不打算回来⑭。

海燕：咱们那轮融资算是当时相对比较大的一笔美元❶，你们融资后的第一件事就是立马去北美开办公室▓。2017 年咱俩在硅谷碰面时⑬，我介绍你认识了硅谷当地一些做投资的朋友⑰。后来到了 2020 年⑮，一位朋友还跟我说后悔在硅谷介绍你们认识时没有投资PingCAP⑪。

东旭：未来还有机会的❷。我们开始国际化的时间比较早⑳，中间也踩了好多坑④，以后有机会我们再分享④。

海燕：说起 2017 年❶，感觉像是昨天❶，但实际上过去八年里已经发生了非常多的事件和变化⑯。站在投资人的角度⑲，说一下我感觉到的咱们这个行业的变化❸。

2021 年实际上是软件行业估值的高点▓，应该也是行业最受追捧的一年⑬。 2021 年我们软件 portfolio 所获得的融资⑥，比历史上华创其余九年里软件 portfolio 的融资额加起来还要多③。后面的几年⑭，再也回不到 2021年的盛况了⑳。

东旭：那个时候应该是美国印了很多钱❸，整个资本市场有点被催熟❸。

海燕：当年标志性的事件就是 Snowflake 上市⑰，超高估值上市激起了大家对软件行业非常大的热情❸，所以行业融了很多钱⑥。到了 2022 年初①，世界一下又变化了①，按下了暂停键⑯。之后的三年里⑧，直到今天⑬，企业软件公司融资就变得不太容易了⑱。

我们每次年底做行业回顾的时候⑯，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①，一类是 2021 年没有融到钱的公司⑤。这两类公司在 2022 年之后⑫，可能就是一个很大的分野⑤，他们或许都经历了不同程度的困难⑥。注意⑰，我没觉得 2021 年融到很多钱的公司就特别了不起或者顺利②，其实大家都经历了不一样的困难⑰。 2021 年没有融到钱的公司⑥，就是错过了那个融资最高峰的时候❶，所以他们每一年都在过苦日子❸，每一年都在降本增效⑭。

东旭：非常 tough③。

海燕：活下来的可能都是“打不死的小强”了⑦。而 2021 年融到很多钱的公司❸，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⑪。因为 2021 年你融到很多钱⑥，就意味着你当时一心想要做高增长④，会招很多很多人▓，会开新的办公室⑳，花很多时间精力做销售①，不顾一切地去拿订单❷。这是 2021 年融到很多钱的公司一定会去做的事⑨，然后在 2022 年④，啪④，一个巨大的终止符下来了⑪。所以在 2021 年融到很多钱的公司❷，无一例外地经历了团队从很小规模到很大⑮，又缩回很小的这样一个阵痛的过程⑦。

东旭：PingCAP 也属于 21 年拿到钱的那个阵营❷。但我们拿钱的心路历程我可能没跟海燕聊过⑲。其实我们在 20⑤、21 年已经非常明确地知道 22 年一定会有大的经济危机❸，因为美联储持续地加息⑳、印钞❸，我们觉得风险非常非常大▓。 21 年正好在市场比较好的时候▓，尤其在 Snowflake 上市以后⑯，我们知道未来马上会有苦日子⑨，所以必须在那个时候先把过冬的粮食给准备好⑯，而且当时拿那笔钱▓，我们的一个思路并不是要去追求更高的增长⑮，而是在那个时间点之后⑱，如果你只做单一市场是不够的①，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⑪。包括到现在我们对于 spending 的控制⑯，我觉得还可以⑳，没有说突然有钱了以后就疯狂扩张⑮。

当时确实扩了一点④，但很快在 2022 年时⑥，我们又往回缩了一些⑲。倒不是因为业务的原因⑱，而是我们需要像跑马拉松一样❷，根据最终的目标来去分配精力和能量⑧。因为当时是我们做全球化最好的时机⑯，由于疫情的缘故⑥，物理世界的数字化在加速⑯，包括 cloud 的 infrastructure 变得越来越成熟⑯，当然 mindset 也接近成熟⑦。所以我觉得我们还是比较幸运⑳，大多数人没有办法预测未来①，只是正好在那个时候有一个很好的时机▓，就活到了现在⑨。

海燕：我其实在 2021 年的时候③，问过几个我们拿了大钱的 portfolio⑬，他们在 21 年融了不止一轮⑤，且融了非常多的钱⑳。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❸，似乎没有必要一定要拿这笔钱②，你是怎么考虑的⑤？”

我不是建议他们拿或者不拿⑮，只是问询一下他们的考虑⑫。这几个创始人都给了类似的答案⑯。首先就是你刚才说的③，他们预判了现在是一个资本膨胀的时代⑦，而且资本是有周期的⑩，可能不久的将来就会是一个 downtime⑰，我们也不知道什么时候是 downtime⑪，但既然现在是 high time ⑲，就应该多储备一些现金❶；第二⑲，他们不介意所谓的股权稀释❷，万一哪天到了 downtime⑦，公司有足够多的现金②，可能会比别人有更多的竞争优势⑲，可能还能收购一些钱不够了但是产品和技术很好的团队⑳。我从几个创始人那里都得到了同样的答案⑤，所以大家当时是看得很准的⑬。

到了 23 年⑬，大家从疫情中刚刚回过神来③，又一个大的时代到来了—— ChatGPT 3.5 发布了⑩。

东旭：其实 Open AI 在 GPT-2 出来的时候我就开始在玩⑰，后来 ChatGPT 迭代大家都知道了⑳。

海燕：我觉得一方面印证了 21 年大家说的一些话⑩，可能后面的 downtime 你不一定能拿到很多钱⑲。而 AI 大潮的来临⑫，其实抢夺了软件公司在资本化方面很稀缺的资源⑥。因为从 22 年之后⑩，不管是美股⑳、 A股⑨、港股这些比较大的二级市场⑦，还是一级市场⑰，都变得非常紧缩❸，流动性不足⑤，就导致股权融资变得很困难⑬。即便是上市公司⑫，你要做增发⑫，要在二级市场再融资也不太容易⑫。一级市场的各种统计数据都显示⑫，从 22 年以后⑮，融资的公司数量①、总的融资金额都在不断地下降⑲。我觉得这个情况在硅谷和在北京都是一样的⑦，不是说硅谷的情况就比咱们好很多❷，大家都处于一个紧缩的时代⑱。

东旭：或者说市场的注意力都转到了 AI 这边⑫。

海燕：对⑲，在融资总规模变小的情况下⑭，AI 的占比还提升了③，唯一特别活跃的投融资就发生在 AI 领域❶。尤其是最近一年特别明显③，市场上一些投资人甚至非 AI 项目不看❶。

东旭：④、这是非常明显的 “The Head Effect”⑱。

海燕：这就导致很多其他行业优秀的公司①，在过去一两年要不融不到钱⑬，要不融到钱估值也没法看⑭，对吧❷？不是 down round 就不错了⑭，很多都是 flat round③。

软件公司在过去两年也 kind of 被大家有点遗忘了⑳，给人感觉是软件公司跟 AI 到底能发生什么强关联呢⑩？AI 时代会不会有一些完全不同的公司出来⑧，做面向企业客户的数字化▓、智能化⑭？你在硅谷看到的变化是什么呢⑭？

东旭：我觉得现在我们真正站在一个非常大的时代的门口⑲。一直到 DeepSeek 今年春节爆火之前③，整个行业大概都是在 build prototype⑦。今天有个很好的 idea⑧，我就试一试▓。前两天更加夸张⑰，大模型动辄投个几千美金训练了一个新的模型出来❶，打个榜三天以后就 hype⑱，而且 AI 的势能过大❸，导致 hype 时间非常短⑪，因为所有的注意力和资源都砸在这个方向上⑯，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⑫。

过去软件的护城河或者价值❶，其实在于业务 Know-how 还是系统复杂⑳，比如像我们的数据库①，过去的门槛其实在于工程复杂性⑱。就是你可能要写 100 万行代码⑬，才能表现得很好⑯。像 Salesforce 或者 ERP 软件⑭，得有很深厚的技术和业务的 Know-how⑳，才能做这样的 system software❶。包括各种 SaaS⑤，在过去都是这样的逻辑❷。

但 AI 这波④，尤其是大语言模型⑮，它本身的注意力机制⑱，我觉得大学本科毕业的人看 Transformer 的论文看两个礼拜⑪，第一能看懂③，第二能自己实现出来一个❸。我当时就想着也要学习一下▓，看论文花了两个礼拜⑱，真的就写了一个出来⑰。只是到最后还需要很多算力⑲、数据⑱，但它的机制本身是不复杂的⑫。

所以⑤，创业者投身AI⑤，尤其是大语言模型的门槛其实比以前是低很多的⑥。加上全世界的资本全都集中在这❶，大家其实一直在经历各种各样的三天一遍的一个hype⑮。

海燕：Hype 之下一个很重要的心态④，就是 FOMO⑲。不管是个人用户⑫、企业客户还是投资人❸、创业者⑱，大家都有不同的FOMO 情绪⑱。比如过去两年⑨，我们软件 portfolio 说现在大部分企业日子不好过②，数字化预算都降低了⑧。但这个背景之下①，各个企业还都有部分预算是特意留给 AI 的⑦。就是无论如何我都得先试试 AI⑳，万一我被时代抛下怎么办⑥？

东旭：这是为什么我觉得现在是一个很重要的时间点⑰，但我们还站在门口①，没有进去⑭。我觉得到今年 AI 的基础能力⑬，不管是 DeepSeek 还是现在的 Tier1 的 model⑩，已经能做一些 actually something useful⑩，这是非常非常重要的⑤。

我先说一个结论：未来所有的软件⑬，尤其是企业软件都会被 AI 彻底改造⑲，软件的形态会发生很大的改变❸，但一些更深层次的内核是不会变的❸。比如 CRM 作为销售的辅助对于本身的行业 Know-how ⑪，在未来也会变成这个软件的护城河⑰，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⑨，至少给了我们软件行业的创业者一个 comfort⑭，专业的企业软件公司还是需要的⑤，不是基础的大模型就能颠覆和替代了的⑱。

为啥有这样的疑问❷？举个例子⑬，我们之前有一个 portfolio 公司要被收购了❸，被收购的过程中②，收购方的业务层大老⑨，他们可能不是特别理解技术⑲，所以一直在问：都 AI 时代了⑰，还买个软件公司干嘛❷？以后理论上客户不就用 AI 能替代了⑰，还要软件干嘛⑦？

东旭：就好像 AI 是万能药⑥。

海燕：对⑲，有个 AI 就不需要专业的软件公司了⑲。这两年我也琢磨了一下⑮，到底 AI 对于软件公司意味着什么③？类比自动驾驶时代到来后❶，车变得不一样了❷，变得更强大了⑫，但还是需要专业的造车公司去把车给造出来⑫，你还是需要一辆车的❸，对吧⑦？

东旭：举个很简单的例子⑮，比如像会计③，我父母都是会计师⑤，他们是互联网时代之前的会计⑰。现在所有的会计电商化都完成数字化了以后⑲，这个行业不存在了吗⑮？它还是一直存在的❶。从古代有交易开始▓，一直到现在⑬，记账这件事情从来没变过❸，只是不同的时代我们用不同的工具⑳，它的产品形态会发生改变⑰，就像 CRM ❸，还是销售过程管理⑧。难道在 AI 普及的时代⑮，就不需要销售吗④？就不需要过程管理吗⑯？我觉得一定需要的③。只是未来软件的形态一定会比现在更加好❸、更加智能⑳。

以前我们有些事情是没有办法做到的⑨。比如我们公司在海外用的 Salesforce⑯，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②。比如我提个需求①，想看一下今年哪些客户买哪些 SKU②，哪些涨得特别好⑯？重要的客户是谁⑰？哪些销售排名更靠前③？

海燕：你需要基于 Salesforce 做数据统计或者 BI⑨。

东旭：以前都得靠人⑰，而且我提一个需求可能两天以后才能做好⑬。我非常 respect 这些同事的工作⑦，因为企业软件一个很重要的护城河⑭，是对于这些企业的 Know-how⑪，以及这些数据在什么地方⑧，怎么把它组织起来❶，变成一个能够被提取的 insight⑲，这些其实很重要的④。

现在我自己做了一个 Agent⑨，但还是太慢了⑳，还需要一些更加个性化的能力❷。我是怎么做的呢⑨？我直接把我所有的Salesforce 数据全都同步到我自己的 database 上③。然后我自己写了一个 Agent 用 NCP 去读取我的 database⑮，它自己写 SQL⑨，我在上面就用自然语言去看⑤，比如最近 10 天最好的销售排名⑲。

海燕：你已经实现了传说中的 ABI❶。

东旭：虽然还不成熟⑨，但我觉得体验比以前自己打开 Salesforce⑪，然后在各处找数据做报表要好❷。这里涉及到一个核心的逻辑——过去我们的软件都是静态的③。静态是什么意思呢⑩？就是程序员把这个业务逻辑写好①，变成报表也好❸，或者变成业务逻辑也好④，就在那❸，它没有任何机会去变化⑲。

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①，相当于以前一个公司④，比如只有高管才有助理帮他订机票⑤，现在你可以认为每一个企业软件服务的用户❷，他自己在他的软件里面有能够提供灵活性的一层⑤。有点像过去产品底下是一个大的数据库⑬，这个数据库你是看不见的⑯，比如 Salesforce 底下会有各种各样的 data Infra⑱，而且这些数据是被分割在不同的地方⑮。但是未来可能在产品和数据之间⑮，会有一层叫 Agent⑭，或者 AI⑮。

海燕：云计算时代⑩，是把传统软件所谓的烟囱状给打破了⑨，可能 AI 时代进一步把 SaaS 的藩篱给打破了④。

东旭：是的②，而且我觉得 AI 还打破了一个事情④，就是人的思维局限②，有的时候烟囱不是在技术层面❷，其实是在用户和产品经理的脑子里▓。

海燕：我说一个我的观察❷。我们投了相当多的软件公司❶，各类都有⑫。我过去看到的⑤，不管是国内还是国外⑰，软件有一个核心的指标叫做 Customer Retention▓，就是客户的 retention rate③，而 Customer Retention 的一个最大障碍就是客户买了软件之后⑥，有没有真正把软件用起来⑧？但凡真正用起来②，不需要是多么牛逼的软件❸，客户的 retention 一定是好的⑳。

如果客户都没用起来⑨，他一定不会续费⑳。那么客户用软件的障碍又在哪里①？细究一下会发现所有的软件都是有使用门槛的⑤，用户要学习怎么去使用⑧。相当于一辆车④，这个车已经代表了现代制造业①，但问题是开车这个事情①，包括把日常开车出门以车代步这个事情变成一个习惯②，它是有门槛的⑨，是需要去学习的⑰。你要了解车的基本架构是什么⑨？每个按键是什么功能⑪？开上之后还要掌握一定的手感⑰，你要慢慢地熟悉它⑬，习惯它的速度⑧，还要遵守交通规则⑲。

东旭：门槛太高了⑯。

海燕：对⑳，这些门槛导致了很多用户会缩回来⑫。哪怕这个企业客户买了⑬，组织买了❶，让每个同事去用⑧，很多人还是在自己的老习惯里⑫，记在小本上⑥，再把小本上的内容找一个集中的时间上传到软件里去④。这就说明他其实并没有掌握开车的习惯⑨，也就很难理解④，以车代步会大大地提升效率⑨、拓展能力⑨。

东旭：这种情况他真正需要什么▓？需要一个司机②。

海燕：但就像你刚才说的⑥，不可能每个人都给配个司机②。

东旭：你看这个截图①，这是我们公司的一个销售⑪。我想知道他最近在负责什么样的项目⑤？所有这些数据都是动态的⑦。我也可以问他最近一次跟某某客户开会是什么时候⑦？聊了什么内容⑧？就是刚才你说的每个人的司机⑮。

就像我刚才说到一个非常重要的点⑰，长期来看软件的门槛❸，是一直在降低的▓。我觉得未来软件最易用的形式其实就是对话⑥。

海燕：不需要用户做任何学习⑫，非常非常低的门槛就能用起来⑫，但凡让他还要学点啥⑯，比如要了解这个软件的整个结构⑪、功能按键等涉及到了学习成本和过去工作习惯的改变③，就会导致很多软件用不起来④。

东旭：没错⑨，我先描述一下我想象的未来企业软件的样子❶，下一代的 Salesforce 可能会长什么样⑭？第一⑬，它是一个对话框⑥；第二⑫，你可以想象现在把所有的 Salesforce 的功能全都切成一个个碎块⑪，这个碎块就是一张张小卡片⑥，在你的对话中 AI 或 LLM 有点像一个 Copilot⑦，这个 Copilot 会根据你的上下文和你现在的需求①，把相应的碎片拿出来放到对话框里⑫。比如我现在要审批一个东西⑦，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⑪。

东旭：这会很深刻地改变软件的产品形态❸，它不再是一个网站或者 APP⑩，你可以认为它是一堆散落在各地的小的 tools⑰。

海燕：改变主要是交互层面⑤，还是别的地方⑮？

东旭：交互层面就是最重要⑩、最大的创新⑩，这种创新远比我们想象中带来的意义要大⑤。

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⑬，就别让用户学开车了❷，人从不会开车到会开车是要专业培训⑪，要考驾照才能上路⑫，而且还不一定能开得好⑱，说不定还要吃罚单⑥。车也是一步一步进化到全自动驾驶的❶。到了L2 时代⑪，可能已经解决了一些问题①，比如自动泊车⑱，不用每次停车的时候都为难倒不进去怎么办⑦？自动泊车功能就帮你倒进去了❶。这可能只是先帮你解决一些开车不自信的问题⑱。等有一天达到 L3 甚至 L4 级别了⑤，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⑤，比如用语言去命令它：我今天就要去哪到哪▓，根本不用再碰方向盘了⑯，很可能那时候车都不一定再有方向盘这个东西⑫，对吧❷？

东旭：这一点上我大方向认可⑭，但是有一个小小的 comment⑬。还是用车来作一个例子❶，我不觉得完全自动好❷，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⑯，还得规范人⑮。

东旭：没错⑩，如果 human 还 in the Loop①，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⑫，很多时候不是越自动越好⑬，而是你给我的结果要具备一个人能理解的可解释性⑰。什么意思呢❷？比如自动泊车④，对于人来说⑰，如果你在车里⑰，你其实更希望看到方向盘是怎么动的⑫，以及给我个 plan⑯，我去确认▓，就是 human 一定要有一个 under control 的结果⑬。

海燕：这让我想起 DeepSeek R-1 的巨大创新就在这里⑮。

东旭：把思维链展开给你看⑥。

海燕：让 AI 告诉你⑥，它是怎么分析和解决问题的⑦，它把思维链展开给你看了⑦，这个交互本身就是非常非常破圈的一点④。

东旭：对⑲，所以为什么我觉得交互的改变意义深远④，现在不管怎么样⑦， 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⑱，就是可解释性⑱。为什么我说 Deepseek 是一个特别重要的时间点⑨，就是因为在那个时间点之前⑩，你所有用 LLM 做的东西⑬，可能最后的结果还是不具备可解释性的⑱，是个黑匣子⑳，大语言模型拍脑袋说啥就是啥⑨。但其实在 Reasoning model 普及以后▓，你对于 AI 输出的结果⑯，是可以去做审核和判断的⑪，而且就算发现有问题⑰，你也可以随时接管①。所以现在包括 Cursor 等比较成功的 Agent 应用⑧，都是会把人当成整个软件的一部分⑱。

海燕：所以挺有意思⑳。换句话说⑤，其实 L3 级别的自动驾驶⑱，反而是相当长时期 stay 在那里的一个形态⑰， L3 其实就是 Copilot 方式的存在⑰，它在绝大部分情况下⑫，都是不需要去接管的⑬，但在必要的时候用户可以随时接管⑪。回过头来说⑦，Agent 也不是用来替代软件的⑲，而是会变成软件机制的一部分⑨，这是我们对应用软件的一些畅想或者期待⑬。

我觉得 Infra 软件和 PingCAP 做的事就更接近了⑪，因为应用软件是面向用户的①，所以可能 AI 时代一个重要的革新▓，其实就是在交互层面⑳，怎么把这种可解释性⑧、自然语言的交互习惯③，包括怎么让用户能更容易上手❷，降低使用的门槛⑮？在这方面⑫，你作为从业者③，对于基础软件在 AI 时代有哪些观察和心得③？

东旭：基础软件里面我觉得最重要的几个东西▓，我先说数据库⑨，因为我们自己就是做数据库的⑲。第一个结论是我们越来越重要了③，我们最近这两年的增长⑩，还是比较 promising 的⑩，这里边一部分的原因❶，尤其在一些新的 workload 里⑱，大多数都是跟 AI 相关的⑤。我觉得从客户的角度来看⑭，第一个心态就是以前很多数据▓，用户因为不知道怎么利用②、分析②，像用 Snowflake 跑跑报表②，最后给 CEO 看一看大图就完了⑦。

以前像 OLAP 数据仓库的很多应用场景②，其实就是给数据分析师或者领导写报告⑬。但是仔细想一想⑥，就是因为我们没有办法对这种海量碎片化的数据去提取❶、利用▓，我才有了做 ETL ⑤、Transform⑥、Load❸，涵盖了将数据从一个数据源提取出来⑫，经过各种处理和转换⑯，最后加载到另一个数据源的全过程⑧。）做这种大数据的动机⑮，因为我需要从数据的整体去看⑪。

但今天我觉得 AI 提供了一个 possibility⑲，就是我对每个人的所有的数据⑯，都可以很好地利用起来⑫。所以第一点⑱，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⑰，我先把它存下来⑲，因为所有数据都会有用⑪。

海燕：就是数据的价值提升了⑨，或者说开发这些数据成为可能①，导致数据的价值提升了❶。

东旭：对于数据的存储需求②，是在提升的⑳。我们也有预判⑪，在云上如何给用户提供一个低成本⑰、无限拓展性的版本⑥，这是一个很重要的 topic❶。第二③，对于数据我觉得很重要▓，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⑭，目标人群是开发者⑫、DBA 或者数据分析师⑱，他们有个共同点⑤，都是人⑮。但在 AI 尤其 LLM 或者 Agent 的时代⑤，我作为一个数据软件接口的设计者⑯，我要考虑我的用户可能不一定是人①，我的用户可能是 LLM⑲，可能是大语言模型⑬。

海燕：就是访问数据库的❷，不是开发者❶。

东旭：对①，是 Agent⑲，在这种情况下⑱，如果按照传统思维去设计系统⑰，会非常非常奇怪⑨。举个例子⑨，像 Snowflake 或者数据仓库的公司⑳，很强调自己的数据 ETL 能力❷，要把数据来回掰扯①，变成一个报表⑧，或者一些抽象数据的 insight⑩，好让大家去做分析⑳。

但试想一下②， AI 在访问你的数据时⑩，如果你给它的是一些被处理过的数据⑩，或者是一些你自己通过大脑想出来的❸，我觉得 AI 应该用我的 open 数据的 API 去封装⑲，其实反而是不好的⑲。相当于你给 AI 一个报告❸，它只能回答这个报告相关的上下文的东西③，一旦你问的问题超出了报告的边界④，它就没办法回答了⑬，因为你没有给它足够的数据⑨。所以对于 AI 来说①，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❷，同时再给它一个足够 flexible 的访问数据的方式⑥。

SQL⑥，我最近做的思想实验是想象我自己是一个 AI Agent⑳，为了回答我的“老板”——我的人类主人的一个问题❶，比如他问：最近 Top10 的销售是谁①？因为我只是拿到了这个需求④，同时底下是一个类似 Salesforce 的拜访记录⑪，一个原始数据②，最方便的办法就是我通过把“主人”给我的需求⑭，变成一个对原始数据库的 SQL 的访问⑨，这样我就可以得到一些实时的数据❶，然后再根据这些数据去做总结⑧，有点像过去人类数据分析师干的事情②。比如老板提了一个要求⑳，数据分析师回去搞报表❸，只是现在用 AI 来实现刚才的场景⑪，变得每个人都可以做①，而且非常轻量⑳。所以⑧，最后我得到的结论就是：SQL is still the best thing we have⑲，SQL 现在仍然是我们跟 AI 以及数据之间最好的桥梁⑲。

第二⑱，以前其实有各种各样的 database 或者 data infrastructure⑮，这些 data infrastructure 如果是站在 Agent 视角④，它对于数据的烟囱和孤岛是很讨厌的③。如果这些数据都在一起⑪，我用一条 SQL 就能关联起来⑬。但如果是在孤岛④，这边一个向量数据库⑯、一个文档数据库⑳，那边一个 SQL 数据库⑫。

海燕：相当于我要翻很多墙才能完成工作⑦。

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▓，过去应用软件服务人⑮，它是直接面向用户的④，用户使用应用软件⑮，应用软件调下面 Infra 这一层⑭，应用软件是以开发者为中心去做的⑫，对吧⑪？

东旭：对⑩，开发者写“死”了⑧。

海燕：刚才咱们提到其实应用软件更像 L3 的智能驾驶❷，把过去很多的用户操作变成了智能化的自动操作▓。本质上是把很多 Agent embed 到它的应用软件里面了②，代替了用户人手一条一条去点开❷、执行②、找界面⑱、找对应的空去填⑧。换句话说❷，现在应用软件很大一部分是由各种各样的 Agents 构成的⑤，所以过去的用户访问数据库或者开发者访问数据库⑮，就变成了大量的 Agents 在访问数据库⑭。

有点像过去非智能驾驶时代②，它是油车⑰，支撑车的是内燃机发动机⑳。但现在完全不一样了④，因为现在车要获取很多传感器数据去做实时的智能判断⑳，然后再把指令给到发动机电机去驱动车往前走或者停⑮。换句话说⑨，Infra 的用户变了⑩，不是开发者⑮，不是人⑨，是 Agents❷。因此 Infra 也要面向新的用户层去设计⑱、改变❸。刚才你提到的有一条很对⑲，就是统一数据库更重要①，而不是分散的▓、小的⑩、各种各样的数据库拼凑的整个 Infra 底层❸。

东旭：对⑬，另外一个就是接口⑨。接口一定要用一个统一⑱、通用⑬，以及 AI 跟人都能理解的语言去访问数据⑭。现在最好的语言就是 SQL③，因为第一⑨，SQL 是一个标准的语言⑩，AI 训练了这么多年⑨，用的就是它⑰；第二⑬，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⑩。第三①， SQL 也是可以被人类读的▓，比如刚才我给你看的那个例子⑥，我想看公司最近前 10 名的销售⑱，它给了我一个列表⑥，告诉我这个列表是根据 5 条 SQL 跑出来的❸。

总之②，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❷，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▓。

第二个方面⑯，我觉得基础软件里很重要的一个 category❷，就是操作系统③。虽然我不是做操作系统的⑩，但我觉得它会发生很大的改变❸。

操作系统以前是一个在硬件和用户中间的东西⑳，相当于它把硬件的抽象给隐藏起来⑫，对上面的应用软件提供标准的接口⑤，程序员再利用这些 System API 去做应用⑦。比如我画一个窗口⑥，其实跟我刚刚说数据库是一样的逻辑⑲，未来System API 硬件封装这层肯定要做⑯，但是再往上去提供操作系统本身能力的时候⑤，一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⑥，而是 AI agent❸。

所以刚才我提到像 CRM 软件⑪，未来是能够把它所有功能拆成一个一个小块⑯，然后在对话框里通过对话跟 LLM 的交互②，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⑨，其实这个工作在硅谷已经有一些创业公司在做了⑲，最近这两天有个融资的项目⑯，他们的 vision 就是做一个面向 AI Agent 或者 LLM 的浏览器⑫。未来⑱，浏览器可能会是一个很重要的操作系统⑪。

海燕：我也听到我们有一些 portfolio 在提这个想法⑰。换句话说⑩，云计算的时代也给 AI 打了个基础④。AI 让软件的形态发生变化⑨，其实是把过去自动化时代的一些事情推向了更加智能化⑯、更加小颗粒⑤、更加简单▓、更加 flexible⑰。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⑧。我觉得软件尤其企业软件⑭，真正的护城河有两个：第一⑤，就是我刚才说的这些企业里的 Know-how⑦，比如懂企业客户④、懂场景❸，这些是 AI 很难理解的⑯。就像卖东西③，你不可能让 AI 来帮你卖东西⑬，至少现在还很难⑯。

第二⑦，还是工程复杂性⑩，就是 LLM 作为单独的模块⑮，它的复杂性是没有的⑭。比如现在千问3刚出来⑭，Deepseek 刚出来⑨，你只要搭上个 Ollama ⑳，之后暴露的 API 都一样⑱，实际上没有什么差异❶。

海燕：某种意义上⑩，工程的复杂性反而更高了❶。

东旭：有点像企业软件或 SaaS 软件一样⑰。到最后我觉得 AI 真正有用的场景或者有用的东西❸，一定是不简单的⑬。哪怕就想做一个 AI 自动帮你订机票的事⑰。

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⑦，或者说留给了专业建造者⑨。

东旭：是的⑲，所以我觉得还是有门槛⑪。就像海燕刚才说的③，AI 就像整道菜的一把盐⑱，能够把这个菜变得更好吃⑲，但它还是那道菜⑨。

海燕：那你觉得日后企业客户的独有数据这个事还重要吗⑱？

东旭：当然重要⑳。

海燕：以后一定会有越来越多的独有数据⑦，还是反而会打破数据的藩篱②，有更多的公海数据呢❶？

东旭：这点我稍微有点悲观⑰。因为大家现在都知道⑰，包括所有的大厂其实都已经知道数据的价值⑰。老实讲⑦，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⑮。但现在所有的大企业⑩，只要在有用户交互的点上⑤，那都是兵家必争之地了⑫。数据才是未来企业最高的护城河⑫。

海燕：换句话说⑰，面向企业的软件工具⑲，本质上还是有三个原因⑩，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②，就是行业 Know-how 或者客户 Know-how⑥；第二是工程复杂性⑫，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②；第三是如何帮助企业客户用好他自身的数据⑱，因为数据反而更大了⑪。

东旭：数据的价值更高了⑩。

海燕：所以每个企业都想保护好自己的独有数据❶。

东旭：我用大白话来打个比喻：如果你不给大模型任何数据⑦，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①。我觉得大模型要变得有用⑫，有两点必不可少：一个是模型本身的智力⑯，就是通识❷；第二是 context⑥，你的 context 越精准⑬，这个东西就越有用⑰。所以在这点上③，我觉得企业之间的壁垒会越来越大⑬，但是在企业内部②，数据打通会越来越通⑧。

海燕：我觉得你刚才提出来的关于数据库的那一条⑤，有可能成为新的下一代数据库⑲，很快人人都会说❸，但这个独有观点是咱们提出来的⑪。