您现在的位置是：网站首页>CBACBA

万人森林舞会电玩城

徐恨玉 2025-05-14 【 CBA】 4225 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⑦，华创资本管理合伙人吴海燕认为是2021年⑭。因为这一年⑧，不仅是软件行业估值的高点④，也是行业最受资本追捧的一年⑳。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❸，一类则是 2021 年没有融到钱的公司⑦。这之后④，两类公司都不可避免地遭遇挑战⑦，但困难的程度和路径选择却截然不同⑬。

华创派企业 PingCAP 就属于 2021 年融资成功的阵营⑤。那个时候他们对未来的宏观形势有所预判⑦，得以抓住机会加速了全球化的布局⑱。作为一家企业级开源分布式数据库厂商⑥，PingCAP服务的客户如今已超过20个国家和地区⑩，创立的分布式关系型数据库 TiDB②，能持续帮助企业最大化发挥数据价值⑩。

随着 AI 浪潮的来临⑨，数据价值也得到了前所未有的提升⑩。但这股大潮的影响远不止于此④，AI 将如何深刻改变企业软件的交互方式与产品形态⑥？基础软件在 AI 时代又该实现哪些自我革新和进化⑥？近日⑨，PingCAP 联合创始人兼 CTO 黄东旭做客「牛白丁」④，与吴海燕一起探讨了AI大潮冲击下⑮，软件公司该如何顺流而上⑯，发挥出自己独特的行业价值⑯。

嘉宾介绍：⑨、黄东旭❸， PingCAP 联合创始人兼 CTO

本期主播：⑨、吴海燕①，华创资本管理合伙人

以下为节目内容⑥，经过 CGCVC 编辑——

海燕：大家好❶，这里是华创资本的播客节目「牛白丁」⑧，我是吴海燕⑰。这期我们请到了 PingCAP 的联合创始人兼 CTO 黄东旭⑪。

我其实现在回想咱们的第一次见面还印象深刻⑪，你们出过一本书《与开源同行》⑧，我当时在作的序里也写了这个场景❶。我记得是2017年3月的一个早晨⑯，我和你约在 PingCAP 当时办公的东升科技园⑱，因为约的时间太早⑳，会议室里只有你一个人在等我▓。后来我才知道⑧，程序员因为工作习惯⑲，早晨一般都不在公司⑯。

东旭：那次我印象也特别深刻⑥，和你聊完以后我就去赶飞机了①。一下飞机就收到你的信息⑥，说PingCAP是家好公司⑮。

海燕：我当时也是下了飞机就告诉刘奇华创决定领投❷，他还说这是“云上”的决定❸。2017年3月我们见面②，年中完成了投资⑥，10 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①。所以那时候你们已经正式开始在北美设办公室⑧、招人了吧⑳？

东旭：没错⑱，PingCAP 2015年创立⑭，从第一天起⑨，我们就想着去做一个 global company⑤，公司成立前两年基本都在写代码▓，你说的2017年10月的那个时间点⑮，是我们真正决定要在硅谷设点⑩，开始正式运营在海外的业务❶。其实在那之前❷，我从来没有在海外工作⑲、留学过⑲，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⑰，哪怕没有条件⑱，创造条件也要去做⑮，所以我当时都没买回程机票⑮，事情没办完我就不打算回来②。

海燕：咱们那轮融资算是当时相对比较大的一笔美元⑪，你们融资后的第一件事就是立马去北美开办公室⑦。2017 年咱俩在硅谷碰面时⑲，我介绍你认识了硅谷当地一些做投资的朋友⑱。后来到了 2020 年❶，一位朋友还跟我说后悔在硅谷介绍你们认识时没有投资PingCAP⑳。

东旭：未来还有机会的⑫。我们开始国际化的时间比较早⑧，中间也踩了好多坑⑱，以后有机会我们再分享▓。

海燕：说起 2017 年❶，感觉像是昨天⑦，但实际上过去八年里已经发生了非常多的事件和变化②。站在投资人的角度⑱，说一下我感觉到的咱们这个行业的变化⑧。

2021 年实际上是软件行业估值的高点②，应该也是行业最受追捧的一年❶。 2021 年我们软件 portfolio 所获得的融资⑲，比历史上华创其余九年里软件 portfolio 的融资额加起来还要多❷。后面的几年⑯，再也回不到 2021年的盛况了⑲。

东旭：那个时候应该是美国印了很多钱①，整个资本市场有点被催熟④。

海燕：当年标志性的事件就是 Snowflake 上市⑱，超高估值上市激起了大家对软件行业非常大的热情⑬，所以行业融了很多钱❶。到了 2022 年初⑭，世界一下又变化了⑰，按下了暂停键⑩。之后的三年里⑤，直到今天⑪，企业软件公司融资就变得不太容易了⑧。

我们每次年底做行业回顾的时候⑰，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②，一类是 2021 年没有融到钱的公司⑪。这两类公司在 2022 年之后⑦，可能就是一个很大的分野②，他们或许都经历了不同程度的困难⑯。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⑰，其实大家都经历了不一样的困难②。 2021 年没有融到钱的公司⑭，就是错过了那个融资最高峰的时候⑧，所以他们每一年都在过苦日子⑲，每一年都在降本增效①。

东旭：非常 tough⑦。

海燕：活下来的可能都是“打不死的小强”了⑱。而 2021 年融到很多钱的公司⑥，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⑨。因为 2021 年你融到很多钱⑧，就意味着你当时一心想要做高增长⑫，会招很多很多人⑱，会开新的办公室⑩，花很多时间精力做销售①，不顾一切地去拿订单⑬。这是 2021 年融到很多钱的公司一定会去做的事⑳，然后在 2022 年⑳，啪⑳，一个巨大的终止符下来了⑱。所以在 2021 年融到很多钱的公司⑪，无一例外地经历了团队从很小规模到很大①，又缩回很小的这样一个阵痛的过程②。

东旭：PingCAP 也属于 21 年拿到钱的那个阵营⑩。但我们拿钱的心路历程我可能没跟海燕聊过⑮。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⑰，因为美联储持续地加息⑪、印钞⑳，我们觉得风险非常非常大⑳。 21 年正好在市场比较好的时候⑬，尤其在 Snowflake 上市以后⑥，我们知道未来马上会有苦日子⑧，所以必须在那个时候先把过冬的粮食给准备好⑦，而且当时拿那笔钱⑭，我们的一个思路并不是要去追求更高的增长⑫，而是在那个时间点之后⑪，如果你只做单一市场是不够的⑫，我们一定要在那个时间点让自己变成一个 global company▓，这样才能有更多抵御风险的能力⑫。包括到现在我们对于 spending 的控制⑬，我觉得还可以⑮，没有说突然有钱了以后就疯狂扩张⑯。

当时确实扩了一点⑫，但很快在 2022 年时⑱，我们又往回缩了一些③。倒不是因为业务的原因⑬，而是我们需要像跑马拉松一样⑨，根据最终的目标来去分配精力和能量⑯。因为当时是我们做全球化最好的时机▓，由于疫情的缘故▓，物理世界的数字化在加速⑫，包括 cloud 的 infrastructure 变得越来越成熟⑯，当然 mindset 也接近成熟⑬。所以我觉得我们还是比较幸运⑱，大多数人没有办法预测未来❷，只是正好在那个时候有一个很好的时机⑤，就活到了现在⑳。

海燕：我其实在 2021 年的时候⑧，问过几个我们拿了大钱的 portfolio❶，他们在 21 年融了不止一轮⑧，且融了非常多的钱⑭。每次他们融到大钱时②，我都会打电话问创始人：“根据咱的业务状态和进展▓，似乎没有必要一定要拿这笔钱③，你是怎么考虑的⑧？”

我不是建议他们拿或者不拿❶，只是问询一下他们的考虑⑥。这几个创始人都给了类似的答案❸。首先就是你刚才说的⑨，他们预判了现在是一个资本膨胀的时代⑲，而且资本是有周期的⑦，可能不久的将来就会是一个 downtime⑥，我们也不知道什么时候是 downtime①，但既然现在是 high time ⑬，就应该多储备一些现金⑱；第二▓，他们不介意所谓的股权稀释④，万一哪天到了 downtime②，公司有足够多的现金③，可能会比别人有更多的竞争优势⑦，可能还能收购一些钱不够了但是产品和技术很好的团队⑪。我从几个创始人那里都得到了同样的答案③，所以大家当时是看得很准的❸。

到了 23 年⑯，大家从疫情中刚刚回过神来⑫，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▓，后来 ChatGPT 迭代大家都知道了⑬。

海燕：我觉得一方面印证了 21 年大家说的一些话❸，可能后面的 downtime 你不一定能拿到很多钱▓。而 AI 大潮的来临⑩，其实抢夺了软件公司在资本化方面很稀缺的资源⑱。因为从 22 年之后⑧，不管是美股⑫、 A股⑥、港股这些比较大的二级市场❸，还是一级市场⑲，都变得非常紧缩③，流动性不足⑪，就导致股权融资变得很困难⑮。即便是上市公司❶，你要做增发⑤，要在二级市场再融资也不太容易⑲。一级市场的各种统计数据都显示⑪，从 22 年以后⑨，融资的公司数量⑳、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❷，不是说硅谷的情况就比咱们好很多⑰，大家都处于一个紧缩的时代⑩。

东旭：或者说市场的注意力都转到了 AI 这边⑳。

海燕：对⑩，在融资总规模变小的情况下⑲，AI 的占比还提升了⑰，唯一特别活跃的投融资就发生在 AI 领域⑮。尤其是最近一年特别明显⑮，市场上一些投资人甚至非 AI 项目不看⑰。

东旭：④、这是非常明显的 “The Head Effect”⑩。

海燕：这就导致很多其他行业优秀的公司⑯，在过去一两年要不融不到钱⑪，要不融到钱估值也没法看❶，对吧⑮？不是 down round 就不错了②，很多都是 flat round⑪。

软件公司在过去两年也 kind of 被大家有点遗忘了②，给人感觉是软件公司跟 AI 到底能发生什么强关联呢②？AI 时代会不会有一些完全不同的公司出来⑩，做面向企业客户的数字化⑯、智能化⑮？你在硅谷看到的变化是什么呢⑯？

东旭：我觉得现在我们真正站在一个非常大的时代的门口⑳。一直到 DeepSeek 今年春节爆火之前①，整个行业大概都是在 build prototype❸。今天有个很好的 idea⑦，我就试一试④。前两天更加夸张⑮，大模型动辄投个几千美金训练了一个新的模型出来⑨，打个榜三天以后就 hype⑦，而且 AI 的势能过大❸，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⑰，而且 Transformer 跟过去的科技创新⑳，或者软件行业的技术创新还有点不一样⑰。

过去软件的护城河或者价值⑤，其实在于业务 Know-how 还是系统复杂⑫，比如像我们的数据库⑩，过去的门槛其实在于工程复杂性⑯。就是你可能要写 100 万行代码⑤，才能表现得很好⑥。像 Salesforce 或者 ERP 软件❷，得有很深厚的技术和业务的 Know-how⑰，才能做这样的 system software⑯。包括各种 SaaS⑧，在过去都是这样的逻辑⑩。

但 AI 这波⑫，尤其是大语言模型②，它本身的注意力机制⑳，我觉得大学本科毕业的人看 Transformer 的论文看两个礼拜⑬，第一能看懂⑰，第二能自己实现出来一个⑲。我当时就想着也要学习一下⑳，看论文花了两个礼拜⑯，真的就写了一个出来❸。只是到最后还需要很多算力⑲、数据⑰，但它的机制本身是不复杂的⑰。

所以③，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⑬。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hype⑨。

海燕：Hype 之下一个很重要的心态⑳，就是 FOMO⑮。不管是个人用户⑫、企业客户还是投资人⑨、创业者⑯，大家都有不同的FOMO 情绪⑩。比如过去两年⑫，我们软件 portfolio 说现在大部分企业日子不好过⑬，数字化预算都降低了❷。但这个背景之下⑧，各个企业还都有部分预算是特意留给 AI 的⑥。就是无论如何我都得先试试 AI⑪，万一我被时代抛下怎么办⑦？

东旭：这是为什么我觉得现在是一个很重要的时间点⑭，但我们还站在门口②，没有进去②。我觉得到今年 AI 的基础能力⑱，不管是 DeepSeek 还是现在的 Tier1 的 model⑨，已经能做一些 actually something useful⑭，这是非常非常重要的⑭。

我先说一个结论：未来所有的软件▓，尤其是企业软件都会被 AI 彻底改造①，软件的形态会发生很大的改变④，但一些更深层次的内核是不会变的⑩。比如 CRM 作为销售的辅助对于本身的行业 Know-how ❸，在未来也会变成这个软件的护城河⑦，只是 AI 会改变它的整个产品形态⑥。

海燕：你话里面的第一重逻辑⑥，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⑥，不是基础的大模型就能颠覆和替代了的⑰。

为啥有这样的疑问⑩？举个例子❶，我们之前有一个 portfolio 公司要被收购了④，被收购的过程中⑧，收购方的业务层大老①，他们可能不是特别理解技术⑮，所以一直在问：都 AI 时代了⑫，还买个软件公司干嘛④？以后理论上客户不就用 AI 能替代了⑩，还要软件干嘛⑯？

东旭：就好像 AI 是万能药⑧。

海燕：对▓，有个 AI 就不需要专业的软件公司了③。这两年我也琢磨了一下⑰，到底 AI 对于软件公司意味着什么⑥？类比自动驾驶时代到来后③，车变得不一样了⑤，变得更强大了⑧，但还是需要专业的造车公司去把车给造出来⑪，你还是需要一辆车的④，对吧⑰？

东旭：举个很简单的例子⑭，比如像会计⑧，我父母都是会计师③，他们是互联网时代之前的会计⑮。现在所有的会计电商化都完成数字化了以后③，这个行业不存在了吗⑩？它还是一直存在的⑨。从古代有交易开始❸，一直到现在❸，记账这件事情从来没变过⑯，只是不同的时代我们用不同的工具⑰，它的产品形态会发生改变❸，就像 CRM ⑧，还是销售过程管理⑨。难道在 AI 普及的时代⑳，就不需要销售吗⑲？就不需要过程管理吗⑲？我觉得一定需要的⑳。只是未来软件的形态一定会比现在更加好⑲、更加智能❷。

以前我们有些事情是没有办法做到的⑤。比如我们公司在海外用的 Salesforce⑦，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⑬。比如我提个需求①，想看一下今年哪些客户买哪些 SKU❷，哪些涨得特别好⑦？重要的客户是谁⑯？哪些销售排名更靠前⑲？

海燕：你需要基于 Salesforce 做数据统计或者 BI⑫。

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⑫。我非常 respect 这些同事的工作⑩，因为企业软件一个很重要的护城河⑮，是对于这些企业的 Know-how⑫，以及这些数据在什么地方⑦，怎么把它组织起来▓，变成一个能够被提取的 insight⑭，这些其实很重要的⑤。

现在我自己做了一个 Agent④，但还是太慢了❸，还需要一些更加个性化的能力⑩。我是怎么做的呢①？我直接把我所有的Salesforce 数据全都同步到我自己的 database 上⑯。然后我自己写了一个 Agent 用 NCP 去读取我的 database⑪，它自己写 SQL⑦，我在上面就用自然语言去看③，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 ABI⑭。

东旭：虽然还不成熟⑥，但我觉得体验比以前自己打开 Salesforce⑧，然后在各处找数据做报表要好⑯。这里涉及到一个核心的逻辑——过去我们的软件都是静态的⑨。静态是什么意思呢▓？就是程序员把这个业务逻辑写好⑳，变成报表也好③，或者变成业务逻辑也好⑦，就在那⑦，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❶，相当于以前一个公司▓，比如只有高管才有助理帮他订机票⑬，现在你可以认为每一个企业软件服务的用户⑱，他自己在他的软件里面有能够提供灵活性的一层⑲。有点像过去产品底下是一个大的数据库⑱，这个数据库你是看不见的②，比如 Salesforce 底下会有各种各样的 data Infra❶，而且这些数据是被分割在不同的地方⑥。但是未来可能在产品和数据之间③，会有一层叫 Agent❶，或者 AI⑯。

海燕：云计算时代②，是把传统软件所谓的烟囱状给打破了⑪，可能 AI 时代进一步把 SaaS 的藩篱给打破了②。

东旭：是的③，而且我觉得 AI 还打破了一个事情⑤，就是人的思维局限⑦，有的时候烟囱不是在技术层面⑩，其实是在用户和产品经理的脑子里④。

海燕：我说一个我的观察⑪。我们投了相当多的软件公司⑦，各类都有⑭。我过去看到的⑤，不管是国内还是国外❶，软件有一个核心的指标叫做 Customer Retention⑦，就是客户的 retention rate❶，而 Customer Retention 的一个最大障碍就是客户买了软件之后⑩，有没有真正把软件用起来⑩？但凡真正用起来⑦，不需要是多么牛逼的软件⑬，客户的 retention 一定是好的⑭。

如果客户都没用起来⑰，他一定不会续费❸。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❷，用户要学习怎么去使用⑬。相当于一辆车⑨，这个车已经代表了现代制造业④，但问题是开车这个事情❸，包括把日常开车出门以车代步这个事情变成一个习惯⑫，它是有门槛的①，是需要去学习的⑰。你要了解车的基本架构是什么⑥？每个按键是什么功能⑲？开上之后还要掌握一定的手感⑳，你要慢慢地熟悉它⑤，习惯它的速度④，还要遵守交通规则⑰。

东旭：门槛太高了⑦。

海燕：对⑤，这些门槛导致了很多用户会缩回来⑰。哪怕这个企业客户买了▓，组织买了②，让每个同事去用⑤，很多人还是在自己的老习惯里⑤，记在小本上⑨，再把小本上的内容找一个集中的时间上传到软件里去⑦。这就说明他其实并没有掌握开车的习惯③，也就很难理解⑭，以车代步会大大地提升效率⑲、拓展能力⑰。

东旭：这种情况他真正需要什么⑨？需要一个司机❶。

海燕：但就像你刚才说的▓，不可能每个人都给配个司机⑭。

东旭：你看这个截图❷，这是我们公司的一个销售⑦。我想知道他最近在负责什么样的项目❶？所有这些数据都是动态的⑲。我也可以问他最近一次跟某某客户开会是什么时候⑥？聊了什么内容▓？就是刚才你说的每个人的司机⑭。

就像我刚才说到一个非常重要的点③，长期来看软件的门槛❷，是一直在降低的⑨。我觉得未来软件最易用的形式其实就是对话❸。

海燕：不需要用户做任何学习③，非常非常低的门槛就能用起来⑬，但凡让他还要学点啥⑨，比如要了解这个软件的整个结构⑤、功能按键等涉及到了学习成本和过去工作习惯的改变④，就会导致很多软件用不起来⑧。

东旭：没错⑳，我先描述一下我想象的未来企业软件的样子③，下一代的 Salesforce 可能会长什么样⑬？第一⑩，它是一个对话框⑥；第二⑪，你可以想象现在把所有的 Salesforce 的功能全都切成一个个碎块②，这个碎块就是一张张小卡片⑩，在你的对话中 AI 或 LLM 有点像一个 Copilot⑳，这个 Copilot 会根据你的上下文和你现在的需求⑮，把相应的碎片拿出来放到对话框里⑱。比如我现在要审批一个东西⑮，他直接在 LLM 把这个审批的按键调出来⑪。

海燕：不需要让你在一堆列表里找⑯。

东旭：这会很深刻地改变软件的产品形态▓，它不再是一个网站或者 APP❷，你可以认为它是一堆散落在各地的小的 tools⑤。

海燕：改变主要是交互层面⑤，还是别的地方⑤？

东旭：交互层面就是最重要⑮、最大的创新⑥，这种创新远比我们想象中带来的意义要大⑯。

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④，就别让用户学开车了⑯，人从不会开车到会开车是要专业培训❸，要考驾照才能上路⑪，而且还不一定能开得好①，说不定还要吃罚单④。车也是一步一步进化到全自动驾驶的⑱。到了L2 时代⑯，可能已经解决了一些问题⑥，比如自动泊车▓，不用每次停车的时候都为难倒不进去怎么办⑲？自动泊车功能就帮你倒进去了⑤。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⑬，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⑰，比如用语言去命令它：我今天就要去哪到哪⑪，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⑪，对吧①？

东旭：这一点上我大方向认可③，但是有一个小小的 comment⑩。还是用车来作一个例子⑤，我不觉得完全自动好⑭，除非全世界所有的车都被强制规定自动驾驶⑧。

海燕：不仅得规范车③，还得规范人②。

东旭：没错⑫，如果 human 还 in the Loop▓，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❸，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⑥。什么意思呢⑥？比如自动泊车⑥，对于人来说⑧，如果你在车里⑱，你其实更希望看到方向盘是怎么动的❶，以及给我个 plan④，我去确认❶，就是 human 一定要有一个 under control 的结果⑨。

海燕：这让我想起 DeepSeek R-1 的巨大创新就在这里⑲。

东旭：把思维链展开给你看⑳。

海燕：让 AI 告诉你❸，它是怎么分析和解决问题的⑱，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⑮。

东旭：对⑮，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①， AI 还是为人服务的❷，而且大语言模型有一个非常大的问题⑤，就是可解释性⑱。为什么我说 Deepseek 是一个特别重要的时间点❷，就是因为在那个时间点之前⑫，你所有用 LLM 做的东西⑮，可能最后的结果还是不具备可解释性的⑪，是个黑匣子⑮，大语言模型拍脑袋说啥就是啥⑨。但其实在 Reasoning model 普及以后⑳，你对于 AI 输出的结果⑳，是可以去做审核和判断的❷，而且就算发现有问题⑲，你也可以随时接管❶。所以现在包括 Cursor 等比较成功的 Agent 应用⑨，都是会把人当成整个软件的一部分⑳。

海燕：所以挺有意思⑱。换句话说⑩，其实 L3 级别的自动驾驶②，反而是相当长时期 stay 在那里的一个形态❶， L3 其实就是 Copilot 方式的存在⑯，它在绝大部分情况下❸，都是不需要去接管的⑱，但在必要的时候用户可以随时接管⑯。回过头来说⑯，Agent 也不是用来替代软件的⑤，而是会变成软件机制的一部分⑯，这是我们对应用软件的一些畅想或者期待⑲。

我觉得 Infra 软件和 PingCAP 做的事就更接近了⑧，因为应用软件是面向用户的⑬，所以可能 AI 时代一个重要的革新⑨，其实就是在交互层面⑮，怎么把这种可解释性⑧、自然语言的交互习惯▓，包括怎么让用户能更容易上手⑥，降低使用的门槛⑨？在这方面③，你作为从业者⑯，对于基础软件在 AI 时代有哪些观察和心得⑨？

东旭：基础软件里面我觉得最重要的几个东西⑮，我先说数据库⑰，因为我们自己就是做数据库的①。第一个结论是我们越来越重要了❶，我们最近这两年的增长④，还是比较 promising 的⑫，这里边一部分的原因⑰，尤其在一些新的 workload 里⑯，大多数都是跟 AI 相关的⑱。我觉得从客户的角度来看⑰，第一个心态就是以前很多数据①，用户因为不知道怎么利用①、分析⑥，像用 Snowflake 跑跑报表❷，最后给 CEO 看一看大图就完了⑪。

以前像 OLAP 数据仓库的很多应用场景⑫，其实就是给数据分析师或者领导写报告⑦。但是仔细想一想⑦，就是因为我们没有办法对这种海量碎片化的数据去提取⑧、利用③，我才有了做 ETL ⑪、Transform⑳、Load⑨，涵盖了将数据从一个数据源提取出来②，经过各种处理和转换⑰，最后加载到另一个数据源的全过程⑤。）做这种大数据的动机⑨，因为我需要从数据的整体去看⑬。

但今天我觉得 AI 提供了一个 possibility▓，就是我对每个人的所有的数据❶，都可以很好地利用起来⑰。所以第一点⑤，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❸，我先把它存下来⑭，因为所有数据都会有用⑳。

海燕：就是数据的价值提升了⑧，或者说开发这些数据成为可能①，导致数据的价值提升了⑳。

东旭：对于数据的存储需求⑲，是在提升的⑧。我们也有预判⑭，在云上如何给用户提供一个低成本⑨、无限拓展性的版本④，这是一个很重要的 topic⑱。第二⑥，对于数据我觉得很重要③，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⑯，目标人群是开发者⑤、DBA 或者数据分析师⑩，他们有个共同点▓，都是人④。但在 AI 尤其 LLM 或者 Agent 的时代⑯，我作为一个数据软件接口的设计者⑬，我要考虑我的用户可能不一定是人⑥，我的用户可能是 LLM⑯，可能是大语言模型❷。

海燕：就是访问数据库的⑬，不是开发者❸。

东旭：对⑫，是 Agent❷，在这种情况下③，如果按照传统思维去设计系统⑧，会非常非常奇怪⑨。举个例子❶，像 Snowflake 或者数据仓库的公司⑩，很强调自己的数据 ETL 能力⑩，要把数据来回掰扯②，变成一个报表⑯，或者一些抽象数据的 insight❶，好让大家去做分析①。

但试想一下⑳， AI 在访问你的数据时⑨，如果你给它的是一些被处理过的数据⑥，或者是一些你自己通过大脑想出来的⑩，我觉得 AI 应该用我的 open 数据的 API 去封装⑮，其实反而是不好的⑧。相当于你给 AI 一个报告⑬，它只能回答这个报告相关的上下文的东西⑯，一旦你问的问题超出了报告的边界⑤，它就没办法回答了⑯，因为你没有给它足够的数据⑥。所以对于 AI 来说④，我自己实践过最好的办法⑭，就是直接给它开放原始的数据访问权限⑫，同时再给它一个足够 flexible 的访问数据的方式③。

SQL❷，我最近做的思想实验是想象我自己是一个 AI Agent⑨，为了回答我的“老板”——我的人类主人的一个问题⑪，比如他问：最近 Top10 的销售是谁⑬？因为我只是拿到了这个需求②，同时底下是一个类似 Salesforce 的拜访记录⑤，一个原始数据⑫，最方便的办法就是我通过把“主人”给我的需求⑰，变成一个对原始数据库的 SQL 的访问⑦，这样我就可以得到一些实时的数据⑰，然后再根据这些数据去做总结⑰，有点像过去人类数据分析师干的事情❷。比如老板提了一个要求④，数据分析师回去搞报表⑥，只是现在用 AI 来实现刚才的场景▓，变得每个人都可以做⑦，而且非常轻量⑩。所以⑮，最后我得到的结论就是：SQL is still the best thing we have⑬，SQL 现在仍然是我们跟 AI 以及数据之间最好的桥梁▓。

第二⑧，以前其实有各种各样的 database 或者 data infrastructure⑩，这些 data infrastructure 如果是站在 Agent 视角⑭，它对于数据的烟囱和孤岛是很讨厌的❸。如果这些数据都在一起③，我用一条 SQL 就能关联起来⑧。但如果是在孤岛⑳，这边一个向量数据库⑳、一个文档数据库▓，那边一个 SQL 数据库③。

海燕：相当于我要翻很多墙才能完成工作⑯。

东旭：所以我觉得 Infra 的归一化也是一个特别大的趋势⑧。

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⑰，过去应用软件服务人❶，它是直接面向用户的⑬，用户使用应用软件⑨，应用软件调下面 Infra 这一层⑰，应用软件是以开发者为中心去做的②，对吧⑯？

东旭：对①，开发者写“死”了⑥。

海燕：刚才咱们提到其实应用软件更像 L3 的智能驾驶⑪，把过去很多的用户操作变成了智能化的自动操作②。本质上是把很多 Agent embed 到它的应用软件里面了⑪，代替了用户人手一条一条去点开❷、执行⑲、找界面②、找对应的空去填⑪。换句话说⑧，现在应用软件很大一部分是由各种各样的 Agents 构成的⑩，所以过去的用户访问数据库或者开发者访问数据库❸，就变成了大量的 Agents 在访问数据库⑦。

有点像过去非智能驾驶时代⑥，它是油车⑧，支撑车的是内燃机发动机⑤。但现在完全不一样了⑩，因为现在车要获取很多传感器数据去做实时的智能判断③，然后再把指令给到发动机电机去驱动车往前走或者停▓。换句话说▓，Infra 的用户变了⑥，不是开发者⑧，不是人❸，是 Agents⑨。因此 Infra 也要面向新的用户层去设计⑯、改变▓。刚才你提到的有一条很对⑬，就是统一数据库更重要④，而不是分散的▓、小的⑳、各种各样的数据库拼凑的整个 Infra 底层③。

东旭：对⑭，另外一个就是接口⑬。接口一定要用一个统一⑧、通用⑫，以及 AI 跟人都能理解的语言去访问数据⑨。现在最好的语言就是 SQL②，因为第一❷，SQL 是一个标准的语言⑱，AI 训练了这么多年⑮，用的就是它⑰；第二⑭，SQL 又是一个精准的语言⑫，SQL 写对了③，一定能够捞出数据可解释⑭。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⑳，我想看公司最近前 10 名的销售④，它给了我一个列表⑮，告诉我这个列表是根据 5 条 SQL 跑出来的④。

总之③，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⑤，而不是面向人和开发者设计软件❶，这可能是未来要面临的一个课题⑯。

第二个方面▓，我觉得基础软件里很重要的一个 category⑳，就是操作系统④。虽然我不是做操作系统的⑯，但我觉得它会发生很大的改变⑧。

操作系统以前是一个在硬件和用户中间的东西❶，相当于它把硬件的抽象给隐藏起来▓，对上面的应用软件提供标准的接口④，程序员再利用这些 System API 去做应用⑧。比如我画一个窗口⑪，其实跟我刚刚说数据库是一样的逻辑⑧，未来System API 硬件封装这层肯定要做③，但是再往上去提供操作系统本身能力的时候❸，一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②，而是 AI agent①。

所以刚才我提到像 CRM 软件⑨，未来是能够把它所有功能拆成一个一个小块⑫，然后在对话框里通过对话跟 LLM 的交互⑲，让 LLM 能够把相应的能力变成一个对话中的小block②。类比到操作系统里⑰，其实这个工作在硅谷已经有一些创业公司在做了⑮，最近这两天有个融资的项目▓，他们的 vision 就是做一个面向 AI Agent 或者 LLM 的浏览器⑤。未来⑧，浏览器可能会是一个很重要的操作系统⑮。

海燕：我也听到我们有一些 portfolio 在提这个想法⑫。换句话说⑩，云计算的时代也给 AI 打了个基础❶。AI 让软件的形态发生变化❷，其实是把过去自动化时代的一些事情推向了更加智能化▓、更加小颗粒③、更加简单⑱、更加 flexible⑩。是这样一个趋势⑥，但并不是就抛弃了软件这个形态①。

东旭：不会抛弃的③。我觉得软件尤其企业软件▓，真正的护城河有两个：第一⑦，就是我刚才说的这些企业里的 Know-how③，比如懂企业客户⑩、懂场景⑧，这些是 AI 很难理解的⑨。就像卖东西⑰，你不可能让 AI 来帮你卖东西②，至少现在还很难⑩。

第二⑫，还是工程复杂性⑪，就是 LLM 作为单独的模块①，它的复杂性是没有的⑲。比如现在千问3刚出来⑲，Deepseek 刚出来⑧，你只要搭上个 Ollama ⑫，之后暴露的 API 都一样②，实际上没有什么差异⑨。

海燕：某种意义上⑮，工程的复杂性反而更高了⑩。

东旭：有点像企业软件或 SaaS 软件一样⑳。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②。哪怕就想做一个 AI 自动帮你订机票的事⑱。

海燕：只是面向用户更简单了⑯，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⑬。

东旭：是的❸，所以我觉得还是有门槛⑪。就像海燕刚才说的❷，AI 就像整道菜的一把盐⑳，能够把这个菜变得更好吃⑰，但它还是那道菜③。

海燕：那你觉得日后企业客户的独有数据这个事还重要吗⑲？

东旭：当然重要②。

海燕：以后一定会有越来越多的独有数据⑨，还是反而会打破数据的藩篱③，有更多的公海数据呢❶？

东旭：这点我稍微有点悲观⑮。因为大家现在都知道④，包括所有的大厂其实都已经知道数据的价值❶。老实讲⑱，以前做一个很好用的软件④，反正用户的交互数据如果没用就扔掉了⑬。但现在所有的大企业⑧，只要在有用户交互的点上❶，那都是兵家必争之地了①。数据才是未来企业最高的护城河⑳。

海燕：换句话说①，面向企业的软件工具⑰，本质上还是有三个原因⑧，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❶，就是行业 Know-how 或者客户 Know-how⑯；第二是工程复杂性⑬，在 AI 时代面向用户越简单⑱，后面对工程复杂性的要求越高⑰，所以需要一些专业服务⑲；第三是如何帮助企业客户用好他自身的数据⑭，因为数据反而更大了⑧。

东旭：数据的价值更高了⑫。

海燕：所以每个企业都想保护好自己的独有数据⑧。

东旭：我用大白话来打个比喻：如果你不给大模型任何数据▓，它只是像一个哲学家一样跟你讲点大道理⑯，怎么能跟“你”产生关系④？只有数据②。我觉得大模型要变得有用②，有两点必不可少：一个是模型本身的智力❸，就是通识⑩；第二是 context⑬，你的 context 越精准⑯，这个东西就越有用⑰。所以在这点上⑮，我觉得企业之间的壁垒会越来越大①，但是在企业内部⑤，数据打通会越来越通⑭。

海燕：我觉得你刚才提出来的关于数据库的那一条⑯，有可能成为新的下一代数据库⑳，很快人人都会说⑪，但这个独有观点是咱们提出来的⑬。