您现在的位置是：网站首页>军事军事

澳门电玩城官方下载

邵新波 2025-05-14 【军事】 1557 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▓，华创资本管理合伙人吴海燕认为是2021年❶。因为这一年⑲，不仅是软件行业估值的高点⑤，也是行业最受资本追捧的一年❶。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⑤，一类则是 2021 年没有融到钱的公司⑮。这之后①，两类公司都不可避免地遭遇挑战⑬，但困难的程度和路径选择却截然不同⑫。

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⑩，得以抓住机会加速了全球化的布局⑫。作为一家企业级开源分布式数据库厂商⑫，PingCAP服务的客户如今已超过20个国家和地区⑳，创立的分布式关系型数据库 TiDB⑬，能持续帮助企业最大化发挥数据价值⑬。

随着 AI 浪潮的来临⑦，数据价值也得到了前所未有的提升⑨。但这股大潮的影响远不止于此⑰，AI 将如何深刻改变企业软件的交互方式与产品形态❸？基础软件在 AI 时代又该实现哪些自我革新和进化⑭？近日❷，PingCAP 联合创始人兼 CTO 黄东旭做客「牛白丁」⑨，与吴海燕一起探讨了AI大潮冲击下❷，软件公司该如何顺流而上⑰，发挥出自己独特的行业价值⑬。

嘉宾介绍：⑦、黄东旭⑳， PingCAP 联合创始人兼 CTO

本期主播：⑬、吴海燕⑲，华创资本管理合伙人

以下为节目内容❷，经过 CGCVC 编辑——

海燕：大家好⑧，这里是华创资本的播客节目「牛白丁」⑯，我是吴海燕⑤。这期我们请到了 PingCAP 的联合创始人兼 CTO 黄东旭②。

我其实现在回想咱们的第一次见面还印象深刻⑨，你们出过一本书《与开源同行》②，我当时在作的序里也写了这个场景⑪。我记得是2017年3月的一个早晨⑬，我和你约在 PingCAP 当时办公的东升科技园①，因为约的时间太早❷，会议室里只有你一个人在等我⑪。后来我才知道③，程序员因为工作习惯⑳，早晨一般都不在公司⑬。

东旭：那次我印象也特别深刻⑰，和你聊完以后我就去赶飞机了④。一下飞机就收到你的信息⑦，说PingCAP是家好公司❸。

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⑪。2017年3月我们见面②，年中完成了投资⑬，10 月份刚好咱俩都分别去北美出差⑥，我们在硅谷还一起见了些朋友⑥。所以那时候你们已经正式开始在北美设办公室⑱、招人了吧⑪？

东旭：没错④，PingCAP 2015年创立⑲，从第一天起⑦，我们就想着去做一个 global company③，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②，是我们真正决定要在硅谷设点⑧，开始正式运营在海外的业务⑯。其实在那之前▓，我从来没有在海外工作⑯、留学过⑫，在当地也没有什么 connection ④，只是觉得这对于PingCAP的战略来说是一定要做的事情❷，哪怕没有条件⑥，创造条件也要去做⑳，所以我当时都没买回程机票⑨，事情没办完我就不打算回来⑧。

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⑤。2017 年咱俩在硅谷碰面时▓，我介绍你认识了硅谷当地一些做投资的朋友⑧。后来到了 2020 年▓，一位朋友还跟我说后悔在硅谷介绍你们认识时没有投资PingCAP⑭。

东旭：未来还有机会的⑱。我们开始国际化的时间比较早⑭，中间也踩了好多坑②，以后有机会我们再分享⑥。

海燕：说起 2017 年⑨，感觉像是昨天⑨，但实际上过去八年里已经发生了非常多的事件和变化⑧。站在投资人的角度⑳，说一下我感觉到的咱们这个行业的变化①。

2021 年实际上是软件行业估值的高点⑭，应该也是行业最受追捧的一年②。 2021 年我们软件 portfolio 所获得的融资③，比历史上华创其余九年里软件 portfolio 的融资额加起来还要多②。后面的几年⑯，再也回不到 2021年的盛况了⑨。

东旭：那个时候应该是美国印了很多钱⑱，整个资本市场有点被催熟⑪。

海燕：当年标志性的事件就是 Snowflake 上市⑪，超高估值上市激起了大家对软件行业非常大的热情④，所以行业融了很多钱①。到了 2022 年初⑲，世界一下又变化了⑭，按下了暂停键⑬。之后的三年里⑳，直到今天⑥，企业软件公司融资就变得不太容易了⑲。

我们每次年底做行业回顾的时候⑮，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⑮，一类是 2021 年没有融到钱的公司①。这两类公司在 2022 年之后⑲，可能就是一个很大的分野⑱，他们或许都经历了不同程度的困难▓。注意①，我没觉得 2021 年融到很多钱的公司就特别了不起或者顺利①，其实大家都经历了不一样的困难⑱。 2021 年没有融到钱的公司⑪，就是错过了那个融资最高峰的时候❸，所以他们每一年都在过苦日子⑬，每一年都在降本增效❸。

东旭：非常 tough⑭。

海燕：活下来的可能都是“打不死的小强”了⑲。而 2021 年融到很多钱的公司⑱，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⑯。因为 2021 年你融到很多钱⑯，就意味着你当时一心想要做高增长⑤，会招很多很多人⑦，会开新的办公室①，花很多时间精力做销售⑤，不顾一切地去拿订单▓。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⑯，啪②，一个巨大的终止符下来了⑲。所以在 2021 年融到很多钱的公司⑮，无一例外地经历了团队从很小规模到很大⑲，又缩回很小的这样一个阵痛的过程①。

东旭：PingCAP 也属于 21 年拿到钱的那个阵营⑤。但我们拿钱的心路历程我可能没跟海燕聊过⑪。其实我们在 20⑰、21 年已经非常明确地知道 22 年一定会有大的经济危机⑦，因为美联储持续地加息③、印钞⑩，我们觉得风险非常非常大⑫。 21 年正好在市场比较好的时候❷，尤其在 Snowflake 上市以后⑪，我们知道未来马上会有苦日子②，所以必须在那个时候先把过冬的粮食给准备好②，而且当时拿那笔钱⑥，我们的一个思路并不是要去追求更高的增长❸，而是在那个时间点之后⑲，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⑩。包括到现在我们对于 spending 的控制⑧，我觉得还可以⑦，没有说突然有钱了以后就疯狂扩张⑩。

当时确实扩了一点④，但很快在 2022 年时⑭，我们又往回缩了一些①。倒不是因为业务的原因⑬，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▓。因为当时是我们做全球化最好的时机②，由于疫情的缘故⑤，物理世界的数字化在加速⑳，包括 cloud 的 infrastructure 变得越来越成熟⑦，当然 mindset 也接近成熟⑨。所以我觉得我们还是比较幸运⑲，大多数人没有办法预测未来⑰，只是正好在那个时候有一个很好的时机⑧，就活到了现在④。

海燕：我其实在 2021 年的时候❶，问过几个我们拿了大钱的 portfolio⑬，他们在 21 年融了不止一轮⑬，且融了非常多的钱⑭。每次他们融到大钱时⑪，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⑪，你是怎么考虑的⑯？”

我不是建议他们拿或者不拿④，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▓。首先就是你刚才说的①，他们预判了现在是一个资本膨胀的时代⑮，而且资本是有周期的②，可能不久的将来就会是一个 downtime❸，我们也不知道什么时候是 downtime⑦，但既然现在是 high time ⑦，就应该多储备一些现金⑰；第二⑰，他们不介意所谓的股权稀释⑨，万一哪天到了 downtime⑦，公司有足够多的现金❶，可能会比别人有更多的竞争优势⑩，可能还能收购一些钱不够了但是产品和技术很好的团队④。我从几个创始人那里都得到了同样的答案①，所以大家当时是看得很准的⑲。

到了 23 年⑳，大家从疫情中刚刚回过神来⑭，又一个大的时代到来了—— ChatGPT 3.5 发布了③。

东旭：其实 Open AI 在 GPT-2 出来的时候我就开始在玩⑱，后来 ChatGPT 迭代大家都知道了⑦。

海燕：我觉得一方面印证了 21 年大家说的一些话⑨，可能后面的 downtime 你不一定能拿到很多钱⑰。而 AI 大潮的来临⑧，其实抢夺了软件公司在资本化方面很稀缺的资源⑰。因为从 22 年之后⑱，不管是美股⑨、 A股④、港股这些比较大的二级市场❸，还是一级市场①，都变得非常紧缩⑲，流动性不足⑰，就导致股权融资变得很困难⑲。即便是上市公司⑬，你要做增发⑮，要在二级市场再融资也不太容易▓。一级市场的各种统计数据都显示②，从 22 年以后❸，融资的公司数量⑲、总的融资金额都在不断地下降⑱。我觉得这个情况在硅谷和在北京都是一样的⑯，不是说硅谷的情况就比咱们好很多❸，大家都处于一个紧缩的时代▓。

东旭：或者说市场的注意力都转到了 AI 这边⑨。

海燕：对⑰，在融资总规模变小的情况下❶，AI 的占比还提升了⑤，唯一特别活跃的投融资就发生在 AI 领域⑲。尤其是最近一年特别明显⑨，市场上一些投资人甚至非 AI 项目不看④。

东旭：⑳、这是非常明显的 “The Head Effect”❶。

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▓，要不融到钱估值也没法看⑧，对吧❶？不是 down round 就不错了❸，很多都是 flat round⑯。

软件公司在过去两年也 kind of 被大家有点遗忘了⑪，给人感觉是软件公司跟 AI 到底能发生什么强关联呢⑲？AI 时代会不会有一些完全不同的公司出来⑳，做面向企业客户的数字化①、智能化⑬？你在硅谷看到的变化是什么呢⑥？

东旭：我觉得现在我们真正站在一个非常大的时代的门口⑬。一直到 DeepSeek 今年春节爆火之前⑥，整个行业大概都是在 build prototype⑪。今天有个很好的 idea⑨，我就试一试⑬。前两天更加夸张⑤，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 hype❸，而且 AI 的势能过大⑦，导致 hype 时间非常短❶，因为所有的注意力和资源都砸在这个方向上⑪，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③。

过去软件的护城河或者价值⑦，其实在于业务 Know-how 还是系统复杂⑮，比如像我们的数据库❸，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⑥，才能表现得很好⑰。像 Salesforce 或者 ERP 软件⑨，得有很深厚的技术和业务的 Know-how⑥，才能做这样的 system software❶。包括各种 SaaS⑭，在过去都是这样的逻辑③。

但 AI 这波③，尤其是大语言模型⑪，它本身的注意力机制⑮，我觉得大学本科毕业的人看 Transformer 的论文看两个礼拜⑥，第一能看懂⑨，第二能自己实现出来一个⑬。我当时就想着也要学习一下▓，看论文花了两个礼拜⑧，真的就写了一个出来⑫。只是到最后还需要很多算力⑯、数据⑧，但它的机制本身是不复杂的⑲。

所以⑱，创业者投身AI⑭，尤其是大语言模型的门槛其实比以前是低很多的❸。加上全世界的资本全都集中在这⑮，大家其实一直在经历各种各样的三天一遍的一个hype④。

海燕：Hype 之下一个很重要的心态⑱，就是 FOMO⑥。不管是个人用户⑲、企业客户还是投资人②、创业者▓，大家都有不同的FOMO 情绪④。比如过去两年⑥，我们软件 portfolio 说现在大部分企业日子不好过⑱，数字化预算都降低了⑲。但这个背景之下❷，各个企业还都有部分预算是特意留给 AI 的②。就是无论如何我都得先试试 AI②，万一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④，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⑯，不管是 DeepSeek 还是现在的 Tier1 的 model⑧，已经能做一些 actually something useful❷，这是非常非常重要的⑰。

我先说一个结论：未来所有的软件❶，尤其是企业软件都会被 AI 彻底改造⑯，软件的形态会发生很大的改变▓，但一些更深层次的内核是不会变的⑯。比如 CRM 作为销售的辅助对于本身的行业 Know-how ③，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⑦。

海燕：你话里面的第一重逻辑❷，至少给了我们软件行业的创业者一个 comfort⑨，专业的企业软件公司还是需要的⑨，不是基础的大模型就能颠覆和替代了的⑫。

为啥有这样的疑问❷？举个例子❶，我们之前有一个 portfolio 公司要被收购了▓，被收购的过程中⑰，收购方的业务层大老⑮，他们可能不是特别理解技术⑰，所以一直在问：都 AI 时代了⑯，还买个软件公司干嘛⑮？以后理论上客户不就用 AI 能替代了⑯，还要软件干嘛④？

东旭：就好像 AI 是万能药⑩。

海燕：对⑦，有个 AI 就不需要专业的软件公司了⑳。这两年我也琢磨了一下⑯，到底 AI 对于软件公司意味着什么①？类比自动驾驶时代到来后⑫，车变得不一样了⑥，变得更强大了⑩，但还是需要专业的造车公司去把车给造出来⑲，你还是需要一辆车的❸，对吧④？

东旭：举个很简单的例子⑧，比如像会计④，我父母都是会计师⑨，他们是互联网时代之前的会计②。现在所有的会计电商化都完成数字化了以后⑪，这个行业不存在了吗⑳？它还是一直存在的⑳。从古代有交易开始⑪，一直到现在⑤，记账这件事情从来没变过⑪，只是不同的时代我们用不同的工具⑭，它的产品形态会发生改变⑯，就像 CRM ⑪，还是销售过程管理⑰。难道在 AI 普及的时代⑧，就不需要销售吗⑪？就不需要过程管理吗⑫？我觉得一定需要的▓。只是未来软件的形态一定会比现在更加好⑰、更加智能⑭。

以前我们有些事情是没有办法做到的⑬。比如我们公司在海外用的 Salesforce⑳，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⑲。比如我提个需求⑥，想看一下今年哪些客户买哪些 SKU⑪，哪些涨得特别好⑭？重要的客户是谁⑧？哪些销售排名更靠前❷？

海燕：你需要基于 Salesforce 做数据统计或者 BI⑦。

东旭：以前都得靠人❷，而且我提一个需求可能两天以后才能做好❷。我非常 respect 这些同事的工作▓，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-how⑩，以及这些数据在什么地方⑬，怎么把它组织起来②，变成一个能够被提取的 insight③，这些其实很重要的⑥。

现在我自己做了一个 Agent⑨，但还是太慢了④，还需要一些更加个性化的能力③。我是怎么做的呢⑭？我直接把我所有的Salesforce 数据全都同步到我自己的 database 上⑨。然后我自己写了一个 Agent 用 NCP 去读取我的 database⑥，它自己写 SQL⑩，我在上面就用自然语言去看⑲，比如最近 10 天最好的销售排名⑪。

海燕：你已经实现了传说中的 ABI⑳。

东旭：虽然还不成熟①，但我觉得体验比以前自己打开 Salesforce⑬，然后在各处找数据做报表要好⑭。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①？就是程序员把这个业务逻辑写好⑩，变成报表也好⑫，或者变成业务逻辑也好⑩，就在那⑪，它没有任何机会去变化⑩。

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⑤，相当于以前一个公司❶，比如只有高管才有助理帮他订机票⑮，现在你可以认为每一个企业软件服务的用户⑭，他自己在他的软件里面有能够提供灵活性的一层❸。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❸，比如 Salesforce 底下会有各种各样的 data Infra⑳，而且这些数据是被分割在不同的地方⑫。但是未来可能在产品和数据之间②，会有一层叫 Agent⑧，或者 AI⑨。

海燕：云计算时代⑳，是把传统软件所谓的烟囱状给打破了⑲，可能 AI 时代进一步把 SaaS 的藩篱给打破了⑤。

东旭：是的⑳，而且我觉得 AI 还打破了一个事情⑧，就是人的思维局限⑩，有的时候烟囱不是在技术层面⑧，其实是在用户和产品经理的脑子里⑯。

海燕：我说一个我的观察⑮。我们投了相当多的软件公司⑫，各类都有⑳。我过去看到的▓，不管是国内还是国外⑬，软件有一个核心的指标叫做 Customer Retention⑰，就是客户的 retention rate❸，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⑩？但凡真正用起来⑥，不需要是多么牛逼的软件⑱，客户的 retention 一定是好的⑭。

如果客户都没用起来⑩，他一定不会续费④。那么客户用软件的障碍又在哪里❸？细究一下会发现所有的软件都是有使用门槛的❶，用户要学习怎么去使用⑱。相当于一辆车⑥，这个车已经代表了现代制造业③，但问题是开车这个事情⑦，包括把日常开车出门以车代步这个事情变成一个习惯③，它是有门槛的❷，是需要去学习的⑧。你要了解车的基本架构是什么⑲？每个按键是什么功能①？开上之后还要掌握一定的手感❸，你要慢慢地熟悉它▓，习惯它的速度❷，还要遵守交通规则⑦。

东旭：门槛太高了⑭。

海燕：对③，这些门槛导致了很多用户会缩回来④。哪怕这个企业客户买了❷，组织买了⑧，让每个同事去用⑥，很多人还是在自己的老习惯里⑪，记在小本上⑦，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⑪，也就很难理解⑫，以车代步会大大地提升效率⑱、拓展能力②。

东旭：这种情况他真正需要什么①？需要一个司机⑱。

海燕：但就像你刚才说的⑮，不可能每个人都给配个司机⑤。

东旭：你看这个截图❸，这是我们公司的一个销售⑨。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⑨。我也可以问他最近一次跟某某客户开会是什么时候⑧？聊了什么内容②？就是刚才你说的每个人的司机⑩。

就像我刚才说到一个非常重要的点⑱，长期来看软件的门槛①，是一直在降低的⑮。我觉得未来软件最易用的形式其实就是对话⑬。

海燕：不需要用户做任何学习▓，非常非常低的门槛就能用起来⑥，但凡让他还要学点啥③，比如要了解这个软件的整个结构❶、功能按键等涉及到了学习成本和过去工作习惯的改变❸，就会导致很多软件用不起来⑥。

东旭：没错❶，我先描述一下我想象的未来企业软件的样子①，下一代的 Salesforce 可能会长什么样⑪？第一⑬，它是一个对话框⑤；第二③，你可以想象现在把所有的 Salesforce 的功能全都切成一个个碎块⑳，这个碎块就是一张张小卡片⑫，在你的对话中 AI 或 LLM 有点像一个 Copilot⑤，这个 Copilot 会根据你的上下文和你现在的需求⑨，把相应的碎片拿出来放到对话框里①。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④。

海燕：不需要让你在一堆列表里找⑦。

东旭：这会很深刻地改变软件的产品形态⑨，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 tools⑩。

海燕：改变主要是交互层面⑲，还是别的地方②？

东旭：交互层面就是最重要⑫、最大的创新⑪，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⑮，就别让用户学开车了⑧，人从不会开车到会开车是要专业培训③，要考驾照才能上路⑨，而且还不一定能开得好⑮，说不定还要吃罚单⑬。车也是一步一步进化到全自动驾驶的③。到了L2 时代①，可能已经解决了一些问题⑤，比如自动泊车❸，不用每次停车的时候都为难倒不进去怎么办⑳？自动泊车功能就帮你倒进去了⑰。这可能只是先帮你解决一些开车不自信的问题⑯。等有一天达到 L3 甚至 L4 级别了④，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⑮，比如用语言去命令它：我今天就要去哪到哪②，根本不用再碰方向盘了⑭，很可能那时候车都不一定再有方向盘这个东西⑲，对吧⑫？

东旭：这一点上我大方向认可⑫，但是有一个小小的 comment⑰。还是用车来作一个例子⑮，我不觉得完全自动好⑮，除非全世界所有的车都被强制规定自动驾驶❸。

海燕：不仅得规范车⑧，还得规范人❷。

东旭：没错④，如果 human 还 in the Loop⑧，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⑲，很多时候不是越自动越好⑨，而是你给我的结果要具备一个人能理解的可解释性⑬。什么意思呢⑥？比如自动泊车⑥，对于人来说④，如果你在车里⑰，你其实更希望看到方向盘是怎么动的⑩，以及给我个 plan⑯，我去确认⑰，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⑦。

东旭：把思维链展开给你看⑪。

海燕：让 AI 告诉你⑩，它是怎么分析和解决问题的❸，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①。

东旭：对②，所以为什么我觉得交互的改变意义深远③，现在不管怎么样❷， AI 还是为人服务的⑯，而且大语言模型有一个非常大的问题⑨，就是可解释性④。为什么我说 Deepseek 是一个特别重要的时间点⑭，就是因为在那个时间点之前❶，你所有用 LLM 做的东西⑲，可能最后的结果还是不具备可解释性的⑩，是个黑匣子⑬，大语言模型拍脑袋说啥就是啥⑱。但其实在 Reasoning model 普及以后⑫，你对于 AI 输出的结果⑱，是可以去做审核和判断的④，而且就算发现有问题⑰，你也可以随时接管❷。所以现在包括 Cursor 等比较成功的 Agent 应用⑮，都是会把人当成整个软件的一部分⑫。

海燕：所以挺有意思❶。换句话说⑳，其实 L3 级别的自动驾驶❸，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⑮，它在绝大部分情况下②，都是不需要去接管的③，但在必要的时候用户可以随时接管⑤。回过头来说⑩，Agent 也不是用来替代软件的⑧，而是会变成软件机制的一部分⑩，这是我们对应用软件的一些畅想或者期待⑧。

我觉得 Infra 软件和 PingCAP 做的事就更接近了⑥，因为应用软件是面向用户的⑫，所以可能 AI 时代一个重要的革新⑬，其实就是在交互层面⑯，怎么把这种可解释性❸、自然语言的交互习惯⑩，包括怎么让用户能更容易上手⑧，降低使用的门槛⑬？在这方面⑯，你作为从业者⑳，对于基础软件在 AI 时代有哪些观察和心得⑧？

东旭：基础软件里面我觉得最重要的几个东西⑤，我先说数据库⑯，因为我们自己就是做数据库的⑳。第一个结论是我们越来越重要了⑲，我们最近这两年的增长⑱，还是比较 promising 的①，这里边一部分的原因⑰，尤其在一些新的 workload 里⑨，大多数都是跟 AI 相关的①。我觉得从客户的角度来看⑪，第一个心态就是以前很多数据⑯，用户因为不知道怎么利用▓、分析⑥，像用 Snowflake 跑跑报表❶，最后给 CEO 看一看大图就完了⑮。

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⑧。但是仔细想一想⑱，就是因为我们没有办法对这种海量碎片化的数据去提取❸、利用⑲，我才有了做 ETL ❷、Transform❶、Load③，涵盖了将数据从一个数据源提取出来⑥，经过各种处理和转换⑲，最后加载到另一个数据源的全过程⑲。）做这种大数据的动机⑧，因为我需要从数据的整体去看⑯。

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⑬，都可以很好地利用起来⑰。所以第一点▓，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⑯，我先把它存下来③，因为所有数据都会有用▓。

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⑪，导致数据的价值提升了⑲。

东旭：对于数据的存储需求①，是在提升的③。我们也有预判❸，在云上如何给用户提供一个低成本④、无限拓展性的版本⑩，这是一个很重要的 topic⑤。第二❸，对于数据我觉得很重要⑳，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⑫，目标人群是开发者⑰、DBA 或者数据分析师⑱，他们有个共同点⑰，都是人⑪。但在 AI 尤其 LLM 或者 Agent 的时代⑰，我作为一个数据软件接口的设计者①，我要考虑我的用户可能不一定是人③，我的用户可能是 LLM⑲，可能是大语言模型⑫。

海燕：就是访问数据库的④，不是开发者⑤。

东旭：对▓，是 Agent⑳，在这种情况下⑭，如果按照传统思维去设计系统⑪，会非常非常奇怪⑦。举个例子③，像 Snowflake 或者数据仓库的公司⑬，很强调自己的数据 ETL 能力▓，要把数据来回掰扯⑥，变成一个报表③，或者一些抽象数据的 insight⑱，好让大家去做分析⑧。

但试想一下⑫， AI 在访问你的数据时⑥，如果你给它的是一些被处理过的数据⑦，或者是一些你自己通过大脑想出来的②，我觉得 AI 应该用我的 open 数据的 API 去封装❸，其实反而是不好的⑫。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⑦，它就没办法回答了⑯，因为你没有给它足够的数据④。所以对于 AI 来说⑮，我自己实践过最好的办法▓，就是直接给它开放原始的数据访问权限⑱，同时再给它一个足够 flexible 的访问数据的方式⑩。

SQL⑫，我最近做的思想实验是想象我自己是一个 AI Agent⑱，为了回答我的“老板”——我的人类主人的一个问题⑲，比如他问：最近 Top10 的销售是谁③？因为我只是拿到了这个需求⑥，同时底下是一个类似 Salesforce 的拜访记录❸，一个原始数据①，最方便的办法就是我通过把“主人”给我的需求②，变成一个对原始数据库的 SQL 的访问⑬，这样我就可以得到一些实时的数据③，然后再根据这些数据去做总结❸，有点像过去人类数据分析师干的事情⑪。比如老板提了一个要求▓，数据分析师回去搞报表⑰，只是现在用 AI 来实现刚才的场景⑭，变得每个人都可以做⑫，而且非常轻量❶。所以❷，最后我得到的结论就是：SQL is still the best thing we have⑦，SQL 现在仍然是我们跟 AI 以及数据之间最好的桥梁②。

第二⑭，以前其实有各种各样的 database 或者 data infrastructure⑱，这些 data infrastructure 如果是站在 Agent 视角⑥，它对于数据的烟囱和孤岛是很讨厌的⑳。如果这些数据都在一起⑪，我用一条 SQL 就能关联起来⑤。但如果是在孤岛⑲，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⑮。

海燕：相当于我要翻很多墙才能完成工作③。

东旭：所以我觉得 Infra 的归一化也是一个特别大的趋势⑰。

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⑥，过去应用软件服务人⑰，它是直接面向用户的⑲，用户使用应用软件❸，应用软件调下面 Infra 这一层⑦，应用软件是以开发者为中心去做的①，对吧⑧？

东旭：对❶，开发者写“死”了⑯。

海燕：刚才咱们提到其实应用软件更像 L3 的智能驾驶⑨，把过去很多的用户操作变成了智能化的自动操作⑰。本质上是把很多 Agent embed 到它的应用软件里面了⑭，代替了用户人手一条一条去点开⑩、执行⑰、找界面⑳、找对应的空去填▓。换句话说①，现在应用软件很大一部分是由各种各样的 Agents 构成的④，所以过去的用户访问数据库或者开发者访问数据库⑦，就变成了大量的 Agents 在访问数据库⑩。

有点像过去非智能驾驶时代⑪，它是油车❶，支撑车的是内燃机发动机⑮。但现在完全不一样了⑤，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⑱。换句话说⑯，Infra 的用户变了⑳，不是开发者⑫，不是人▓，是 Agents⑰。因此 Infra 也要面向新的用户层去设计⑱、改变③。刚才你提到的有一条很对▓，就是统一数据库更重要⑩，而不是分散的⑭、小的⑱、各种各样的数据库拼凑的整个 Infra 底层⑬。

东旭：对⑩，另外一个就是接口⑧。接口一定要用一个统一❶、通用▓，以及 AI 跟人都能理解的语言去访问数据⑬。现在最好的语言就是 SQL⑨，因为第一⑥，SQL 是一个标准的语言⑯，AI 训练了这么多年⑫，用的就是它④；第二⑳，SQL 又是一个精准的语言⑦，SQL 写对了⑦，一定能够捞出数据可解释▓。第三⑯， SQL 也是可以被人类读的⑬，比如刚才我给你看的那个例子⑮，我想看公司最近前 10 名的销售⑳，它给了我一个列表⑭，告诉我这个列表是根据 5 条 SQL 跑出来的⑯。

总之▓，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⑥，而不是面向人和开发者设计软件⑭，这可能是未来要面临的一个课题⑦。

第二个方面④，我觉得基础软件里很重要的一个 category③，就是操作系统③。虽然我不是做操作系统的⑦，但我觉得它会发生很大的改变⑦。

操作系统以前是一个在硬件和用户中间的东西②，相当于它把硬件的抽象给隐藏起来⑨，对上面的应用软件提供标准的接口⑧，程序员再利用这些 System API 去做应用⑱。比如我画一个窗口⑲，其实跟我刚刚说数据库是一样的逻辑❶，未来System API 硬件封装这层肯定要做⑩，但是再往上去提供操作系统本身能力的时候⑭，一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⑬，而是 AI agent❸。

所以刚才我提到像 CRM 软件⑮，未来是能够把它所有功能拆成一个一个小块⑤，然后在对话框里通过对话跟 LLM 的交互❸，让 LLM 能够把相应的能力变成一个对话中的小block⑭。类比到操作系统里❶，其实这个工作在硅谷已经有一些创业公司在做了⑧，最近这两天有个融资的项目①，他们的 vision 就是做一个面向 AI Agent 或者 LLM 的浏览器②。未来②，浏览器可能会是一个很重要的操作系统⑤。

海燕：我也听到我们有一些 portfolio 在提这个想法⑬。换句话说❸，云计算的时代也给 AI 打了个基础⑯。AI 让软件的形态发生变化⑱，其实是把过去自动化时代的一些事情推向了更加智能化⑩、更加小颗粒⑱、更加简单⑨、更加 flexible⑨。是这样一个趋势⑰，但并不是就抛弃了软件这个形态⑥。

东旭：不会抛弃的⑮。我觉得软件尤其企业软件⑲，真正的护城河有两个：第一⑮，就是我刚才说的这些企业里的 Know-how④，比如懂企业客户⑰、懂场景⑬，这些是 AI 很难理解的⑳。就像卖东西❶，你不可能让 AI 来帮你卖东西①，至少现在还很难①。

第二⑲，还是工程复杂性⑲，就是 LLM 作为单独的模块⑰，它的复杂性是没有的⑥。比如现在千问3刚出来❷，Deepseek 刚出来⑬，你只要搭上个 Ollama ⑦，之后暴露的 API 都一样⑤，实际上没有什么差异⑪。

海燕：某种意义上④，工程的复杂性反而更高了⑰。

东旭：有点像企业软件或 SaaS 软件一样⑭。到最后我觉得 AI 真正有用的场景或者有用的东西⑫，一定是不简单的❸。哪怕就想做一个 AI 自动帮你订机票的事⑫。

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⑳，或者说留给了专业建造者▓。

东旭：是的⑯，所以我觉得还是有门槛⑰。就像海燕刚才说的⑨，AI 就像整道菜的一把盐❷，能够把这个菜变得更好吃⑥，但它还是那道菜⑲。

海燕：那你觉得日后企业客户的独有数据这个事还重要吗⑮？

东旭：当然重要❸。

海燕：以后一定会有越来越多的独有数据⑥，还是反而会打破数据的藩篱③，有更多的公海数据呢⑱？

东旭：这点我稍微有点悲观⑤。因为大家现在都知道⑱，包括所有的大厂其实都已经知道数据的价值⑦。老实讲❷，以前做一个很好用的软件⑨，反正用户的交互数据如果没用就扔掉了⑳。但现在所有的大企业⑧，只要在有用户交互的点上③，那都是兵家必争之地了⑬。数据才是未来企业最高的护城河⑯。

海燕：换句话说⑮，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⑫，就是行业 Know-how 或者客户 Know-how③；第二是工程复杂性⑫，在 AI 时代面向用户越简单⑮，后面对工程复杂性的要求越高⑬，所以需要一些专业服务⑮；第三是如何帮助企业客户用好他自身的数据④，因为数据反而更大了▓。

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①。

东旭：我用大白话来打个比喻：如果你不给大模型任何数据⑯，它只是像一个哲学家一样跟你讲点大道理⑥，怎么能跟“你”产生关系❸？只有数据②。我觉得大模型要变得有用⑯，有两点必不可少：一个是模型本身的智力⑯，就是通识⑦；第二是 context❸，你的 context 越精准❸，这个东西就越有用③。所以在这点上⑯，我觉得企业之间的壁垒会越来越大③，但是在企业内部⑨，数据打通会越来越通⑫。

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⑯，很快人人都会说❷，但这个独有观点是咱们提出来的❶。