您现在的位置是：网站首页>中国足球中国足球

电玩城阅换码

姜书兰 2025-05-14 【中国足球】 8623 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④。因为这一年⑭，不仅是软件行业估值的高点⑭，也是行业最受资本追捧的一年②。因此②，她把软件公司分为两类：一类是 2021 年融到了很多钱的公司⑮，一类则是 2021 年没有融到钱的公司⑥。这之后⑦，两类公司都不可避免地遭遇挑战⑧，但困难的程度和路径选择却截然不同⑪。

华创派企业 PingCAP 就属于 2021 年融资成功的阵营②。那个时候他们对未来的宏观形势有所预判⑤，得以抓住机会加速了全球化的布局⑤。作为一家企业级开源分布式数据库厂商❷，PingCAP服务的客户如今已超过20个国家和地区⑥，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⑱。

随着 AI 浪潮的来临③，数据价值也得到了前所未有的提升⑬。但这股大潮的影响远不止于此⑥，AI 将如何深刻改变企业软件的交互方式与产品形态⑫？基础软件在 AI 时代又该实现哪些自我革新和进化⑦？近日⑤，PingCAP 联合创始人兼 CTO 黄东旭做客「牛白丁」⑪，与吴海燕一起探讨了AI大潮冲击下⑰，软件公司该如何顺流而上❶，发挥出自己独特的行业价值⑱。

嘉宾介绍：⑦、黄东旭⑭， PingCAP 联合创始人兼 CTO

本期主播：⑤、吴海燕⑲，华创资本管理合伙人

以下为节目内容②，经过 CGCVC 编辑——

海燕：大家好⑫，这里是华创资本的播客节目「牛白丁」❸，我是吴海燕⑫。这期我们请到了 PingCAP 的联合创始人兼 CTO 黄东旭⑲。

我其实现在回想咱们的第一次见面还印象深刻❷，你们出过一本书《与开源同行》⑱，我当时在作的序里也写了这个场景①。我记得是2017年3月的一个早晨▓，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⑨，会议室里只有你一个人在等我⑭。后来我才知道②，程序员因为工作习惯⑰，早晨一般都不在公司❸。

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❶。一下飞机就收到你的信息❶，说PingCAP是家好公司⑦。

海燕：我当时也是下了飞机就告诉刘奇华创决定领投④，他还说这是“云上”的决定⑦。2017年3月我们见面⑨，年中完成了投资❶，10 月份刚好咱俩都分别去北美出差⑮，我们在硅谷还一起见了些朋友②。所以那时候你们已经正式开始在北美设办公室❶、招人了吧❷？

东旭：没错⑪，PingCAP 2015年创立⑨，从第一天起⑫，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⑳，你说的2017年10月的那个时间点❸，是我们真正决定要在硅谷设点▓，开始正式运营在海外的业务⑰。其实在那之前⑮，我从来没有在海外工作③、留学过⑮，在当地也没有什么 connection ⑯，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⑨，创造条件也要去做❷，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▓。

海燕：咱们那轮融资算是当时相对比较大的一笔美元④，你们融资后的第一件事就是立马去北美开办公室⑰。2017 年咱俩在硅谷碰面时⑪，我介绍你认识了硅谷当地一些做投资的朋友❸。后来到了 2020 年⑤，一位朋友还跟我说后悔在硅谷介绍你们认识时没有投资PingCAP③。

东旭：未来还有机会的⑰。我们开始国际化的时间比较早⑨，中间也踩了好多坑⑱，以后有机会我们再分享③。

海燕：说起 2017 年⑭，感觉像是昨天⑪，但实际上过去八年里已经发生了非常多的事件和变化③。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❷。

2021 年实际上是软件行业估值的高点⑩，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⑨。后面的几年⑪，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⑨，整个资本市场有点被催熟③。

海燕：当年标志性的事件就是 Snowflake 上市⑧，超高估值上市激起了大家对软件行业非常大的热情⑯，所以行业融了很多钱⑪。到了 2022 年初❷，世界一下又变化了⑧，按下了暂停键⑧。之后的三年里❶，直到今天❸，企业软件公司融资就变得不太容易了⑳。

我们每次年底做行业回顾的时候④，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❸，一类是 2021 年没有融到钱的公司⑦。这两类公司在 2022 年之后⑨，可能就是一个很大的分野⑩，他们或许都经历了不同程度的困难⑤。注意⑲，我没觉得 2021 年融到很多钱的公司就特别了不起或者顺利⑯，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▓，就是错过了那个融资最高峰的时候⑥，所以他们每一年都在过苦日子⑤，每一年都在降本增效①。

东旭：非常 tough❸。

海燕：活下来的可能都是“打不死的小强”了❸。而 2021 年融到很多钱的公司⑲，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⑬。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⑪，会招很多很多人⑥，会开新的办公室⑥，花很多时间精力做销售▓，不顾一切地去拿订单⑨。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④，啪⑩，一个巨大的终止符下来了⑭。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⑮，又缩回很小的这样一个阵痛的过程⑫。

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⑪。其实我们在 20⑯、21 年已经非常明确地知道 22 年一定会有大的经济危机⑲，因为美联储持续地加息⑧、印钞⑱，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⑬，尤其在 Snowflake 上市以后⑮，我们知道未来马上会有苦日子⑦，所以必须在那个时候先把过冬的粮食给准备好⑲，而且当时拿那笔钱③，我们的一个思路并不是要去追求更高的增长⑤，而是在那个时间点之后⑥，如果你只做单一市场是不够的⑯，我们一定要在那个时间点让自己变成一个 global company⑭，这样才能有更多抵御风险的能力⑰。包括到现在我们对于 spending 的控制⑨，我觉得还可以⑦，没有说突然有钱了以后就疯狂扩张④。

当时确实扩了一点⑱，但很快在 2022 年时④，我们又往回缩了一些⑱。倒不是因为业务的原因⑨，而是我们需要像跑马拉松一样⑥，根据最终的目标来去分配精力和能量⑳。因为当时是我们做全球化最好的时机⑦，由于疫情的缘故❸，物理世界的数字化在加速❸，包括 cloud 的 infrastructure 变得越来越成熟⑧，当然 mindset 也接近成熟⑥。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⑩，只是正好在那个时候有一个很好的时机⑪，就活到了现在⑪。

海燕：我其实在 2021 年的时候⑬，问过几个我们拿了大钱的 portfolio⑨，他们在 21 年融了不止一轮②，且融了非常多的钱⑱。每次他们融到大钱时⑫，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⑤，你是怎么考虑的⑥？”

我不是建议他们拿或者不拿③，只是问询一下他们的考虑⑯。这几个创始人都给了类似的答案⑩。首先就是你刚才说的⑬，他们预判了现在是一个资本膨胀的时代⑱，而且资本是有周期的⑳，可能不久的将来就会是一个 downtime⑦，我们也不知道什么时候是 downtime⑭，但既然现在是 high time ❷，就应该多储备一些现金❸；第二⑳，他们不介意所谓的股权稀释⑤，万一哪天到了 downtime⑫，公司有足够多的现金⑱，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❸。我从几个创始人那里都得到了同样的答案⑧，所以大家当时是看得很准的⑦。

到了 23 年③，大家从疫情中刚刚回过神来⑥，又一个大的时代到来了—— ChatGPT 3.5 发布了⑫。

东旭：其实 Open AI 在 GPT-2 出来的时候我就开始在玩⑤，后来 ChatGPT 迭代大家都知道了⑰。

海燕：我觉得一方面印证了 21 年大家说的一些话⑮，可能后面的 downtime 你不一定能拿到很多钱❸。而 AI 大潮的来临❷，其实抢夺了软件公司在资本化方面很稀缺的资源▓。因为从 22 年之后❷，不管是美股⑬、 A股⑯、港股这些比较大的二级市场⑥，还是一级市场⑩，都变得非常紧缩⑮，流动性不足⑬，就导致股权融资变得很困难⑩。即便是上市公司⑬，你要做增发❷，要在二级市场再融资也不太容易③。一级市场的各种统计数据都显示①，从 22 年以后⑯，融资的公司数量❶、总的融资金额都在不断地下降⑬。我觉得这个情况在硅谷和在北京都是一样的⑫，不是说硅谷的情况就比咱们好很多⑩，大家都处于一个紧缩的时代⑧。

东旭：或者说市场的注意力都转到了 AI 这边⑨。

海燕：对⑭，在融资总规模变小的情况下⑯，AI 的占比还提升了⑬，唯一特别活跃的投融资就发生在 AI 领域⑭。尤其是最近一年特别明显⑤，市场上一些投资人甚至非 AI 项目不看⑳。

东旭：②、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⑦，在过去一两年要不融不到钱②，要不融到钱估值也没法看⑧，对吧⑥？不是 down round 就不错了⑤，很多都是 flat round❶。

软件公司在过去两年也 kind of 被大家有点遗忘了⑦，给人感觉是软件公司跟 AI 到底能发生什么强关联呢⑥？AI 时代会不会有一些完全不同的公司出来⑯，做面向企业客户的数字化⑳、智能化④？你在硅谷看到的变化是什么呢❸？

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▓，整个行业大概都是在 build prototype⑲。今天有个很好的 idea⑭，我就试一试⑧。前两天更加夸张⑫，大模型动辄投个几千美金训练了一个新的模型出来⑮，打个榜三天以后就 hype③，而且 AI 的势能过大①，导致 hype 时间非常短④，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③，或者软件行业的技术创新还有点不一样⑱。

过去软件的护城河或者价值①，其实在于业务 Know-how 还是系统复杂⑤，比如像我们的数据库⑦，过去的门槛其实在于工程复杂性⑫。就是你可能要写 100 万行代码①，才能表现得很好❶。像 Salesforce 或者 ERP 软件❶，得有很深厚的技术和业务的 Know-how⑥，才能做这样的 system software⑨。包括各种 SaaS⑪，在过去都是这样的逻辑⑤。

但 AI 这波❶，尤其是大语言模型⑦，它本身的注意力机制①，我觉得大学本科毕业的人看 Transformer 的论文看两个礼拜⑦，第一能看懂⑦，第二能自己实现出来一个❶。我当时就想着也要学习一下❷，看论文花了两个礼拜❸，真的就写了一个出来▓。只是到最后还需要很多算力❶、数据⑱，但它的机制本身是不复杂的⑨。

所以⑪，创业者投身AI❶，尤其是大语言模型的门槛其实比以前是低很多的⑨。加上全世界的资本全都集中在这①，大家其实一直在经历各种各样的三天一遍的一个hype⑭。

海燕：Hype 之下一个很重要的心态⑱，就是 FOMO▓。不管是个人用户⑰、企业客户还是投资人⑩、创业者④，大家都有不同的FOMO 情绪⑲。比如过去两年⑭，我们软件 portfolio 说现在大部分企业日子不好过⑳，数字化预算都降低了⑫。但这个背景之下⑥，各个企业还都有部分预算是特意留给 AI 的⑲。就是无论如何我都得先试试 AI⑫，万一我被时代抛下怎么办⑧？

东旭：这是为什么我觉得现在是一个很重要的时间点⑬，但我们还站在门口⑭，没有进去❶。我觉得到今年 AI 的基础能力⑬，不管是 DeepSeek 还是现在的 Tier1 的 model❸，已经能做一些 actually something useful❶，这是非常非常重要的⑲。

我先说一个结论：未来所有的软件⑱，尤其是企业软件都会被 AI 彻底改造▓，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⑧。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①，只是 AI 会改变它的整个产品形态⑳。

海燕：你话里面的第一重逻辑⑰，至少给了我们软件行业的创业者一个 comfort⑥，专业的企业软件公司还是需要的⑬，不是基础的大模型就能颠覆和替代了的⑧。

为啥有这样的疑问⑱？举个例子⑮，我们之前有一个 portfolio 公司要被收购了⑦，被收购的过程中⑮，收购方的业务层大老⑬，他们可能不是特别理解技术①，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⑪，还要软件干嘛⑭？

东旭：就好像 AI 是万能药⑬。

海燕：对⑰，有个 AI 就不需要专业的软件公司了⑭。这两年我也琢磨了一下⑧，到底 AI 对于软件公司意味着什么⑯？类比自动驾驶时代到来后⑦，车变得不一样了▓，变得更强大了⑭，但还是需要专业的造车公司去把车给造出来③，你还是需要一辆车的⑨，对吧⑨？

东旭：举个很简单的例子❷，比如像会计①，我父母都是会计师⑬，他们是互联网时代之前的会计⑪。现在所有的会计电商化都完成数字化了以后⑧，这个行业不存在了吗⑧？它还是一直存在的⑰。从古代有交易开始②，一直到现在⑯，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⑪，它的产品形态会发生改变⑰，就像 CRM ⑦，还是销售过程管理⑭。难道在 AI 普及的时代⑧，就不需要销售吗⑩？就不需要过程管理吗⑨？我觉得一定需要的⑦。只是未来软件的形态一定会比现在更加好⑥、更加智能⑫。

以前我们有些事情是没有办法做到的⑧。比如我们公司在海外用的 Salesforce⑨，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⑩。比如我提个需求⑫，想看一下今年哪些客户买哪些 SKU⑲，哪些涨得特别好⑬？重要的客户是谁❷？哪些销售排名更靠前⑪？

海燕：你需要基于 Salesforce 做数据统计或者 BI⑥。

东旭：以前都得靠人⑭，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⑳，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-how❸，以及这些数据在什么地方❶，怎么把它组织起来❷，变成一个能够被提取的 insight⑬，这些其实很重要的⑪。

现在我自己做了一个 Agent⑧，但还是太慢了⑥，还需要一些更加个性化的能力⑳。我是怎么做的呢⑫？我直接把我所有的Salesforce 数据全都同步到我自己的 database 上⑱。然后我自己写了一个 Agent 用 NCP 去读取我的 database⑧，它自己写 SQL⑮，我在上面就用自然语言去看①，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 ABI⑱。

东旭：虽然还不成熟⑮，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⑨。这里涉及到一个核心的逻辑——过去我们的软件都是静态的⑭。静态是什么意思呢❸？就是程序员把这个业务逻辑写好⑮，变成报表也好⑤，或者变成业务逻辑也好⑯，就在那⑳，它没有任何机会去变化①。

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⑯，相当于以前一个公司⑮，比如只有高管才有助理帮他订机票④，现在你可以认为每一个企业软件服务的用户③，他自己在他的软件里面有能够提供灵活性的一层①。有点像过去产品底下是一个大的数据库▓，这个数据库你是看不见的⑫，比如 Salesforce 底下会有各种各样的 data Infra⑫，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 Agent⑬，或者 AI⑲。

海燕：云计算时代⑰，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⑨。

东旭：是的❶，而且我觉得 AI 还打破了一个事情⑪，就是人的思维局限⑯，有的时候烟囱不是在技术层面⑮，其实是在用户和产品经理的脑子里⑬。

海燕：我说一个我的观察❶。我们投了相当多的软件公司▓，各类都有④。我过去看到的⑮，不管是国内还是国外⑬，软件有一个核心的指标叫做 Customer Retention⑩，就是客户的 retention rate⑤，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⑥？但凡真正用起来⑥，不需要是多么牛逼的软件⑩，客户的 retention 一定是好的⑧。

如果客户都没用起来⑲，他一定不会续费⑧。那么客户用软件的障碍又在哪里⑬？细究一下会发现所有的软件都是有使用门槛的⑲，用户要学习怎么去使用❷。相当于一辆车⑲，这个车已经代表了现代制造业❸，但问题是开车这个事情⑧，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⑦，是需要去学习的⑰。你要了解车的基本架构是什么⑭？每个按键是什么功能③？开上之后还要掌握一定的手感❸，你要慢慢地熟悉它①，习惯它的速度❷，还要遵守交通规则⑩。

东旭：门槛太高了⑮。

海燕：对②，这些门槛导致了很多用户会缩回来①。哪怕这个企业客户买了⑧，组织买了③，让每个同事去用⑥，很多人还是在自己的老习惯里⑧，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⑩。这就说明他其实并没有掌握开车的习惯①，也就很难理解⑲，以车代步会大大地提升效率⑲、拓展能力⑳。

东旭：这种情况他真正需要什么❷？需要一个司机⑭。

海燕：但就像你刚才说的⑮，不可能每个人都给配个司机⑧。

东旭：你看这个截图⑬，这是我们公司的一个销售①。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⑭。我也可以问他最近一次跟某某客户开会是什么时候⑰？聊了什么内容⑨？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⑨，长期来看软件的门槛▓，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⑦。

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⑮，但凡让他还要学点啥⑥，比如要了解这个软件的整个结构⑱、功能按键等涉及到了学习成本和过去工作习惯的改变⑲，就会导致很多软件用不起来①。

东旭：没错⑪，我先描述一下我想象的未来企业软件的样子⑱，下一代的 Salesforce 可能会长什么样❸？第一▓，它是一个对话框②；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⑬，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 Copilot①，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▓。比如我现在要审批一个东西⑯，他直接在 LLM 把这个审批的按键调出来③。

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⑩，它不再是一个网站或者 APP⑤，你可以认为它是一堆散落在各地的小的 tools③。

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⑳、最大的创新⑭，这种创新远比我们想象中带来的意义要大⑩。

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⑳，就别让用户学开车了❶，人从不会开车到会开车是要专业培训▓，要考驾照才能上路⑤，而且还不一定能开得好⑩，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⑥。到了L2 时代⑥，可能已经解决了一些问题⑫，比如自动泊车⑦，不用每次停车的时候都为难倒不进去怎么办▓？自动泊车功能就帮你倒进去了▓。这可能只是先帮你解决一些开车不自信的问题⑦。等有一天达到 L3 甚至 L4 级别了⑮，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④，根本不用再碰方向盘了▓，很可能那时候车都不一定再有方向盘这个东西❷，对吧❸？

东旭：这一点上我大方向认可④，但是有一个小小的 comment⑳。还是用车来作一个例子⑬，我不觉得完全自动好⑥，除非全世界所有的车都被强制规定自动驾驶⑪。

海燕：不仅得规范车⑤，还得规范人⑱。

东旭：没错⑧，如果 human 还 in the Loop⑭，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⑳，很多时候不是越自动越好⑤，而是你给我的结果要具备一个人能理解的可解释性①。什么意思呢⑫？比如自动泊车⑦，对于人来说④，如果你在车里④，你其实更希望看到方向盘是怎么动的②，以及给我个 plan⑬，我去确认⑯，就是 human 一定要有一个 under control 的结果⑲。

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⑥。

海燕：让 AI 告诉你❸，它是怎么分析和解决问题的②，它把思维链展开给你看了▓，这个交互本身就是非常非常破圈的一点①。

东旭：对❶，所以为什么我觉得交互的改变意义深远⑤，现在不管怎么样⑪， AI 还是为人服务的⑬，而且大语言模型有一个非常大的问题⑨，就是可解释性❸。为什么我说 Deepseek 是一个特别重要的时间点❶，就是因为在那个时间点之前③，你所有用 LLM 做的东西⑩，可能最后的结果还是不具备可解释性的⑧，是个黑匣子⑮，大语言模型拍脑袋说啥就是啥④。但其实在 Reasoning model 普及以后⑦，你对于 AI 输出的结果③，是可以去做审核和判断的▓，而且就算发现有问题⑤，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▓，都是会把人当成整个软件的一部分❸。

海燕：所以挺有意思⑦。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⑭， L3 其实就是 Copilot 方式的存在⑪，它在绝大部分情况下⑧，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⑥。回过头来说⑤，Agent 也不是用来替代软件的③，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④。

我觉得 Infra 软件和 PingCAP 做的事就更接近了❷，因为应用软件是面向用户的▓，所以可能 AI 时代一个重要的革新②，其实就是在交互层面⑱，怎么把这种可解释性⑭、自然语言的交互习惯⑰，包括怎么让用户能更容易上手⑫，降低使用的门槛⑧？在这方面⑲，你作为从业者⑥，对于基础软件在 AI 时代有哪些观察和心得⑯？

东旭：基础软件里面我觉得最重要的几个东西⑱，我先说数据库⑭，因为我们自己就是做数据库的⑨。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①，还是比较 promising 的⑦，这里边一部分的原因⑮，尤其在一些新的 workload 里❷，大多数都是跟 AI 相关的❸。我觉得从客户的角度来看❸，第一个心态就是以前很多数据❸，用户因为不知道怎么利用⑯、分析⑥，像用 Snowflake 跑跑报表⑩，最后给 CEO 看一看大图就完了⑧。

以前像 OLAP 数据仓库的很多应用场景⑬，其实就是给数据分析师或者领导写报告⑨。但是仔细想一想⑪，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⑩，我才有了做 ETL ⑩、Transform⑰、Load▓，涵盖了将数据从一个数据源提取出来⑲，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③。）做这种大数据的动机④，因为我需要从数据的整体去看⑳。

但今天我觉得 AI 提供了一个 possibility⑩，就是我对每个人的所有的数据⑮，都可以很好地利用起来⑲。所以第一点⑮，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⑨，因为所有数据都会有用⑰。

海燕：就是数据的价值提升了⑪，或者说开发这些数据成为可能⑱，导致数据的价值提升了④。

东旭：对于数据的存储需求⑯，是在提升的⑲。我们也有预判⑲，在云上如何给用户提供一个低成本⑨、无限拓展性的版本⑯，这是一个很重要的 topic⑮。第二⑨，对于数据我觉得很重要⑰，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⑨，目标人群是开发者⑯、DBA 或者数据分析师⑥，他们有个共同点⑥，都是人③。但在 AI 尤其 LLM 或者 Agent 的时代⑮，我作为一个数据软件接口的设计者❶，我要考虑我的用户可能不一定是人❷，我的用户可能是 LLM①，可能是大语言模型⑲。

海燕：就是访问数据库的⑦，不是开发者⑫。

东旭：对⑨，是 Agent⑳，在这种情况下⑬，如果按照传统思维去设计系统❸，会非常非常奇怪③。举个例子⑧，像 Snowflake 或者数据仓库的公司⑳，很强调自己的数据 ETL 能力⑦，要把数据来回掰扯③，变成一个报表⑭，或者一些抽象数据的 insight②，好让大家去做分析⑧。

但试想一下⑲， AI 在访问你的数据时⑧，如果你给它的是一些被处理过的数据❸，或者是一些你自己通过大脑想出来的⑱，我觉得 AI 应该用我的 open 数据的 API 去封装⑱，其实反而是不好的⑭。相当于你给 AI 一个报告④，它只能回答这个报告相关的上下文的东西❸，一旦你问的问题超出了报告的边界▓，它就没办法回答了⑲，因为你没有给它足够的数据⑪。所以对于 AI 来说⑳，我自己实践过最好的办法⑤，就是直接给它开放原始的数据访问权限⑮，同时再给它一个足够 flexible 的访问数据的方式⑬。

SQL⑩，我最近做的思想实验是想象我自己是一个 AI Agent⑦，为了回答我的“老板”——我的人类主人的一个问题⑥，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⑱，同时底下是一个类似 Salesforce 的拜访记录⑩，一个原始数据⑥，最方便的办法就是我通过把“主人”给我的需求⑪，变成一个对原始数据库的 SQL 的访问⑯，这样我就可以得到一些实时的数据⑨，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⑧。比如老板提了一个要求⑦，数据分析师回去搞报表⑤，只是现在用 AI 来实现刚才的场景⑳，变得每个人都可以做⑪，而且非常轻量⑥。所以⑧，最后我得到的结论就是：SQL is still the best thing we have⑫，SQL 现在仍然是我们跟 AI 以及数据之间最好的桥梁①。

第二❸，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⑨，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❷，我用一条 SQL 就能关联起来②。但如果是在孤岛⑭，这边一个向量数据库❷、一个文档数据库⑥，那边一个 SQL 数据库⑯。

海燕：相当于我要翻很多墙才能完成工作①。

东旭：所以我觉得 Infra 的归一化也是一个特别大的趋势⑪。

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⑫，过去应用软件服务人③，它是直接面向用户的⑥，用户使用应用软件❶，应用软件调下面 Infra 这一层⑤，应用软件是以开发者为中心去做的⑱，对吧⑩？

东旭：对⑰，开发者写“死”了⑲。

海燕：刚才咱们提到其实应用软件更像 L3 的智能驾驶❶，把过去很多的用户操作变成了智能化的自动操作⑮。本质上是把很多 Agent embed 到它的应用软件里面了⑯，代替了用户人手一条一条去点开②、执行①、找界面⑫、找对应的空去填⑰。换句话说⑰，现在应用软件很大一部分是由各种各样的 Agents 构成的⑧，所以过去的用户访问数据库或者开发者访问数据库⑤，就变成了大量的 Agents 在访问数据库⑮。

有点像过去非智能驾驶时代④，它是油车❷，支撑车的是内燃机发动机⑱。但现在完全不一样了⑰，因为现在车要获取很多传感器数据去做实时的智能判断④，然后再把指令给到发动机电机去驱动车往前走或者停⑩。换句话说⑪，Infra 的用户变了❷，不是开发者▓，不是人❸，是 Agents③。因此 Infra 也要面向新的用户层去设计④、改变⑲。刚才你提到的有一条很对⑪，就是统一数据库更重要▓，而不是分散的④、小的⑰、各种各样的数据库拼凑的整个 Infra 底层⑬。

东旭：对⑨，另外一个就是接口⑯。接口一定要用一个统一⑳、通用▓，以及 AI 跟人都能理解的语言去访问数据❷。现在最好的语言就是 SQL⑪，因为第一⑨，SQL 是一个标准的语言⑨，AI 训练了这么多年⑥，用的就是它⑥；第二②，SQL 又是一个精准的语言⑥，SQL 写对了⑬，一定能够捞出数据可解释❸。第三①， SQL 也是可以被人类读的⑥，比如刚才我给你看的那个例子❶，我想看公司最近前 10 名的销售⑥，它给了我一个列表▓，告诉我这个列表是根据 5 条 SQL 跑出来的❷。

总之⑲，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⑲，这可能是未来要面临的一个课题❷。

第二个方面⑳，我觉得基础软件里很重要的一个 category⑧，就是操作系统⑭。虽然我不是做操作系统的▓，但我觉得它会发生很大的改变▓。

操作系统以前是一个在硬件和用户中间的东西⑨，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⑥，程序员再利用这些 System API 去做应用▓。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❷，未来System API 硬件封装这层肯定要做⑲，但是再往上去提供操作系统本身能力的时候⑧，一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⑫，而是 AI agent⑯。

所以刚才我提到像 CRM 软件③，未来是能够把它所有功能拆成一个一个小块⑮，然后在对话框里通过对话跟 LLM 的交互⑳，让 LLM 能够把相应的能力变成一个对话中的小block①。类比到操作系统里⑪，其实这个工作在硅谷已经有一些创业公司在做了❸，最近这两天有个融资的项目⑥，他们的 vision 就是做一个面向 AI Agent 或者 LLM 的浏览器⑪。未来⑳，浏览器可能会是一个很重要的操作系统⑦。

海燕：我也听到我们有一些 portfolio 在提这个想法⑧。换句话说⑫，云计算的时代也给 AI 打了个基础⑤。AI 让软件的形态发生变化⑭，其实是把过去自动化时代的一些事情推向了更加智能化⑪、更加小颗粒⑦、更加简单⑭、更加 flexible❶。是这样一个趋势⑭，但并不是就抛弃了软件这个形态❶。

东旭：不会抛弃的⑥。我觉得软件尤其企业软件⑦，真正的护城河有两个：第一⑥，就是我刚才说的这些企业里的 Know-how①，比如懂企业客户⑯、懂场景⑮，这些是 AI 很难理解的▓。就像卖东西⑧，你不可能让 AI 来帮你卖东西②，至少现在还很难⑪。

第二⑧，还是工程复杂性⑧，就是 LLM 作为单独的模块⑯，它的复杂性是没有的③。比如现在千问3刚出来⑯，Deepseek 刚出来⑭，你只要搭上个 Ollama ⑱，之后暴露的 API 都一样⑫，实际上没有什么差异③。

海燕：某种意义上①，工程的复杂性反而更高了⑲。

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⑦，一定是不简单的❶。哪怕就想做一个 AI 自动帮你订机票的事❶。

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❶，或者说留给了专业建造者⑦。

东旭：是的⑯，所以我觉得还是有门槛⑳。就像海燕刚才说的⑨，AI 就像整道菜的一把盐④，能够把这个菜变得更好吃⑫，但它还是那道菜⑥。

海燕：那你觉得日后企业客户的独有数据这个事还重要吗❷？

东旭：当然重要⑥。

海燕：以后一定会有越来越多的独有数据④，还是反而会打破数据的藩篱④，有更多的公海数据呢⑫？

东旭：这点我稍微有点悲观⑭。因为大家现在都知道⑯，包括所有的大厂其实都已经知道数据的价值⑰。老实讲⑰，以前做一个很好用的软件①，反正用户的交互数据如果没用就扔掉了❷。但现在所有的大企业①，只要在有用户交互的点上⑯，那都是兵家必争之地了⑮。数据才是未来企业最高的护城河❷。

海燕：换句话说▓，面向企业的软件工具⑪，本质上还是有三个原因▓，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⑥，就是行业 Know-how 或者客户 Know-how⑰；第二是工程复杂性①，在 AI 时代面向用户越简单③，后面对工程复杂性的要求越高⑭，所以需要一些专业服务⑰；第三是如何帮助企业客户用好他自身的数据❷，因为数据反而更大了❸。

东旭：数据的价值更高了⑨。

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❸，它只是像一个哲学家一样跟你讲点大道理⑩，怎么能跟“你”产生关系⑰？只有数据❶。我觉得大模型要变得有用⑩，有两点必不可少：一个是模型本身的智力⑳，就是通识⑬；第二是 context⑦，你的 context 越精准▓，这个东西就越有用❷。所以在这点上⑬，我觉得企业之间的壁垒会越来越大⑯，但是在企业内部▓，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⑳，有可能成为新的下一代数据库③，很快人人都会说❷，但这个独有观点是咱们提出来的④。