您现在的位置是：网站首页>女人女人

66电玩城中心

姜沛菡 2025-05-14 【女人】 6079 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⑧。因为这一年❶，不仅是软件行业估值的高点⑰，也是行业最受资本追捧的一年❶。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⑬。这之后⑳，两类公司都不可避免地遭遇挑战⑮，但困难的程度和路径选择却截然不同⑥。

华创派企业 PingCAP 就属于 2021 年融资成功的阵营⑩。那个时候他们对未来的宏观形势有所预判⑥，得以抓住机会加速了全球化的布局❶。作为一家企业级开源分布式数据库厂商③，PingCAP服务的客户如今已超过20个国家和地区⑨，创立的分布式关系型数据库 TiDB⑧，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⑩，数据价值也得到了前所未有的提升⑲。但这股大潮的影响远不止于此⑳，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⑳？近日⑫，PingCAP 联合创始人兼 CTO 黄东旭做客「牛白丁」⑫，与吴海燕一起探讨了AI大潮冲击下①，软件公司该如何顺流而上⑨，发挥出自己独特的行业价值⑨。

嘉宾介绍：⑭、黄东旭⑤， PingCAP 联合创始人兼 CTO

本期主播：⑦、吴海燕④，华创资本管理合伙人

以下为节目内容⑯，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」⑮，我是吴海燕⑨。这期我们请到了 PingCAP 的联合创始人兼 CTO 黄东旭⑭。

我其实现在回想咱们的第一次见面还印象深刻⑰，你们出过一本书《与开源同行》⑭，我当时在作的序里也写了这个场景❸。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⑬，因为约的时间太早④，会议室里只有你一个人在等我❷。后来我才知道⑧，程序员因为工作习惯❷，早晨一般都不在公司⑥。

东旭：那次我印象也特别深刻⑦，和你聊完以后我就去赶飞机了⑩。一下飞机就收到你的信息⑬，说PingCAP是家好公司⑰。

海燕：我当时也是下了飞机就告诉刘奇华创决定领投⑧，他还说这是“云上”的决定④。2017年3月我们见面⑥，年中完成了投资❷，10 月份刚好咱俩都分别去北美出差⑫，我们在硅谷还一起见了些朋友⑤。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⑮？

东旭：没错❸，PingCAP 2015年创立⑱，从第一天起⑰，我们就想着去做一个 global company❷，公司成立前两年基本都在写代码②，你说的2017年10月的那个时间点⑨，是我们真正决定要在硅谷设点⑮，开始正式运营在海外的业务④。其实在那之前⑭，我从来没有在海外工作⑰、留学过⑥，在当地也没有什么 connection ⑩，只是觉得这对于PingCAP的战略来说是一定要做的事情⑪，哪怕没有条件⑪，创造条件也要去做①，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⑫。

海燕：咱们那轮融资算是当时相对比较大的一笔美元⑧，你们融资后的第一件事就是立马去北美开办公室⑩。2017 年咱俩在硅谷碰面时⑱，我介绍你认识了硅谷当地一些做投资的朋友❷。后来到了 2020 年⑭，一位朋友还跟我说后悔在硅谷介绍你们认识时没有投资PingCAP❷。

东旭：未来还有机会的⑨。我们开始国际化的时间比较早⑱，中间也踩了好多坑②，以后有机会我们再分享⑲。

海燕：说起 2017 年❶，感觉像是昨天③，但实际上过去八年里已经发生了非常多的事件和变化⑳。站在投资人的角度⑬，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⑨，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⑬，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⑤，再也回不到 2021年的盛况了①。

东旭：那个时候应该是美国印了很多钱▓，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①，超高估值上市激起了大家对软件行业非常大的热情⑮，所以行业融了很多钱①。到了 2022 年初⑱，世界一下又变化了⑲，按下了暂停键⑲。之后的三年里⑩，直到今天❶，企业软件公司融资就变得不太容易了⑮。

我们每次年底做行业回顾的时候⑬，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⑫，一类是 2021 年没有融到钱的公司⑱。这两类公司在 2022 年之后⑭，可能就是一个很大的分野③，他们或许都经历了不同程度的困难⑦。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④，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①，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④，每一年都在降本增效❸。

东旭：非常 tough⑲。

海燕：活下来的可能都是“打不死的小强”了⑨。而 2021 年融到很多钱的公司⑯，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❷。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⑤，会招很多很多人④，会开新的办公室⑭，花很多时间精力做销售⑦，不顾一切地去拿订单③。这是 2021 年融到很多钱的公司一定会去做的事⑱，然后在 2022 年⑥，啪⑯，一个巨大的终止符下来了⑮。所以在 2021 年融到很多钱的公司⑯，无一例外地经历了团队从很小规模到很大⑭，又缩回很小的这样一个阵痛的过程⑲。

东旭：PingCAP 也属于 21 年拿到钱的那个阵营⑥。但我们拿钱的心路历程我可能没跟海燕聊过⑩。其实我们在 20⑨、21 年已经非常明确地知道 22 年一定会有大的经济危机③，因为美联储持续地加息❸、印钞②，我们觉得风险非常非常大⑦。 21 年正好在市场比较好的时候⑳，尤其在 Snowflake 上市以后②，我们知道未来马上会有苦日子⑰，所以必须在那个时候先把过冬的粮食给准备好⑥，而且当时拿那笔钱⑨，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②，如果你只做单一市场是不够的④，我们一定要在那个时间点让自己变成一个 global company⑮，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⑭，我觉得还可以⑲，没有说突然有钱了以后就疯狂扩张④。

当时确实扩了一点①，但很快在 2022 年时❶，我们又往回缩了一些⑰。倒不是因为业务的原因⑲，而是我们需要像跑马拉松一样②，根据最终的目标来去分配精力和能量⑱。因为当时是我们做全球化最好的时机⑦，由于疫情的缘故⑫，物理世界的数字化在加速⑤，包括 cloud 的 infrastructure 变得越来越成熟①，当然 mindset 也接近成熟⑱。所以我觉得我们还是比较幸运▓，大多数人没有办法预测未来❸，只是正好在那个时候有一个很好的时机⑬，就活到了现在▓。

海燕：我其实在 2021 年的时候⑥，问过几个我们拿了大钱的 portfolio⑲，他们在 21 年融了不止一轮⑩，且融了非常多的钱①。每次他们融到大钱时⑦，我都会打电话问创始人：“根据咱的业务状态和进展⑨，似乎没有必要一定要拿这笔钱⑳，你是怎么考虑的①？”

我不是建议他们拿或者不拿⑤，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⑭。首先就是你刚才说的⑯，他们预判了现在是一个资本膨胀的时代▓，而且资本是有周期的❷，可能不久的将来就会是一个 downtime⑬，我们也不知道什么时候是 downtime④，但既然现在是 high time ③，就应该多储备一些现金⑫；第二⑥，他们不介意所谓的股权稀释❷，万一哪天到了 downtime⑧，公司有足够多的现金⑨，可能会比别人有更多的竞争优势④，可能还能收购一些钱不够了但是产品和技术很好的团队⑦。我从几个创始人那里都得到了同样的答案⑯，所以大家当时是看得很准的▓。

到了 23 年▓，大家从疫情中刚刚回过神来❸，又一个大的时代到来了—— ChatGPT 3.5 发布了②。

东旭：其实 Open AI 在 GPT-2 出来的时候我就开始在玩⑬，后来 ChatGPT 迭代大家都知道了③。

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⑥。而 AI 大潮的来临⑪，其实抢夺了软件公司在资本化方面很稀缺的资源⑭。因为从 22 年之后⑯，不管是美股①、 A股④、港股这些比较大的二级市场▓，还是一级市场③，都变得非常紧缩⑬，流动性不足②，就导致股权融资变得很困难⑫。即便是上市公司▓，你要做增发⑬，要在二级市场再融资也不太容易⑥。一级市场的各种统计数据都显示⑯，从 22 年以后②，融资的公司数量⑭、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②，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⑬。

东旭：或者说市场的注意力都转到了 AI 这边⑳。

海燕：对⑱，在融资总规模变小的情况下⑥，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⑨。尤其是最近一年特别明显❷，市场上一些投资人甚至非 AI 项目不看⑳。

东旭：▓、这是非常明显的 “The Head Effect”⑫。

海燕：这就导致很多其他行业优秀的公司⑮，在过去一两年要不融不到钱⑯，要不融到钱估值也没法看②，对吧④？不是 down round 就不错了⑧，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❷，给人感觉是软件公司跟 AI 到底能发生什么强关联呢⑮？AI 时代会不会有一些完全不同的公司出来⑱，做面向企业客户的数字化⑦、智能化⑨？你在硅谷看到的变化是什么呢❶？

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⑲，整个行业大概都是在 build prototype❸。今天有个很好的 idea⑩，我就试一试❷。前两天更加夸张⑧，大模型动辄投个几千美金训练了一个新的模型出来⑤，打个榜三天以后就 hype❸，而且 AI 的势能过大⑯，导致 hype 时间非常短⑨，因为所有的注意力和资源都砸在这个方向上⑩，而且 Transformer 跟过去的科技创新④，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⑲，其实在于业务 Know-how 还是系统复杂❶，比如像我们的数据库⑨，过去的门槛其实在于工程复杂性④。就是你可能要写 100 万行代码④，才能表现得很好⑤。像 Salesforce 或者 ERP 软件⑧，得有很深厚的技术和业务的 Know-how⑪，才能做这样的 system software②。包括各种 SaaS①，在过去都是这样的逻辑⑦。

但 AI 这波⑤，尤其是大语言模型⑦，它本身的注意力机制④，我觉得大学本科毕业的人看 Transformer 的论文看两个礼拜⑭，第一能看懂❶，第二能自己实现出来一个⑩。我当时就想着也要学习一下⑪，看论文花了两个礼拜⑮，真的就写了一个出来⑳。只是到最后还需要很多算力⑮、数据⑰，但它的机制本身是不复杂的⑯。

所以⑫，创业者投身AI⑦，尤其是大语言模型的门槛其实比以前是低很多的⑤。加上全世界的资本全都集中在这⑨，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⑲，就是 FOMO⑧。不管是个人用户⑰、企业客户还是投资人❷、创业者⑮，大家都有不同的FOMO 情绪❶。比如过去两年⑱，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⑦。但这个背景之下▓，各个企业还都有部分预算是特意留给 AI 的③。就是无论如何我都得先试试 AI①，万一我被时代抛下怎么办⑰？

东旭：这是为什么我觉得现在是一个很重要的时间点⑩，但我们还站在门口①，没有进去⑫。我觉得到今年 AI 的基础能力⑪，不管是 DeepSeek 还是现在的 Tier1 的 model④，已经能做一些 actually something useful⑤，这是非常非常重要的⑧。

我先说一个结论：未来所有的软件①，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①，但一些更深层次的内核是不会变的⑭。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②，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⑧，至少给了我们软件行业的创业者一个 comfort②，专业的企业软件公司还是需要的▓，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⑤？举个例子④，我们之前有一个 portfolio 公司要被收购了⑯，被收购的过程中❷，收购方的业务层大老⑲，他们可能不是特别理解技术⑧，所以一直在问：都 AI 时代了③，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②，还要软件干嘛⑧？

东旭：就好像 AI 是万能药⑦。

海燕：对▓，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⑱，到底 AI 对于软件公司意味着什么⑱？类比自动驾驶时代到来后⑩，车变得不一样了⑮，变得更强大了⑬，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⑬，对吧❷？

东旭：举个很简单的例子⑩，比如像会计⑭，我父母都是会计师⑤，他们是互联网时代之前的会计⑲。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▓？它还是一直存在的③。从古代有交易开始⑬，一直到现在②，记账这件事情从来没变过⑲，只是不同的时代我们用不同的工具⑦，它的产品形态会发生改变⑤，就像 CRM ⑩，还是销售过程管理④。难道在 AI 普及的时代①，就不需要销售吗④？就不需要过程管理吗⑦？我觉得一定需要的⑤。只是未来软件的形态一定会比现在更加好⑦、更加智能③。

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 Salesforce⑬，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❷。比如我提个需求❶，想看一下今年哪些客户买哪些 SKU⑨，哪些涨得特别好▓？重要的客户是谁⑩？哪些销售排名更靠前①？

海燕：你需要基于 Salesforce 做数据统计或者 BI⑨。

东旭：以前都得靠人④，而且我提一个需求可能两天以后才能做好⑰。我非常 respect 这些同事的工作⑧，因为企业软件一个很重要的护城河⑰，是对于这些企业的 Know-how④，以及这些数据在什么地方⑲，怎么把它组织起来⑫，变成一个能够被提取的 insight⑧，这些其实很重要的②。

现在我自己做了一个 Agent⑧，但还是太慢了⑬，还需要一些更加个性化的能力⑪。我是怎么做的呢⑤？我直接把我所有的Salesforce 数据全都同步到我自己的 database 上⑧。然后我自己写了一个 Agent 用 NCP 去读取我的 database⑱，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⑪。

海燕：你已经实现了传说中的 ABI❷。

东旭：虽然还不成熟⑪，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④。这里涉及到一个核心的逻辑——过去我们的软件都是静态的⑳。静态是什么意思呢⑦？就是程序员把这个业务逻辑写好⑪，变成报表也好⑪，或者变成业务逻辑也好⑧，就在那❷，它没有任何机会去变化⑯。

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⑰，相当于以前一个公司⑤，比如只有高管才有助理帮他订机票⑧，现在你可以认为每一个企业软件服务的用户⑳，他自己在他的软件里面有能够提供灵活性的一层⑮。有点像过去产品底下是一个大的数据库⑯，这个数据库你是看不见的⑪，比如 Salesforce 底下会有各种各样的 data Infra⑲，而且这些数据是被分割在不同的地方⑰。但是未来可能在产品和数据之间⑮，会有一层叫 Agent⑯，或者 AI▓。

海燕：云计算时代❷，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⑭。

东旭：是的⑤，而且我觉得 AI 还打破了一个事情⑬，就是人的思维局限❶，有的时候烟囱不是在技术层面⑰，其实是在用户和产品经理的脑子里⑥。

海燕：我说一个我的观察⑭。我们投了相当多的软件公司⑥，各类都有⑰。我过去看到的⑭，不管是国内还是国外⑨，软件有一个核心的指标叫做 Customer Retention⑰，就是客户的 retention rate⑩，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⑳？但凡真正用起来⑪，不需要是多么牛逼的软件⑱，客户的 retention 一定是好的❷。

如果客户都没用起来⑤，他一定不会续费⑲。那么客户用软件的障碍又在哪里❶？细究一下会发现所有的软件都是有使用门槛的❸，用户要学习怎么去使用⑥。相当于一辆车③，这个车已经代表了现代制造业⑲，但问题是开车这个事情⑥，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②，是需要去学习的④。你要了解车的基本架构是什么⑪？每个按键是什么功能⑯？开上之后还要掌握一定的手感⑬，你要慢慢地熟悉它⑯，习惯它的速度⑧，还要遵守交通规则❷。

东旭：门槛太高了⑥。

海燕：对⑲，这些门槛导致了很多用户会缩回来❶。哪怕这个企业客户买了❶，组织买了⑳，让每个同事去用④，很多人还是在自己的老习惯里❸，记在小本上②，再把小本上的内容找一个集中的时间上传到软件里去⑨。这就说明他其实并没有掌握开车的习惯⑭，也就很难理解⑩，以车代步会大大地提升效率⑲、拓展能力⑩。

东旭：这种情况他真正需要什么⑥？需要一个司机▓。

海燕：但就像你刚才说的②，不可能每个人都给配个司机❶。

东旭：你看这个截图⑱，这是我们公司的一个销售⑩。我想知道他最近在负责什么样的项目⑪？所有这些数据都是动态的⑳。我也可以问他最近一次跟某某客户开会是什么时候❶？聊了什么内容⑩？就是刚才你说的每个人的司机▓。

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⑯，是一直在降低的⑬。我觉得未来软件最易用的形式其实就是对话④。

海燕：不需要用户做任何学习❷，非常非常低的门槛就能用起来⑬，但凡让他还要学点啥⑫，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⑫，就会导致很多软件用不起来①。

东旭：没错⑲，我先描述一下我想象的未来企业软件的样子⑫，下一代的 Salesforce 可能会长什么样④？第一③，它是一个对话框⑩；第二⑤，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▓，在你的对话中 AI 或 LLM 有点像一个 Copilot⑥，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⑲。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⑬。

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⑯，它不再是一个网站或者 APP⑦，你可以认为它是一堆散落在各地的小的 tools⑳。

海燕：改变主要是交互层面❸，还是别的地方⑮？

东旭：交互层面就是最重要▓、最大的创新②，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③，就别让用户学开车了⑥，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②，而且还不一定能开得好③，说不定还要吃罚单⑱。车也是一步一步进化到全自动驾驶的⑧。到了L2 时代❸，可能已经解决了一些问题①，比如自动泊车⑤，不用每次停车的时候都为难倒不进去怎么办⑫？自动泊车功能就帮你倒进去了⑲。这可能只是先帮你解决一些开车不自信的问题⑩。等有一天达到 L3 甚至 L4 级别了❷，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②，对吧⑤？

东旭：这一点上我大方向认可⑤，但是有一个小小的 comment▓。还是用车来作一个例子⑮，我不觉得完全自动好⑫，除非全世界所有的车都被强制规定自动驾驶⑬。

海燕：不仅得规范车⑳，还得规范人⑩。

东旭：没错⑮，如果 human 还 in the Loop⑰，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⑰，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⑱？比如自动泊车⑱，对于人来说⑨，如果你在车里⑱，你其实更希望看到方向盘是怎么动的⑩，以及给我个 plan⑲，我去确认⑪，就是 human 一定要有一个 under control 的结果⑪。

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⑯。

海燕：让 AI 告诉你❷，它是怎么分析和解决问题的❶，它把思维链展开给你看了❸，这个交互本身就是非常非常破圈的一点⑮。

东旭：对⑫，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⑥， AI 还是为人服务的⑭，而且大语言模型有一个非常大的问题⑰，就是可解释性①。为什么我说 Deepseek 是一个特别重要的时间点⑱，就是因为在那个时间点之前⑯，你所有用 LLM 做的东西❸，可能最后的结果还是不具备可解释性的⑦，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⑯，你对于 AI 输出的结果⑪，是可以去做审核和判断的⑪，而且就算发现有问题①，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⑫，都是会把人当成整个软件的一部分⑳。

海燕：所以挺有意思⑧。换句话说⑪，其实 L3 级别的自动驾驶⑯，反而是相当长时期 stay 在那里的一个形态⑥， L3 其实就是 Copilot 方式的存在⑱，它在绝大部分情况下④，都是不需要去接管的①，但在必要的时候用户可以随时接管⑧。回过头来说⑥，Agent 也不是用来替代软件的⑮，而是会变成软件机制的一部分②，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❷，因为应用软件是面向用户的⑮，所以可能 AI 时代一个重要的革新▓，其实就是在交互层面④，怎么把这种可解释性⑤、自然语言的交互习惯⑧，包括怎么让用户能更容易上手⑱，降低使用的门槛⑳？在这方面❷，你作为从业者⑱，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❶，我先说数据库⑥，因为我们自己就是做数据库的⑱。第一个结论是我们越来越重要了⑦，我们最近这两年的增长③，还是比较 promising 的❶，这里边一部分的原因⑧，尤其在一些新的 workload 里⑨，大多数都是跟 AI 相关的❶。我觉得从客户的角度来看⑥，第一个心态就是以前很多数据②，用户因为不知道怎么利用⑨、分析▓，像用 Snowflake 跑跑报表⑯，最后给 CEO 看一看大图就完了①。

以前像 OLAP 数据仓库的很多应用场景⑲，其实就是给数据分析师或者领导写报告❸。但是仔细想一想⑲，就是因为我们没有办法对这种海量碎片化的数据去提取⑬、利用❷，我才有了做 ETL ⑯、Transform⑤、Load⑯，涵盖了将数据从一个数据源提取出来④，经过各种处理和转换⑬，最后加载到另一个数据源的全过程⑱。）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 possibility▓，就是我对每个人的所有的数据②，都可以很好地利用起来③。所以第一点③，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❶，我先把它存下来⑧，因为所有数据都会有用⑰。

海燕：就是数据的价值提升了⑥，或者说开发这些数据成为可能⑫，导致数据的价值提升了⑪。

东旭：对于数据的存储需求⑮，是在提升的⑥。我们也有预判⑭，在云上如何给用户提供一个低成本❶、无限拓展性的版本⑯，这是一个很重要的 topic⑨。第二❶，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⑬，目标人群是开发者▓、DBA 或者数据分析师⑧，他们有个共同点①，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⑥，我要考虑我的用户可能不一定是人③，我的用户可能是 LLM⑭，可能是大语言模型⑨。

海燕：就是访问数据库的❶，不是开发者⑪。

东旭：对⑫，是 Agent⑪，在这种情况下⑩，如果按照传统思维去设计系统⑮，会非常非常奇怪❶。举个例子⑯，像 Snowflake 或者数据仓库的公司⑩，很强调自己的数据 ETL 能力⑦，要把数据来回掰扯②，变成一个报表⑦，或者一些抽象数据的 insight⑩，好让大家去做分析⑨。

但试想一下❷， 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⑰，或者是一些你自己通过大脑想出来的⑪，我觉得 AI 应该用我的 open 数据的 API 去封装❷，其实反而是不好的①。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⑥，一旦你问的问题超出了报告的边界⑥，它就没办法回答了⑧，因为你没有给它足够的数据⑰。所以对于 AI 来说⑨，我自己实践过最好的办法⑦，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⑫。

SQL⑱，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⑭，比如他问：最近 Top10 的销售是谁⑮？因为我只是拿到了这个需求❶，同时底下是一个类似 Salesforce 的拜访记录⑧，一个原始数据⑧，最方便的办法就是我通过把“主人”给我的需求⑩，变成一个对原始数据库的 SQL 的访问③，这样我就可以得到一些实时的数据⑦，然后再根据这些数据去做总结③，有点像过去人类数据分析师干的事情⑫。比如老板提了一个要求❸，数据分析师回去搞报表⑯，只是现在用 AI 来实现刚才的场景⑤，变得每个人都可以做⑤，而且非常轻量⑲。所以⑧，最后我得到的结论就是：SQL is still the best thing we have❸，SQL 现在仍然是我们跟 AI 以及数据之间最好的桥梁⑰。

第二⑮，以前其实有各种各样的 database 或者 data infrastructure⑤，这些 data infrastructure 如果是站在 Agent 视角②，它对于数据的烟囱和孤岛是很讨厌的▓。如果这些数据都在一起⑨，我用一条 SQL 就能关联起来❶。但如果是在孤岛⑦，这边一个向量数据库⑧、一个文档数据库⑮，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⑪。

东旭：所以我觉得 Infra 的归一化也是一个特别大的趋势▓。

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①，过去应用软件服务人⑥，它是直接面向用户的⑮，用户使用应用软件⑦，应用软件调下面 Infra 这一层⑱，应用软件是以开发者为中心去做的⑨，对吧⑪？

东旭：对⑯，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⑨，把过去很多的用户操作变成了智能化的自动操作⑫。本质上是把很多 Agent embed 到它的应用软件里面了⑧，代替了用户人手一条一条去点开❶、执行❷、找界面❸、找对应的空去填⑨。换句话说⑭，现在应用软件很大一部分是由各种各样的 Agents 构成的❸，所以过去的用户访问数据库或者开发者访问数据库⑪，就变成了大量的 Agents 在访问数据库⑰。

有点像过去非智能驾驶时代⑨，它是油车❸，支撑车的是内燃机发动机❷。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⑩，然后再把指令给到发动机电机去驱动车往前走或者停⑦。换句话说⑧，Infra 的用户变了⑪，不是开发者⑮，不是人⑬，是 Agents⑳。因此 Infra 也要面向新的用户层去设计▓、改变⑧。刚才你提到的有一条很对⑱，就是统一数据库更重要⑲，而不是分散的⑳、小的⑪、各种各样的数据库拼凑的整个 Infra 底层⑭。

东旭：对⑲，另外一个就是接口⑭。接口一定要用一个统一⑨、通用⑲，以及 AI 跟人都能理解的语言去访问数据⑪。现在最好的语言就是 SQL❸，因为第一⑦，SQL 是一个标准的语言①，AI 训练了这么多年⑧，用的就是它⑰；第二▓，SQL 又是一个精准的语言❸，SQL 写对了⑤，一定能够捞出数据可解释⑮。第三④， SQL 也是可以被人类读的⑦，比如刚才我给你看的那个例子⑲，我想看公司最近前 10 名的销售⑨，它给了我一个列表①，告诉我这个列表是根据 5 条 SQL 跑出来的⑳。

总之④，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⑭，而不是面向人和开发者设计软件❸，这可能是未来要面临的一个课题⑯。

第二个方面⑫，我觉得基础软件里很重要的一个 category❸，就是操作系统❶。虽然我不是做操作系统的⑨，但我觉得它会发生很大的改变⑭。

操作系统以前是一个在硬件和用户中间的东西⑦，相当于它把硬件的抽象给隐藏起来⑩，对上面的应用软件提供标准的接口③，程序员再利用这些 System API 去做应用⑫。比如我画一个窗口⑩，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▓，但是再往上去提供操作系统本身能力的时候⑳，一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❷，而是 AI agent⑲。

所以刚才我提到像 CRM 软件❷，未来是能够把它所有功能拆成一个一个小块⑧，然后在对话框里通过对话跟 LLM 的交互⑦，让 LLM 能够把相应的能力变成一个对话中的小block▓。类比到操作系统里⑱，其实这个工作在硅谷已经有一些创业公司在做了④，最近这两天有个融资的项目⑤，他们的 vision 就是做一个面向 AI Agent 或者 LLM 的浏览器⑩。未来⑯，浏览器可能会是一个很重要的操作系统❸。

海燕：我也听到我们有一些 portfolio 在提这个想法⑧。换句话说⑰，云计算的时代也给 AI 打了个基础⑦。AI 让软件的形态发生变化⑧，其实是把过去自动化时代的一些事情推向了更加智能化⑦、更加小颗粒⑦、更加简单⑮、更加 flexible⑱。是这样一个趋势⑰，但并不是就抛弃了软件这个形态⑭。

东旭：不会抛弃的⑨。我觉得软件尤其企业软件⑫，真正的护城河有两个：第一⑩，就是我刚才说的这些企业里的 Know-how①，比如懂企业客户⑫、懂场景①，这些是 AI 很难理解的❶。就像卖东西④，你不可能让 AI 来帮你卖东西⑭，至少现在还很难⑥。

第二⑤，还是工程复杂性❷，就是 LLM 作为单独的模块⑰，它的复杂性是没有的⑬。比如现在千问3刚出来⑦，Deepseek 刚出来❸，你只要搭上个 Ollama ⑩，之后暴露的 API 都一样▓，实际上没有什么差异⑤。

海燕：某种意义上⑪，工程的复杂性反而更高了⑭。

东旭：有点像企业软件或 SaaS 软件一样⑧。到最后我觉得 AI 真正有用的场景或者有用的东西②，一定是不简单的❶。哪怕就想做一个 AI 自动帮你订机票的事⑦。

海燕：只是面向用户更简单了①，但反而把复杂的东西都留给了开发者⑬，或者说留给了专业建造者⑰。

东旭：是的⑯，所以我觉得还是有门槛⑥。就像海燕刚才说的⑤，AI 就像整道菜的一把盐⑰，能够把这个菜变得更好吃⑫，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③？

东旭：当然重要⑫。

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②，有更多的公海数据呢⑧？

东旭：这点我稍微有点悲观⑯。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⑮。老实讲⑫，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⑨。但现在所有的大企业⑧，只要在有用户交互的点上⑧，那都是兵家必争之地了⑧。数据才是未来企业最高的护城河③。

海燕：换句话说⑩，面向企业的软件工具❷，本质上还是有三个原因⑤，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⑦，就是行业 Know-how 或者客户 Know-how⑱；第二是工程复杂性⑱，在 AI 时代面向用户越简单⑥，后面对工程复杂性的要求越高⑯，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⑰，因为数据反而更大了❸。

东旭：数据的价值更高了⑬。

海燕：所以每个企业都想保护好自己的独有数据⑪。

东旭：我用大白话来打个比喻：如果你不给大模型任何数据⑧，它只是像一个哲学家一样跟你讲点大道理❶，怎么能跟“你”产生关系⑭？只有数据⑱。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⑦，就是通识▓；第二是 context①，你的 context 越精准⑰，这个东西就越有用⑯。所以在这点上⑩，我觉得企业之间的壁垒会越来越大④，但是在企业内部⑬，数据打通会越来越通⑳。

海燕：我觉得你刚才提出来的关于数据库的那一条⑩，有可能成为新的下一代数据库①，很快人人都会说⑲，但这个独有观点是咱们提出来的❷。