您现在的位置是：网站首页>汽车汽车

HY电玩城官方网站

侯南春 2025-05-14 【汽车】 4890 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⑨。因为这一年❷，不仅是软件行业估值的高点③，也是行业最受资本追捧的一年⑫。因此⑦，她把软件公司分为两类：一类是 2021 年融到了很多钱的公司⑲，一类则是 2021 年没有融到钱的公司⑦。这之后⑭，两类公司都不可避免地遭遇挑战⑭，但困难的程度和路径选择却截然不同①。

华创派企业 PingCAP 就属于 2021 年融资成功的阵营⑰。那个时候他们对未来的宏观形势有所预判①，得以抓住机会加速了全球化的布局⑦。作为一家企业级开源分布式数据库厂商⑮，PingCAP服务的客户如今已超过20个国家和地区②，创立的分布式关系型数据库 TiDB⑫，能持续帮助企业最大化发挥数据价值⑭。

随着 AI 浪潮的来临⑯，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⑦，AI 将如何深刻改变企业软件的交互方式与产品形态❷？基础软件在 AI 时代又该实现哪些自我革新和进化❶？近日❷，PingCAP 联合创始人兼 CTO 黄东旭做客「牛白丁」⑦，与吴海燕一起探讨了AI大潮冲击下⑱，软件公司该如何顺流而上③，发挥出自己独特的行业价值⑫。

嘉宾介绍：③、黄东旭⑬， PingCAP 联合创始人兼 CTO

本期主播：②、吴海燕①，华创资本管理合伙人

以下为节目内容⑧，经过 CGCVC 编辑——

海燕：大家好⑮，这里是华创资本的播客节目「牛白丁」❷，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⑦。

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》⑱，我当时在作的序里也写了这个场景③。我记得是2017年3月的一个早晨⑪，我和你约在 PingCAP 当时办公的东升科技园⑭，因为约的时间太早④，会议室里只有你一个人在等我③。后来我才知道③，程序员因为工作习惯⑩，早晨一般都不在公司④。

东旭：那次我印象也特别深刻⑯，和你聊完以后我就去赶飞机了③。一下飞机就收到你的信息⑰，说PingCAP是家好公司⑩。

海燕：我当时也是下了飞机就告诉刘奇华创决定领投❸，他还说这是“云上”的决定⑱。2017年3月我们见面③，年中完成了投资⑱，10 月份刚好咱俩都分别去北美出差④，我们在硅谷还一起见了些朋友⑰。所以那时候你们已经正式开始在北美设办公室❸、招人了吧⑱？

东旭：没错⑪，PingCAP 2015年创立❶，从第一天起③，我们就想着去做一个 global company⑱，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④，是我们真正决定要在硅谷设点⑰，开始正式运营在海外的业务❶。其实在那之前⑳，我从来没有在海外工作⑦、留学过⑧，在当地也没有什么 connection ⑪，只是觉得这对于PingCAP的战略来说是一定要做的事情⑨，哪怕没有条件③，创造条件也要去做⑱，所以我当时都没买回程机票⑪，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④，你们融资后的第一件事就是立马去北美开办公室⑱。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❶。后来到了 2020 年②，一位朋友还跟我说后悔在硅谷介绍你们认识时没有投资PingCAP⑬。

东旭：未来还有机会的⑬。我们开始国际化的时间比较早④，中间也踩了好多坑⑥，以后有机会我们再分享❷。

海燕：说起 2017 年⑤，感觉像是昨天⑯，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⑧，说一下我感觉到的咱们这个行业的变化⑨。

2021 年实际上是软件行业估值的高点⑪，应该也是行业最受追捧的一年⑤。 2021 年我们软件 portfolio 所获得的融资❷，比历史上华创其余九年里软件 portfolio 的融资额加起来还要多⑩。后面的几年⑱，再也回不到 2021年的盛况了④。

东旭：那个时候应该是美国印了很多钱❶，整个资本市场有点被催熟⑥。

海燕：当年标志性的事件就是 Snowflake 上市②，超高估值上市激起了大家对软件行业非常大的热情⑫，所以行业融了很多钱⑭。到了 2022 年初⑤，世界一下又变化了⑰，按下了暂停键⑱。之后的三年里⑯，直到今天⑨，企业软件公司融资就变得不太容易了⑥。

我们每次年底做行业回顾的时候⑨，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❷，一类是 2021 年没有融到钱的公司❶。这两类公司在 2022 年之后⑯，可能就是一个很大的分野⑧，他们或许都经历了不同程度的困难❸。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①，其实大家都经历了不一样的困难⑲。 2021 年没有融到钱的公司③，就是错过了那个融资最高峰的时候③，所以他们每一年都在过苦日子❷，每一年都在降本增效⑦。

东旭：非常 tough⑨。

海燕：活下来的可能都是“打不死的小强”了⑰。而 2021 年融到很多钱的公司④，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❸，就意味着你当时一心想要做高增长⑥，会招很多很多人⑬，会开新的办公室⑮，花很多时间精力做销售④，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⑤，啪⑲，一个巨大的终止符下来了❶。所以在 2021 年融到很多钱的公司⑰，无一例外地经历了团队从很小规模到很大⑯，又缩回很小的这样一个阵痛的过程⑯。

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⑭。其实我们在 20▓、21 年已经非常明确地知道 22 年一定会有大的经济危机⑥，因为美联储持续地加息⑬、印钞❶，我们觉得风险非常非常大①。 21 年正好在市场比较好的时候⑫，尤其在 Snowflake 上市以后⑤，我们知道未来马上会有苦日子①，所以必须在那个时候先把过冬的粮食给准备好⑧，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▓，而是在那个时间点之后⑨，如果你只做单一市场是不够的⑬，我们一定要在那个时间点让自己变成一个 global company②，这样才能有更多抵御风险的能力❶。包括到现在我们对于 spending 的控制②，我觉得还可以⑯，没有说突然有钱了以后就疯狂扩张⑫。

当时确实扩了一点❶，但很快在 2022 年时③，我们又往回缩了一些⑭。倒不是因为业务的原因⑨，而是我们需要像跑马拉松一样④，根据最终的目标来去分配精力和能量⑭。因为当时是我们做全球化最好的时机⑦，由于疫情的缘故⑧，物理世界的数字化在加速⑤，包括 cloud 的 infrastructure 变得越来越成熟❶，当然 mindset 也接近成熟⑯。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❷，只是正好在那个时候有一个很好的时机⑫，就活到了现在②。

海燕：我其实在 2021 年的时候⑦，问过几个我们拿了大钱的 portfolio⑫，他们在 21 年融了不止一轮▓，且融了非常多的钱⑲。每次他们融到大钱时⑤，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①，你是怎么考虑的⑧？”

我不是建议他们拿或者不拿⑨，只是问询一下他们的考虑⑧。这几个创始人都给了类似的答案⑰。首先就是你刚才说的⑰，他们预判了现在是一个资本膨胀的时代❶，而且资本是有周期的▓，可能不久的将来就会是一个 downtime⑦，我们也不知道什么时候是 downtime⑲，但既然现在是 high time ⑯，就应该多储备一些现金⑳；第二⑦，他们不介意所谓的股权稀释⑤，万一哪天到了 downtime⑱，公司有足够多的现金⑱，可能会比别人有更多的竞争优势⑨，可能还能收购一些钱不够了但是产品和技术很好的团队⑫。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⑳。

到了 23 年⑤，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❷。

东旭：其实 Open AI 在 GPT-2 出来的时候我就开始在玩⑲，后来 ChatGPT 迭代大家都知道了❶。

海燕：我觉得一方面印证了 21 年大家说的一些话⑪，可能后面的 downtime 你不一定能拿到很多钱⑯。而 AI 大潮的来临⑬，其实抢夺了软件公司在资本化方面很稀缺的资源⑯。因为从 22 年之后⑩，不管是美股⑥、 A股▓、港股这些比较大的二级市场⑯，还是一级市场⑦，都变得非常紧缩②，流动性不足⑪，就导致股权融资变得很困难②。即便是上市公司⑨，你要做增发⑤，要在二级市场再融资也不太容易❸。一级市场的各种统计数据都显示❸，从 22 年以后⑯，融资的公司数量⑯、总的融资金额都在不断地下降⑮。我觉得这个情况在硅谷和在北京都是一样的⑳，不是说硅谷的情况就比咱们好很多⑫，大家都处于一个紧缩的时代⑫。

东旭：或者说市场的注意力都转到了 AI 这边⑫。

海燕：对❸，在融资总规模变小的情况下⑩，AI 的占比还提升了⑲，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④，市场上一些投资人甚至非 AI 项目不看⑯。

东旭：⑲、这是非常明显的 “The Head Effect”⑤。

海燕：这就导致很多其他行业优秀的公司⑥，在过去一两年要不融不到钱⑥，要不融到钱估值也没法看⑤，对吧⑪？不是 down round 就不错了⑬，很多都是 flat round⑩。

软件公司在过去两年也 kind of 被大家有点遗忘了⑭，给人感觉是软件公司跟 AI 到底能发生什么强关联呢④？AI 时代会不会有一些完全不同的公司出来⑬，做面向企业客户的数字化⑲、智能化⑮？你在硅谷看到的变化是什么呢⑨？

东旭：我觉得现在我们真正站在一个非常大的时代的门口❶。一直到 DeepSeek 今年春节爆火之前⑱，整个行业大概都是在 build prototype⑩。今天有个很好的 idea❶，我就试一试⑫。前两天更加夸张⑳，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 hype⑧，而且 AI 的势能过大⑳，导致 hype 时间非常短⑯，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⑯，或者软件行业的技术创新还有点不一样⑩。

过去软件的护城河或者价值④，其实在于业务 Know-how 还是系统复杂⑩，比如像我们的数据库⑲，过去的门槛其实在于工程复杂性❶。就是你可能要写 100 万行代码❷，才能表现得很好⑫。像 Salesforce 或者 ERP 软件⑧，得有很深厚的技术和业务的 Know-how▓，才能做这样的 system software⑳。包括各种 SaaS①，在过去都是这样的逻辑⑫。

但 AI 这波⑳，尤其是大语言模型⑧，它本身的注意力机制⑥，我觉得大学本科毕业的人看 Transformer 的论文看两个礼拜⑰，第一能看懂⑰，第二能自己实现出来一个❷。我当时就想着也要学习一下⑪，看论文花了两个礼拜③，真的就写了一个出来①。只是到最后还需要很多算力⑰、数据⑫，但它的机制本身是不复杂的③。

所以⑧，创业者投身AI⑳，尤其是大语言模型的门槛其实比以前是低很多的⑯。加上全世界的资本全都集中在这⑦，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⑯，就是 FOMO⑩。不管是个人用户⑨、企业客户还是投资人③、创业者❸，大家都有不同的FOMO 情绪⑦。比如过去两年①，我们软件 portfolio 说现在大部分企业日子不好过⑥，数字化预算都降低了❸。但这个背景之下⑯，各个企业还都有部分预算是特意留给 AI 的⑪。就是无论如何我都得先试试 AI⑭，万一我被时代抛下怎么办⑫？

东旭：这是为什么我觉得现在是一个很重要的时间点③，但我们还站在门口⑯，没有进去⑮。我觉得到今年 AI 的基础能力⑩，不管是 DeepSeek 还是现在的 Tier1 的 model⑮，已经能做一些 actually something useful⑨，这是非常非常重要的❸。

我先说一个结论：未来所有的软件③，尤其是企业软件都会被 AI 彻底改造②，软件的形态会发生很大的改变⑨，但一些更深层次的内核是不会变的⑲。比如 CRM 作为销售的辅助对于本身的行业 Know-how ❷，在未来也会变成这个软件的护城河⑧，只是 AI 会改变它的整个产品形态④。

海燕：你话里面的第一重逻辑⑤，至少给了我们软件行业的创业者一个 comfort❸，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⑯。

为啥有这样的疑问⑦？举个例子②，我们之前有一个 portfolio 公司要被收购了❶，被收购的过程中⑨，收购方的业务层大老②，他们可能不是特别理解技术⑤，所以一直在问：都 AI 时代了④，还买个软件公司干嘛⑪？以后理论上客户不就用 AI 能替代了①，还要软件干嘛▓？

东旭：就好像 AI 是万能药⑪。

海燕：对▓，有个 AI 就不需要专业的软件公司了⑬。这两年我也琢磨了一下❶，到底 AI 对于软件公司意味着什么⑫？类比自动驾驶时代到来后⑳，车变得不一样了⑯，变得更强大了③，但还是需要专业的造车公司去把车给造出来❶，你还是需要一辆车的⑫，对吧⑮？

东旭：举个很简单的例子⑱，比如像会计②，我父母都是会计师❸，他们是互联网时代之前的会计①。现在所有的会计电商化都完成数字化了以后⑩，这个行业不存在了吗⑥？它还是一直存在的⑰。从古代有交易开始❶，一直到现在❶，记账这件事情从来没变过⑮，只是不同的时代我们用不同的工具⑯，它的产品形态会发生改变⑲，就像 CRM ⑨，还是销售过程管理④。难道在 AI 普及的时代⑤，就不需要销售吗▓？就不需要过程管理吗❶？我觉得一定需要的⑰。只是未来软件的形态一定会比现在更加好⑧、更加智能❶。

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 Salesforce⑩，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⑫，想看一下今年哪些客户买哪些 SKU▓，哪些涨得特别好▓？重要的客户是谁⑪？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 BI⑮。

东旭：以前都得靠人⑫，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⑯，因为企业软件一个很重要的护城河①，是对于这些企业的 Know-how⑯，以及这些数据在什么地方⑥，怎么把它组织起来⑨，变成一个能够被提取的 insight⑩，这些其实很重要的⑫。

现在我自己做了一个 Agent⑤，但还是太慢了⑧，还需要一些更加个性化的能力⑫。我是怎么做的呢❶？我直接把我所有的Salesforce 数据全都同步到我自己的 database 上❸。然后我自己写了一个 Agent 用 NCP 去读取我的 database▓，它自己写 SQL⑦，我在上面就用自然语言去看⑮，比如最近 10 天最好的销售排名⑤。

海燕：你已经实现了传说中的 ABI⑧。

东旭：虽然还不成熟⑧，但我觉得体验比以前自己打开 Salesforce①，然后在各处找数据做报表要好⑤。这里涉及到一个核心的逻辑——过去我们的软件都是静态的⑲。静态是什么意思呢⑲？就是程序员把这个业务逻辑写好⑱，变成报表也好③，或者变成业务逻辑也好▓，就在那⑳，它没有任何机会去变化③。

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④，相当于以前一个公司③，比如只有高管才有助理帮他订机票⑦，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⑤。有点像过去产品底下是一个大的数据库③，这个数据库你是看不见的⑰，比如 Salesforce 底下会有各种各样的 data Infra⑩，而且这些数据是被分割在不同的地方⑯。但是未来可能在产品和数据之间⑲，会有一层叫 Agent⑧，或者 AI③。

海燕：云计算时代⑬，是把传统软件所谓的烟囱状给打破了⑰，可能 AI 时代进一步把 SaaS 的藩篱给打破了⑦。

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❶，有的时候烟囱不是在技术层面⑫，其实是在用户和产品经理的脑子里⑪。

海燕：我说一个我的观察⑥。我们投了相当多的软件公司⑤，各类都有⑨。我过去看到的⑳，不管是国内还是国外⑳，软件有一个核心的指标叫做 Customer Retention⑥，就是客户的 retention rate⑭，而 Customer Retention 的一个最大障碍就是客户买了软件之后⑱，有没有真正把软件用起来⑫？但凡真正用起来⑳，不需要是多么牛逼的软件⑤，客户的 retention 一定是好的①。

如果客户都没用起来⑤，他一定不会续费⑭。那么客户用软件的障碍又在哪里⑮？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⑫。相当于一辆车⑧，这个车已经代表了现代制造业⑬，但问题是开车这个事情⑫，包括把日常开车出门以车代步这个事情变成一个习惯⑬，它是有门槛的⑧，是需要去学习的❶。你要了解车的基本架构是什么②？每个按键是什么功能⑧？开上之后还要掌握一定的手感⑫，你要慢慢地熟悉它⑰，习惯它的速度④，还要遵守交通规则❸。

东旭：门槛太高了⑩。

海燕：对❸，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⑳，组织买了⑦，让每个同事去用⑩，很多人还是在自己的老习惯里⑫，记在小本上⑤，再把小本上的内容找一个集中的时间上传到软件里去①。这就说明他其实并没有掌握开车的习惯⑭，也就很难理解①，以车代步会大大地提升效率⑳、拓展能力⑥。

东旭：这种情况他真正需要什么⑱？需要一个司机⑧。

海燕：但就像你刚才说的③，不可能每个人都给配个司机⑯。

东旭：你看这个截图❶，这是我们公司的一个销售▓。我想知道他最近在负责什么样的项目①？所有这些数据都是动态的⑤。我也可以问他最近一次跟某某客户开会是什么时候⑤？聊了什么内容⑤？就是刚才你说的每个人的司机⑬。

就像我刚才说到一个非常重要的点❶，长期来看软件的门槛▓，是一直在降低的⑥。我觉得未来软件最易用的形式其实就是对话⑤。

海燕：不需要用户做任何学习⑦，非常非常低的门槛就能用起来❸，但凡让他还要学点啥⑳，比如要了解这个软件的整个结构③、功能按键等涉及到了学习成本和过去工作习惯的改变⑤，就会导致很多软件用不起来⑪。

东旭：没错⑩，我先描述一下我想象的未来企业软件的样子⑦，下一代的 Salesforce 可能会长什么样❸？第一⑪，它是一个对话框⑫；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⑪，这个碎块就是一张张小卡片⑧，在你的对话中 AI 或 LLM 有点像一个 Copilot⑱，这个 Copilot 会根据你的上下文和你现在的需求⑯，把相应的碎片拿出来放到对话框里⑪。比如我现在要审批一个东西⑤，他直接在 LLM 把这个审批的按键调出来❸。

海燕：不需要让你在一堆列表里找①。

东旭：这会很深刻地改变软件的产品形态⑬，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 tools❶。

海燕：改变主要是交互层面①，还是别的地方⑫？

东旭：交互层面就是最重要①、最大的创新⑬，这种创新远比我们想象中带来的意义要大⑬。

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⑭，就别让用户学开车了▓，人从不会开车到会开车是要专业培训❶，要考驾照才能上路⑧，而且还不一定能开得好⑭，说不定还要吃罚单⑪。车也是一步一步进化到全自动驾驶的⑲。到了L2 时代③，可能已经解决了一些问题⑭，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❸？自动泊车功能就帮你倒进去了⑧。这可能只是先帮你解决一些开车不自信的问题▓。等有一天达到 L3 甚至 L4 级别了▓，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❷，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⑮，很可能那时候车都不一定再有方向盘这个东西⑮，对吧▓？

东旭：这一点上我大方向认可④，但是有一个小小的 comment⑧。还是用车来作一个例子⑪，我不觉得完全自动好②，除非全世界所有的车都被强制规定自动驾驶▓。

海燕：不仅得规范车⑧，还得规范人⑪。

东旭：没错⑭，如果 human 还 in the Loop⑳，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⑰，而是你给我的结果要具备一个人能理解的可解释性②。什么意思呢⑮？比如自动泊车⑱，对于人来说⑪，如果你在车里④，你其实更希望看到方向盘是怎么动的⑫，以及给我个 plan③，我去确认⑤，就是 human 一定要有一个 under control 的结果①。

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⑰。

海燕：让 AI 告诉你⑤，它是怎么分析和解决问题的⑤，它把思维链展开给你看了⑱，这个交互本身就是非常非常破圈的一点④。

东旭：对②，所以为什么我觉得交互的改变意义深远⑭，现在不管怎么样❶， AI 还是为人服务的③，而且大语言模型有一个非常大的问题⑭，就是可解释性⑦。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⑰，可能最后的结果还是不具备可解释性的❸，是个黑匣子❷，大语言模型拍脑袋说啥就是啥⑫。但其实在 Reasoning model 普及以后⑦，你对于 AI 输出的结果⑮，是可以去做审核和判断的⑬，而且就算发现有问题⑭，你也可以随时接管⑪。所以现在包括 Cursor 等比较成功的 Agent 应用⑳，都是会把人当成整个软件的一部分⑦。

海燕：所以挺有意思⑥。换句话说⑲，其实 L3 级别的自动驾驶⑲，反而是相当长时期 stay 在那里的一个形态⑮， L3 其实就是 Copilot 方式的存在⑭，它在绝大部分情况下⑭，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②。回过头来说❸，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⑲，这是我们对应用软件的一些畅想或者期待⑥。

我觉得 Infra 软件和 PingCAP 做的事就更接近了④，因为应用软件是面向用户的⑩，所以可能 AI 时代一个重要的革新②，其实就是在交互层面⑩，怎么把这种可解释性⑪、自然语言的交互习惯②，包括怎么让用户能更容易上手①，降低使用的门槛⑮？在这方面②，你作为从业者▓，对于基础软件在 AI 时代有哪些观察和心得⑳？

东旭：基础软件里面我觉得最重要的几个东西⑩，我先说数据库⑩，因为我们自己就是做数据库的⑬。第一个结论是我们越来越重要了❸，我们最近这两年的增长③，还是比较 promising 的④，这里边一部分的原因⑧，尤其在一些新的 workload 里▓，大多数都是跟 AI 相关的❶。我觉得从客户的角度来看⑳，第一个心态就是以前很多数据❶，用户因为不知道怎么利用③、分析⑧，像用 Snowflake 跑跑报表⑳，最后给 CEO 看一看大图就完了⑩。

以前像 OLAP 数据仓库的很多应用场景⑨，其实就是给数据分析师或者领导写报告❷。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⑬、利用❶，我才有了做 ETL ⑳、Transform▓、Load⑲，涵盖了将数据从一个数据源提取出来⑬，经过各种处理和转换①，最后加载到另一个数据源的全过程⑥。）做这种大数据的动机①，因为我需要从数据的整体去看❸。

但今天我觉得 AI 提供了一个 possibility⑮，就是我对每个人的所有的数据③，都可以很好地利用起来⑰。所以第一点⑬，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⑧，我先把它存下来⑰，因为所有数据都会有用⑭。

海燕：就是数据的价值提升了①，或者说开发这些数据成为可能③，导致数据的价值提升了⑳。

东旭：对于数据的存储需求❷，是在提升的▓。我们也有预判①，在云上如何给用户提供一个低成本⑨、无限拓展性的版本①，这是一个很重要的 topic⑰。第二⑥，对于数据我觉得很重要⑫，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▓，目标人群是开发者⑦、DBA 或者数据分析师⑤，他们有个共同点⑱，都是人⑩。但在 AI 尤其 LLM 或者 Agent 的时代❸，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❷，我的用户可能是 LLM⑬，可能是大语言模型⑪。

海燕：就是访问数据库的③，不是开发者⑳。

东旭：对⑨，是 Agent❶，在这种情况下④，如果按照传统思维去设计系统⑭，会非常非常奇怪⑰。举个例子⑭，像 Snowflake 或者数据仓库的公司❶，很强调自己的数据 ETL 能力⑱，要把数据来回掰扯⑭，变成一个报表⑪，或者一些抽象数据的 insight④，好让大家去做分析❶。

但试想一下①， AI 在访问你的数据时①，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⑥，我觉得 AI 应该用我的 open 数据的 API 去封装⑯，其实反而是不好的⑱。相当于你给 AI 一个报告②，它只能回答这个报告相关的上下文的东西⑬，一旦你问的问题超出了报告的边界⑪，它就没办法回答了④，因为你没有给它足够的数据❸。所以对于 AI 来说❸，我自己实践过最好的办法❷，就是直接给它开放原始的数据访问权限❸，同时再给它一个足够 flexible 的访问数据的方式❶。

SQL⑲，我最近做的思想实验是想象我自己是一个 AI Agent⑲，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③？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▓，最方便的办法就是我通过把“主人”给我的需求❸，变成一个对原始数据库的 SQL 的访问④，这样我就可以得到一些实时的数据⑱，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⑪。比如老板提了一个要求❸，数据分析师回去搞报表⑦，只是现在用 AI 来实现刚才的场景⑦，变得每个人都可以做⑳，而且非常轻量▓。所以⑪，最后我得到的结论就是：SQL is still the best thing we have❷，SQL 现在仍然是我们跟 AI 以及数据之间最好的桥梁⑪。

第二▓，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⑩，它对于数据的烟囱和孤岛是很讨厌的⑧。如果这些数据都在一起⑭，我用一条 SQL 就能关联起来⑪。但如果是在孤岛⑥，这边一个向量数据库⑥、一个文档数据库⑦，那边一个 SQL 数据库⑧。

海燕：相当于我要翻很多墙才能完成工作❶。

东旭：所以我觉得 Infra 的归一化也是一个特别大的趋势⑤。

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⑪，过去应用软件服务人⑪，它是直接面向用户的⑰，用户使用应用软件⑮，应用软件调下面 Infra 这一层⑧，应用软件是以开发者为中心去做的⑳，对吧⑦？

东旭：对▓，开发者写“死”了⑳。

海燕：刚才咱们提到其实应用软件更像 L3 的智能驾驶⑩，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⑦，代替了用户人手一条一条去点开④、执行⑰、找界面⑰、找对应的空去填⑦。换句话说⑲，现在应用软件很大一部分是由各种各样的 Agents 构成的⑦，所以过去的用户访问数据库或者开发者访问数据库③，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⑮，它是油车③，支撑车的是内燃机发动机⑳。但现在完全不一样了⑳，因为现在车要获取很多传感器数据去做实时的智能判断②，然后再把指令给到发动机电机去驱动车往前走或者停⑳。换句话说❶，Infra 的用户变了⑰，不是开发者③，不是人⑨，是 Agents⑨。因此 Infra 也要面向新的用户层去设计⑥、改变⑫。刚才你提到的有一条很对⑲，就是统一数据库更重要②，而不是分散的⑰、小的⑦、各种各样的数据库拼凑的整个 Infra 底层⑥。

东旭：对⑩，另外一个就是接口④。接口一定要用一个统一▓、通用⑭，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 SQL⑯，因为第一⑨，SQL 是一个标准的语言⑫，AI 训练了这么多年②，用的就是它⑧；第二④，SQL 又是一个精准的语言⑩，SQL 写对了⑧，一定能够捞出数据可解释⑨。第三▓， SQL 也是可以被人类读的⑮，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⑮，它给了我一个列表⑤，告诉我这个列表是根据 5 条 SQL 跑出来的④。

总之⑰，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⑫，而不是面向人和开发者设计软件③，这可能是未来要面临的一个课题⑪。

第二个方面▓，我觉得基础软件里很重要的一个 category⑦，就是操作系统⑥。虽然我不是做操作系统的⑲，但我觉得它会发生很大的改变⑪。

操作系统以前是一个在硬件和用户中间的东西⑧，相当于它把硬件的抽象给隐藏起来⑱，对上面的应用软件提供标准的接口⑫，程序员再利用这些 System API 去做应用❶。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⑫，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⑪，一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⑮，而是 AI agent①。

所以刚才我提到像 CRM 软件⑩，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⑩，让 LLM 能够把相应的能力变成一个对话中的小block⑮。类比到操作系统里❷，其实这个工作在硅谷已经有一些创业公司在做了⑳，最近这两天有个融资的项目⑬，他们的 vision 就是做一个面向 AI Agent 或者 LLM 的浏览器⑭。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⑩。换句话说④，云计算的时代也给 AI 打了个基础⑬。AI 让软件的形态发生变化⑩，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❷、更加简单⑪、更加 flexible④。是这样一个趋势⑪，但并不是就抛弃了软件这个形态❸。

东旭：不会抛弃的②。我觉得软件尤其企业软件⑩，真正的护城河有两个：第一❶，就是我刚才说的这些企业里的 Know-how⑱，比如懂企业客户▓、懂场景②，这些是 AI 很难理解的①。就像卖东西⑨，你不可能让 AI 来帮你卖东西⑰，至少现在还很难⑦。

第二▓，还是工程复杂性⑨，就是 LLM 作为单独的模块⑥，它的复杂性是没有的⑰。比如现在千问3刚出来⑫，Deepseek 刚出来❶，你只要搭上个 Ollama ⑪，之后暴露的 API 都一样⑲，实际上没有什么差异⑯。

海燕：某种意义上⑱，工程的复杂性反而更高了⑬。

东旭：有点像企业软件或 SaaS 软件一样④。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⑤。哪怕就想做一个 AI 自动帮你订机票的事⑭。

海燕：只是面向用户更简单了③，但反而把复杂的东西都留给了开发者⑤，或者说留给了专业建造者⑭。

东旭：是的⑤，所以我觉得还是有门槛②。就像海燕刚才说的⑬，AI 就像整道菜的一把盐⑫，能够把这个菜变得更好吃⑨，但它还是那道菜⑬。

海燕：那你觉得日后企业客户的独有数据这个事还重要吗▓？

东旭：当然重要⑧。

海燕：以后一定会有越来越多的独有数据⑯，还是反而会打破数据的藩篱⑥，有更多的公海数据呢⑭？

东旭：这点我稍微有点悲观⑰。因为大家现在都知道❷，包括所有的大厂其实都已经知道数据的价值⑯。老实讲②，以前做一个很好用的软件⑰，反正用户的交互数据如果没用就扔掉了⑥。但现在所有的大企业⑭，只要在有用户交互的点上⑤，那都是兵家必争之地了⑭。数据才是未来企业最高的护城河⑮。

海燕：换句话说⑰，面向企业的软件工具⑭，本质上还是有三个原因❶，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①，就是行业 Know-how 或者客户 Know-how②；第二是工程复杂性⑬，在 AI 时代面向用户越简单⑧，后面对工程复杂性的要求越高⑮，所以需要一些专业服务❷；第三是如何帮助企业客户用好他自身的数据③，因为数据反而更大了③。

东旭：数据的价值更高了❷。

海燕：所以每个企业都想保护好自己的独有数据⑭。

东旭：我用大白话来打个比喻：如果你不给大模型任何数据⑰，它只是像一个哲学家一样跟你讲点大道理⑰，怎么能跟“你”产生关系⑲？只有数据⑩。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⑭，就是通识⑳；第二是 context③，你的 context 越精准⑨，这个东西就越有用⑨。所以在这点上⑫，我觉得企业之间的壁垒会越来越大③，但是在企业内部⑦，数据打通会越来越通⑮。

海燕：我觉得你刚才提出来的关于数据库的那一条▓，有可能成为新的下一代数据库⑥，很快人人都会说③，但这个独有观点是咱们提出来的⑱。