您现在的位置是：网站首页>国际国际

叮咚电玩城

罗紫山 2025-05-14 【国际】 5482 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⑱，华创资本管理合伙人吴海燕认为是2021年⑪。因为这一年⑩，不仅是软件行业估值的高点②，也是行业最受资本追捧的一年④。因此▓，她把软件公司分为两类：一类是 2021 年融到了很多钱的公司⑬，一类则是 2021 年没有融到钱的公司⑩。这之后❷，两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⑩。

华创派企业 PingCAP 就属于 2021 年融资成功的阵营⑪。那个时候他们对未来的宏观形势有所预判④，得以抓住机会加速了全球化的布局②。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③，创立的分布式关系型数据库 TiDB⑱，能持续帮助企业最大化发挥数据价值⑮。

随着 AI 浪潮的来临⑯，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⑲，AI 将如何深刻改变企业软件的交互方式与产品形态⑭？基础软件在 AI 时代又该实现哪些自我革新和进化⑩？近日▓，PingCAP 联合创始人兼 CTO 黄东旭做客「牛白丁」⑭，与吴海燕一起探讨了AI大潮冲击下⑯，软件公司该如何顺流而上⑲，发挥出自己独特的行业价值▓。

嘉宾介绍：②、黄东旭⑦， PingCAP 联合创始人兼 CTO

本期主播：③、吴海燕⑮，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❷，这里是华创资本的播客节目「牛白丁」⑰，我是吴海燕②。这期我们请到了 PingCAP 的联合创始人兼 CTO 黄东旭❷。

我其实现在回想咱们的第一次见面还印象深刻⑫，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①。我记得是2017年3月的一个早晨⑫，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⑱，会议室里只有你一个人在等我❸。后来我才知道③，程序员因为工作习惯⑰，早晨一般都不在公司③。

东旭：那次我印象也特别深刻④，和你聊完以后我就去赶飞机了⑤。一下飞机就收到你的信息⑥，说PingCAP是家好公司⑧。

海燕：我当时也是下了飞机就告诉刘奇华创决定领投②，他还说这是“云上”的决定⑯。2017年3月我们见面⑱，年中完成了投资⑩，10 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❷。所以那时候你们已经正式开始在北美设办公室⑨、招人了吧①？

东旭：没错❸，PingCAP 2015年创立⑧，从第一天起⑪，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⑮，你说的2017年10月的那个时间点⑧，是我们真正决定要在硅谷设点❷，开始正式运营在海外的业务❸。其实在那之前⑬，我从来没有在海外工作⑫、留学过▓，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⑬，哪怕没有条件⑲，创造条件也要去做▓，所以我当时都没买回程机票❶，事情没办完我就不打算回来⑰。

海燕：咱们那轮融资算是当时相对比较大的一笔美元❶，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⑲，我介绍你认识了硅谷当地一些做投资的朋友⑫。后来到了 2020 年⑥，一位朋友还跟我说后悔在硅谷介绍你们认识时没有投资PingCAP①。

东旭：未来还有机会的⑩。我们开始国际化的时间比较早⑱，中间也踩了好多坑⑲，以后有机会我们再分享⑩。

海燕：说起 2017 年⑤，感觉像是昨天❶，但实际上过去八年里已经发生了非常多的事件和变化⑱。站在投资人的角度⑫，说一下我感觉到的咱们这个行业的变化⑳。

2021 年实际上是软件行业估值的高点①，应该也是行业最受追捧的一年④。 2021 年我们软件 portfolio 所获得的融资④，比历史上华创其余九年里软件 portfolio 的融资额加起来还要多⑧。后面的几年⑪，再也回不到 2021年的盛况了❷。

东旭：那个时候应该是美国印了很多钱⑲，整个资本市场有点被催熟⑯。

海燕：当年标志性的事件就是 Snowflake 上市⑫，超高估值上市激起了大家对软件行业非常大的热情❷，所以行业融了很多钱⑮。到了 2022 年初⑲，世界一下又变化了⑲，按下了暂停键⑲。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⑫，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▓，一类是 2021 年没有融到钱的公司③。这两类公司在 2022 年之后⑭，可能就是一个很大的分野❸，他们或许都经历了不同程度的困难⑤。注意⑯，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⑥。 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②，所以他们每一年都在过苦日子⑰，每一年都在降本增效⑧。

东旭：非常 tough⑨。

海燕：活下来的可能都是“打不死的小强”了⑩。而 2021 年融到很多钱的公司①，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❸。因为 2021 年你融到很多钱⑬，就意味着你当时一心想要做高增长⑪，会招很多很多人④，会开新的办公室⑦，花很多时间精力做销售▓，不顾一切地去拿订单⑰。这是 2021 年融到很多钱的公司一定会去做的事⑥，然后在 2022 年⑨，啪⑪，一个巨大的终止符下来了⑳。所以在 2021 年融到很多钱的公司⑧，无一例外地经历了团队从很小规模到很大⑬，又缩回很小的这样一个阵痛的过程❷。

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⑯。其实我们在 20④、21 年已经非常明确地知道 22 年一定会有大的经济危机⑪，因为美联储持续地加息③、印钞⑯，我们觉得风险非常非常大⑱。 21 年正好在市场比较好的时候①，尤其在 Snowflake 上市以后⑫，我们知道未来马上会有苦日子❷，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⑧，我们的一个思路并不是要去追求更高的增长⑭，而是在那个时间点之后①，如果你只做单一市场是不够的❷，我们一定要在那个时间点让自己变成一个 global company⑫，这样才能有更多抵御风险的能力❸。包括到现在我们对于 spending 的控制❷，我觉得还可以③，没有说突然有钱了以后就疯狂扩张②。

当时确实扩了一点⑦，但很快在 2022 年时⑮，我们又往回缩了一些⑯。倒不是因为业务的原因⑭，而是我们需要像跑马拉松一样⑮，根据最终的目标来去分配精力和能量⑩。因为当时是我们做全球化最好的时机⑯，由于疫情的缘故❸，物理世界的数字化在加速⑳，包括 cloud 的 infrastructure 变得越来越成熟⑰，当然 mindset 也接近成熟⑱。所以我觉得我们还是比较幸运⑧，大多数人没有办法预测未来⑫，只是正好在那个时候有一个很好的时机⑥，就活到了现在❶。

海燕：我其实在 2021 年的时候❸，问过几个我们拿了大钱的 portfolio⑤，他们在 21 年融了不止一轮②，且融了非常多的钱⑨。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④，你是怎么考虑的⑨？”

我不是建议他们拿或者不拿③，只是问询一下他们的考虑⑮。这几个创始人都给了类似的答案⑳。首先就是你刚才说的❷，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⑭，可能不久的将来就会是一个 downtime④，我们也不知道什么时候是 downtime⑧，但既然现在是 high time ⑦，就应该多储备一些现金❶；第二▓，他们不介意所谓的股权稀释⑭，万一哪天到了 downtime①，公司有足够多的现金⑬，可能会比别人有更多的竞争优势②，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⑪，所以大家当时是看得很准的▓。

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

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⑯。

海燕：我觉得一方面印证了 21 年大家说的一些话⑯，可能后面的 downtime 你不一定能拿到很多钱⑨。而 AI 大潮的来临⑮，其实抢夺了软件公司在资本化方面很稀缺的资源❸。因为从 22 年之后③，不管是美股⑳、 A股❶、港股这些比较大的二级市场⑫，还是一级市场⑲，都变得非常紧缩⑥，流动性不足⑨，就导致股权融资变得很困难⑮。即便是上市公司⑱，你要做增发⑭，要在二级市场再融资也不太容易②。一级市场的各种统计数据都显示⑰，从 22 年以后⑰，融资的公司数量⑰、总的融资金额都在不断地下降❷。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▓，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⑰。

海燕：对⑮，在融资总规模变小的情况下▓，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⑫。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⑤。

东旭：❷、这是非常明显的 “The Head Effect”❸。

海燕：这就导致很多其他行业优秀的公司⑲，在过去一两年要不融不到钱④，要不融到钱估值也没法看⑱，对吧⑳？不是 down round 就不错了⑨，很多都是 flat round④。

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▓？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❶、智能化⑱？你在硅谷看到的变化是什么呢⑦？

东旭：我觉得现在我们真正站在一个非常大的时代的门口⑫。一直到 DeepSeek 今年春节爆火之前⑩，整个行业大概都是在 build prototype❸。今天有个很好的 idea⑮，我就试一试⑱。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⑭，打个榜三天以后就 hype⑩，而且 AI 的势能过大⑮，导致 hype 时间非常短②，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⑭，或者软件行业的技术创新还有点不一样⑳。

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⑥，比如像我们的数据库⑳，过去的门槛其实在于工程复杂性❷。就是你可能要写 100 万行代码③，才能表现得很好④。像 Salesforce 或者 ERP 软件⑪，得有很深厚的技术和业务的 Know-how⑫，才能做这样的 system software⑳。包括各种 SaaS⑨，在过去都是这样的逻辑⑰。

但 AI 这波⑯，尤其是大语言模型⑨，它本身的注意力机制⑦，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⑬，第二能自己实现出来一个⑱。我当时就想着也要学习一下⑫，看论文花了两个礼拜⑭，真的就写了一个出来⑬。只是到最后还需要很多算力⑱、数据⑳，但它的机制本身是不复杂的⑩。

所以①，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⑪。加上全世界的资本全都集中在这⑫，大家其实一直在经历各种各样的三天一遍的一个hype⑰。

海燕：Hype 之下一个很重要的心态⑰，就是 FOMO▓。不管是个人用户⑪、企业客户还是投资人⑪、创业者⑪，大家都有不同的FOMO 情绪⑭。比如过去两年❸，我们软件 portfolio 说现在大部分企业日子不好过⑪，数字化预算都降低了⑨。但这个背景之下⑮，各个企业还都有部分预算是特意留给 AI 的▓。就是无论如何我都得先试试 AI④，万一我被时代抛下怎么办①？

东旭：这是为什么我觉得现在是一个很重要的时间点⑮，但我们还站在门口⑤，没有进去⑥。我觉得到今年 AI 的基础能力⑨，不管是 DeepSeek 还是现在的 Tier1 的 model⑬，已经能做一些 actually something useful⑮，这是非常非常重要的⑭。

我先说一个结论：未来所有的软件⑰，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⑥，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 ⑳，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⑭。

海燕：你话里面的第一重逻辑⑯，至少给了我们软件行业的创业者一个 comfort❷，专业的企业软件公司还是需要的❷，不是基础的大模型就能颠覆和替代了的⑨。

为啥有这样的疑问⑤？举个例子⑦，我们之前有一个 portfolio 公司要被收购了⑪，被收购的过程中⑭，收购方的业务层大老⑱，他们可能不是特别理解技术⑯，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⑰，还要软件干嘛⑭？

东旭：就好像 AI 是万能药⑭。

海燕：对④，有个 AI 就不需要专业的软件公司了①。这两年我也琢磨了一下▓，到底 AI 对于软件公司意味着什么⑮？类比自动驾驶时代到来后③，车变得不一样了③，变得更强大了▓，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①，对吧①？

东旭：举个很简单的例子③，比如像会计①，我父母都是会计师⑱，他们是互联网时代之前的会计⑦。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①？它还是一直存在的⑪。从古代有交易开始③，一直到现在②，记账这件事情从来没变过⑦，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⑤，就像 CRM ⑩，还是销售过程管理⑧。难道在 AI 普及的时代⑤，就不需要销售吗❶？就不需要过程管理吗⑭？我觉得一定需要的②。只是未来软件的形态一定会比现在更加好⑩、更加智能⑱。

以前我们有些事情是没有办法做到的❶。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⑲。比如我提个需求④，想看一下今年哪些客户买哪些 SKU⑱，哪些涨得特别好⑬？重要的客户是谁⑯？哪些销售排名更靠前⑩？

海燕：你需要基于 Salesforce 做数据统计或者 BI▓。

东旭：以前都得靠人②，而且我提一个需求可能两天以后才能做好⑳。我非常 respect 这些同事的工作①，因为企业软件一个很重要的护城河⑲，是对于这些企业的 Know-how⑱，以及这些数据在什么地方③，怎么把它组织起来▓，变成一个能够被提取的 insight①，这些其实很重要的④。

现在我自己做了一个 Agent④，但还是太慢了⑯，还需要一些更加个性化的能力⑯。我是怎么做的呢⑲？我直接把我所有的Salesforce 数据全都同步到我自己的 database 上⑫。然后我自己写了一个 Agent 用 NCP 去读取我的 database⑰，它自己写 SQL⑬，我在上面就用自然语言去看❷，比如最近 10 天最好的销售排名⑫。

海燕：你已经实现了传说中的 ABI⑮。

东旭：虽然还不成熟⑪，但我觉得体验比以前自己打开 Salesforce⑦，然后在各处找数据做报表要好⑥。这里涉及到一个核心的逻辑——过去我们的软件都是静态的⑮。静态是什么意思呢⑩？就是程序员把这个业务逻辑写好⑦，变成报表也好④，或者变成业务逻辑也好⑳，就在那⑤，它没有任何机会去变化②。

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①，相当于以前一个公司⑫，比如只有高管才有助理帮他订机票⑳，现在你可以认为每一个企业软件服务的用户④，他自己在他的软件里面有能够提供灵活性的一层⑰。有点像过去产品底下是一个大的数据库⑲，这个数据库你是看不见的⑳，比如 Salesforce 底下会有各种各样的 data Infra①，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⑦，会有一层叫 Agent❶，或者 AI⑮。

海燕：云计算时代⑩，是把传统软件所谓的烟囱状给打破了⑭，可能 AI 时代进一步把 SaaS 的藩篱给打破了②。

东旭：是的⑭，而且我觉得 AI 还打破了一个事情⑧，就是人的思维局限⑱，有的时候烟囱不是在技术层面⑭，其实是在用户和产品经理的脑子里⑨。

海燕：我说一个我的观察▓。我们投了相当多的软件公司①，各类都有⑲。我过去看到的⑬，不管是国内还是国外⑤，软件有一个核心的指标叫做 Customer Retention⑱，就是客户的 retention rate①，而 Customer Retention 的一个最大障碍就是客户买了软件之后①，有没有真正把软件用起来⑩？但凡真正用起来❷，不需要是多么牛逼的软件⑪，客户的 retention 一定是好的❷。

如果客户都没用起来⑧，他一定不会续费⑫。那么客户用软件的障碍又在哪里⑳？细究一下会发现所有的软件都是有使用门槛的⑨，用户要学习怎么去使用⑩。相当于一辆车⑪，这个车已经代表了现代制造业⑰，但问题是开车这个事情⑳，包括把日常开车出门以车代步这个事情变成一个习惯⑥，它是有门槛的⑯，是需要去学习的⑲。你要了解车的基本架构是什么❷？每个按键是什么功能❸？开上之后还要掌握一定的手感⑳，你要慢慢地熟悉它⑪，习惯它的速度①，还要遵守交通规则❶。

东旭：门槛太高了▓。

海燕：对⑳，这些门槛导致了很多用户会缩回来③。哪怕这个企业客户买了④，组织买了⑥，让每个同事去用④，很多人还是在自己的老习惯里⑯，记在小本上⑲，再把小本上的内容找一个集中的时间上传到软件里去⑧。这就说明他其实并没有掌握开车的习惯②，也就很难理解⑭，以车代步会大大地提升效率③、拓展能力⑤。

东旭：这种情况他真正需要什么⑮？需要一个司机⑯。

海燕：但就像你刚才说的⑭，不可能每个人都给配个司机⑦。

东旭：你看这个截图❷，这是我们公司的一个销售②。我想知道他最近在负责什么样的项目③？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④？聊了什么内容❶？就是刚才你说的每个人的司机⑰。

就像我刚才说到一个非常重要的点⑰，长期来看软件的门槛❸，是一直在降低的⑦。我觉得未来软件最易用的形式其实就是对话❷。

海燕：不需要用户做任何学习⑧，非常非常低的门槛就能用起来❶，但凡让他还要学点啥❸，比如要了解这个软件的整个结构⑩、功能按键等涉及到了学习成本和过去工作习惯的改变⑳，就会导致很多软件用不起来⑯。

东旭：没错⑦，我先描述一下我想象的未来企业软件的样子⑤，下一代的 Salesforce 可能会长什么样⑲？第一❶，它是一个对话框⑳；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⑰，这个碎块就是一张张小卡片⑲，在你的对话中 AI 或 LLM 有点像一个 Copilot⑲，这个 Copilot 会根据你的上下文和你现在的需求⑧，把相应的碎片拿出来放到对话框里❷。比如我现在要审批一个东西⑦，他直接在 LLM 把这个审批的按键调出来⑤。

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⑱，它不再是一个网站或者 APP④，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▓，还是别的地方⑱？

东旭：交互层面就是最重要⑥、最大的创新③，这种创新远比我们想象中带来的意义要大①。

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⑬，就别让用户学开车了③，人从不会开车到会开车是要专业培训⑪，要考驾照才能上路❶，而且还不一定能开得好⑨，说不定还要吃罚单③。车也是一步一步进化到全自动驾驶的⑧。到了L2 时代⑰，可能已经解决了一些问题⑦，比如自动泊车⑧，不用每次停车的时候都为难倒不进去怎么办⑯？自动泊车功能就帮你倒进去了⑫。这可能只是先帮你解决一些开车不自信的问题③。等有一天达到 L3 甚至 L4 级别了⑯，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⑭，比如用语言去命令它：我今天就要去哪到哪⑤，根本不用再碰方向盘了⑧，很可能那时候车都不一定再有方向盘这个东西⑬，对吧❸？

东旭：这一点上我大方向认可③，但是有一个小小的 comment⑲。还是用车来作一个例子③，我不觉得完全自动好⑲，除非全世界所有的车都被强制规定自动驾驶③。

海燕：不仅得规范车⑮，还得规范人⑫。

东旭：没错①，如果 human 还 in the Loop⑮，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⑱，很多时候不是越自动越好①，而是你给我的结果要具备一个人能理解的可解释性⑨。什么意思呢⑩？比如自动泊车⑱，对于人来说⑩，如果你在车里⑤，你其实更希望看到方向盘是怎么动的⑮，以及给我个 plan❸，我去确认❶，就是 human 一定要有一个 under control 的结果▓。

海燕：这让我想起 DeepSeek R-1 的巨大创新就在这里❸。

东旭：把思维链展开给你看⑱。

海燕：让 AI 告诉你⑳，它是怎么分析和解决问题的⑫，它把思维链展开给你看了③，这个交互本身就是非常非常破圈的一点②。

东旭：对⑱，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⑫， AI 还是为人服务的①，而且大语言模型有一个非常大的问题⑳，就是可解释性③。为什么我说 Deepseek 是一个特别重要的时间点⑳，就是因为在那个时间点之前⑲，你所有用 LLM 做的东西⑳，可能最后的结果还是不具备可解释性的⑧，是个黑匣子②，大语言模型拍脑袋说啥就是啥⑩。但其实在 Reasoning model 普及以后⑫，你对于 AI 输出的结果❶，是可以去做审核和判断的⑥，而且就算发现有问题❸，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⑭，都是会把人当成整个软件的一部分③。

海燕：所以挺有意思⑥。换句话说⑪，其实 L3 级别的自动驾驶⑪，反而是相当长时期 stay 在那里的一个形态⑧， L3 其实就是 Copilot 方式的存在⑰，它在绝大部分情况下②，都是不需要去接管的⑩，但在必要的时候用户可以随时接管▓。回过头来说④，Agent 也不是用来替代软件的⑱，而是会变成软件机制的一部分⑪，这是我们对应用软件的一些畅想或者期待⑫。

我觉得 Infra 软件和 PingCAP 做的事就更接近了⑭，因为应用软件是面向用户的⑱，所以可能 AI 时代一个重要的革新⑧，其实就是在交互层面①，怎么把这种可解释性①、自然语言的交互习惯②，包括怎么让用户能更容易上手⑳，降低使用的门槛⑧？在这方面⑳，你作为从业者▓，对于基础软件在 AI 时代有哪些观察和心得⑩？

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❸，因为我们自己就是做数据库的❷。第一个结论是我们越来越重要了⑮，我们最近这两年的增长③，还是比较 promising 的⑰，这里边一部分的原因⑦，尤其在一些新的 workload 里⑮，大多数都是跟 AI 相关的③。我觉得从客户的角度来看⑯，第一个心态就是以前很多数据⑬，用户因为不知道怎么利用⑯、分析❷，像用 Snowflake 跑跑报表⑭，最后给 CEO 看一看大图就完了❶。

以前像 OLAP 数据仓库的很多应用场景⑦，其实就是给数据分析师或者领导写报告▓。但是仔细想一想⑮，就是因为我们没有办法对这种海量碎片化的数据去提取④、利用❷，我才有了做 ETL ⑰、Transform⑪、Load⑧，涵盖了将数据从一个数据源提取出来⑫，经过各种处理和转换⑯，最后加载到另一个数据源的全过程❸。）做这种大数据的动机⑥，因为我需要从数据的整体去看⑨。

但今天我觉得 AI 提供了一个 possibility⑪，就是我对每个人的所有的数据④，都可以很好地利用起来⑪。所以第一点⑩，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⑮，我先把它存下来⑰，因为所有数据都会有用⑬。

海燕：就是数据的价值提升了⑳，或者说开发这些数据成为可能①，导致数据的价值提升了⑨。

东旭：对于数据的存储需求⑯，是在提升的⑫。我们也有预判⑫，在云上如何给用户提供一个低成本⑦、无限拓展性的版本⑱，这是一个很重要的 topic⑦。第二⑭，对于数据我觉得很重要①，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⑪，目标人群是开发者⑬、DBA 或者数据分析师④，他们有个共同点⑥，都是人⑨。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⑱，我要考虑我的用户可能不一定是人①，我的用户可能是 LLM⑮，可能是大语言模型❷。

海燕：就是访问数据库的⑥，不是开发者⑨。

东旭：对⑳，是 Agent⑯，在这种情况下④，如果按照传统思维去设计系统⑦，会非常非常奇怪④。举个例子▓，像 Snowflake 或者数据仓库的公司⑲，很强调自己的数据 ETL 能力⑳，要把数据来回掰扯⑤，变成一个报表⑱，或者一些抽象数据的 insight②，好让大家去做分析①。

但试想一下⑥， AI 在访问你的数据时⑯，如果你给它的是一些被处理过的数据⑯，或者是一些你自己通过大脑想出来的⑨，我觉得 AI 应该用我的 open 数据的 API 去封装⑨，其实反而是不好的①。相当于你给 AI 一个报告▓，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⑫，它就没办法回答了⑫，因为你没有给它足够的数据⑮。所以对于 AI 来说❶，我自己实践过最好的办法⑪，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❸。

SQL⑰，我最近做的思想实验是想象我自己是一个 AI Agent⑯，为了回答我的“老板”——我的人类主人的一个问题⑫，比如他问：最近 Top10 的销售是谁⑫？因为我只是拿到了这个需求⑧，同时底下是一个类似 Salesforce 的拜访记录⑪，一个原始数据⑮，最方便的办法就是我通过把“主人”给我的需求⑨，变成一个对原始数据库的 SQL 的访问⑥，这样我就可以得到一些实时的数据❶，然后再根据这些数据去做总结⑪，有点像过去人类数据分析师干的事情⑲。比如老板提了一个要求③，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⑳，变得每个人都可以做⑧，而且非常轻量⑧。所以⑩，最后我得到的结论就是：SQL is still the best thing we have⑭，SQL 现在仍然是我们跟 AI 以及数据之间最好的桥梁⑰。

第二⑲，以前其实有各种各样的 database 或者 data infrastructure⑭，这些 data infrastructure 如果是站在 Agent 视角⑱，它对于数据的烟囱和孤岛是很讨厌的⑩。如果这些数据都在一起⑮，我用一条 SQL 就能关联起来⑰。但如果是在孤岛⑧，这边一个向量数据库⑮、一个文档数据库②，那边一个 SQL 数据库⑥。

海燕：相当于我要翻很多墙才能完成工作⑳。

东旭：所以我觉得 Infra 的归一化也是一个特别大的趋势❷。

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⑦，过去应用软件服务人④，它是直接面向用户的④，用户使用应用软件⑤，应用软件调下面 Infra 这一层①，应用软件是以开发者为中心去做的③，对吧⑫？

东旭：对⑤，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❶，把过去很多的用户操作变成了智能化的自动操作⑳。本质上是把很多 Agent embed 到它的应用软件里面了⑨，代替了用户人手一条一条去点开⑫、执行②、找界面❸、找对应的空去填③。换句话说⑪，现在应用软件很大一部分是由各种各样的 Agents 构成的⑥，所以过去的用户访问数据库或者开发者访问数据库④，就变成了大量的 Agents 在访问数据库⑳。

有点像过去非智能驾驶时代④，它是油车⑦，支撑车的是内燃机发动机⑳。但现在完全不一样了▓，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⑳。换句话说❶，Infra 的用户变了⑤，不是开发者❸，不是人⑪，是 Agents①。因此 Infra 也要面向新的用户层去设计⑫、改变⑦。刚才你提到的有一条很对⑲，就是统一数据库更重要⑮，而不是分散的④、小的①、各种各样的数据库拼凑的整个 Infra 底层⑮。

东旭：对❸，另外一个就是接口⑧。接口一定要用一个统一⑫、通用⑳，以及 AI 跟人都能理解的语言去访问数据❶。现在最好的语言就是 SQL⑭，因为第一⑨，SQL 是一个标准的语言⑫，AI 训练了这么多年❷，用的就是它⑩；第二⑬，SQL 又是一个精准的语言⑯，SQL 写对了⑤，一定能够捞出数据可解释①。第三⑦， SQL 也是可以被人类读的▓，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③，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⑤。

总之⑳，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③，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②。

第二个方面⑲，我觉得基础软件里很重要的一个 category⑱，就是操作系统①。虽然我不是做操作系统的⑧，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⑥，相当于它把硬件的抽象给隐藏起来⑥，对上面的应用软件提供标准的接口⑲，程序员再利用这些 System API 去做应用②。比如我画一个窗口❷，其实跟我刚刚说数据库是一样的逻辑⑨，未来System API 硬件封装这层肯定要做⑬，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⑦，而是 AI agent▓。

所以刚才我提到像 CRM 软件⑯，未来是能够把它所有功能拆成一个一个小块⑱，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block❷。类比到操作系统里⑫，其实这个工作在硅谷已经有一些创业公司在做了⑤，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⑥。未来⑪，浏览器可能会是一个很重要的操作系统③。

海燕：我也听到我们有一些 portfolio 在提这个想法⑬。换句话说④，云计算的时代也给 AI 打了个基础⑥。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❷、更加小颗粒⑨、更加简单②、更加 flexible⑥。是这样一个趋势⑩，但并不是就抛弃了软件这个形态⑫。

东旭：不会抛弃的⑦。我觉得软件尤其企业软件⑬，真正的护城河有两个：第一⑫，就是我刚才说的这些企业里的 Know-how②，比如懂企业客户❶、懂场景▓，这些是 AI 很难理解的⑦。就像卖东西⑯，你不可能让 AI 来帮你卖东西⑥，至少现在还很难⑬。

第二⑨，还是工程复杂性④，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▓，Deepseek 刚出来❸，你只要搭上个 Ollama ①，之后暴露的 API 都一样⑨，实际上没有什么差异⑤。

海燕：某种意义上⑩，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▓。到最后我觉得 AI 真正有用的场景或者有用的东西▓，一定是不简单的⑳。哪怕就想做一个 AI 自动帮你订机票的事⑳。

海燕：只是面向用户更简单了⑤，但反而把复杂的东西都留给了开发者⑯，或者说留给了专业建造者⑱。

东旭：是的⑦，所以我觉得还是有门槛❷。就像海燕刚才说的⑥，AI 就像整道菜的一把盐❷，能够把这个菜变得更好吃⑰，但它还是那道菜⑤。

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⑨。

海燕：以后一定会有越来越多的独有数据⑭，还是反而会打破数据的藩篱⑩，有更多的公海数据呢⑨？

东旭：这点我稍微有点悲观▓。因为大家现在都知道⑲，包括所有的大厂其实都已经知道数据的价值❷。老实讲⑩，以前做一个很好用的软件⑫，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③，只要在有用户交互的点上❸，那都是兵家必争之地了④。数据才是未来企业最高的护城河⑭。

海燕：换句话说⑮，面向企业的软件工具⑧，本质上还是有三个原因❸，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-how▓；第二是工程复杂性⑱，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⑱，所以需要一些专业服务⑨；第三是如何帮助企业客户用好他自身的数据⑧，因为数据反而更大了⑯。

东旭：数据的价值更高了⑰。

海燕：所以每个企业都想保护好自己的独有数据⑩。

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⑰，怎么能跟“你”产生关系⑯？只有数据⑧。我觉得大模型要变得有用⑦，有两点必不可少：一个是模型本身的智力⑯，就是通识⑫；第二是 context⑯，你的 context 越精准⑥，这个东西就越有用⑨。所以在这点上⑲，我觉得企业之间的壁垒会越来越大④，但是在企业内部②，数据打通会越来越通⑲。

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⑳，很快人人都会说⑫，但这个独有观点是咱们提出来的⑲。