您现在的位置是：网站首页>世界足球世界足球

YY电玩城戏游

许访云 2025-05-14 【世界足球】 3844 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⑧，华创资本管理合伙人吴海燕认为是2021年❸。因为这一年⑬，不仅是软件行业估值的高点⑳，也是行业最受资本追捧的一年⑰。因此⑥，她把软件公司分为两类：一类是 2021 年融到了很多钱的公司⑱，一类则是 2021 年没有融到钱的公司②。这之后⑰，两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▓。

华创派企业 PingCAP 就属于 2021 年融资成功的阵营⑬。那个时候他们对未来的宏观形势有所预判⑬，得以抓住机会加速了全球化的布局⑪。作为一家企业级开源分布式数据库厂商④，PingCAP服务的客户如今已超过20个国家和地区❸，创立的分布式关系型数据库 TiDB⑨，能持续帮助企业最大化发挥数据价值⑳。

随着 AI 浪潮的来临❸，数据价值也得到了前所未有的提升⑦。但这股大潮的影响远不止于此⑱，AI 将如何深刻改变企业软件的交互方式与产品形态⑬？基础软件在 AI 时代又该实现哪些自我革新和进化⑱？近日⑨，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⑳，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：⑩、黄东旭⑯， PingCAP 联合创始人兼 CTO

本期主播：⑱、吴海燕⑭，华创资本管理合伙人

以下为节目内容⑲，经过 CGCVC 编辑——

海燕：大家好①，这里是华创资本的播客节目「牛白丁」⑭，我是吴海燕⑩。这期我们请到了 PingCAP 的联合创始人兼 CTO 黄东旭❶。

我其实现在回想咱们的第一次见面还印象深刻❶，你们出过一本书《与开源同行》⑫，我当时在作的序里也写了这个场景⑰。我记得是2017年3月的一个早晨⑯，我和你约在 PingCAP 当时办公的东升科技园⑥，因为约的时间太早①，会议室里只有你一个人在等我❶。后来我才知道⑫，程序员因为工作习惯③，早晨一般都不在公司⑭。

东旭：那次我印象也特别深刻⑩，和你聊完以后我就去赶飞机了⑯。一下飞机就收到你的信息⑨，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▓，他还说这是“云上”的决定▓。2017年3月我们见面⑲，年中完成了投资⑫，10 月份刚好咱俩都分别去北美出差⑬，我们在硅谷还一起见了些朋友⑫。所以那时候你们已经正式开始在北美设办公室❷、招人了吧⑭？

东旭：没错⑩，PingCAP 2015年创立⑧，从第一天起①，我们就想着去做一个 global company▓，公司成立前两年基本都在写代码⑯，你说的2017年10月的那个时间点⑱，是我们真正决定要在硅谷设点❸，开始正式运营在海外的业务④。其实在那之前⑥，我从来没有在海外工作⑭、留学过❶，在当地也没有什么 connection ⑫，只是觉得这对于PingCAP的战略来说是一定要做的事情⑭，哪怕没有条件⑲，创造条件也要去做⑫，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⑬。

海燕：咱们那轮融资算是当时相对比较大的一笔美元⑥，你们融资后的第一件事就是立马去北美开办公室①。2017 年咱俩在硅谷碰面时⑭，我介绍你认识了硅谷当地一些做投资的朋友④。后来到了 2020 年⑮，一位朋友还跟我说后悔在硅谷介绍你们认识时没有投资PingCAP⑳。

东旭：未来还有机会的❸。我们开始国际化的时间比较早①，中间也踩了好多坑⑪，以后有机会我们再分享④。

海燕：说起 2017 年⑱，感觉像是昨天⑤，但实际上过去八年里已经发生了非常多的事件和变化❸。站在投资人的角度⑦，说一下我感觉到的咱们这个行业的变化③。

2021 年实际上是软件行业估值的高点③，应该也是行业最受追捧的一年⑪。 2021 年我们软件 portfolio 所获得的融资⑩，比历史上华创其余九年里软件 portfolio 的融资额加起来还要多⑬。后面的几年②，再也回不到 2021年的盛况了⑤。

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⑮。

海燕：当年标志性的事件就是 Snowflake 上市⑮，超高估值上市激起了大家对软件行业非常大的热情③，所以行业融了很多钱①。到了 2022 年初⑤，世界一下又变化了⑨，按下了暂停键⑮。之后的三年里②，直到今天▓，企业软件公司融资就变得不太容易了⑯。

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❶，一类是 2021 年没有融到钱的公司③。这两类公司在 2022 年之后⑦，可能就是一个很大的分野❶，他们或许都经历了不同程度的困难⑲。注意❷，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⑥。 2021 年没有融到钱的公司⑥，就是错过了那个融资最高峰的时候⑪，所以他们每一年都在过苦日子⑫，每一年都在降本增效⑰。

东旭：非常 tough⑳。

海燕：活下来的可能都是“打不死的小强”了③。而 2021 年融到很多钱的公司⑮，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❶。因为 2021 年你融到很多钱⑥，就意味着你当时一心想要做高增长⑧，会招很多很多人②，会开新的办公室❸，花很多时间精力做销售⑥，不顾一切地去拿订单①。这是 2021 年融到很多钱的公司一定会去做的事❶，然后在 2022 年①，啪❷，一个巨大的终止符下来了④。所以在 2021 年融到很多钱的公司❸，无一例外地经历了团队从很小规模到很大⑧，又缩回很小的这样一个阵痛的过程⑪。

东旭：PingCAP 也属于 21 年拿到钱的那个阵营⑬。但我们拿钱的心路历程我可能没跟海燕聊过⑲。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⑳，因为美联储持续地加息⑫、印钞①，我们觉得风险非常非常大⑬。 21 年正好在市场比较好的时候❷，尤其在 Snowflake 上市以后❶，我们知道未来马上会有苦日子❶，所以必须在那个时候先把过冬的粮食给准备好⑭，而且当时拿那笔钱⑦，我们的一个思路并不是要去追求更高的增长⑦，而是在那个时间点之后⑭，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 company⑯，这样才能有更多抵御风险的能力⑤。包括到现在我们对于 spending 的控制▓，我觉得还可以⑭，没有说突然有钱了以后就疯狂扩张③。

当时确实扩了一点⑱，但很快在 2022 年时⑩，我们又往回缩了一些⑲。倒不是因为业务的原因▓，而是我们需要像跑马拉松一样❸，根据最终的目标来去分配精力和能量❷。因为当时是我们做全球化最好的时机⑲，由于疫情的缘故▓，物理世界的数字化在加速⑪，包括 cloud 的 infrastructure 变得越来越成熟⑫，当然 mindset 也接近成熟⑥。所以我觉得我们还是比较幸运⑫，大多数人没有办法预测未来③，只是正好在那个时候有一个很好的时机⑱，就活到了现在⑥。

海燕：我其实在 2021 年的时候④，问过几个我们拿了大钱的 portfolio②，他们在 21 年融了不止一轮⑬，且融了非常多的钱⑳。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⑨，似乎没有必要一定要拿这笔钱⑨，你是怎么考虑的⑬？”

我不是建议他们拿或者不拿⑥，只是问询一下他们的考虑②。这几个创始人都给了类似的答案⑤。首先就是你刚才说的⑧，他们预判了现在是一个资本膨胀的时代④，而且资本是有周期的⑬，可能不久的将来就会是一个 downtime⑪，我们也不知道什么时候是 downtime①，但既然现在是 high time ▓，就应该多储备一些现金⑬；第二⑲，他们不介意所谓的股权稀释❸，万一哪天到了 downtime③，公司有足够多的现金⑧，可能会比别人有更多的竞争优势⑯，可能还能收购一些钱不够了但是产品和技术很好的团队▓。我从几个创始人那里都得到了同样的答案⑮，所以大家当时是看得很准的⑱。

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⑱。

东旭：其实 Open AI 在 GPT-2 出来的时候我就开始在玩③，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①，可能后面的 downtime 你不一定能拿到很多钱⑳。而 AI 大潮的来临⑥，其实抢夺了软件公司在资本化方面很稀缺的资源⑫。因为从 22 年之后⑫，不管是美股❶、 A股⑬、港股这些比较大的二级市场⑲，还是一级市场⑰，都变得非常紧缩⑬，流动性不足⑬，就导致股权融资变得很困难⑯。即便是上市公司①，你要做增发⑫，要在二级市场再融资也不太容易⑰。一级市场的各种统计数据都显示⑲，从 22 年以后⑱，融资的公司数量❷、总的融资金额都在不断地下降⑭。我觉得这个情况在硅谷和在北京都是一样的③，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⑭。

东旭：或者说市场的注意力都转到了 AI 这边⑬。

海燕：对❸，在融资总规模变小的情况下⑰，AI 的占比还提升了③，唯一特别活跃的投融资就发生在 AI 领域⑥。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⑫。

东旭：⑱、这是非常明显的 “The Head Effect”⑥。

海燕：这就导致很多其他行业优秀的公司⑫，在过去一两年要不融不到钱⑨，要不融到钱估值也没法看❸，对吧③？不是 down round 就不错了⑳，很多都是 flat round⑪。

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⑰，做面向企业客户的数字化⑭、智能化⑬？你在硅谷看到的变化是什么呢⑲？

东旭：我觉得现在我们真正站在一个非常大的时代的门口⑪。一直到 DeepSeek 今年春节爆火之前❸，整个行业大概都是在 build prototype⑨。今天有个很好的 idea▓，我就试一试④。前两天更加夸张❶，大模型动辄投个几千美金训练了一个新的模型出来⑩，打个榜三天以后就 hype⑰，而且 AI 的势能过大⑰，导致 hype 时间非常短⑧，因为所有的注意力和资源都砸在这个方向上⑰，而且 Transformer 跟过去的科技创新⑥，或者软件行业的技术创新还有点不一样❶。

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⑬，比如像我们的数据库⑫，过去的门槛其实在于工程复杂性⑦。就是你可能要写 100 万行代码③，才能表现得很好⑬。像 Salesforce 或者 ERP 软件②，得有很深厚的技术和业务的 Know-how⑩，才能做这样的 system software⑯。包括各种 SaaS⑱，在过去都是这样的逻辑⑥。

但 AI 这波⑥，尤其是大语言模型④，它本身的注意力机制⑫，我觉得大学本科毕业的人看 Transformer 的论文看两个礼拜⑲，第一能看懂⑯，第二能自己实现出来一个⑮。我当时就想着也要学习一下⑱，看论文花了两个礼拜⑪，真的就写了一个出来⑬。只是到最后还需要很多算力⑲、数据❷，但它的机制本身是不复杂的▓。

所以❷，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⑲。加上全世界的资本全都集中在这❸，大家其实一直在经历各种各样的三天一遍的一个hype⑮。

海燕：Hype 之下一个很重要的心态❸，就是 FOMO⑳。不管是个人用户⑳、企业客户还是投资人②、创业者②，大家都有不同的FOMO 情绪⑯。比如过去两年⑤，我们软件 portfolio 说现在大部分企业日子不好过③，数字化预算都降低了⑳。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⑬。就是无论如何我都得先试试 AI❷，万一我被时代抛下怎么办⑬？

东旭：这是为什么我觉得现在是一个很重要的时间点⑰，但我们还站在门口⑳，没有进去❷。我觉得到今年 AI 的基础能力②，不管是 DeepSeek 还是现在的 Tier1 的 model⑰，已经能做一些 actually something useful❶，这是非常非常重要的⑩。

我先说一个结论：未来所有的软件⑯，尤其是企业软件都会被 AI 彻底改造❸，软件的形态会发生很大的改变⑤，但一些更深层次的内核是不会变的⑨。比如 CRM 作为销售的辅助对于本身的行业 Know-how ⑮，在未来也会变成这个软件的护城河⑭，只是 AI 会改变它的整个产品形态⑯。

海燕：你话里面的第一重逻辑⑩，至少给了我们软件行业的创业者一个 comfort❶，专业的企业软件公司还是需要的⑦，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⑱？举个例子▓，我们之前有一个 portfolio 公司要被收购了❸，被收购的过程中③，收购方的业务层大老⑮，他们可能不是特别理解技术⑦，所以一直在问：都 AI 时代了⑯，还买个软件公司干嘛②？以后理论上客户不就用 AI 能替代了③，还要软件干嘛⑥？

东旭：就好像 AI 是万能药①。

海燕：对⑫，有个 AI 就不需要专业的软件公司了④。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⑭？类比自动驾驶时代到来后⑬，车变得不一样了②，变得更强大了⑤，但还是需要专业的造车公司去把车给造出来⑭，你还是需要一辆车的⑬，对吧⑨？

东旭：举个很简单的例子③，比如像会计⑥，我父母都是会计师④，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⑳，这个行业不存在了吗⑩？它还是一直存在的❷。从古代有交易开始⑮，一直到现在⑱，记账这件事情从来没变过⑤，只是不同的时代我们用不同的工具⑧，它的产品形态会发生改变③，就像 CRM ⑨，还是销售过程管理③。难道在 AI 普及的时代⑬，就不需要销售吗⑮？就不需要过程管理吗⑨？我觉得一定需要的⑨。只是未来软件的形态一定会比现在更加好⑱、更加智能⑯。

以前我们有些事情是没有办法做到的⑥。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❸。比如我提个需求▓，想看一下今年哪些客户买哪些 SKU④，哪些涨得特别好⑩？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 BI④。

东旭：以前都得靠人⑤，而且我提一个需求可能两天以后才能做好▓。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❷，是对于这些企业的 Know-how⑮，以及这些数据在什么地方⑤，怎么把它组织起来❸，变成一个能够被提取的 insight⑬，这些其实很重要的❷。

现在我自己做了一个 Agent⑩，但还是太慢了⑱，还需要一些更加个性化的能力⑳。我是怎么做的呢⑱？我直接把我所有的Salesforce 数据全都同步到我自己的 database 上⑯。然后我自己写了一个 Agent 用 NCP 去读取我的 database⑩，它自己写 SQL⑫，我在上面就用自然语言去看⑤，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 ABI⑱。

东旭：虽然还不成熟❸，但我觉得体验比以前自己打开 Salesforce⑫，然后在各处找数据做报表要好②。这里涉及到一个核心的逻辑——过去我们的软件都是静态的⑩。静态是什么意思呢⑳？就是程序员把这个业务逻辑写好⑯，变成报表也好⑫，或者变成业务逻辑也好❷，就在那❷，它没有任何机会去变化⑨。

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⑦，比如只有高管才有助理帮他订机票▓，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⑨。有点像过去产品底下是一个大的数据库⑤，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 Infra⑲，而且这些数据是被分割在不同的地方⑩。但是未来可能在产品和数据之间⑱，会有一层叫 Agent⑯，或者 AI⑤。

海燕：云计算时代❸，是把传统软件所谓的烟囱状给打破了⑳，可能 AI 时代进一步把 SaaS 的藩篱给打破了⑥。

东旭：是的⑬，而且我觉得 AI 还打破了一个事情⑦，就是人的思维局限⑪，有的时候烟囱不是在技术层面⑤，其实是在用户和产品经理的脑子里▓。

海燕：我说一个我的观察⑳。我们投了相当多的软件公司⑪，各类都有⑭。我过去看到的⑦，不管是国内还是国外⑨，软件有一个核心的指标叫做 Customer Retention❶，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⑭，有没有真正把软件用起来▓？但凡真正用起来⑤，不需要是多么牛逼的软件⑱，客户的 retention 一定是好的⑩。

如果客户都没用起来⑨，他一定不会续费▓。那么客户用软件的障碍又在哪里▓？细究一下会发现所有的软件都是有使用门槛的⑩，用户要学习怎么去使用⑩。相当于一辆车❸，这个车已经代表了现代制造业⑳，但问题是开车这个事情⑲，包括把日常开车出门以车代步这个事情变成一个习惯⑰，它是有门槛的⑦，是需要去学习的⑳。你要了解车的基本架构是什么⑱？每个按键是什么功能⑦？开上之后还要掌握一定的手感⑱，你要慢慢地熟悉它⑩，习惯它的速度①，还要遵守交通规则⑮。

东旭：门槛太高了⑩。

海燕：对⑨，这些门槛导致了很多用户会缩回来▓。哪怕这个企业客户买了⑬，组织买了⑪，让每个同事去用⑮，很多人还是在自己的老习惯里⑤，记在小本上①，再把小本上的内容找一个集中的时间上传到软件里去⑦。这就说明他其实并没有掌握开车的习惯⑤，也就很难理解①，以车代步会大大地提升效率④、拓展能力⑧。

东旭：这种情况他真正需要什么④？需要一个司机▓。

海燕：但就像你刚才说的❸，不可能每个人都给配个司机▓。

东旭：你看这个截图⑧，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⑫？所有这些数据都是动态的⑦。我也可以问他最近一次跟某某客户开会是什么时候⑨？聊了什么内容❶？就是刚才你说的每个人的司机④。

就像我刚才说到一个非常重要的点⑳，长期来看软件的门槛①，是一直在降低的②。我觉得未来软件最易用的形式其实就是对话⑯。

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⑧，但凡让他还要学点啥①，比如要了解这个软件的整个结构⑭、功能按键等涉及到了学习成本和过去工作习惯的改变⑭，就会导致很多软件用不起来⑱。

东旭：没错▓，我先描述一下我想象的未来企业软件的样子⑬，下一代的 Salesforce 可能会长什么样⑰？第一❷，它是一个对话框⑳；第二⑦，你可以想象现在把所有的 Salesforce 的功能全都切成一个个碎块⑭，这个碎块就是一张张小卡片⑬，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③，把相应的碎片拿出来放到对话框里❶。比如我现在要审批一个东西③，他直接在 LLM 把这个审批的按键调出来⑯。

海燕：不需要让你在一堆列表里找⑭。

东旭：这会很深刻地改变软件的产品形态⑤，它不再是一个网站或者 APP⑬，你可以认为它是一堆散落在各地的小的 tools①。

海燕：改变主要是交互层面⑮，还是别的地方▓？

东旭：交互层面就是最重要❸、最大的创新⑨，这种创新远比我们想象中带来的意义要大⑦。

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⑪，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⑳，要考驾照才能上路⑩，而且还不一定能开得好❷，说不定还要吃罚单⑫。车也是一步一步进化到全自动驾驶的❸。到了L2 时代⑭，可能已经解决了一些问题③，比如自动泊车⑨，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❷。这可能只是先帮你解决一些开车不自信的问题②。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③，比如用语言去命令它：我今天就要去哪到哪①，根本不用再碰方向盘了⑫，很可能那时候车都不一定再有方向盘这个东西⑬，对吧⑩？

东旭：这一点上我大方向认可❷，但是有一个小小的 comment②。还是用车来作一个例子⑩，我不觉得完全自动好⑦，除非全世界所有的车都被强制规定自动驾驶④。

海燕：不仅得规范车⑲，还得规范人▓。

东旭：没错⑪，如果 human 还 in the Loop⑱，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⑬，很多时候不是越自动越好⑫，而是你给我的结果要具备一个人能理解的可解释性⑪。什么意思呢⑮？比如自动泊车▓，对于人来说⑯，如果你在车里⑳，你其实更希望看到方向盘是怎么动的❶，以及给我个 plan④，我去确认❸，就是 human 一定要有一个 under control 的结果⑥。

海燕：这让我想起 DeepSeek R-1 的巨大创新就在这里⑱。

东旭：把思维链展开给你看❷。

海燕：让 AI 告诉你②，它是怎么分析和解决问题的⑥，它把思维链展开给你看了❷，这个交互本身就是非常非常破圈的一点⑯。

东旭：对⑧，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②， 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⑪，就是可解释性❶。为什么我说 Deepseek 是一个特别重要的时间点④，就是因为在那个时间点之前⑪，你所有用 LLM 做的东西⑭，可能最后的结果还是不具备可解释性的⑮，是个黑匣子⑦，大语言模型拍脑袋说啥就是啥⑭。但其实在 Reasoning model 普及以后⑦，你对于 AI 输出的结果⑲，是可以去做审核和判断的⑪，而且就算发现有问题⑳，你也可以随时接管⑰。所以现在包括 Cursor 等比较成功的 Agent 应用❶，都是会把人当成整个软件的一部分⑦。

海燕：所以挺有意思⑭。换句话说③，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❷， L3 其实就是 Copilot 方式的存在③，它在绝大部分情况下⑨，都是不需要去接管的⑨，但在必要的时候用户可以随时接管⑪。回过头来说⑤，Agent 也不是用来替代软件的⑦，而是会变成软件机制的一部分⑭，这是我们对应用软件的一些畅想或者期待⑭。

我觉得 Infra 软件和 PingCAP 做的事就更接近了⑨，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⑤，其实就是在交互层面⑤，怎么把这种可解释性⑥、自然语言的交互习惯⑥，包括怎么让用户能更容易上手⑥，降低使用的门槛②？在这方面⑳，你作为从业者⑦，对于基础软件在 AI 时代有哪些观察和心得❸？

东旭：基础软件里面我觉得最重要的几个东西⑥，我先说数据库④，因为我们自己就是做数据库的⑯。第一个结论是我们越来越重要了⑬，我们最近这两年的增长⑬，还是比较 promising 的②，这里边一部分的原因⑮，尤其在一些新的 workload 里⑩，大多数都是跟 AI 相关的⑤。我觉得从客户的角度来看⑫，第一个心态就是以前很多数据①，用户因为不知道怎么利用▓、分析①，像用 Snowflake 跑跑报表⑧，最后给 CEO 看一看大图就完了③。

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⑬。但是仔细想一想⑤，就是因为我们没有办法对这种海量碎片化的数据去提取⑮、利用⑦，我才有了做 ETL ④、Transform⑲、Load⑱，涵盖了将数据从一个数据源提取出来⑦，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⑯。）做这种大数据的动机⑫，因为我需要从数据的整体去看②。

但今天我觉得 AI 提供了一个 possibility③，就是我对每个人的所有的数据⑧，都可以很好地利用起来③。所以第一点⑨，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⑳，我先把它存下来④，因为所有数据都会有用⑮。

海燕：就是数据的价值提升了⑩，或者说开发这些数据成为可能②，导致数据的价值提升了⑰。

东旭：对于数据的存储需求❶，是在提升的❸。我们也有预判⑬，在云上如何给用户提供一个低成本❸、无限拓展性的版本⑩，这是一个很重要的 topic②。第二⑧，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⑩，目标人群是开发者⑩、DBA 或者数据分析师②，他们有个共同点②，都是人⑬。但在 AI 尤其 LLM 或者 Agent 的时代③，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②，我的用户可能是 LLM⑬，可能是大语言模型⑳。

海燕：就是访问数据库的⑩，不是开发者⑯。

东旭：对⑳，是 Agent③，在这种情况下⑪，如果按照传统思维去设计系统②，会非常非常奇怪⑤。举个例子⑨，像 Snowflake 或者数据仓库的公司⑧，很强调自己的数据 ETL 能力⑰，要把数据来回掰扯⑯，变成一个报表⑱，或者一些抽象数据的 insight⑮，好让大家去做分析⑪。

但试想一下❶， AI 在访问你的数据时❷，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⑫，我觉得 AI 应该用我的 open 数据的 API 去封装⑮，其实反而是不好的⑧。相当于你给 AI 一个报告⑨，它只能回答这个报告相关的上下文的东西⑲，一旦你问的问题超出了报告的边界⑤，它就没办法回答了⑰，因为你没有给它足够的数据⑯。所以对于 AI 来说⑫，我自己实践过最好的办法⑫，就是直接给它开放原始的数据访问权限⑥，同时再给它一个足够 flexible 的访问数据的方式⑱。

SQL▓，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⑥，比如他问：最近 Top10 的销售是谁⑥？因为我只是拿到了这个需求⑯，同时底下是一个类似 Salesforce 的拜访记录⑫，一个原始数据⑧，最方便的办法就是我通过把“主人”给我的需求⑱，变成一个对原始数据库的 SQL 的访问❷，这样我就可以得到一些实时的数据❷，然后再根据这些数据去做总结⑤，有点像过去人类数据分析师干的事情⑦。比如老板提了一个要求⑭，数据分析师回去搞报表⑱，只是现在用 AI 来实现刚才的场景⑫，变得每个人都可以做①，而且非常轻量⑪。所以⑨，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⑰。

第二⑨，以前其实有各种各样的 database 或者 data infrastructure❶，这些 data infrastructure 如果是站在 Agent 视角⑰，它对于数据的烟囱和孤岛是很讨厌的⑫。如果这些数据都在一起②，我用一条 SQL 就能关联起来⑰。但如果是在孤岛②，这边一个向量数据库⑥、一个文档数据库⑪，那边一个 SQL 数据库⑬。

海燕：相当于我要翻很多墙才能完成工作②。

东旭：所以我觉得 Infra 的归一化也是一个特别大的趋势⑲。

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⑭，过去应用软件服务人⑭，它是直接面向用户的❸，用户使用应用软件⑤，应用软件调下面 Infra 这一层⑭，应用软件是以开发者为中心去做的⑥，对吧③？

东旭：对⑭，开发者写“死”了④。

海燕：刚才咱们提到其实应用软件更像 L3 的智能驾驶⑬，把过去很多的用户操作变成了智能化的自动操作⑨。本质上是把很多 Agent embed 到它的应用软件里面了▓，代替了用户人手一条一条去点开⑱、执行⑥、找界面⑦、找对应的空去填⑦。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⑳，所以过去的用户访问数据库或者开发者访问数据库❶，就变成了大量的 Agents 在访问数据库⑬。

有点像过去非智能驾驶时代④，它是油车④，支撑车的是内燃机发动机⑰。但现在完全不一样了⑥，因为现在车要获取很多传感器数据去做实时的智能判断⑥，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❶，Infra 的用户变了⑰，不是开发者⑨，不是人⑭，是 Agents⑦。因此 Infra 也要面向新的用户层去设计⑮、改变①。刚才你提到的有一条很对⑰，就是统一数据库更重要⑥，而不是分散的⑦、小的④、各种各样的数据库拼凑的整个 Infra 底层①。

东旭：对③，另外一个就是接口②。接口一定要用一个统一⑧、通用①，以及 AI 跟人都能理解的语言去访问数据⑭。现在最好的语言就是 SQL⑫，因为第一⑰，SQL 是一个标准的语言⑧，AI 训练了这么多年②，用的就是它⑧；第二❷，SQL 又是一个精准的语言❶，SQL 写对了❷，一定能够捞出数据可解释⑯。第三⑦， SQL 也是可以被人类读的②，比如刚才我给你看的那个例子⑯，我想看公司最近前 10 名的销售❸，它给了我一个列表⑬，告诉我这个列表是根据 5 条 SQL 跑出来的▓。

总之⑤，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⑤，而不是面向人和开发者设计软件⑳，这可能是未来要面临的一个课题⑯。

第二个方面①，我觉得基础软件里很重要的一个 category④，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⑳。

操作系统以前是一个在硬件和用户中间的东西⑫，相当于它把硬件的抽象给隐藏起来⑳，对上面的应用软件提供标准的接口⑰，程序员再利用这些 System API 去做应用①。比如我画一个窗口⑧，其实跟我刚刚说数据库是一样的逻辑①，未来System API 硬件封装这层肯定要做⑦，但是再往上去提供操作系统本身能力的时候⑨，一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⑳，而是 AI agent⑱。

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❷，然后在对话框里通过对话跟 LLM 的交互⑪，让 LLM 能够把相应的能力变成一个对话中的小block③。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⑯，最近这两天有个融资的项目❸，他们的 vision 就是做一个面向 AI Agent 或者 LLM 的浏览器⑩。未来❷，浏览器可能会是一个很重要的操作系统⑬。

海燕：我也听到我们有一些 portfolio 在提这个想法❸。换句话说❷，云计算的时代也给 AI 打了个基础⑮。AI 让软件的形态发生变化⑦，其实是把过去自动化时代的一些事情推向了更加智能化③、更加小颗粒②、更加简单⑨、更加 flexible⑤。是这样一个趋势④，但并不是就抛弃了软件这个形态⑤。

东旭：不会抛弃的❶。我觉得软件尤其企业软件⑨，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-how⑬，比如懂企业客户⑨、懂场景⑭，这些是 AI 很难理解的▓。就像卖东西③，你不可能让 AI 来帮你卖东西❶，至少现在还很难⑭。

第二⑨，还是工程复杂性❸，就是 LLM 作为单独的模块⑦，它的复杂性是没有的⑮。比如现在千问3刚出来⑧，Deepseek 刚出来⑨，你只要搭上个 Ollama ④，之后暴露的 API 都一样❶，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⑩。

东旭：有点像企业软件或 SaaS 软件一样⑳。到最后我觉得 AI 真正有用的场景或者有用的东西⑳，一定是不简单的❶。哪怕就想做一个 AI 自动帮你订机票的事⑨。

海燕：只是面向用户更简单了⑩，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⑯。

东旭：是的⑰，所以我觉得还是有门槛⑮。就像海燕刚才说的⑯，AI 就像整道菜的一把盐❸，能够把这个菜变得更好吃⑯，但它还是那道菜③。

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⑥。

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⑳，有更多的公海数据呢❶？

东旭：这点我稍微有点悲观④。因为大家现在都知道⑬，包括所有的大厂其实都已经知道数据的价值▓。老实讲⑦，以前做一个很好用的软件⑳，反正用户的交互数据如果没用就扔掉了⑬。但现在所有的大企业⑭，只要在有用户交互的点上⑫，那都是兵家必争之地了⑲。数据才是未来企业最高的护城河⑤。

海燕：换句话说②，面向企业的软件工具⑫，本质上还是有三个原因①，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⑮，就是行业 Know-how 或者客户 Know-how①；第二是工程复杂性⑩，在 AI 时代面向用户越简单⑰，后面对工程复杂性的要求越高⑯，所以需要一些专业服务⑭；第三是如何帮助企业客户用好他自身的数据⑯，因为数据反而更大了⑧。

东旭：数据的价值更高了⑤。

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⑥，它只是像一个哲学家一样跟你讲点大道理②，怎么能跟“你”产生关系❶？只有数据⑫。我觉得大模型要变得有用⑲，有两点必不可少：一个是模型本身的智力⑩，就是通识▓；第二是 context⑩，你的 context 越精准⑬，这个东西就越有用⑧。所以在这点上⑩，我觉得企业之间的壁垒会越来越大⑤，但是在企业内部⑧，数据打通会越来越通⑯。

海燕：我觉得你刚才提出来的关于数据库的那一条②，有可能成为新的下一代数据库⑱，很快人人都会说⑦，但这个独有观点是咱们提出来的④。