您现在的位置是：网站首页>游戏游戏

皇家捕鱼电玩城安卓下载

姜寒凡 2025-05-14 【游戏】 3510 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⑥。因为这一年⑰，不仅是软件行业估值的高点⑦，也是行业最受资本追捧的一年⑥。因此④，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②。这之后⑦，两类公司都不可避免地遭遇挑战②，但困难的程度和路径选择却截然不同⑫。

华创派企业 PingCAP 就属于 2021 年融资成功的阵营④。那个时候他们对未来的宏观形势有所预判②，得以抓住机会加速了全球化的布局❸。作为一家企业级开源分布式数据库厂商①，PingCAP服务的客户如今已超过20个国家和地区⑤，创立的分布式关系型数据库 TiDB▓，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⑳，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③，AI 将如何深刻改变企业软件的交互方式与产品形态③？基础软件在 AI 时代又该实现哪些自我革新和进化⑩？近日⑧，PingCAP 联合创始人兼 CTO 黄东旭做客「牛白丁」⑯，与吴海燕一起探讨了AI大潮冲击下❷，软件公司该如何顺流而上⑨，发挥出自己独特的行业价值②。

嘉宾介绍：③、黄东旭⑩， PingCAP 联合创始人兼 CTO

本期主播：❷、吴海燕▓，华创资本管理合伙人

以下为节目内容❷，经过 CGCVC 编辑——

海燕：大家好❶，这里是华创资本的播客节目「牛白丁」①，我是吴海燕❸。这期我们请到了 PingCAP 的联合创始人兼 CTO 黄东旭⑫。

我其实现在回想咱们的第一次见面还印象深刻⑳，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⑭。我记得是2017年3月的一个早晨③，我和你约在 PingCAP 当时办公的东升科技园⑤，因为约的时间太早⑩，会议室里只有你一个人在等我⑨。后来我才知道❸，程序员因为工作习惯⑫，早晨一般都不在公司①。

东旭：那次我印象也特别深刻❸，和你聊完以后我就去赶飞机了⑬。一下飞机就收到你的信息⑫，说PingCAP是家好公司①。

海燕：我当时也是下了飞机就告诉刘奇华创决定领投❶，他还说这是“云上”的决定⑱。2017年3月我们见面①，年中完成了投资⑫，10 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⑱。所以那时候你们已经正式开始在北美设办公室⑬、招人了吧④？

东旭：没错⑨，PingCAP 2015年创立⑲，从第一天起⑫，我们就想着去做一个 global company⑭，公司成立前两年基本都在写代码⑰，你说的2017年10月的那个时间点⑭，是我们真正决定要在硅谷设点⑩，开始正式运营在海外的业务❶。其实在那之前▓，我从来没有在海外工作⑲、留学过⑯，在当地也没有什么 connection ③，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⑱，创造条件也要去做⑧，所以我当时都没买回程机票⑮，事情没办完我就不打算回来①。

海燕：咱们那轮融资算是当时相对比较大的一笔美元②，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②。后来到了 2020 年❷，一位朋友还跟我说后悔在硅谷介绍你们认识时没有投资PingCAP⑯。

东旭：未来还有机会的⑪。我们开始国际化的时间比较早⑩，中间也踩了好多坑❸，以后有机会我们再分享❷。

海燕：说起 2017 年❸，感觉像是昨天②，但实际上过去八年里已经发生了非常多的事件和变化▓。站在投资人的角度④，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⑨，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⑰，比历史上华创其余九年里软件 portfolio 的融资额加起来还要多❸。后面的几年⑩，再也回不到 2021年的盛况了⑥。

东旭：那个时候应该是美国印了很多钱❸，整个资本市场有点被催熟⑰。

海燕：当年标志性的事件就是 Snowflake 上市④，超高估值上市激起了大家对软件行业非常大的热情⑨，所以行业融了很多钱③。到了 2022 年初▓，世界一下又变化了⑤，按下了暂停键⑫。之后的三年里⑬，直到今天⑬，企业软件公司融资就变得不太容易了③。

我们每次年底做行业回顾的时候⑮，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③，一类是 2021 年没有融到钱的公司❷。这两类公司在 2022 年之后⑧，可能就是一个很大的分野⑫，他们或许都经历了不同程度的困难⑱。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⑳，其实大家都经历了不一样的困难①。 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⑦，所以他们每一年都在过苦日子⑩，每一年都在降本增效▓。

东旭：非常 tough⑧。

海燕：活下来的可能都是“打不死的小强”了⑯。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①。因为 2021 年你融到很多钱⑰，就意味着你当时一心想要做高增长⑨，会招很多很多人⑰，会开新的办公室⑳，花很多时间精力做销售▓，不顾一切地去拿订单⑲。这是 2021 年融到很多钱的公司一定会去做的事⑤，然后在 2022 年⑭，啪⑪，一个巨大的终止符下来了⑫。所以在 2021 年融到很多钱的公司⑥，无一例外地经历了团队从很小规模到很大⑨，又缩回很小的这样一个阵痛的过程⑦。

东旭：PingCAP 也属于 21 年拿到钱的那个阵营⑮。但我们拿钱的心路历程我可能没跟海燕聊过②。其实我们在 20⑥、21 年已经非常明确地知道 22 年一定会有大的经济危机⑧，因为美联储持续地加息⑨、印钞▓，我们觉得风险非常非常大④。 21 年正好在市场比较好的时候▓，尤其在 Snowflake 上市以后⑬，我们知道未来马上会有苦日子▓，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⑪，我们的一个思路并不是要去追求更高的增长⑩，而是在那个时间点之后⑱，如果你只做单一市场是不够的⑪，我们一定要在那个时间点让自己变成一个 global company④，这样才能有更多抵御风险的能力⑭。包括到现在我们对于 spending 的控制⑱，我觉得还可以⑮，没有说突然有钱了以后就疯狂扩张③。

当时确实扩了一点⑫，但很快在 2022 年时⑭，我们又往回缩了一些⑦。倒不是因为业务的原因▓，而是我们需要像跑马拉松一样▓，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❶，由于疫情的缘故②，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⑫，大多数人没有办法预测未来⑪，只是正好在那个时候有一个很好的时机⑳，就活到了现在⑯。

海燕：我其实在 2021 年的时候❶，问过几个我们拿了大钱的 portfolio⑩，他们在 21 年融了不止一轮⑤，且融了非常多的钱④。每次他们融到大钱时③，我都会打电话问创始人：“根据咱的业务状态和进展②，似乎没有必要一定要拿这笔钱②，你是怎么考虑的⑭？”

我不是建议他们拿或者不拿⑥，只是问询一下他们的考虑❷。这几个创始人都给了类似的答案④。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❷，而且资本是有周期的⑲，可能不久的将来就会是一个 downtime⑫，我们也不知道什么时候是 downtime▓，但既然现在是 high time ❷，就应该多储备一些现金⑱；第二④，他们不介意所谓的股权稀释⑥，万一哪天到了 downtime⑯，公司有足够多的现金⑫，可能会比别人有更多的竞争优势③，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⑤，所以大家当时是看得很准的⑪。

到了 23 年⑰，大家从疫情中刚刚回过神来②，又一个大的时代到来了—— ChatGPT 3.5 发布了⑤。

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⑫。

海燕：我觉得一方面印证了 21 年大家说的一些话⑭，可能后面的 downtime 你不一定能拿到很多钱❶。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⑥。因为从 22 年之后①，不管是美股⑱、 A股⑲、港股这些比较大的二级市场①，还是一级市场④，都变得非常紧缩⑩，流动性不足⑨，就导致股权融资变得很困难⑯。即便是上市公司⑫，你要做增发⑬，要在二级市场再融资也不太容易⑭。一级市场的各种统计数据都显示⑥，从 22 年以后❸，融资的公司数量④、总的融资金额都在不断地下降⑤。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①，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❶。

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

东旭：⑳、这是非常明显的 “The Head Effect”⑨。

海燕：这就导致很多其他行业优秀的公司⑭，在过去一两年要不融不到钱❸，要不融到钱估值也没法看❷，对吧⑮？不是 down round 就不错了⑥，很多都是 flat round❸。

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⑬？AI 时代会不会有一些完全不同的公司出来❸，做面向企业客户的数字化❸、智能化⑩？你在硅谷看到的变化是什么呢③？

东旭：我觉得现在我们真正站在一个非常大的时代的门口⑨。一直到 DeepSeek 今年春节爆火之前❶，整个行业大概都是在 build prototype②。今天有个很好的 idea⑥，我就试一试⑩。前两天更加夸张⑲，大模型动辄投个几千美金训练了一个新的模型出来⑬，打个榜三天以后就 hype②，而且 AI 的势能过大②，导致 hype 时间非常短⑥，因为所有的注意力和资源都砸在这个方向上⑧，而且 Transformer 跟过去的科技创新①，或者软件行业的技术创新还有点不一样❸。

过去软件的护城河或者价值⑯，其实在于业务 Know-how 还是系统复杂④，比如像我们的数据库⑲，过去的门槛其实在于工程复杂性⑥。就是你可能要写 100 万行代码⑦，才能表现得很好⑩。像 Salesforce 或者 ERP 软件⑤，得有很深厚的技术和业务的 Know-how⑲，才能做这样的 system software❸。包括各种 SaaS⑩，在过去都是这样的逻辑⑧。

但 AI 这波⑤，尤其是大语言模型❸，它本身的注意力机制⑨，我觉得大学本科毕业的人看 Transformer 的论文看两个礼拜⑯，第一能看懂③，第二能自己实现出来一个⑰。我当时就想着也要学习一下⑬，看论文花了两个礼拜⑳，真的就写了一个出来②。只是到最后还需要很多算力❷、数据⑦，但它的机制本身是不复杂的⑥。

所以⑩，创业者投身AI⑱，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❶，大家其实一直在经历各种各样的三天一遍的一个hype▓。

海燕：Hype 之下一个很重要的心态③，就是 FOMO⑥。不管是个人用户❸、企业客户还是投资人⑪、创业者⑥，大家都有不同的FOMO 情绪⑦。比如过去两年⑳，我们软件 portfolio 说现在大部分企业日子不好过⑮，数字化预算都降低了⑳。但这个背景之下⑨，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 AI③，万一我被时代抛下怎么办⑪？

东旭：这是为什么我觉得现在是一个很重要的时间点⑦，但我们还站在门口⑩，没有进去③。我觉得到今年 AI 的基础能力⑤，不管是 DeepSeek 还是现在的 Tier1 的 model⑯，已经能做一些 actually something useful▓，这是非常非常重要的⑨。

我先说一个结论：未来所有的软件⑮，尤其是企业软件都会被 AI 彻底改造❷，软件的形态会发生很大的改变⑱，但一些更深层次的内核是不会变的④。比如 CRM 作为销售的辅助对于本身的行业 Know-how ⑱，在未来也会变成这个软件的护城河④，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⑪，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⑲，不是基础的大模型就能颠覆和替代了的①。

为啥有这样的疑问⑫？举个例子❶，我们之前有一个 portfolio 公司要被收购了⑧，被收购的过程中⑨，收购方的业务层大老❸，他们可能不是特别理解技术❸，所以一直在问：都 AI 时代了⑧，还买个软件公司干嘛⑳？以后理论上客户不就用 AI 能替代了⑥，还要软件干嘛④？

东旭：就好像 AI 是万能药③。

海燕：对⑨，有个 AI 就不需要专业的软件公司了⑧。这两年我也琢磨了一下❸，到底 AI 对于软件公司意味着什么⑪？类比自动驾驶时代到来后⑬，车变得不一样了⑩，变得更强大了❷，但还是需要专业的造车公司去把车给造出来⑬，你还是需要一辆车的⑰，对吧❷？

东旭：举个很简单的例子⑤，比如像会计⑲，我父母都是会计师❶，他们是互联网时代之前的会计⑯。现在所有的会计电商化都完成数字化了以后❷，这个行业不存在了吗⑮？它还是一直存在的④。从古代有交易开始⑯，一直到现在⑩，记账这件事情从来没变过⑪，只是不同的时代我们用不同的工具❷，它的产品形态会发生改变❸，就像 CRM ⑩，还是销售过程管理❶。难道在 AI 普及的时代⑮，就不需要销售吗⑲？就不需要过程管理吗⑬？我觉得一定需要的⑱。只是未来软件的形态一定会比现在更加好⑪、更加智能①。

以前我们有些事情是没有办法做到的⑲。比如我们公司在海外用的 Salesforce⑦，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②。比如我提个需求❶，想看一下今年哪些客户买哪些 SKU⑧，哪些涨得特别好⑱？重要的客户是谁⑫？哪些销售排名更靠前❶？

海燕：你需要基于 Salesforce 做数据统计或者 BI⑦。

东旭：以前都得靠人❷，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⑧，因为企业软件一个很重要的护城河⑥，是对于这些企业的 Know-how⑬，以及这些数据在什么地方⑰，怎么把它组织起来④，变成一个能够被提取的 insight⑤，这些其实很重要的⑧。

现在我自己做了一个 Agent④，但还是太慢了⑧，还需要一些更加个性化的能力④。我是怎么做的呢①？我直接把我所有的Salesforce 数据全都同步到我自己的 database 上⑳。然后我自己写了一个 Agent 用 NCP 去读取我的 database❸，它自己写 SQL⑪，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⑱。

海燕：你已经实现了传说中的 ABI⑳。

东旭：虽然还不成熟⑭，但我觉得体验比以前自己打开 Salesforce⑯，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⑫。静态是什么意思呢❸？就是程序员把这个业务逻辑写好⑥，变成报表也好❷，或者变成业务逻辑也好⑭，就在那②，它没有任何机会去变化⑩。

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⑲，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⑯，现在你可以认为每一个企业软件服务的用户⑨，他自己在他的软件里面有能够提供灵活性的一层⑪。有点像过去产品底下是一个大的数据库❸，这个数据库你是看不见的⑮，比如 Salesforce 底下会有各种各样的 data Infra④，而且这些数据是被分割在不同的地方⑧。但是未来可能在产品和数据之间⑱，会有一层叫 Agent❷，或者 AI④。

海燕：云计算时代⑧，是把传统软件所谓的烟囱状给打破了⑫，可能 AI 时代进一步把 SaaS 的藩篱给打破了⑳。

东旭：是的⑧，而且我觉得 AI 还打破了一个事情①，就是人的思维局限❷，有的时候烟囱不是在技术层面⑨，其实是在用户和产品经理的脑子里⑦。

海燕：我说一个我的观察⑱。我们投了相当多的软件公司⑤，各类都有⑤。我过去看到的⑨，不管是国内还是国外⑥，软件有一个核心的指标叫做 Customer Retention⑦，就是客户的 retention rate⑬，而 Customer Retention 的一个最大障碍就是客户买了软件之后⑲，有没有真正把软件用起来⑯？但凡真正用起来❷，不需要是多么牛逼的软件⑫，客户的 retention 一定是好的⑨。

如果客户都没用起来⑩，他一定不会续费②。那么客户用软件的障碍又在哪里③？细究一下会发现所有的软件都是有使用门槛的❷，用户要学习怎么去使用❷。相当于一辆车⑯，这个车已经代表了现代制造业⑦，但问题是开车这个事情⑦，包括把日常开车出门以车代步这个事情变成一个习惯④，它是有门槛的⑯，是需要去学习的⑰。你要了解车的基本架构是什么②？每个按键是什么功能⑳？开上之后还要掌握一定的手感❶，你要慢慢地熟悉它⑱，习惯它的速度⑱，还要遵守交通规则❷。

东旭：门槛太高了⑰。

海燕：对⑰，这些门槛导致了很多用户会缩回来❷。哪怕这个企业客户买了⑮，组织买了⑫，让每个同事去用⑤，很多人还是在自己的老习惯里▓，记在小本上❶，再把小本上的内容找一个集中的时间上传到软件里去⑲。这就说明他其实并没有掌握开车的习惯⑰，也就很难理解②，以车代步会大大地提升效率⑩、拓展能力❷。

东旭：这种情况他真正需要什么⑬？需要一个司机⑬。

海燕：但就像你刚才说的❸，不可能每个人都给配个司机③。

东旭：你看这个截图⑥，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⑤？所有这些数据都是动态的⑫。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⑦？就是刚才你说的每个人的司机⑧。

就像我刚才说到一个非常重要的点⑤，长期来看软件的门槛③，是一直在降低的⑪。我觉得未来软件最易用的形式其实就是对话⑭。

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①，但凡让他还要学点啥⑳，比如要了解这个软件的整个结构⑦、功能按键等涉及到了学习成本和过去工作习惯的改变❷，就会导致很多软件用不起来▓。

东旭：没错④，我先描述一下我想象的未来企业软件的样子⑪，下一代的 Salesforce 可能会长什么样⑲？第一⑮，它是一个对话框⑪；第二⑩，你可以想象现在把所有的 Salesforce 的功能全都切成一个个碎块❶，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 Copilot❷，这个 Copilot 会根据你的上下文和你现在的需求⑱，把相应的碎片拿出来放到对话框里❸。比如我现在要审批一个东西❶，他直接在 LLM 把这个审批的按键调出来❶。

海燕：不需要让你在一堆列表里找⑨。

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 tools⑧。

海燕：改变主要是交互层面⑰，还是别的地方⑪？

东旭：交互层面就是最重要⑭、最大的创新③，这种创新远比我们想象中带来的意义要大⑲。

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⑤，就别让用户学开车了⑫，人从不会开车到会开车是要专业培训⑭，要考驾照才能上路⑦，而且还不一定能开得好❶，说不定还要吃罚单⑭。车也是一步一步进化到全自动驾驶的①。到了L2 时代⑧，可能已经解决了一些问题⑩，比如自动泊车⑰，不用每次停车的时候都为难倒不进去怎么办⑱？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⑨。等有一天达到 L3 甚至 L4 级别了⑨，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⑥，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❸，很可能那时候车都不一定再有方向盘这个东西⑰，对吧⑩？

东旭：这一点上我大方向认可⑭，但是有一个小小的 comment①。还是用车来作一个例子⑪，我不觉得完全自动好❷，除非全世界所有的车都被强制规定自动驾驶⑰。

海燕：不仅得规范车▓，还得规范人⑨。

东旭：没错⑭，如果 human 还 in the Loop❷，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⑧，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⑳。什么意思呢⑱？比如自动泊车⑮，对于人来说⑨，如果你在车里①，你其实更希望看到方向盘是怎么动的⑨，以及给我个 plan①，我去确认⑥，就是 human 一定要有一个 under control 的结果⑧。

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⑦。

海燕：让 AI 告诉你▓，它是怎么分析和解决问题的⑲，它把思维链展开给你看了②，这个交互本身就是非常非常破圈的一点⑱。

东旭：对❸，所以为什么我觉得交互的改变意义深远▓，现在不管怎么样③， AI 还是为人服务的❶，而且大语言模型有一个非常大的问题③，就是可解释性⑪。为什么我说 Deepseek 是一个特别重要的时间点③，就是因为在那个时间点之前⑪，你所有用 LLM 做的东西②，可能最后的结果还是不具备可解释性的❷，是个黑匣子⑤，大语言模型拍脑袋说啥就是啥❶。但其实在 Reasoning model 普及以后⑥，你对于 AI 输出的结果⑩，是可以去做审核和判断的⑲，而且就算发现有问题④，你也可以随时接管▓。所以现在包括 Cursor 等比较成功的 Agent 应用⑥，都是会把人当成整个软件的一部分⑰。

海燕：所以挺有意思❷。换句话说⑬，其实 L3 级别的自动驾驶⑧，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⑫，它在绝大部分情况下③，都是不需要去接管的⑤，但在必要的时候用户可以随时接管⑥。回过头来说⑬，Agent 也不是用来替代软件的⑭，而是会变成软件机制的一部分⑨，这是我们对应用软件的一些畅想或者期待▓。

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❶，所以可能 AI 时代一个重要的革新⑪，其实就是在交互层面⑬，怎么把这种可解释性⑧、自然语言的交互习惯⑤，包括怎么让用户能更容易上手⑪，降低使用的门槛⑧？在这方面⑬，你作为从业者⑰，对于基础软件在 AI 时代有哪些观察和心得⑬？

东旭：基础软件里面我觉得最重要的几个东西⑪，我先说数据库⑱，因为我们自己就是做数据库的②。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⑱，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⑭，大多数都是跟 AI 相关的⑦。我觉得从客户的角度来看⑦，第一个心态就是以前很多数据⑱，用户因为不知道怎么利用❸、分析⑧，像用 Snowflake 跑跑报表④，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⑱，其实就是给数据分析师或者领导写报告①。但是仔细想一想⑧，就是因为我们没有办法对这种海量碎片化的数据去提取❶、利用①，我才有了做 ETL ⑪、Transform⑧、Load②，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④，最后加载到另一个数据源的全过程❷。）做这种大数据的动机❶，因为我需要从数据的整体去看④。

但今天我觉得 AI 提供了一个 possibility⑤，就是我对每个人的所有的数据⑥，都可以很好地利用起来②。所以第一点①，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⑭，因为所有数据都会有用⑪。

海燕：就是数据的价值提升了⑧，或者说开发这些数据成为可能⑪，导致数据的价值提升了⑥。

东旭：对于数据的存储需求⑰，是在提升的❸。我们也有预判❸，在云上如何给用户提供一个低成本⑲、无限拓展性的版本⑥，这是一个很重要的 topic⑨。第二⑱，对于数据我觉得很重要⑤，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②，目标人群是开发者⑥、DBA 或者数据分析师①，他们有个共同点⑲，都是人⑳。但在 AI 尤其 LLM 或者 Agent 的时代❶，我作为一个数据软件接口的设计者⑫，我要考虑我的用户可能不一定是人⑱，我的用户可能是 LLM▓，可能是大语言模型⑭。

海燕：就是访问数据库的❷，不是开发者⑬。

东旭：对⑤，是 Agent⑬，在这种情况下②，如果按照传统思维去设计系统①，会非常非常奇怪⑩。举个例子⑨，像 Snowflake 或者数据仓库的公司⑯，很强调自己的数据 ETL 能力⑦，要把数据来回掰扯⑬，变成一个报表❸，或者一些抽象数据的 insight⑭，好让大家去做分析⑰。

但试想一下⑳， AI 在访问你的数据时⑥，如果你给它的是一些被处理过的数据⑬，或者是一些你自己通过大脑想出来的⑦，我觉得 AI 应该用我的 open 数据的 API 去封装⑩，其实反而是不好的❷。相当于你给 AI 一个报告⑤，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①，因为你没有给它足够的数据⑬。所以对于 AI 来说⑥，我自己实践过最好的办法①，就是直接给它开放原始的数据访问权限▓，同时再给它一个足够 flexible 的访问数据的方式⑬。

SQL▓，我最近做的思想实验是想象我自己是一个 AI Agent⑥，为了回答我的“老板”——我的人类主人的一个问题⑲，比如他问：最近 Top10 的销售是谁❷？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⑩，一个原始数据②，最方便的办法就是我通过把“主人”给我的需求⑳，变成一个对原始数据库的 SQL 的访问❸，这样我就可以得到一些实时的数据▓，然后再根据这些数据去做总结⑩，有点像过去人类数据分析师干的事情⑥。比如老板提了一个要求⑤，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❶，变得每个人都可以做▓，而且非常轻量⑥。所以⑥，最后我得到的结论就是：SQL is still the best thing we have❶，SQL 现在仍然是我们跟 AI 以及数据之间最好的桥梁③。

第二⑰，以前其实有各种各样的 database 或者 data infrastructure❸，这些 data infrastructure 如果是站在 Agent 视角⑤，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▓，我用一条 SQL 就能关联起来⑫。但如果是在孤岛❶，这边一个向量数据库⑩、一个文档数据库①，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⑯。

东旭：所以我觉得 Infra 的归一化也是一个特别大的趋势⑩。

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⑯，过去应用软件服务人⑭，它是直接面向用户的⑦，用户使用应用软件⑪，应用软件调下面 Infra 这一层④，应用软件是以开发者为中心去做的⑲，对吧⑧？

东旭：对⑬，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⑯，把过去很多的用户操作变成了智能化的自动操作⑥。本质上是把很多 Agent embed 到它的应用软件里面了⑬，代替了用户人手一条一条去点开⑱、执行⑮、找界面⑧、找对应的空去填⑩。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⑥，所以过去的用户访问数据库或者开发者访问数据库⑯，就变成了大量的 Agents 在访问数据库❶。

有点像过去非智能驾驶时代❷，它是油车④，支撑车的是内燃机发动机⑮。但现在完全不一样了⑲，因为现在车要获取很多传感器数据去做实时的智能判断⑱，然后再把指令给到发动机电机去驱动车往前走或者停❸。换句话说④，Infra 的用户变了⑮，不是开发者⑤，不是人⑧，是 Agents⑨。因此 Infra 也要面向新的用户层去设计❸、改变⑬。刚才你提到的有一条很对❸，就是统一数据库更重要⑧，而不是分散的⑪、小的①、各种各样的数据库拼凑的整个 Infra 底层❶。

东旭：对④，另外一个就是接口⑰。接口一定要用一个统一⑥、通用⑮，以及 AI 跟人都能理解的语言去访问数据⑯。现在最好的语言就是 SQL⑲，因为第一⑭，SQL 是一个标准的语言❶，AI 训练了这么多年⑥，用的就是它⑦；第二③，SQL 又是一个精准的语言⑭，SQL 写对了⑳，一定能够捞出数据可解释⑥。第三⑫， SQL 也是可以被人类读的▓，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❸，它给了我一个列表③，告诉我这个列表是根据 5 条 SQL 跑出来的④。

总之❸，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⑧，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②。

第二个方面⑪，我觉得基础软件里很重要的一个 category④，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⑨。

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⑰，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⑭。比如我画一个窗口④，其实跟我刚刚说数据库是一样的逻辑③，未来System API 硬件封装这层肯定要做❸，但是再往上去提供操作系统本身能力的时候①，一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⑯，而是 AI agent②。

所以刚才我提到像 CRM 软件⑫，未来是能够把它所有功能拆成一个一个小块❶，然后在对话框里通过对话跟 LLM 的交互①，让 LLM 能够把相应的能力变成一个对话中的小block⑪。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⑫，最近这两天有个融资的项目▓，他们的 vision 就是做一个面向 AI Agent 或者 LLM 的浏览器⑤。未来⑲，浏览器可能会是一个很重要的操作系统④。

海燕：我也听到我们有一些 portfolio 在提这个想法②。换句话说②，云计算的时代也给 AI 打了个基础❸。AI 让软件的形态发生变化⑬，其实是把过去自动化时代的一些事情推向了更加智能化❸、更加小颗粒⑳、更加简单❷、更加 flexible⑳。是这样一个趋势⑰，但并不是就抛弃了软件这个形态❸。

东旭：不会抛弃的❷。我觉得软件尤其企业软件⑬，真正的护城河有两个：第一⑳，就是我刚才说的这些企业里的 Know-how⑤，比如懂企业客户▓、懂场景②，这些是 AI 很难理解的⑳。就像卖东西⑬，你不可能让 AI 来帮你卖东西①，至少现在还很难⑬。

第二⑯，还是工程复杂性⑥，就是 LLM 作为单独的模块⑦，它的复杂性是没有的②。比如现在千问3刚出来⑰，Deepseek 刚出来❷，你只要搭上个 Ollama ④，之后暴露的 API 都一样⑫，实际上没有什么差异⑤。

海燕：某种意义上④，工程的复杂性反而更高了②。

东旭：有点像企业软件或 SaaS 软件一样⑩。到最后我觉得 AI 真正有用的场景或者有用的东西①，一定是不简单的②。哪怕就想做一个 AI 自动帮你订机票的事①。

海燕：只是面向用户更简单了②，但反而把复杂的东西都留给了开发者❸，或者说留给了专业建造者⑤。

东旭：是的⑪，所以我觉得还是有门槛⑮。就像海燕刚才说的⑧，AI 就像整道菜的一把盐⑮，能够把这个菜变得更好吃⑰，但它还是那道菜❶。

海燕：那你觉得日后企业客户的独有数据这个事还重要吗⑮？

东旭：当然重要⑦。

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⑦，有更多的公海数据呢❷？

东旭：这点我稍微有点悲观⑰。因为大家现在都知道⑳，包括所有的大厂其实都已经知道数据的价值⑥。老实讲⑳，以前做一个很好用的软件④，反正用户的交互数据如果没用就扔掉了⑮。但现在所有的大企业⑮，只要在有用户交互的点上❸，那都是兵家必争之地了⑳。数据才是未来企业最高的护城河③。

海燕：换句话说①，面向企业的软件工具③，本质上还是有三个原因⑲，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⑫，就是行业 Know-how 或者客户 Know-how⑮；第二是工程复杂性⑫，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⑬，所以需要一些专业服务⑲；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①。

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❸。

东旭：我用大白话来打个比喻：如果你不给大模型任何数据⑤，它只是像一个哲学家一样跟你讲点大道理⑧，怎么能跟“你”产生关系⑨？只有数据⑤。我觉得大模型要变得有用⑧，有两点必不可少：一个是模型本身的智力⑥，就是通识❸；第二是 context⑰，你的 context 越精准⑫，这个东西就越有用⑪。所以在这点上❸，我觉得企业之间的壁垒会越来越大❸，但是在企业内部⑳，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▓，有可能成为新的下一代数据库⑨，很快人人都会说⑧，但这个独有观点是咱们提出来的▓。