您现在的位置是：网站首页>中国足球中国足球

电玩城最新版下载

姜怀蝶 2025-05-14 【中国足球】 0592 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⑬，华创资本管理合伙人吴海燕认为是2021年⑳。因为这一年⑬，不仅是软件行业估值的高点⑯，也是行业最受资本追捧的一年❷。因此⑬，她把软件公司分为两类：一类是 2021 年融到了很多钱的公司❸，一类则是 2021 年没有融到钱的公司❷。这之后⑪，两类公司都不可避免地遭遇挑战⑦，但困难的程度和路径选择却截然不同④。

华创派企业 PingCAP 就属于 2021 年融资成功的阵营⑱。那个时候他们对未来的宏观形势有所预判⑫，得以抓住机会加速了全球化的布局⑫。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⑳，创立的分布式关系型数据库 TiDB⑮，能持续帮助企业最大化发挥数据价值▓。

随着 AI 浪潮的来临①，数据价值也得到了前所未有的提升⑱。但这股大潮的影响远不止于此⑧，AI 将如何深刻改变企业软件的交互方式与产品形态▓？基础软件在 AI 时代又该实现哪些自我革新和进化⑰？近日⑯，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⑲，软件公司该如何顺流而上⑮，发挥出自己独特的行业价值②。

嘉宾介绍：❸、黄东旭⑰， PingCAP 联合创始人兼 CTO

本期主播：❶、吴海燕❸，华创资本管理合伙人

以下为节目内容③，经过 CGCVC 编辑——

海燕：大家好⑥，这里是华创资本的播客节目「牛白丁」⑮，我是吴海燕④。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❷，你们出过一本书《与开源同行》⑪，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⑱，我和你约在 PingCAP 当时办公的东升科技园②，因为约的时间太早❸，会议室里只有你一个人在等我❷。后来我才知道⑯，程序员因为工作习惯③，早晨一般都不在公司⑤。

东旭：那次我印象也特别深刻⑮，和你聊完以后我就去赶飞机了⑨。一下飞机就收到你的信息⑨，说PingCAP是家好公司❸。

海燕：我当时也是下了飞机就告诉刘奇华创决定领投⑳，他还说这是“云上”的决定⑯。2017年3月我们见面⑬，年中完成了投资⑥，10 月份刚好咱俩都分别去北美出差⑭，我们在硅谷还一起见了些朋友⑬。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⑩？

东旭：没错⑭，PingCAP 2015年创立⑰，从第一天起⑯，我们就想着去做一个 global company⑬，公司成立前两年基本都在写代码⑪，你说的2017年10月的那个时间点❸，是我们真正决定要在硅谷设点⑨，开始正式运营在海外的业务⑧。其实在那之前⑧，我从来没有在海外工作④、留学过⑱，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⑦，哪怕没有条件⑳，创造条件也要去做⑥，所以我当时都没买回程机票❷，事情没办完我就不打算回来⑨。

海燕：咱们那轮融资算是当时相对比较大的一笔美元⑨，你们融资后的第一件事就是立马去北美开办公室▓。2017 年咱俩在硅谷碰面时⑮，我介绍你认识了硅谷当地一些做投资的朋友⑤。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❷。我们开始国际化的时间比较早⑬，中间也踩了好多坑⑩，以后有机会我们再分享⑦。

海燕：说起 2017 年①，感觉像是昨天④，但实际上过去八年里已经发生了非常多的事件和变化⑧。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⑱。

2021 年实际上是软件行业估值的高点⑬，应该也是行业最受追捧的一年⑰。 2021 年我们软件 portfolio 所获得的融资⑥，比历史上华创其余九年里软件 portfolio 的融资额加起来还要多▓。后面的几年①，再也回不到 2021年的盛况了⑰。

东旭：那个时候应该是美国印了很多钱⑪，整个资本市场有点被催熟⑨。

海燕：当年标志性的事件就是 Snowflake 上市⑤，超高估值上市激起了大家对软件行业非常大的热情⑲，所以行业融了很多钱⑦。到了 2022 年初⑯，世界一下又变化了⑰，按下了暂停键⑦。之后的三年里❶，直到今天⑫，企业软件公司融资就变得不太容易了⑫。

我们每次年底做行业回顾的时候⑲，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⑥，一类是 2021 年没有融到钱的公司⑰。这两类公司在 2022 年之后⑧，可能就是一个很大的分野⑬，他们或许都经历了不同程度的困难❷。注意⑪，我没觉得 2021 年融到很多钱的公司就特别了不起或者顺利⑰，其实大家都经历了不一样的困难❶。 2021 年没有融到钱的公司⑧，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②，每一年都在降本增效⑬。

东旭：非常 tough⑰。

海燕：活下来的可能都是“打不死的小强”了⑫。而 2021 年融到很多钱的公司②，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③。因为 2021 年你融到很多钱▓，就意味着你当时一心想要做高增长⑳，会招很多很多人⑤，会开新的办公室⑬，花很多时间精力做销售⑤，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⑳，然后在 2022 年⑧，啪❶，一个巨大的终止符下来了▓。所以在 2021 年融到很多钱的公司①，无一例外地经历了团队从很小规模到很大⑤，又缩回很小的这样一个阵痛的过程⑰。

东旭：PingCAP 也属于 21 年拿到钱的那个阵营⑭。但我们拿钱的心路历程我可能没跟海燕聊过⑳。其实我们在 20⑩、21 年已经非常明确地知道 22 年一定会有大的经济危机❸，因为美联储持续地加息⑭、印钞②，我们觉得风险非常非常大⑩。 21 年正好在市场比较好的时候②，尤其在 Snowflake 上市以后⑩，我们知道未来马上会有苦日子❸，所以必须在那个时候先把过冬的粮食给准备好⑫，而且当时拿那笔钱⑤，我们的一个思路并不是要去追求更高的增长⑳，而是在那个时间点之后⑯，如果你只做单一市场是不够的⑮，我们一定要在那个时间点让自己变成一个 global company⑩，这样才能有更多抵御风险的能力④。包括到现在我们对于 spending 的控制⑲，我觉得还可以❸，没有说突然有钱了以后就疯狂扩张❷。

当时确实扩了一点⑭，但很快在 2022 年时④，我们又往回缩了一些⑰。倒不是因为业务的原因❸，而是我们需要像跑马拉松一样⑪，根据最终的目标来去分配精力和能量⑬。因为当时是我们做全球化最好的时机⑬，由于疫情的缘故⑬，物理世界的数字化在加速⑪，包括 cloud 的 infrastructure 变得越来越成熟❶，当然 mindset 也接近成熟⑳。所以我觉得我们还是比较幸运❸，大多数人没有办法预测未来⑨，只是正好在那个时候有一个很好的时机▓，就活到了现在❶。

海燕：我其实在 2021 年的时候⑮，问过几个我们拿了大钱的 portfolio⑩，他们在 21 年融了不止一轮⑫，且融了非常多的钱⑩。每次他们融到大钱时⑭，我都会打电话问创始人：“根据咱的业务状态和进展⑩，似乎没有必要一定要拿这笔钱⑪，你是怎么考虑的⑮？”

我不是建议他们拿或者不拿⑱，只是问询一下他们的考虑⑫。这几个创始人都给了类似的答案⑰。首先就是你刚才说的⑭，他们预判了现在是一个资本膨胀的时代⑰，而且资本是有周期的⑦，可能不久的将来就会是一个 downtime⑳，我们也不知道什么时候是 downtime⑧，但既然现在是 high time ①，就应该多储备一些现金❸；第二⑱，他们不介意所谓的股权稀释⑮，万一哪天到了 downtime②，公司有足够多的现金①，可能会比别人有更多的竞争优势⑩，可能还能收购一些钱不够了但是产品和技术很好的团队①。我从几个创始人那里都得到了同样的答案⑲，所以大家当时是看得很准的⑦。

到了 23 年⑱，大家从疫情中刚刚回过神来⑫，又一个大的时代到来了—— ChatGPT 3.5 发布了⑰。

东旭：其实 Open AI 在 GPT-2 出来的时候我就开始在玩⑦，后来 ChatGPT 迭代大家都知道了❷。

海燕：我觉得一方面印证了 21 年大家说的一些话⑮，可能后面的 downtime 你不一定能拿到很多钱⑥。而 AI 大潮的来临⑤，其实抢夺了软件公司在资本化方面很稀缺的资源⑨。因为从 22 年之后②，不管是美股⑥、 A股⑨、港股这些比较大的二级市场⑳，还是一级市场❶，都变得非常紧缩⑤，流动性不足⑤，就导致股权融资变得很困难⑳。即便是上市公司▓，你要做增发⑦，要在二级市场再融资也不太容易❷。一级市场的各种统计数据都显示②，从 22 年以后❶，融资的公司数量⑧、总的融资金额都在不断地下降⑫。我觉得这个情况在硅谷和在北京都是一样的⑨，不是说硅谷的情况就比咱们好很多⑳，大家都处于一个紧缩的时代❷。

东旭：或者说市场的注意力都转到了 AI 这边▓。

海燕：对②，在融资总规模变小的情况下❸，AI 的占比还提升了⑮，唯一特别活跃的投融资就发生在 AI 领域⑬。尤其是最近一年特别明显③，市场上一些投资人甚至非 AI 项目不看⑪。

东旭：⑯、这是非常明显的 “The Head Effect”③。

海燕：这就导致很多其他行业优秀的公司⑳，在过去一两年要不融不到钱②，要不融到钱估值也没法看③，对吧④？不是 down round 就不错了❶，很多都是 flat round▓。

软件公司在过去两年也 kind of 被大家有点遗忘了⑫，给人感觉是软件公司跟 AI 到底能发生什么强关联呢⑧？AI 时代会不会有一些完全不同的公司出来④，做面向企业客户的数字化⑩、智能化❶？你在硅谷看到的变化是什么呢⑳？

东旭：我觉得现在我们真正站在一个非常大的时代的门口②。一直到 DeepSeek 今年春节爆火之前⑦，整个行业大概都是在 build prototype⑬。今天有个很好的 idea①，我就试一试⑨。前两天更加夸张▓，大模型动辄投个几千美金训练了一个新的模型出来⑪，打个榜三天以后就 hype⑥，而且 AI 的势能过大⑫，导致 hype 时间非常短⑤，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⑦，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⑦，其实在于业务 Know-how 还是系统复杂⑮，比如像我们的数据库⑥，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❶，才能表现得很好⑥。像 Salesforce 或者 ERP 软件❶，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 SaaS▓，在过去都是这样的逻辑⑯。

但 AI 这波⑥，尤其是大语言模型⑲，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⑤，第一能看懂②，第二能自己实现出来一个⑧。我当时就想着也要学习一下⑮，看论文花了两个礼拜⑬，真的就写了一个出来⑮。只是到最后还需要很多算力②、数据▓，但它的机制本身是不复杂的③。

所以⑬，创业者投身AI⑮，尤其是大语言模型的门槛其实比以前是低很多的⑰。加上全世界的资本全都集中在这⑤，大家其实一直在经历各种各样的三天一遍的一个hype⑲。

海燕：Hype 之下一个很重要的心态⑪，就是 FOMO▓。不管是个人用户▓、企业客户还是投资人⑮、创业者❶，大家都有不同的FOMO 情绪⑦。比如过去两年❶，我们软件 portfolio 说现在大部分企业日子不好过⑭，数字化预算都降低了⑫。但这个背景之下⑤，各个企业还都有部分预算是特意留给 AI 的⑧。就是无论如何我都得先试试 AI②，万一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⑨，但我们还站在门口❶，没有进去⑱。我觉得到今年 AI 的基础能力⑧，不管是 DeepSeek 还是现在的 Tier1 的 model▓，已经能做一些 actually something useful▓，这是非常非常重要的①。

我先说一个结论：未来所有的软件⑦，尤其是企业软件都会被 AI 彻底改造⑯，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⑯。比如 CRM 作为销售的辅助对于本身的行业 Know-how ⑦，在未来也会变成这个软件的护城河⑦，只是 AI 会改变它的整个产品形态①。

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 comfort⑤，专业的企业软件公司还是需要的⑩，不是基础的大模型就能颠覆和替代了的⑥。

为啥有这样的疑问⑱？举个例子⑥，我们之前有一个 portfolio 公司要被收购了⑦，被收购的过程中⑭，收购方的业务层大老▓，他们可能不是特别理解技术⑭，所以一直在问：都 AI 时代了①，还买个软件公司干嘛⑰？以后理论上客户不就用 AI 能替代了⑥，还要软件干嘛⑬？

东旭：就好像 AI 是万能药⑨。

海燕：对⑩，有个 AI 就不需要专业的软件公司了⑤。这两年我也琢磨了一下⑥，到底 AI 对于软件公司意味着什么❸？类比自动驾驶时代到来后①，车变得不一样了⑳，变得更强大了⑫，但还是需要专业的造车公司去把车给造出来⑧，你还是需要一辆车的④，对吧⑪？

东旭：举个很简单的例子❸，比如像会计⑱，我父母都是会计师⑥，他们是互联网时代之前的会计⑥。现在所有的会计电商化都完成数字化了以后④，这个行业不存在了吗②？它还是一直存在的②。从古代有交易开始⑰，一直到现在⑰，记账这件事情从来没变过⑥，只是不同的时代我们用不同的工具⑩，它的产品形态会发生改变⑯，就像 CRM ②，还是销售过程管理②。难道在 AI 普及的时代⑪，就不需要销售吗⑤？就不需要过程管理吗❸？我觉得一定需要的⑳。只是未来软件的形态一定会比现在更加好④、更加智能⑩。

以前我们有些事情是没有办法做到的⑩。比如我们公司在海外用的 Salesforce⑱，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⑬。比如我提个需求❶，想看一下今年哪些客户买哪些 SKU▓，哪些涨得特别好⑨？重要的客户是谁⑰？哪些销售排名更靠前⑤？

海燕：你需要基于 Salesforce 做数据统计或者 BI①。

东旭：以前都得靠人⑮，而且我提一个需求可能两天以后才能做好③。我非常 respect 这些同事的工作⑭，因为企业软件一个很重要的护城河④，是对于这些企业的 Know-how⑤，以及这些数据在什么地方❷，怎么把它组织起来⑯，变成一个能够被提取的 insight❷，这些其实很重要的②。

现在我自己做了一个 Agent⑳，但还是太慢了⑧，还需要一些更加个性化的能力❸。我是怎么做的呢⑬？我直接把我所有的Salesforce 数据全都同步到我自己的 database 上⑰。然后我自己写了一个 Agent 用 NCP 去读取我的 database④，它自己写 SQL❸，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①。

海燕：你已经实现了传说中的 ABI⑭。

东旭：虽然还不成熟⑫，但我觉得体验比以前自己打开 Salesforce❸，然后在各处找数据做报表要好⑦。这里涉及到一个核心的逻辑——过去我们的软件都是静态的④。静态是什么意思呢⑩？就是程序员把这个业务逻辑写好④，变成报表也好⑧，或者变成业务逻辑也好⑭，就在那⑬，它没有任何机会去变化⑤。

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❸，相当于以前一个公司⑨，比如只有高管才有助理帮他订机票⑤，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⑪。有点像过去产品底下是一个大的数据库❶，这个数据库你是看不见的⑧，比如 Salesforce 底下会有各种各样的 data Infra⑫，而且这些数据是被分割在不同的地方③。但是未来可能在产品和数据之间⑪，会有一层叫 Agent▓，或者 AI⑪。

海燕：云计算时代③，是把传统软件所谓的烟囱状给打破了②，可能 AI 时代进一步把 SaaS 的藩篱给打破了❷。

东旭：是的⑯，而且我觉得 AI 还打破了一个事情▓，就是人的思维局限⑩，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❶。

海燕：我说一个我的观察⑨。我们投了相当多的软件公司⑤，各类都有❶。我过去看到的❸，不管是国内还是国外⑤，软件有一个核心的指标叫做 Customer Retention⑧，就是客户的 retention rate❶，而 Customer Retention 的一个最大障碍就是客户买了软件之后④，有没有真正把软件用起来⑬？但凡真正用起来⑱，不需要是多么牛逼的软件③，客户的 retention 一定是好的⑲。

如果客户都没用起来⑳，他一定不会续费④。那么客户用软件的障碍又在哪里⑰？细究一下会发现所有的软件都是有使用门槛的③，用户要学习怎么去使用⑭。相当于一辆车⑰，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⑧，它是有门槛的⑤，是需要去学习的⑥。你要了解车的基本架构是什么⑪？每个按键是什么功能⑬？开上之后还要掌握一定的手感⑫，你要慢慢地熟悉它⑪，习惯它的速度③，还要遵守交通规则⑰。

东旭：门槛太高了❶。

海燕：对⑯，这些门槛导致了很多用户会缩回来⑮。哪怕这个企业客户买了❸，组织买了①，让每个同事去用❷，很多人还是在自己的老习惯里⑪，记在小本上④，再把小本上的内容找一个集中的时间上传到软件里去⑳。这就说明他其实并没有掌握开车的习惯⑯，也就很难理解⑨，以车代步会大大地提升效率①、拓展能力▓。

东旭：这种情况他真正需要什么⑲？需要一个司机⑪。

海燕：但就像你刚才说的⑳，不可能每个人都给配个司机▓。

东旭：你看这个截图⑦，这是我们公司的一个销售⑪。我想知道他最近在负责什么样的项目⑥？所有这些数据都是动态的①。我也可以问他最近一次跟某某客户开会是什么时候⑱？聊了什么内容❷？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▓，长期来看软件的门槛①，是一直在降低的⑱。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①，非常非常低的门槛就能用起来❷，但凡让他还要学点啥⑯，比如要了解这个软件的整个结构⑮、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⑭。

东旭：没错⑰，我先描述一下我想象的未来企业软件的样子⑯，下一代的 Salesforce 可能会长什么样❸？第一⑯，它是一个对话框⑳；第二⑮，你可以想象现在把所有的 Salesforce 的功能全都切成一个个碎块⑧，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 Copilot❷，这个 Copilot 会根据你的上下文和你现在的需求⑳，把相应的碎片拿出来放到对话框里⑱。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①。

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⑰，它不再是一个网站或者 APP②，你可以认为它是一堆散落在各地的小的 tools❸。

海燕：改变主要是交互层面⑩，还是别的地方⑲？

东旭：交互层面就是最重要⑪、最大的创新⑲，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⑦，就别让用户学开车了⑭，人从不会开车到会开车是要专业培训⑫，要考驾照才能上路⑦，而且还不一定能开得好⑩，说不定还要吃罚单⑥。车也是一步一步进化到全自动驾驶的⑮。到了L2 时代⑫，可能已经解决了一些问题⑰，比如自动泊车⑭，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⑥。这可能只是先帮你解决一些开车不自信的问题❷。等有一天达到 L3 甚至 L4 级别了⑭，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⑨，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①，很可能那时候车都不一定再有方向盘这个东西⑪，对吧⑧？

东旭：这一点上我大方向认可⑮，但是有一个小小的 comment⑤。还是用车来作一个例子⑨，我不觉得完全自动好⑳，除非全世界所有的车都被强制规定自动驾驶❶。

海燕：不仅得规范车⑫，还得规范人⑭。

东旭：没错⑱，如果 human 还 in the Loop③，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⑮，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⑥。什么意思呢①？比如自动泊车⑩，对于人来说②，如果你在车里❸，你其实更希望看到方向盘是怎么动的⑮，以及给我个 plan③，我去确认❶，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⑳。

东旭：把思维链展开给你看⑮。

海燕：让 AI 告诉你⑩，它是怎么分析和解决问题的④，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①。

东旭：对⑯，所以为什么我觉得交互的改变意义深远⑲，现在不管怎么样⑭， AI 还是为人服务的⑳，而且大语言模型有一个非常大的问题❶，就是可解释性❶。为什么我说 Deepseek 是一个特别重要的时间点⑰，就是因为在那个时间点之前②，你所有用 LLM 做的东西⑱，可能最后的结果还是不具备可解释性的❸，是个黑匣子⑨，大语言模型拍脑袋说啥就是啥⑥。但其实在 Reasoning model 普及以后③，你对于 AI 输出的结果⑦，是可以去做审核和判断的❸，而且就算发现有问题⑬，你也可以随时接管⑭。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⑬。换句话说⑱，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⑰，它在绝大部分情况下❶，都是不需要去接管的❸，但在必要的时候用户可以随时接管⑮。回过头来说⑧，Agent 也不是用来替代软件的⑫，而是会变成软件机制的一部分⑩，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⑳，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⑭，其实就是在交互层面⑯，怎么把这种可解释性⑱、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③？在这方面⑨，你作为从业者④，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⑳，我先说数据库⑨，因为我们自己就是做数据库的⑰。第一个结论是我们越来越重要了⑥，我们最近这两年的增长❷，还是比较 promising 的⑲，这里边一部分的原因⑪，尤其在一些新的 workload 里⑰，大多数都是跟 AI 相关的⑯。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⑲，用户因为不知道怎么利用⑬、分析①，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⑬，其实就是给数据分析师或者领导写报告②。但是仔细想一想⑬，就是因为我们没有办法对这种海量碎片化的数据去提取⑧、利用⑭，我才有了做 ETL ⑪、Transform❷、Load⑨，涵盖了将数据从一个数据源提取出来▓，经过各种处理和转换❷，最后加载到另一个数据源的全过程⑦。）做这种大数据的动机⑦，因为我需要从数据的整体去看⑤。

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▓，都可以很好地利用起来②。所以第一点⑮，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⑰，我先把它存下来⑯，因为所有数据都会有用②。

海燕：就是数据的价值提升了⑯，或者说开发这些数据成为可能❶，导致数据的价值提升了⑮。

东旭：对于数据的存储需求⑫，是在提升的❸。我们也有预判⑨，在云上如何给用户提供一个低成本⑳、无限拓展性的版本⑥，这是一个很重要的 topic⑩。第二❶，对于数据我觉得很重要⑧，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⑮、DBA 或者数据分析师⑨，他们有个共同点⑧，都是人③。但在 AI 尤其 LLM 或者 Agent 的时代⑨，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⑦，我的用户可能是 LLM④，可能是大语言模型①。

海燕：就是访问数据库的⑮，不是开发者⑤。

东旭：对⑱，是 Agent⑩，在这种情况下❶，如果按照传统思维去设计系统❶，会非常非常奇怪⑯。举个例子③，像 Snowflake 或者数据仓库的公司❷，很强调自己的数据 ETL 能力⑯，要把数据来回掰扯⑮，变成一个报表②，或者一些抽象数据的 insight⑰，好让大家去做分析⑥。

但试想一下⑲， AI 在访问你的数据时❶，如果你给它的是一些被处理过的数据⑦，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⑲，其实反而是不好的③。相当于你给 AI 一个报告⑫，它只能回答这个报告相关的上下文的东西⑦，一旦你问的问题超出了报告的边界①，它就没办法回答了⑮，因为你没有给它足够的数据③。所以对于 AI 来说⑤，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②，同时再给它一个足够 flexible 的访问数据的方式⑨。

SQL⑯，我最近做的思想实验是想象我自己是一个 AI Agent❶，为了回答我的“老板”——我的人类主人的一个问题⑳，比如他问：最近 Top10 的销售是谁⑬？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⑰，一个原始数据⑩，最方便的办法就是我通过把“主人”给我的需求⑲，变成一个对原始数据库的 SQL 的访问⑦，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❶，有点像过去人类数据分析师干的事情⑭。比如老板提了一个要求⑯，数据分析师回去搞报表④，只是现在用 AI 来实现刚才的场景⑫，变得每个人都可以做⑥，而且非常轻量⑨。所以⑮，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⑦。

第二⑧，以前其实有各种各样的 database 或者 data infrastructure③，这些 data infrastructure 如果是站在 Agent 视角❸，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❸，我用一条 SQL 就能关联起来⑯。但如果是在孤岛⑪，这边一个向量数据库⑭、一个文档数据库❸，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④。

东旭：所以我觉得 Infra 的归一化也是一个特别大的趋势⑦。

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⑨，过去应用软件服务人⑭，它是直接面向用户的②，用户使用应用软件▓，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⑪，对吧❷？

东旭：对⑫，开发者写“死”了②。

海燕：刚才咱们提到其实应用软件更像 L3 的智能驾驶⑮，把过去很多的用户操作变成了智能化的自动操作▓。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⑥、执行⑲、找界面⑧、找对应的空去填⑧。换句话说④，现在应用软件很大一部分是由各种各样的 Agents 构成的⑬，所以过去的用户访问数据库或者开发者访问数据库②，就变成了大量的 Agents 在访问数据库⑨。

有点像过去非智能驾驶时代▓，它是油车❸，支撑车的是内燃机发动机①。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⑳，然后再把指令给到发动机电机去驱动车往前走或者停⑬。换句话说⑪，Infra 的用户变了⑫，不是开发者⑧，不是人①，是 Agents⑰。因此 Infra 也要面向新的用户层去设计③、改变⑪。刚才你提到的有一条很对⑮，就是统一数据库更重要⑨，而不是分散的③、小的❸、各种各样的数据库拼凑的整个 Infra 底层⑥。

东旭：对①，另外一个就是接口①。接口一定要用一个统一⑯、通用❸，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 SQL⑰，因为第一②，SQL 是一个标准的语言⑯，AI 训练了这么多年⑪，用的就是它④；第二❸，SQL 又是一个精准的语言⑬，SQL 写对了⑭，一定能够捞出数据可解释❶。第三⑧， SQL 也是可以被人类读的⑯，比如刚才我给你看的那个例子⑪，我想看公司最近前 10 名的销售③，它给了我一个列表▓，告诉我这个列表是根据 5 条 SQL 跑出来的⑦。

总之⑬，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②，而不是面向人和开发者设计软件⑥，这可能是未来要面临的一个课题❶。

第二个方面⑥，我觉得基础软件里很重要的一个 category⑳，就是操作系统③。虽然我不是做操作系统的⑯，但我觉得它会发生很大的改变⑮。

操作系统以前是一个在硬件和用户中间的东西⑭，相当于它把硬件的抽象给隐藏起来⑧，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⑨，其实跟我刚刚说数据库是一样的逻辑⑩，未来System API 硬件封装这层肯定要做③，但是再往上去提供操作系统本身能力的时候⑱，一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❶，而是 AI agent③。

所以刚才我提到像 CRM 软件⑮，未来是能够把它所有功能拆成一个一个小块⑲，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block⑧。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⑫，最近这两天有个融资的项目⑳，他们的 vision 就是做一个面向 AI Agent 或者 LLM 的浏览器⑰。未来⑫，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❷。换句话说①，云计算的时代也给 AI 打了个基础⑩。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②、更加小颗粒⑫、更加简单▓、更加 flexible⑲。是这样一个趋势⑱，但并不是就抛弃了软件这个形态❸。

东旭：不会抛弃的⑩。我觉得软件尤其企业软件⑰，真正的护城河有两个：第一⑮，就是我刚才说的这些企业里的 Know-how⑨，比如懂企业客户⑭、懂场景⑮，这些是 AI 很难理解的❷。就像卖东西▓，你不可能让 AI 来帮你卖东西⑱，至少现在还很难⑨。

第二⑬，还是工程复杂性❸，就是 LLM 作为单独的模块④，它的复杂性是没有的⑧。比如现在千问3刚出来⑪，Deepseek 刚出来⑲，你只要搭上个 Ollama ⑨，之后暴露的 API 都一样⑭，实际上没有什么差异⑥。

海燕：某种意义上⑩，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▓。到最后我觉得 AI 真正有用的场景或者有用的东西⑮，一定是不简单的⑮。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⑯，但反而把复杂的东西都留给了开发者⑮，或者说留给了专业建造者⑨。

东旭：是的④，所以我觉得还是有门槛⑫。就像海燕刚才说的▓，AI 就像整道菜的一把盐⑳，能够把这个菜变得更好吃③，但它还是那道菜⑪。

海燕：那你觉得日后企业客户的独有数据这个事还重要吗⑭？

东旭：当然重要⑤。

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⑦？

东旭：这点我稍微有点悲观⑰。因为大家现在都知道⑥，包括所有的大厂其实都已经知道数据的价值⑨。老实讲⑩，以前做一个很好用的软件⑱，反正用户的交互数据如果没用就扔掉了④。但现在所有的大企业④，只要在有用户交互的点上④，那都是兵家必争之地了①。数据才是未来企业最高的护城河⑰。

海燕：换句话说❸，面向企业的软件工具⑧，本质上还是有三个原因⑱，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⑭，就是行业 Know-how 或者客户 Know-how❸；第二是工程复杂性②，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⑬，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❶，因为数据反而更大了⑫。

东旭：数据的价值更高了⑭。

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⑪，它只是像一个哲学家一样跟你讲点大道理⑳，怎么能跟“你”产生关系⑰？只有数据⑩。我觉得大模型要变得有用⑯，有两点必不可少：一个是模型本身的智力①，就是通识⑩；第二是 context⑰，你的 context 越精准⑪，这个东西就越有用⑰。所以在这点上③，我觉得企业之间的壁垒会越来越大❷，但是在企业内部⑭，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①，有可能成为新的下一代数据库❷，很快人人都会说④，但这个独有观点是咱们提出来的①。