您现在的位置是：网站首页>国内国内

珠海电玩城有赌场吗

王夏岚 2025-05-14 【国内】 9238 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①。因为这一年❷，不仅是软件行业估值的高点⑫，也是行业最受资本追捧的一年⑭。因此⑮，她把软件公司分为两类：一类是 2021 年融到了很多钱的公司⑫，一类则是 2021 年没有融到钱的公司❶。这之后⑲，两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⑰。

华创派企业 PingCAP 就属于 2021 年融资成功的阵营⑯。那个时候他们对未来的宏观形势有所预判⑦，得以抓住机会加速了全球化的布局❶。作为一家企业级开源分布式数据库厂商⑨，PingCAP服务的客户如今已超过20个国家和地区⑦，创立的分布式关系型数据库 TiDB⑥，能持续帮助企业最大化发挥数据价值⑱。

随着 AI 浪潮的来临⑦，数据价值也得到了前所未有的提升▓。但这股大潮的影响远不止于此④，AI 将如何深刻改变企业软件的交互方式与产品形态⑲？基础软件在 AI 时代又该实现哪些自我革新和进化⑲？近日⑰，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④，软件公司该如何顺流而上⑫，发挥出自己独特的行业价值②。

嘉宾介绍：⑪、黄东旭⑧， PingCAP 联合创始人兼 CTO

本期主播：⑤、吴海燕⑤，华创资本管理合伙人

以下为节目内容⑤，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」④，我是吴海燕⑭。这期我们请到了 PingCAP 的联合创始人兼 CTO 黄东旭❸。

我其实现在回想咱们的第一次见面还印象深刻⑦，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⑫。我记得是2017年3月的一个早晨⑭，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⑮，会议室里只有你一个人在等我⑥。后来我才知道▓，程序员因为工作习惯④，早晨一般都不在公司⑱。

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①。一下飞机就收到你的信息②，说PingCAP是家好公司❶。

海燕：我当时也是下了飞机就告诉刘奇华创决定领投⑰，他还说这是“云上”的决定⑨。2017年3月我们见面⑲，年中完成了投资⑱，10 月份刚好咱俩都分别去北美出差⑥，我们在硅谷还一起见了些朋友⑯。所以那时候你们已经正式开始在北美设办公室⑪、招人了吧⑲？

东旭：没错⑧，PingCAP 2015年创立①，从第一天起⑩，我们就想着去做一个 global company①，公司成立前两年基本都在写代码⑥，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⑦，开始正式运营在海外的业务⑯。其实在那之前⑰，我从来没有在海外工作⑯、留学过④，在当地也没有什么 connection ▓，只是觉得这对于PingCAP的战略来说是一定要做的事情❶，哪怕没有条件⑳，创造条件也要去做⑲，所以我当时都没买回程机票⑲，事情没办完我就不打算回来❸。

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▓。2017 年咱俩在硅谷碰面时⑤，我介绍你认识了硅谷当地一些做投资的朋友③。后来到了 2020 年⑨，一位朋友还跟我说后悔在硅谷介绍你们认识时没有投资PingCAP⑥。

东旭：未来还有机会的⑬。我们开始国际化的时间比较早⑳，中间也踩了好多坑⑥，以后有机会我们再分享⑪。

海燕：说起 2017 年④，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⑧。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❸。

2021 年实际上是软件行业估值的高点⑮，应该也是行业最受追捧的一年⑦。 2021 年我们软件 portfolio 所获得的融资⑲，比历史上华创其余九年里软件 portfolio 的融资额加起来还要多⑮。后面的几年⑲，再也回不到 2021年的盛况了⑭。

东旭：那个时候应该是美国印了很多钱⑥，整个资本市场有点被催熟⑫。

海燕：当年标志性的事件就是 Snowflake 上市⑱，超高估值上市激起了大家对软件行业非常大的热情❸，所以行业融了很多钱⑯。到了 2022 年初⑩，世界一下又变化了⑧，按下了暂停键❸。之后的三年里⑤，直到今天❷，企业软件公司融资就变得不太容易了⑤。

我们每次年底做行业回顾的时候③，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⑪，一类是 2021 年没有融到钱的公司⑤。这两类公司在 2022 年之后⑫，可能就是一个很大的分野▓，他们或许都经历了不同程度的困难⑨。注意④，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⑪。 2021 年没有融到钱的公司⑨，就是错过了那个融资最高峰的时候⑰，所以他们每一年都在过苦日子⑰，每一年都在降本增效⑩。

东旭：非常 tough⑯。

海燕：活下来的可能都是“打不死的小强”了⑮。而 2021 年融到很多钱的公司⑧，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⑤，就意味着你当时一心想要做高增长⑯，会招很多很多人⑲，会开新的办公室❷，花很多时间精力做销售❸，不顾一切地去拿订单⑭。这是 2021 年融到很多钱的公司一定会去做的事④，然后在 2022 年⑯，啪⑧，一个巨大的终止符下来了⑮。所以在 2021 年融到很多钱的公司⑦，无一例外地经历了团队从很小规模到很大⑮，又缩回很小的这样一个阵痛的过程⑧。

东旭：PingCAP 也属于 21 年拿到钱的那个阵营⑲。但我们拿钱的心路历程我可能没跟海燕聊过⑥。其实我们在 20⑨、21 年已经非常明确地知道 22 年一定会有大的经济危机⑫，因为美联储持续地加息⑬、印钞①，我们觉得风险非常非常大⑪。 21 年正好在市场比较好的时候③，尤其在 Snowflake 上市以后❷，我们知道未来马上会有苦日子⑰，所以必须在那个时候先把过冬的粮食给准备好⑲，而且当时拿那笔钱⑫，我们的一个思路并不是要去追求更高的增长②，而是在那个时间点之后①，如果你只做单一市场是不够的⑲，我们一定要在那个时间点让自己变成一个 global company⑭，这样才能有更多抵御风险的能力⑯。包括到现在我们对于 spending 的控制⑫，我觉得还可以②，没有说突然有钱了以后就疯狂扩张⑱。

当时确实扩了一点⑲，但很快在 2022 年时⑪，我们又往回缩了一些⑦。倒不是因为业务的原因⑭，而是我们需要像跑马拉松一样❶，根据最终的目标来去分配精力和能量⑯。因为当时是我们做全球化最好的时机⑰，由于疫情的缘故⑲，物理世界的数字化在加速▓，包括 cloud 的 infrastructure 变得越来越成熟⑦，当然 mindset 也接近成熟⑧。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⑪，只是正好在那个时候有一个很好的时机⑫，就活到了现在⑪。

海燕：我其实在 2021 年的时候⑭，问过几个我们拿了大钱的 portfolio⑮，他们在 21 年融了不止一轮②，且融了非常多的钱⑲。每次他们融到大钱时❷，我都会打电话问创始人：“根据咱的业务状态和进展⑰，似乎没有必要一定要拿这笔钱❸，你是怎么考虑的⑳？”

我不是建议他们拿或者不拿⑤，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⑰。首先就是你刚才说的⑲，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 downtime②，我们也不知道什么时候是 downtime⑦，但既然现在是 high time ❶，就应该多储备一些现金⑬；第二⑧，他们不介意所谓的股权稀释⑤，万一哪天到了 downtime⑪，公司有足够多的现金❷，可能会比别人有更多的竞争优势⑦，可能还能收购一些钱不够了但是产品和技术很好的团队⑲。我从几个创始人那里都得到了同样的答案③，所以大家当时是看得很准的❸。

到了 23 年③，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④。

东旭：其实 Open AI 在 GPT-2 出来的时候我就开始在玩⑳，后来 ChatGPT 迭代大家都知道了▓。

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⑬。而 AI 大潮的来临②，其实抢夺了软件公司在资本化方面很稀缺的资源⑦。因为从 22 年之后❸，不管是美股⑧、 A股❸、港股这些比较大的二级市场⑪，还是一级市场⑰，都变得非常紧缩⑮，流动性不足⑦，就导致股权融资变得很困难⑰。即便是上市公司④，你要做增发⑦，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⑮，从 22 年以后⑭，融资的公司数量⑬、总的融资金额都在不断地下降⑪。我觉得这个情况在硅谷和在北京都是一样的⑯，不是说硅谷的情况就比咱们好很多⑨，大家都处于一个紧缩的时代⑨。

东旭：或者说市场的注意力都转到了 AI 这边⑱。

海燕：对❷，在融资总规模变小的情况下⑫，AI 的占比还提升了❸，唯一特别活跃的投融资就发生在 AI 领域⑦。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⑨。

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⑱，在过去一两年要不融不到钱⑪，要不融到钱估值也没法看③，对吧❸？不是 down round 就不错了②，很多都是 flat round②。

软件公司在过去两年也 kind of 被大家有点遗忘了⑨，给人感觉是软件公司跟 AI 到底能发生什么强关联呢⑱？AI 时代会不会有一些完全不同的公司出来⑧，做面向企业客户的数字化⑨、智能化⑪？你在硅谷看到的变化是什么呢▓？

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⑨，整个行业大概都是在 build prototype❶。今天有个很好的 idea⑮，我就试一试⑭。前两天更加夸张①，大模型动辄投个几千美金训练了一个新的模型出来⑱，打个榜三天以后就 hype⑫，而且 AI 的势能过大④，导致 hype 时间非常短▓，因为所有的注意力和资源都砸在这个方向上⑮，而且 Transformer 跟过去的科技创新⑳，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▓，其实在于业务 Know-how 还是系统复杂⑧，比如像我们的数据库⑫，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⑤，才能表现得很好⑭。像 Salesforce 或者 ERP 软件⑬，得有很深厚的技术和业务的 Know-how⑬，才能做这样的 system software⑳。包括各种 SaaS⑳，在过去都是这样的逻辑⑤。

但 AI 这波④，尤其是大语言模型①，它本身的注意力机制③，我觉得大学本科毕业的人看 Transformer 的论文看两个礼拜⑳，第一能看懂❷，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①，真的就写了一个出来⑱。只是到最后还需要很多算力⑮、数据⑫，但它的机制本身是不复杂的⑳。

所以⑩，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⑥。加上全世界的资本全都集中在这⑨，大家其实一直在经历各种各样的三天一遍的一个hype⑦。

海燕：Hype 之下一个很重要的心态④，就是 FOMO▓。不管是个人用户⑫、企业客户还是投资人⑧、创业者⑳，大家都有不同的FOMO 情绪②。比如过去两年⑭，我们软件 portfolio 说现在大部分企业日子不好过⑫，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⑩。就是无论如何我都得先试试 AI❷，万一我被时代抛下怎么办❷？

东旭：这是为什么我觉得现在是一个很重要的时间点⑭，但我们还站在门口⑳，没有进去⑪。我觉得到今年 AI 的基础能力⑪，不管是 DeepSeek 还是现在的 Tier1 的 model⑥，已经能做一些 actually something useful❸，这是非常非常重要的⑩。

我先说一个结论：未来所有的软件⑳，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⑩，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 ❸，在未来也会变成这个软件的护城河⑯，只是 AI 会改变它的整个产品形态❸。

海燕：你话里面的第一重逻辑⑱，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❷，不是基础的大模型就能颠覆和替代了的②。

为啥有这样的疑问❸？举个例子⑭，我们之前有一个 portfolio 公司要被收购了⑪，被收购的过程中⑱，收购方的业务层大老⑰，他们可能不是特别理解技术❸，所以一直在问：都 AI 时代了⑳，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④，还要软件干嘛▓？

东旭：就好像 AI 是万能药②。

海燕：对⑲，有个 AI 就不需要专业的软件公司了⑫。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▓？类比自动驾驶时代到来后⑬，车变得不一样了⑰，变得更强大了②，但还是需要专业的造车公司去把车给造出来③，你还是需要一辆车的④，对吧②？

东旭：举个很简单的例子⑬，比如像会计▓，我父母都是会计师⑯，他们是互联网时代之前的会计⑩。现在所有的会计电商化都完成数字化了以后⑬，这个行业不存在了吗⑮？它还是一直存在的③。从古代有交易开始⑭，一直到现在⑫，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⑳，它的产品形态会发生改变④，就像 CRM ⑨，还是销售过程管理⑧。难道在 AI 普及的时代❶，就不需要销售吗②？就不需要过程管理吗❷？我觉得一定需要的①。只是未来软件的形态一定会比现在更加好❷、更加智能③。

以前我们有些事情是没有办法做到的⑤。比如我们公司在海外用的 Salesforce⑯，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③，想看一下今年哪些客户买哪些 SKU⑭，哪些涨得特别好⑯？重要的客户是谁⑰？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 BI⑬。

东旭：以前都得靠人⑭，而且我提一个需求可能两天以后才能做好⑩。我非常 respect 这些同事的工作⑮，因为企业软件一个很重要的护城河⑦，是对于这些企业的 Know-how⑬，以及这些数据在什么地方①，怎么把它组织起来⑫，变成一个能够被提取的 insight⑦，这些其实很重要的⑥。

现在我自己做了一个 Agent⑧，但还是太慢了⑤，还需要一些更加个性化的能力⑯。我是怎么做的呢④？我直接把我所有的Salesforce 数据全都同步到我自己的 database 上⑦。然后我自己写了一个 Agent 用 NCP 去读取我的 database⑦，它自己写 SQL⑰，我在上面就用自然语言去看④，比如最近 10 天最好的销售排名⑳。

海燕：你已经实现了传说中的 ABI⑱。

东旭：虽然还不成熟②，但我觉得体验比以前自己打开 Salesforce②，然后在各处找数据做报表要好⑬。这里涉及到一个核心的逻辑——过去我们的软件都是静态的⑦。静态是什么意思呢⑲？就是程序员把这个业务逻辑写好⑤，变成报表也好①，或者变成业务逻辑也好⑫，就在那②，它没有任何机会去变化❸。

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⑩，相当于以前一个公司⑱，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⑬，他自己在他的软件里面有能够提供灵活性的一层⑲。有点像过去产品底下是一个大的数据库⑬，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 Infra⑦，而且这些数据是被分割在不同的地方⑳。但是未来可能在产品和数据之间①，会有一层叫 Agent⑮，或者 AI⑯。

海燕：云计算时代③，是把传统软件所谓的烟囱状给打破了⑪，可能 AI 时代进一步把 SaaS 的藩篱给打破了❷。

东旭：是的⑤，而且我觉得 AI 还打破了一个事情⑲，就是人的思维局限❸，有的时候烟囱不是在技术层面⑮，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⑦。我们投了相当多的软件公司⑲，各类都有⑥。我过去看到的⑦，不管是国内还是国外⑭，软件有一个核心的指标叫做 Customer Retention④，就是客户的 retention rate⑫，而 Customer Retention 的一个最大障碍就是客户买了软件之后⑦，有没有真正把软件用起来①？但凡真正用起来⑰，不需要是多么牛逼的软件⑫，客户的 retention 一定是好的⑤。

如果客户都没用起来⑨，他一定不会续费⑦。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⑦，用户要学习怎么去使用❸。相当于一辆车❸，这个车已经代表了现代制造业⑬，但问题是开车这个事情⑧，包括把日常开车出门以车代步这个事情变成一个习惯⑲，它是有门槛的⑭，是需要去学习的③。你要了解车的基本架构是什么⑭？每个按键是什么功能③？开上之后还要掌握一定的手感⑭，你要慢慢地熟悉它⑱，习惯它的速度⑰，还要遵守交通规则⑦。

东旭：门槛太高了❸。

海燕：对❶，这些门槛导致了很多用户会缩回来⑲。哪怕这个企业客户买了⑩，组织买了⑬，让每个同事去用▓，很多人还是在自己的老习惯里❶，记在小本上⑳，再把小本上的内容找一个集中的时间上传到软件里去⑬。这就说明他其实并没有掌握开车的习惯③，也就很难理解⑭，以车代步会大大地提升效率⑳、拓展能力⑤。

东旭：这种情况他真正需要什么▓？需要一个司机②。

海燕：但就像你刚才说的④，不可能每个人都给配个司机❸。

东旭：你看这个截图⑧，这是我们公司的一个销售⑳。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⑤。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⑰？就是刚才你说的每个人的司机⑮。

就像我刚才说到一个非常重要的点⑲，长期来看软件的门槛③，是一直在降低的①。我觉得未来软件最易用的形式其实就是对话▓。

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①，但凡让他还要学点啥⑱，比如要了解这个软件的整个结构⑱、功能按键等涉及到了学习成本和过去工作习惯的改变③，就会导致很多软件用不起来⑳。

东旭：没错⑨，我先描述一下我想象的未来企业软件的样子⑱，下一代的 Salesforce 可能会长什么样❸？第一⑥，它是一个对话框❷；第二④，你可以想象现在把所有的 Salesforce 的功能全都切成一个个碎块⑦，这个碎块就是一张张小卡片⑰，在你的对话中 AI 或 LLM 有点像一个 Copilot❸，这个 Copilot 会根据你的上下文和你现在的需求⑨，把相应的碎片拿出来放到对话框里⑦。比如我现在要审批一个东西⑳，他直接在 LLM 把这个审批的按键调出来⑨。

海燕：不需要让你在一堆列表里找⑳。

东旭：这会很深刻地改变软件的产品形态⑳，它不再是一个网站或者 APP⑫，你可以认为它是一堆散落在各地的小的 tools⑫。

海燕：改变主要是交互层面⑯，还是别的地方⑰？

东旭：交互层面就是最重要⑥、最大的创新⑬，这种创新远比我们想象中带来的意义要大②。

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⑨，就别让用户学开车了②，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▓，而且还不一定能开得好⑨，说不定还要吃罚单❷。车也是一步一步进化到全自动驾驶的⑩。到了L2 时代⑫，可能已经解决了一些问题⑲，比如自动泊车❸，不用每次停车的时候都为难倒不进去怎么办⑳？自动泊车功能就帮你倒进去了❸。这可能只是先帮你解决一些开车不自信的问题⑭。等有一天达到 L3 甚至 L4 级别了③，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④，比如用语言去命令它：我今天就要去哪到哪⑨，根本不用再碰方向盘了⑬，很可能那时候车都不一定再有方向盘这个东西⑬，对吧⑥？

东旭：这一点上我大方向认可⑬，但是有一个小小的 comment❷。还是用车来作一个例子⑥，我不觉得完全自动好❶，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⑭，还得规范人⑫。

东旭：没错⑥，如果 human 还 in the Loop⑫，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⑥，很多时候不是越自动越好⑬，而是你给我的结果要具备一个人能理解的可解释性⑰。什么意思呢⑤？比如自动泊车⑧，对于人来说⑥，如果你在车里⑲，你其实更希望看到方向盘是怎么动的⑧，以及给我个 plan⑱，我去确认⑮，就是 human 一定要有一个 under control 的结果⑳。

海燕：这让我想起 DeepSeek R-1 的巨大创新就在这里▓。

东旭：把思维链展开给你看⑳。

海燕：让 AI 告诉你⑦，它是怎么分析和解决问题的❷，它把思维链展开给你看了❸，这个交互本身就是非常非常破圈的一点❷。

东旭：对⑳，所以为什么我觉得交互的改变意义深远❸，现在不管怎么样⑥， AI 还是为人服务的⑭，而且大语言模型有一个非常大的问题⑨，就是可解释性⑥。为什么我说 Deepseek 是一个特别重要的时间点①，就是因为在那个时间点之前⑧，你所有用 LLM 做的东西④，可能最后的结果还是不具备可解释性的⑮，是个黑匣子⑨，大语言模型拍脑袋说啥就是啥⑱。但其实在 Reasoning model 普及以后⑤，你对于 AI 输出的结果⑩，是可以去做审核和判断的②，而且就算发现有问题⑭，你也可以随时接管⑱。所以现在包括 Cursor 等比较成功的 Agent 应用⑨，都是会把人当成整个软件的一部分⑥。

海燕：所以挺有意思❷。换句话说⑫，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❸， L3 其实就是 Copilot 方式的存在⑩，它在绝大部分情况下⑧，都是不需要去接管的⑦，但在必要的时候用户可以随时接管❷。回过头来说⑭，Agent 也不是用来替代软件的④，而是会变成软件机制的一部分①，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⑬，因为应用软件是面向用户的⑦，所以可能 AI 时代一个重要的革新▓，其实就是在交互层面②，怎么把这种可解释性⑬、自然语言的交互习惯⑯，包括怎么让用户能更容易上手❷，降低使用的门槛⑬？在这方面⑬，你作为从业者⑧，对于基础软件在 AI 时代有哪些观察和心得⑪？

东旭：基础软件里面我觉得最重要的几个东西❷，我先说数据库⑲，因为我们自己就是做数据库的▓。第一个结论是我们越来越重要了▓，我们最近这两年的增长⑩，还是比较 promising 的⑱，这里边一部分的原因⑳，尤其在一些新的 workload 里⑳，大多数都是跟 AI 相关的⑪。我觉得从客户的角度来看⑧，第一个心态就是以前很多数据⑯，用户因为不知道怎么利用⑬、分析⑬，像用 Snowflake 跑跑报表⑪，最后给 CEO 看一看大图就完了▓。

以前像 OLAP 数据仓库的很多应用场景⑧，其实就是给数据分析师或者领导写报告⑫。但是仔细想一想⑦，就是因为我们没有办法对这种海量碎片化的数据去提取⑳、利用⑳，我才有了做 ETL ⑪、Transform⑲、Load⑦，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⑧，最后加载到另一个数据源的全过程⑬。）做这种大数据的动机②，因为我需要从数据的整体去看⑱。

但今天我觉得 AI 提供了一个 possibility▓，就是我对每个人的所有的数据③，都可以很好地利用起来⑱。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▓，我先把它存下来⑱，因为所有数据都会有用①。

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⑱，导致数据的价值提升了③。

东旭：对于数据的存储需求❷，是在提升的❶。我们也有预判⑲，在云上如何给用户提供一个低成本⑩、无限拓展性的版本⑳，这是一个很重要的 topic⑫。第二⑪，对于数据我觉得很重要⑯，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⑤、DBA 或者数据分析师④，他们有个共同点⑩，都是人⑥。但在 AI 尤其 LLM 或者 Agent 的时代⑤，我作为一个数据软件接口的设计者⑪，我要考虑我的用户可能不一定是人⑩，我的用户可能是 LLM②，可能是大语言模型⑨。

海燕：就是访问数据库的⑫，不是开发者⑥。

东旭：对⑰，是 Agent③，在这种情况下❶，如果按照传统思维去设计系统⑦，会非常非常奇怪①。举个例子④，像 Snowflake 或者数据仓库的公司⑱，很强调自己的数据 ETL 能力⑭，要把数据来回掰扯❶，变成一个报表▓，或者一些抽象数据的 insight▓，好让大家去做分析⑪。

但试想一下❷， AI 在访问你的数据时⑭，如果你给它的是一些被处理过的数据❶，或者是一些你自己通过大脑想出来的⑪，我觉得 AI 应该用我的 open 数据的 API 去封装①，其实反而是不好的④。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❷，一旦你问的问题超出了报告的边界❷，它就没办法回答了⑯，因为你没有给它足够的数据①。所以对于 AI 来说⑪，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❷，同时再给它一个足够 flexible 的访问数据的方式⑩。

SQL⑥，我最近做的思想实验是想象我自己是一个 AI Agent⑰，为了回答我的“老板”——我的人类主人的一个问题⑬，比如他问：最近 Top10 的销售是谁▓？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⑲，一个原始数据②，最方便的办法就是我通过把“主人”给我的需求⑦，变成一个对原始数据库的 SQL 的访问❶，这样我就可以得到一些实时的数据②，然后再根据这些数据去做总结⑭，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❷，数据分析师回去搞报表②，只是现在用 AI 来实现刚才的场景⑳，变得每个人都可以做①，而且非常轻量⑤。所以⑱，最后我得到的结论就是：SQL is still the best thing we have⑦，SQL 现在仍然是我们跟 AI 以及数据之间最好的桥梁⑬。

第二⑦，以前其实有各种各样的 database 或者 data infrastructure❷，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⑩。如果这些数据都在一起⑲，我用一条 SQL 就能关联起来❸。但如果是在孤岛▓，这边一个向量数据库⑫、一个文档数据库①，那边一个 SQL 数据库❷。

海燕：相当于我要翻很多墙才能完成工作⑦。

东旭：所以我觉得 Infra 的归一化也是一个特别大的趋势①。

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⑩，过去应用软件服务人⑫，它是直接面向用户的⑥，用户使用应用软件⑰，应用软件调下面 Infra 这一层❸，应用软件是以开发者为中心去做的④，对吧❷？

东旭：对❶，开发者写“死”了⑨。

海燕：刚才咱们提到其实应用软件更像 L3 的智能驾驶④，把过去很多的用户操作变成了智能化的自动操作❶。本质上是把很多 Agent embed 到它的应用软件里面了❸，代替了用户人手一条一条去点开⑳、执行⑮、找界面⑬、找对应的空去填❷。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⑮，所以过去的用户访问数据库或者开发者访问数据库⑱，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⑥，它是油车⑰，支撑车的是内燃机发动机⑨。但现在完全不一样了❶，因为现在车要获取很多传感器数据去做实时的智能判断⑫，然后再把指令给到发动机电机去驱动车往前走或者停⑪。换句话说⑲，Infra 的用户变了⑦，不是开发者⑩，不是人❸，是 Agents⑥。因此 Infra 也要面向新的用户层去设计❶、改变⑫。刚才你提到的有一条很对④，就是统一数据库更重要⑰，而不是分散的⑦、小的▓、各种各样的数据库拼凑的整个 Infra 底层⑲。

东旭：对⑨，另外一个就是接口⑧。接口一定要用一个统一⑲、通用⑪，以及 AI 跟人都能理解的语言去访问数据⑥。现在最好的语言就是 SQL▓，因为第一⑦，SQL 是一个标准的语言❸，AI 训练了这么多年④，用的就是它⑰；第二⑰，SQL 又是一个精准的语言⑩，SQL 写对了⑨，一定能够捞出数据可解释⑨。第三③， SQL 也是可以被人类读的⑤，比如刚才我给你看的那个例子▓，我想看公司最近前 10 名的销售⑩，它给了我一个列表❷，告诉我这个列表是根据 5 条 SQL 跑出来的⑧。

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⑭，而不是面向人和开发者设计软件⑱，这可能是未来要面临的一个课题⑲。

第二个方面①，我觉得基础软件里很重要的一个 category⑨，就是操作系统⑱。虽然我不是做操作系统的⑱，但我觉得它会发生很大的改变⑩。

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⑬，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⑦。比如我画一个窗口⑯，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⑨，但是再往上去提供操作系统本身能力的时候❸，一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 agent⑭。

所以刚才我提到像 CRM 软件⑥，未来是能够把它所有功能拆成一个一个小块①，然后在对话框里通过对话跟 LLM 的交互⑯，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❸，其实这个工作在硅谷已经有一些创业公司在做了⑨，最近这两天有个融资的项目③，他们的 vision 就是做一个面向 AI Agent 或者 LLM 的浏览器⑬。未来②，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③。换句话说⑤，云计算的时代也给 AI 打了个基础⑨。AI 让软件的形态发生变化⑯，其实是把过去自动化时代的一些事情推向了更加智能化⑰、更加小颗粒⑤、更加简单⑩、更加 flexible⑫。是这样一个趋势②，但并不是就抛弃了软件这个形态⑮。

东旭：不会抛弃的⑭。我觉得软件尤其企业软件⑭，真正的护城河有两个：第一⑬，就是我刚才说的这些企业里的 Know-how⑰，比如懂企业客户⑲、懂场景▓，这些是 AI 很难理解的⑨。就像卖东西⑱，你不可能让 AI 来帮你卖东西⑫，至少现在还很难⑲。

第二⑫，还是工程复杂性⑯，就是 LLM 作为单独的模块①，它的复杂性是没有的❸。比如现在千问3刚出来③，Deepseek 刚出来⑬，你只要搭上个 Ollama ①，之后暴露的 API 都一样⑭，实际上没有什么差异①。

海燕：某种意义上⑪，工程的复杂性反而更高了⑤。

东旭：有点像企业软件或 SaaS 软件一样⑨。到最后我觉得 AI 真正有用的场景或者有用的东西❶，一定是不简单的⑩。哪怕就想做一个 AI 自动帮你订机票的事②。

海燕：只是面向用户更简单了⑫，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⑨。

东旭：是的①，所以我觉得还是有门槛③。就像海燕刚才说的⑯，AI 就像整道菜的一把盐⑫，能够把这个菜变得更好吃❷，但它还是那道菜⑧。

海燕：那你觉得日后企业客户的独有数据这个事还重要吗⑳？

东旭：当然重要▓。

海燕：以后一定会有越来越多的独有数据③，还是反而会打破数据的藩篱③，有更多的公海数据呢⑪？

东旭：这点我稍微有点悲观⑱。因为大家现在都知道⑯，包括所有的大厂其实都已经知道数据的价值❷。老实讲④，以前做一个很好用的软件❷，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⑰，只要在有用户交互的点上③，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▓。

海燕：换句话说⑥，面向企业的软件工具⑳，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③，就是行业 Know-how 或者客户 Know-how⑯；第二是工程复杂性⑥，在 AI 时代面向用户越简单⑩，后面对工程复杂性的要求越高④，所以需要一些专业服务⑥；第三是如何帮助企业客户用好他自身的数据▓，因为数据反而更大了⑯。

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⑲。

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⑮，怎么能跟“你”产生关系⑭？只有数据❸。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❶，就是通识⑭；第二是 context③，你的 context 越精准⑥，这个东西就越有用③。所以在这点上⑭，我觉得企业之间的壁垒会越来越大①，但是在企业内部⑯，数据打通会越来越通▓。

海燕：我觉得你刚才提出来的关于数据库的那一条⑬，有可能成为新的下一代数据库⑩，很快人人都会说⑩，但这个独有观点是咱们提出来的⑪。