您现在的位置是：网站首页>NBANBA

电玩城水果机攻略

龚语蝶 2025-05-14 【NBA】 1223 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⑨，华创资本管理合伙人吴海燕认为是2021年❶。因为这一年⑱，不仅是软件行业估值的高点③，也是行业最受资本追捧的一年⑫。因此⑦，她把软件公司分为两类：一类是 2021 年融到了很多钱的公司⑧，一类则是 2021 年没有融到钱的公司⑮。这之后❶，两类公司都不可避免地遭遇挑战❷，但困难的程度和路径选择却截然不同③。

华创派企业 PingCAP 就属于 2021 年融资成功的阵营⑫。那个时候他们对未来的宏观形势有所预判①，得以抓住机会加速了全球化的布局③。作为一家企业级开源分布式数据库厂商❸，PingCAP服务的客户如今已超过20个国家和地区⑫，创立的分布式关系型数据库 TiDB⑤，能持续帮助企业最大化发挥数据价值⑲。

随着 AI 浪潮的来临⑯，数据价值也得到了前所未有的提升⑫。但这股大潮的影响远不止于此⑳，AI 将如何深刻改变企业软件的交互方式与产品形态⑤？基础软件在 AI 时代又该实现哪些自我革新和进化⑪？近日⑱，PingCAP 联合创始人兼 CTO 黄东旭做客「牛白丁」▓，与吴海燕一起探讨了AI大潮冲击下⑱，软件公司该如何顺流而上⑰，发挥出自己独特的行业价值⑯。

嘉宾介绍：❷、黄东旭⑬， PingCAP 联合创始人兼 CTO

本期主播：⑦、吴海燕⑨，华创资本管理合伙人

以下为节目内容②，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」⑨，我是吴海燕⑤。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⑰，你们出过一本书《与开源同行》⑲，我当时在作的序里也写了这个场景⑳。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①，因为约的时间太早❸，会议室里只有你一个人在等我⑱。后来我才知道❷，程序员因为工作习惯⑱，早晨一般都不在公司⑯。

东旭：那次我印象也特别深刻⑪，和你聊完以后我就去赶飞机了⑮。一下飞机就收到你的信息⑲，说PingCAP是家好公司⑳。

海燕：我当时也是下了飞机就告诉刘奇华创决定领投⑦，他还说这是“云上”的决定⑲。2017年3月我们见面⑥，年中完成了投资⑫，10 月份刚好咱俩都分别去北美出差⑰，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⑦、招人了吧▓？

东旭：没错③，PingCAP 2015年创立⑫，从第一天起①，我们就想着去做一个 global company⑰，公司成立前两年基本都在写代码②，你说的2017年10月的那个时间点⑪，是我们真正决定要在硅谷设点④，开始正式运营在海外的业务⑮。其实在那之前④，我从来没有在海外工作②、留学过⑳，在当地也没有什么 connection ❶，只是觉得这对于PingCAP的战略来说是一定要做的事情④，哪怕没有条件③，创造条件也要去做⑰，所以我当时都没买回程机票▓，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⑫，你们融资后的第一件事就是立马去北美开办公室⑭。2017 年咱俩在硅谷碰面时⑥，我介绍你认识了硅谷当地一些做投资的朋友❸。后来到了 2020 年❸，一位朋友还跟我说后悔在硅谷介绍你们认识时没有投资PingCAP⑮。

东旭：未来还有机会的①。我们开始国际化的时间比较早⑯，中间也踩了好多坑①，以后有机会我们再分享⑩。

海燕：说起 2017 年⑱，感觉像是昨天⑦，但实际上过去八年里已经发生了非常多的事件和变化❶。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⑳。

2021 年实际上是软件行业估值的高点❷，应该也是行业最受追捧的一年⑲。 2021 年我们软件 portfolio 所获得的融资⑯，比历史上华创其余九年里软件 portfolio 的融资额加起来还要多⑪。后面的几年③，再也回不到 2021年的盛况了⑪。

东旭：那个时候应该是美国印了很多钱❷，整个资本市场有点被催熟⑱。

海燕：当年标志性的事件就是 Snowflake 上市❷，超高估值上市激起了大家对软件行业非常大的热情⑮，所以行业融了很多钱③。到了 2022 年初⑨，世界一下又变化了❶，按下了暂停键⑧。之后的三年里▓，直到今天⑲，企业软件公司融资就变得不太容易了⑪。

我们每次年底做行业回顾的时候①，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⑱。这两类公司在 2022 年之后⑭，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⑥。注意⑬，我没觉得 2021 年融到很多钱的公司就特别了不起或者顺利②，其实大家都经历了不一样的困难⑧。 2021 年没有融到钱的公司⑤，就是错过了那个融资最高峰的时候⑫，所以他们每一年都在过苦日子⑬，每一年都在降本增效⑩。

东旭：非常 tough⑬。

海燕：活下来的可能都是“打不死的小强”了④。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⑳。因为 2021 年你融到很多钱❶，就意味着你当时一心想要做高增长⑬，会招很多很多人①，会开新的办公室❶，花很多时间精力做销售⑥，不顾一切地去拿订单②。这是 2021 年融到很多钱的公司一定会去做的事⑦，然后在 2022 年②，啪⑤，一个巨大的终止符下来了⑱。所以在 2021 年融到很多钱的公司⑲，无一例外地经历了团队从很小规模到很大⑯，又缩回很小的这样一个阵痛的过程⑲。

东旭：PingCAP 也属于 21 年拿到钱的那个阵营▓。但我们拿钱的心路历程我可能没跟海燕聊过▓。其实我们在 20⑭、21 年已经非常明确地知道 22 年一定会有大的经济危机④，因为美联储持续地加息⑤、印钞❷，我们觉得风险非常非常大⑥。 21 年正好在市场比较好的时候❶，尤其在 Snowflake 上市以后②，我们知道未来马上会有苦日子③，所以必须在那个时候先把过冬的粮食给准备好④，而且当时拿那笔钱⑥，我们的一个思路并不是要去追求更高的增长❸，而是在那个时间点之后▓，如果你只做单一市场是不够的⑰，我们一定要在那个时间点让自己变成一个 global company❶，这样才能有更多抵御风险的能力⑫。包括到现在我们对于 spending 的控制❶，我觉得还可以⑤，没有说突然有钱了以后就疯狂扩张⑫。

当时确实扩了一点③，但很快在 2022 年时⑱，我们又往回缩了一些❶。倒不是因为业务的原因①，而是我们需要像跑马拉松一样⑦，根据最终的目标来去分配精力和能量⑨。因为当时是我们做全球化最好的时机⑪，由于疫情的缘故⑧，物理世界的数字化在加速⑳，包括 cloud 的 infrastructure 变得越来越成熟⑧，当然 mindset 也接近成熟②。所以我觉得我们还是比较幸运④，大多数人没有办法预测未来②，只是正好在那个时候有一个很好的时机⑯，就活到了现在⑰。

海燕：我其实在 2021 年的时候③，问过几个我们拿了大钱的 portfolio③，他们在 21 年融了不止一轮❶，且融了非常多的钱⑯。每次他们融到大钱时⑳，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⑬，你是怎么考虑的⑭？”

我不是建议他们拿或者不拿⑤，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⑪。首先就是你刚才说的⑩，他们预判了现在是一个资本膨胀的时代⑫，而且资本是有周期的⑥，可能不久的将来就会是一个 downtime⑭，我们也不知道什么时候是 downtime①，但既然现在是 high time ⑧，就应该多储备一些现金⑭；第二▓，他们不介意所谓的股权稀释②，万一哪天到了 downtime❶，公司有足够多的现金④，可能会比别人有更多的竞争优势①，可能还能收购一些钱不够了但是产品和技术很好的团队⑧。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③。

到了 23 年①，大家从疫情中刚刚回过神来⑨，又一个大的时代到来了—— ChatGPT 3.5 发布了⑩。

东旭：其实 Open AI 在 GPT-2 出来的时候我就开始在玩⑪，后来 ChatGPT 迭代大家都知道了⑦。

海燕：我觉得一方面印证了 21 年大家说的一些话⑥，可能后面的 downtime 你不一定能拿到很多钱⑰。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▓。因为从 22 年之后▓，不管是美股⑧、 A股⑬、港股这些比较大的二级市场❷，还是一级市场⑨，都变得非常紧缩▓，流动性不足①，就导致股权融资变得很困难⑳。即便是上市公司①，你要做增发⑨，要在二级市场再融资也不太容易▓。一级市场的各种统计数据都显示④，从 22 年以后⑭，融资的公司数量▓、总的融资金额都在不断地下降⑥。我觉得这个情况在硅谷和在北京都是一样的⑦，不是说硅谷的情况就比咱们好很多④，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①。

海燕：对⑤，在融资总规模变小的情况下⑳，AI 的占比还提升了⑯，唯一特别活跃的投融资就发生在 AI 领域①。尤其是最近一年特别明显⑳，市场上一些投资人甚至非 AI 项目不看⑭。

东旭：⑦、这是非常明显的 “The Head Effect”⑪。

海燕：这就导致很多其他行业优秀的公司⑥，在过去一两年要不融不到钱④，要不融到钱估值也没法看②，对吧③？不是 down round 就不错了②，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⑰，给人感觉是软件公司跟 AI 到底能发生什么强关联呢❸？AI 时代会不会有一些完全不同的公司出来❶，做面向企业客户的数字化▓、智能化⑲？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⑲。一直到 DeepSeek 今年春节爆火之前③，整个行业大概都是在 build prototype❷。今天有个很好的 idea▓，我就试一试⑭。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④，打个榜三天以后就 hype▓，而且 AI 的势能过大⑫，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⑧，而且 Transformer 跟过去的科技创新⑨，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❶，其实在于业务 Know-how 还是系统复杂⑲，比如像我们的数据库④，过去的门槛其实在于工程复杂性⑨。就是你可能要写 100 万行代码⑯，才能表现得很好❶。像 Salesforce 或者 ERP 软件⑧，得有很深厚的技术和业务的 Know-how④，才能做这样的 system software⑳。包括各种 SaaS⑭，在过去都是这样的逻辑⑲。

但 AI 这波④，尤其是大语言模型⑥，它本身的注意力机制①，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⑤，第二能自己实现出来一个⑰。我当时就想着也要学习一下②，看论文花了两个礼拜▓，真的就写了一个出来⑯。只是到最后还需要很多算力⑱、数据⑩，但它的机制本身是不复杂的⑭。

所以⑪，创业者投身AI⑲，尤其是大语言模型的门槛其实比以前是低很多的⑦。加上全世界的资本全都集中在这⑪，大家其实一直在经历各种各样的三天一遍的一个hype⑬。

海燕：Hype 之下一个很重要的心态⑳，就是 FOMO①。不管是个人用户④、企业客户还是投资人⑥、创业者⑱，大家都有不同的FOMO 情绪⑭。比如过去两年⑦，我们软件 portfolio 说现在大部分企业日子不好过⑤，数字化预算都降低了⑰。但这个背景之下⑧，各个企业还都有部分预算是特意留给 AI 的⑫。就是无论如何我都得先试试 AI⑯，万一我被时代抛下怎么办⑳？

东旭：这是为什么我觉得现在是一个很重要的时间点⑧，但我们还站在门口⑥，没有进去④。我觉得到今年 AI 的基础能力⑭，不管是 DeepSeek 还是现在的 Tier1 的 model⑬，已经能做一些 actually something useful②，这是非常非常重要的⑫。

我先说一个结论：未来所有的软件⑭，尤其是企业软件都会被 AI 彻底改造③，软件的形态会发生很大的改变⑪，但一些更深层次的内核是不会变的⑲。比如 CRM 作为销售的辅助对于本身的行业 Know-how ⑯，在未来也会变成这个软件的护城河❸，只是 AI 会改变它的整个产品形态⑱。

海燕：你话里面的第一重逻辑①，至少给了我们软件行业的创业者一个 comfort⑦，专业的企业软件公司还是需要的⑧，不是基础的大模型就能颠覆和替代了的❷。

为啥有这样的疑问③？举个例子⑭，我们之前有一个 portfolio 公司要被收购了⑥，被收购的过程中⑲，收购方的业务层大老⑪，他们可能不是特别理解技术②，所以一直在问：都 AI 时代了⑱，还买个软件公司干嘛▓？以后理论上客户不就用 AI 能替代了⑪，还要软件干嘛⑥？

东旭：就好像 AI 是万能药▓。

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⑮，到底 AI 对于软件公司意味着什么⑦？类比自动驾驶时代到来后⑬，车变得不一样了⑬，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④，你还是需要一辆车的⑰，对吧⑭？

东旭：举个很简单的例子⑦，比如像会计⑳，我父母都是会计师⑥，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⑫，这个行业不存在了吗④？它还是一直存在的⑱。从古代有交易开始⑩，一直到现在⑧，记账这件事情从来没变过❸，只是不同的时代我们用不同的工具⑨，它的产品形态会发生改变⑰，就像 CRM ⑥，还是销售过程管理⑯。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⑥？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⑪、更加智能①。

以前我们有些事情是没有办法做到的⑰。比如我们公司在海外用的 Salesforce❸，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⑭，想看一下今年哪些客户买哪些 SKU⑨，哪些涨得特别好❸？重要的客户是谁⑰？哪些销售排名更靠前⑰？

海燕：你需要基于 Salesforce 做数据统计或者 BI⑰。

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⑯。我非常 respect 这些同事的工作⑩，因为企业软件一个很重要的护城河⑩，是对于这些企业的 Know-how⑩，以及这些数据在什么地方⑱，怎么把它组织起来④，变成一个能够被提取的 insight⑧，这些其实很重要的⑯。

现在我自己做了一个 Agent③，但还是太慢了▓，还需要一些更加个性化的能力⑲。我是怎么做的呢⑩？我直接把我所有的Salesforce 数据全都同步到我自己的 database 上▓。然后我自己写了一个 Agent 用 NCP 去读取我的 database▓，它自己写 SQL⑱，我在上面就用自然语言去看⑰，比如最近 10 天最好的销售排名③。

海燕：你已经实现了传说中的 ABI⑨。

东旭：虽然还不成熟⑧，但我觉得体验比以前自己打开 Salesforce⑭，然后在各处找数据做报表要好⑩。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▓？就是程序员把这个业务逻辑写好❸，变成报表也好⑤，或者变成业务逻辑也好①，就在那⑥，它没有任何机会去变化⑭。

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⑰，相当于以前一个公司⑬，比如只有高管才有助理帮他订机票④，现在你可以认为每一个企业软件服务的用户⑩，他自己在他的软件里面有能够提供灵活性的一层⑬。有点像过去产品底下是一个大的数据库⑩，这个数据库你是看不见的❶，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⑱。但是未来可能在产品和数据之间③，会有一层叫 Agent⑤，或者 AI⑨。

海燕：云计算时代③，是把传统软件所谓的烟囱状给打破了⑲，可能 AI 时代进一步把 SaaS 的藩篱给打破了⑮。

东旭：是的⑯，而且我觉得 AI 还打破了一个事情⑤，就是人的思维局限▓，有的时候烟囱不是在技术层面⑫，其实是在用户和产品经理的脑子里④。

海燕：我说一个我的观察⑤。我们投了相当多的软件公司⑪，各类都有⑧。我过去看到的⑳，不管是国内还是国外⑦，软件有一个核心的指标叫做 Customer Retention⑩，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⑭，有没有真正把软件用起来③？但凡真正用起来⑬，不需要是多么牛逼的软件▓，客户的 retention 一定是好的▓。

如果客户都没用起来④，他一定不会续费⑬。那么客户用软件的障碍又在哪里⑭？细究一下会发现所有的软件都是有使用门槛的⑰，用户要学习怎么去使用⑯。相当于一辆车④，这个车已经代表了现代制造业⑬，但问题是开车这个事情⑮，包括把日常开车出门以车代步这个事情变成一个习惯⑳，它是有门槛的❷，是需要去学习的❸。你要了解车的基本架构是什么⑱？每个按键是什么功能⑬？开上之后还要掌握一定的手感⑲，你要慢慢地熟悉它⑲，习惯它的速度⑳，还要遵守交通规则⑩。

东旭：门槛太高了❷。

海燕：对⑪，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⑱，组织买了⑭，让每个同事去用⑲，很多人还是在自己的老习惯里⑨，记在小本上⑭，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①，也就很难理解⑳，以车代步会大大地提升效率❷、拓展能力⑲。

东旭：这种情况他真正需要什么⑩？需要一个司机③。

海燕：但就像你刚才说的⑯，不可能每个人都给配个司机⑰。

东旭：你看这个截图⑩，这是我们公司的一个销售⑥。我想知道他最近在负责什么样的项目⑭？所有这些数据都是动态的❷。我也可以问他最近一次跟某某客户开会是什么时候⑦？聊了什么内容⑨？就是刚才你说的每个人的司机①。

就像我刚才说到一个非常重要的点❷，长期来看软件的门槛⑮，是一直在降低的⑨。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❶，非常非常低的门槛就能用起来❶，但凡让他还要学点啥⑪，比如要了解这个软件的整个结构❸、功能按键等涉及到了学习成本和过去工作习惯的改变⑩，就会导致很多软件用不起来①。

东旭：没错④，我先描述一下我想象的未来企业软件的样子⑮，下一代的 Salesforce 可能会长什么样⑱？第一①，它是一个对话框⑯；第二⑰，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❷，在你的对话中 AI 或 LLM 有点像一个 Copilot⑫，这个 Copilot 会根据你的上下文和你现在的需求⑰，把相应的碎片拿出来放到对话框里⑮。比如我现在要审批一个东西⑨，他直接在 LLM 把这个审批的按键调出来②。

海燕：不需要让你在一堆列表里找③。

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 APP④，你可以认为它是一堆散落在各地的小的 tools⑮。

海燕：改变主要是交互层面▓，还是别的地方⑮？

东旭：交互层面就是最重要⑧、最大的创新⑰，这种创新远比我们想象中带来的意义要大⑬。

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①，人从不会开车到会开车是要专业培训⑩，要考驾照才能上路①，而且还不一定能开得好⑱，说不定还要吃罚单⑰。车也是一步一步进化到全自动驾驶的⑪。到了L2 时代❷，可能已经解决了一些问题⑮，比如自动泊车⑤，不用每次停车的时候都为难倒不进去怎么办⑤？自动泊车功能就帮你倒进去了②。这可能只是先帮你解决一些开车不自信的问题⑤。等有一天达到 L3 甚至 L4 级别了⑮，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⑦，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⑳，很可能那时候车都不一定再有方向盘这个东西⑨，对吧⑱？

东旭：这一点上我大方向认可⑤，但是有一个小小的 comment⑨。还是用车来作一个例子❷，我不觉得完全自动好⑩，除非全世界所有的车都被强制规定自动驾驶⑤。

海燕：不仅得规范车④，还得规范人⑬。

东旭：没错③，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⑯，很多时候不是越自动越好⑳，而是你给我的结果要具备一个人能理解的可解释性⑯。什么意思呢⑨？比如自动泊车⑳，对于人来说⑥，如果你在车里❸，你其实更希望看到方向盘是怎么动的⑬，以及给我个 plan④，我去确认▓，就是 human 一定要有一个 under control 的结果⑦。

海燕：这让我想起 DeepSeek R-1 的巨大创新就在这里❶。

东旭：把思维链展开给你看⑪。

海燕：让 AI 告诉你⑤，它是怎么分析和解决问题的⑩，它把思维链展开给你看了⑩，这个交互本身就是非常非常破圈的一点②。

东旭：对⑥，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⑫， AI 还是为人服务的❷，而且大语言模型有一个非常大的问题⑩，就是可解释性⑯。为什么我说 Deepseek 是一个特别重要的时间点❶，就是因为在那个时间点之前▓，你所有用 LLM 做的东西⑬，可能最后的结果还是不具备可解释性的①，是个黑匣子❸，大语言模型拍脑袋说啥就是啥⑩。但其实在 Reasoning model 普及以后③，你对于 AI 输出的结果⑮，是可以去做审核和判断的⑲，而且就算发现有问题⑭，你也可以随时接管⑧。所以现在包括 Cursor 等比较成功的 Agent 应用②，都是会把人当成整个软件的一部分⑦。

海燕：所以挺有意思⑰。换句话说⑩，其实 L3 级别的自动驾驶④，反而是相当长时期 stay 在那里的一个形态⑱， L3 其实就是 Copilot 方式的存在⑨，它在绝大部分情况下⑬，都是不需要去接管的⑰，但在必要的时候用户可以随时接管⑮。回过头来说❷，Agent 也不是用来替代软件的❸，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⑤。

我觉得 Infra 软件和 PingCAP 做的事就更接近了④，因为应用软件是面向用户的⑳，所以可能 AI 时代一个重要的革新⑮，其实就是在交互层面▓，怎么把这种可解释性❶、自然语言的交互习惯⑬，包括怎么让用户能更容易上手❷，降低使用的门槛⑱？在这方面⑭，你作为从业者③，对于基础软件在 AI 时代有哪些观察和心得❶？

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①，因为我们自己就是做数据库的⑳。第一个结论是我们越来越重要了⑱，我们最近这两年的增长⑰，还是比较 promising 的⑦，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①。我觉得从客户的角度来看▓，第一个心态就是以前很多数据❸，用户因为不知道怎么利用⑲、分析⑭，像用 Snowflake 跑跑报表⑯，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⑨，其实就是给数据分析师或者领导写报告⑰。但是仔细想一想③，就是因为我们没有办法对这种海量碎片化的数据去提取⑪、利用⑫，我才有了做 ETL ⑯、Transform②、Load⑤，涵盖了将数据从一个数据源提取出来⑭，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❷。）做这种大数据的动机⑤，因为我需要从数据的整体去看⑯。

但今天我觉得 AI 提供了一个 possibility⑱，就是我对每个人的所有的数据▓，都可以很好地利用起来⑰。所以第一点❷，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❷，我先把它存下来⑧，因为所有数据都会有用①。

海燕：就是数据的价值提升了⑨，或者说开发这些数据成为可能❶，导致数据的价值提升了⑲。

东旭：对于数据的存储需求⑧，是在提升的⑬。我们也有预判⑯，在云上如何给用户提供一个低成本❶、无限拓展性的版本❶，这是一个很重要的 topic⑦。第二⑥，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⑯，目标人群是开发者⑤、DBA 或者数据分析师①，他们有个共同点⑲，都是人④。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⑬，我要考虑我的用户可能不一定是人⑫，我的用户可能是 LLM⑲，可能是大语言模型❶。

海燕：就是访问数据库的❶，不是开发者⑪。

东旭：对⑤，是 Agent⑱，在这种情况下⑧，如果按照传统思维去设计系统❶，会非常非常奇怪⑬。举个例子▓，像 Snowflake 或者数据仓库的公司①，很强调自己的数据 ETL 能力⑫，要把数据来回掰扯③，变成一个报表⑩，或者一些抽象数据的 insight❶，好让大家去做分析⑦。

但试想一下⑥， AI 在访问你的数据时③，如果你给它的是一些被处理过的数据⑲，或者是一些你自己通过大脑想出来的⑥，我觉得 AI 应该用我的 open 数据的 API 去封装⑭，其实反而是不好的④。相当于你给 AI 一个报告❶，它只能回答这个报告相关的上下文的东西▓，一旦你问的问题超出了报告的边界⑭，它就没办法回答了⑱，因为你没有给它足够的数据⑤。所以对于 AI 来说⑦，我自己实践过最好的办法⑤，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❷。

SQL▓，我最近做的思想实验是想象我自己是一个 AI Agent⑮，为了回答我的“老板”——我的人类主人的一个问题⑧，比如他问：最近 Top10 的销售是谁①？因为我只是拿到了这个需求❶，同时底下是一个类似 Salesforce 的拜访记录⑰，一个原始数据③，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③，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⑥，有点像过去人类数据分析师干的事情⑨。比如老板提了一个要求❶，数据分析师回去搞报表❷，只是现在用 AI 来实现刚才的场景⑭，变得每个人都可以做⑰，而且非常轻量⑲。所以⑱，最后我得到的结论就是：SQL is still the best thing we have⑤，SQL 现在仍然是我们跟 AI 以及数据之间最好的桥梁❶。

第二⑦，以前其实有各种各样的 database 或者 data infrastructure⑮，这些 data infrastructure 如果是站在 Agent 视角⑲，它对于数据的烟囱和孤岛是很讨厌的⑭。如果这些数据都在一起⑲，我用一条 SQL 就能关联起来⑮。但如果是在孤岛⑯，这边一个向量数据库⑥、一个文档数据库⑭，那边一个 SQL 数据库⑦。

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①，过去应用软件服务人④，它是直接面向用户的⑤，用户使用应用软件▓，应用软件调下面 Infra 这一层⑫，应用软件是以开发者为中心去做的⑩，对吧⑤？

东旭：对⑤，开发者写“死”了①。

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⑯。本质上是把很多 Agent embed 到它的应用软件里面了③，代替了用户人手一条一条去点开⑤、执行⑥、找界面①、找对应的空去填⑰。换句话说⑮，现在应用软件很大一部分是由各种各样的 Agents 构成的⑩，所以过去的用户访问数据库或者开发者访问数据库⑦，就变成了大量的 Agents 在访问数据库▓。

有点像过去非智能驾驶时代⑰，它是油车⑬，支撑车的是内燃机发动机⑭。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❸，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❶，Infra 的用户变了⑥，不是开发者⑧，不是人①，是 Agents⑧。因此 Infra 也要面向新的用户层去设计⑫、改变⑬。刚才你提到的有一条很对⑯，就是统一数据库更重要③，而不是分散的⑭、小的❶、各种各样的数据库拼凑的整个 Infra 底层⑫。

东旭：对▓，另外一个就是接口❷。接口一定要用一个统一⑨、通用⑳，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 SQL⑦，因为第一⑭，SQL 是一个标准的语言▓，AI 训练了这么多年⑰，用的就是它⑩；第二①，SQL 又是一个精准的语言❶，SQL 写对了②，一定能够捞出数据可解释⑫。第三⑫， SQL 也是可以被人类读的⑧，比如刚才我给你看的那个例子④，我想看公司最近前 10 名的销售⑤，它给了我一个列表⑫，告诉我这个列表是根据 5 条 SQL 跑出来的⑨。

总之⑧，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⑭，这可能是未来要面临的一个课题▓。

第二个方面❶，我觉得基础软件里很重要的一个 category⑲，就是操作系统⑳。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⑬。

操作系统以前是一个在硬件和用户中间的东西⑯，相当于它把硬件的抽象给隐藏起来⑮，对上面的应用软件提供标准的接口③，程序员再利用这些 System API 去做应用⑩。比如我画一个窗口⑩，其实跟我刚刚说数据库是一样的逻辑⑫，未来System API 硬件封装这层肯定要做⑭，但是再往上去提供操作系统本身能力的时候⑬，一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❸，而是 AI agent①。

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⑳，然后在对话框里通过对话跟 LLM 的交互❶，让 LLM 能够把相应的能力变成一个对话中的小block②。类比到操作系统里⑭，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❶，他们的 vision 就是做一个面向 AI Agent 或者 LLM 的浏览器⑥。未来⑮，浏览器可能会是一个很重要的操作系统❷。

海燕：我也听到我们有一些 portfolio 在提这个想法⑳。换句话说⑲，云计算的时代也给 AI 打了个基础⑰。AI 让软件的形态发生变化⑥，其实是把过去自动化时代的一些事情推向了更加智能化❶、更加小颗粒❶、更加简单⑪、更加 flexible⑪。是这样一个趋势③，但并不是就抛弃了软件这个形态❷。

东旭：不会抛弃的⑲。我觉得软件尤其企业软件⑱，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-how⑩，比如懂企业客户⑭、懂场景❷，这些是 AI 很难理解的❷。就像卖东西③，你不可能让 AI 来帮你卖东西⑪，至少现在还很难⑯。

第二⑰，还是工程复杂性⑰，就是 LLM 作为单独的模块⑧，它的复杂性是没有的⑧。比如现在千问3刚出来⑦，Deepseek 刚出来⑭，你只要搭上个 Ollama ⑲，之后暴露的 API 都一样⑤，实际上没有什么差异❸。

海燕：某种意义上⑬，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③。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❶。哪怕就想做一个 AI 自动帮你订机票的事⑩。

海燕：只是面向用户更简单了⑥，但反而把复杂的东西都留给了开发者⑱，或者说留给了专业建造者⑨。

东旭：是的⑩，所以我觉得还是有门槛⑱。就像海燕刚才说的⑬，AI 就像整道菜的一把盐❷，能够把这个菜变得更好吃⑥，但它还是那道菜❷。

海燕：那你觉得日后企业客户的独有数据这个事还重要吗❶？

东旭：当然重要▓。

海燕：以后一定会有越来越多的独有数据⑨，还是反而会打破数据的藩篱⑳，有更多的公海数据呢▓？

东旭：这点我稍微有点悲观⑫。因为大家现在都知道③，包括所有的大厂其实都已经知道数据的价值⑰。老实讲⑮，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⑧。但现在所有的大企业❷，只要在有用户交互的点上⑦，那都是兵家必争之地了⑱。数据才是未来企业最高的护城河⑨。

海燕：换句话说❷，面向企业的软件工具⑲，本质上还是有三个原因⑳，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▓，就是行业 Know-how 或者客户 Know-how⑤；第二是工程复杂性③，在 AI 时代面向用户越简单⑫，后面对工程复杂性的要求越高⑩，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⑨，因为数据反而更大了②。

东旭：数据的价值更高了⑯。

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⑨，它只是像一个哲学家一样跟你讲点大道理⑫，怎么能跟“你”产生关系❷？只有数据⑳。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⑰，就是通识①；第二是 context⑮，你的 context 越精准⑰，这个东西就越有用①。所以在这点上⑨，我觉得企业之间的壁垒会越来越大④，但是在企业内部⑮，数据打通会越来越通⑪。

海燕：我觉得你刚才提出来的关于数据库的那一条❸，有可能成为新的下一代数据库⑰，很快人人都会说⑨，但这个独有观点是咱们提出来的⑰。