您现在的位置是：网站首页>财经财经

勐平8886大富豪电玩城下载

赖春儿 2025-05-14 【财经】 2206 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⑮，华创资本管理合伙人吴海燕认为是2021年⑩。因为这一年③，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⑫。因此▓，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⑰。这之后▓，两类公司都不可避免地遭遇挑战⑫，但困难的程度和路径选择却截然不同⑦。

华创派企业 PingCAP 就属于 2021 年融资成功的阵营①。那个时候他们对未来的宏观形势有所预判❷，得以抓住机会加速了全球化的布局⑮。作为一家企业级开源分布式数据库厂商▓，PingCAP服务的客户如今已超过20个国家和地区⑱，创立的分布式关系型数据库 TiDB❷，能持续帮助企业最大化发挥数据价值❸。

随着 AI 浪潮的来临⑭，数据价值也得到了前所未有的提升①。但这股大潮的影响远不止于此⑰，AI 将如何深刻改变企业软件的交互方式与产品形态⑥？基础软件在 AI 时代又该实现哪些自我革新和进化⑭？近日❶，PingCAP 联合创始人兼 CTO 黄东旭做客「牛白丁」⑤，与吴海燕一起探讨了AI大潮冲击下⑥，软件公司该如何顺流而上⑧，发挥出自己独特的行业价值⑱。

嘉宾介绍：②、黄东旭⑤， PingCAP 联合创始人兼 CTO

本期主播：⑩、吴海燕⑨，华创资本管理合伙人

以下为节目内容⑳，经过 CGCVC 编辑——

海燕：大家好⑮，这里是华创资本的播客节目「牛白丁」⑦，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⑮。

我其实现在回想咱们的第一次见面还印象深刻⑭，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❸。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⑰，因为约的时间太早⑭，会议室里只有你一个人在等我⑮。后来我才知道⑦，程序员因为工作习惯▓，早晨一般都不在公司⑨。

东旭：那次我印象也特别深刻⑱，和你聊完以后我就去赶飞机了⑫。一下飞机就收到你的信息❷，说PingCAP是家好公司⑥。

海燕：我当时也是下了飞机就告诉刘奇华创决定领投①，他还说这是“云上”的决定❶。2017年3月我们见面⑥，年中完成了投资❸，10 月份刚好咱俩都分别去北美出差❸，我们在硅谷还一起见了些朋友⑲。所以那时候你们已经正式开始在北美设办公室❸、招人了吧⑬？

东旭：没错⑤，PingCAP 2015年创立⑩，从第一天起⑲，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⑭，你说的2017年10月的那个时间点⑧，是我们真正决定要在硅谷设点②，开始正式运营在海外的业务❶。其实在那之前⑦，我从来没有在海外工作⑬、留学过⑩，在当地也没有什么 connection ❸，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❸，创造条件也要去做⑦，所以我当时都没买回程机票⑱，事情没办完我就不打算回来⑯。

海燕：咱们那轮融资算是当时相对比较大的一笔美元⑱，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⑭，我介绍你认识了硅谷当地一些做投资的朋友①。后来到了 2020 年⑧，一位朋友还跟我说后悔在硅谷介绍你们认识时没有投资PingCAP④。

东旭：未来还有机会的⑲。我们开始国际化的时间比较早⑤，中间也踩了好多坑⑬，以后有机会我们再分享⑪。

海燕：说起 2017 年⑤，感觉像是昨天⑱，但实际上过去八年里已经发生了非常多的事件和变化⑫。站在投资人的角度⑳，说一下我感觉到的咱们这个行业的变化❷。

2021 年实际上是软件行业估值的高点⑦，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⑮，比历史上华创其余九年里软件 portfolio 的融资额加起来还要多⑥。后面的几年⑧，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▓，整个资本市场有点被催熟❸。

海燕：当年标志性的事件就是 Snowflake 上市②，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⑫。到了 2022 年初⑪，世界一下又变化了⑧，按下了暂停键⑨。之后的三年里②，直到今天⑭，企业软件公司融资就变得不太容易了❶。

我们每次年底做行业回顾的时候❸，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❸，一类是 2021 年没有融到钱的公司⑨。这两类公司在 2022 年之后②，可能就是一个很大的分野②，他们或许都经历了不同程度的困难③。注意⑮，我没觉得 2021 年融到很多钱的公司就特别了不起或者顺利❸，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⑮，就是错过了那个融资最高峰的时候③，所以他们每一年都在过苦日子❶，每一年都在降本增效⑥。

东旭：非常 tough⑧。

海燕：活下来的可能都是“打不死的小强”了⑲。而 2021 年融到很多钱的公司⑩，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⑫。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⑭，会招很多很多人⑧，会开新的办公室④，花很多时间精力做销售⑫，不顾一切地去拿订单▓。这是 2021 年融到很多钱的公司一定会去做的事⑱，然后在 2022 年❸，啪⑰，一个巨大的终止符下来了⑪。所以在 2021 年融到很多钱的公司⑩，无一例外地经历了团队从很小规模到很大①，又缩回很小的这样一个阵痛的过程⑳。

东旭：PingCAP 也属于 21 年拿到钱的那个阵营❶。但我们拿钱的心路历程我可能没跟海燕聊过❸。其实我们在 20③、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④、印钞④，我们觉得风险非常非常大⑫。 21 年正好在市场比较好的时候⑳，尤其在 Snowflake 上市以后❸，我们知道未来马上会有苦日子⑳，所以必须在那个时候先把过冬的粮食给准备好▓，而且当时拿那笔钱⑮，我们的一个思路并不是要去追求更高的增长▓，而是在那个时间点之后⑬，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 company⑨，这样才能有更多抵御风险的能力⑲。包括到现在我们对于 spending 的控制❸，我觉得还可以⑧，没有说突然有钱了以后就疯狂扩张⑪。

当时确实扩了一点⑯，但很快在 2022 年时④，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⑥，根据最终的目标来去分配精力和能量⑱。因为当时是我们做全球化最好的时机①，由于疫情的缘故⑫，物理世界的数字化在加速④，包括 cloud 的 infrastructure 变得越来越成熟⑲，当然 mindset 也接近成熟⑮。所以我觉得我们还是比较幸运⑪，大多数人没有办法预测未来❷，只是正好在那个时候有一个很好的时机▓，就活到了现在▓。

海燕：我其实在 2021 年的时候⑨，问过几个我们拿了大钱的 portfolio⑰，他们在 21 年融了不止一轮④，且融了非常多的钱⑨。每次他们融到大钱时⑤，我都会打电话问创始人：“根据咱的业务状态和进展⑪，似乎没有必要一定要拿这笔钱⑧，你是怎么考虑的⑱？”

我不是建议他们拿或者不拿⑮，只是问询一下他们的考虑⑧。这几个创始人都给了类似的答案❶。首先就是你刚才说的④，他们预判了现在是一个资本膨胀的时代③，而且资本是有周期的①，可能不久的将来就会是一个 downtime⑱，我们也不知道什么时候是 downtime①，但既然现在是 high time ⑯，就应该多储备一些现金❸；第二❷，他们不介意所谓的股权稀释⑦，万一哪天到了 downtime③，公司有足够多的现金⑯，可能会比别人有更多的竞争优势❶，可能还能收购一些钱不够了但是产品和技术很好的团队④。我从几个创始人那里都得到了同样的答案⑯，所以大家当时是看得很准的⑪。

到了 23 年⑪，大家从疫情中刚刚回过神来⑲，又一个大的时代到来了—— ChatGPT 3.5 发布了⑪。

东旭：其实 Open AI 在 GPT-2 出来的时候我就开始在玩⑨，后来 ChatGPT 迭代大家都知道了⑥。

海燕：我觉得一方面印证了 21 年大家说的一些话②，可能后面的 downtime 你不一定能拿到很多钱③。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⑦。因为从 22 年之后⑨，不管是美股①、 A股⑤、港股这些比较大的二级市场⑮，还是一级市场⑮，都变得非常紧缩④，流动性不足⑨，就导致股权融资变得很困难⑪。即便是上市公司⑭，你要做增发⑮，要在二级市场再融资也不太容易③。一级市场的各种统计数据都显示⑪，从 22 年以后⑪，融资的公司数量❷、总的融资金额都在不断地下降⑧。我觉得这个情况在硅谷和在北京都是一样的⑧，不是说硅谷的情况就比咱们好很多❸，大家都处于一个紧缩的时代③。

东旭：或者说市场的注意力都转到了 AI 这边▓。

海燕：对④，在融资总规模变小的情况下⑧，AI 的占比还提升了①，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②。

东旭：⑪、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⑲，在过去一两年要不融不到钱⑧，要不融到钱估值也没法看⑩，对吧⑦？不是 down round 就不错了⑯，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⑰？AI 时代会不会有一些完全不同的公司出来⑳，做面向企业客户的数字化①、智能化②？你在硅谷看到的变化是什么呢⑨？

东旭：我觉得现在我们真正站在一个非常大的时代的门口③。一直到 DeepSeek 今年春节爆火之前❸，整个行业大概都是在 build prototype⑲。今天有个很好的 idea③，我就试一试⑱。前两天更加夸张⑮，大模型动辄投个几千美金训练了一个新的模型出来⑥，打个榜三天以后就 hype⑮，而且 AI 的势能过大❷，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⑫，而且 Transformer 跟过去的科技创新⑬，或者软件行业的技术创新还有点不一样①。

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⑮，比如像我们的数据库❷，过去的门槛其实在于工程复杂性⑮。就是你可能要写 100 万行代码⑤，才能表现得很好▓。像 Salesforce 或者 ERP 软件▓，得有很深厚的技术和业务的 Know-how⑰，才能做这样的 system software④。包括各种 SaaS⑰，在过去都是这样的逻辑⑤。

但 AI 这波▓，尤其是大语言模型⑬，它本身的注意力机制⑦，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⑤，第二能自己实现出来一个⑲。我当时就想着也要学习一下⑫，看论文花了两个礼拜⑰，真的就写了一个出来❶。只是到最后还需要很多算力⑰、数据①，但它的机制本身是不复杂的▓。

所以❶，创业者投身AI⑯，尤其是大语言模型的门槛其实比以前是低很多的⑫。加上全世界的资本全都集中在这⑯，大家其实一直在经历各种各样的三天一遍的一个hype⑭。

海燕：Hype 之下一个很重要的心态③，就是 FOMO⑩。不管是个人用户❶、企业客户还是投资人⑤、创业者⑥，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⑪，数字化预算都降低了⑱。但这个背景之下④，各个企业还都有部分预算是特意留给 AI 的⑮。就是无论如何我都得先试试 AI⑩，万一我被时代抛下怎么办①？

东旭：这是为什么我觉得现在是一个很重要的时间点▓，但我们还站在门口⑩，没有进去④。我觉得到今年 AI 的基础能力⑨，不管是 DeepSeek 还是现在的 Tier1 的 model⑰，已经能做一些 actually something useful④，这是非常非常重要的⑥。

我先说一个结论：未来所有的软件❸，尤其是企业软件都会被 AI 彻底改造⑪，软件的形态会发生很大的改变③，但一些更深层次的内核是不会变的③。比如 CRM 作为销售的辅助对于本身的行业 Know-how ⑪，在未来也会变成这个软件的护城河⑬，只是 AI 会改变它的整个产品形态❶。

海燕：你话里面的第一重逻辑❸，至少给了我们软件行业的创业者一个 comfort⑫，专业的企业软件公司还是需要的①，不是基础的大模型就能颠覆和替代了的⑲。

为啥有这样的疑问⑬？举个例子⑱，我们之前有一个 portfolio 公司要被收购了⑬，被收购的过程中⑦，收购方的业务层大老❶，他们可能不是特别理解技术⑤，所以一直在问：都 AI 时代了③，还买个软件公司干嘛⑬？以后理论上客户不就用 AI 能替代了⑬，还要软件干嘛⑪？

东旭：就好像 AI 是万能药⑫。

海燕：对❸，有个 AI 就不需要专业的软件公司了③。这两年我也琢磨了一下⑤，到底 AI 对于软件公司意味着什么⑫？类比自动驾驶时代到来后⑯，车变得不一样了⑨，变得更强大了⑥，但还是需要专业的造车公司去把车给造出来❶，你还是需要一辆车的③，对吧⑥？

东旭：举个很简单的例子⑩，比如像会计⑮，我父母都是会计师❸，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❷，这个行业不存在了吗⑲？它还是一直存在的❶。从古代有交易开始⑫，一直到现在▓，记账这件事情从来没变过▓，只是不同的时代我们用不同的工具⑮，它的产品形态会发生改变⑰，就像 CRM ⑫，还是销售过程管理⑭。难道在 AI 普及的时代⑲，就不需要销售吗⑭？就不需要过程管理吗②？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⑤、更加智能⑯。

以前我们有些事情是没有办法做到的⑧。比如我们公司在海外用的 Salesforce⑮，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⑰。比如我提个需求❶，想看一下今年哪些客户买哪些 SKU❶，哪些涨得特别好⑳？重要的客户是谁⑪？哪些销售排名更靠前⑭？

海燕：你需要基于 Salesforce 做数据统计或者 BI⑩。

东旭：以前都得靠人①，而且我提一个需求可能两天以后才能做好①。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⑫，是对于这些企业的 Know-how⑤，以及这些数据在什么地方⑤，怎么把它组织起来⑰，变成一个能够被提取的 insight⑯，这些其实很重要的⑯。

现在我自己做了一个 Agent⑤，但还是太慢了⑫，还需要一些更加个性化的能力⑯。我是怎么做的呢⑨？我直接把我所有的Salesforce 数据全都同步到我自己的 database 上⑮。然后我自己写了一个 Agent 用 NCP 去读取我的 database⑤，它自己写 SQL❷，我在上面就用自然语言去看⑫，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 ABI④。

东旭：虽然还不成熟⑪，但我觉得体验比以前自己打开 Salesforce④，然后在各处找数据做报表要好❶。这里涉及到一个核心的逻辑——过去我们的软件都是静态的❸。静态是什么意思呢②？就是程序员把这个业务逻辑写好▓，变成报表也好⑯，或者变成业务逻辑也好⑯，就在那▓，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⑯，相当于以前一个公司❸，比如只有高管才有助理帮他订机票⑳，现在你可以认为每一个企业软件服务的用户②，他自己在他的软件里面有能够提供灵活性的一层⑰。有点像过去产品底下是一个大的数据库⑯，这个数据库你是看不见的⑩，比如 Salesforce 底下会有各种各样的 data Infra①，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⑮，会有一层叫 Agent⑱，或者 AI⑩。

海燕：云计算时代❶，是把传统软件所谓的烟囱状给打破了⑤，可能 AI 时代进一步把 SaaS 的藩篱给打破了④。

东旭：是的⑬，而且我觉得 AI 还打破了一个事情⑧，就是人的思维局限③，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⑳。

海燕：我说一个我的观察⑰。我们投了相当多的软件公司⑧，各类都有⑭。我过去看到的①，不管是国内还是国外⑮，软件有一个核心的指标叫做 Customer Retention⑰，就是客户的 retention rate④，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②？但凡真正用起来⑨，不需要是多么牛逼的软件⑯，客户的 retention 一定是好的②。

如果客户都没用起来❶，他一定不会续费①。那么客户用软件的障碍又在哪里⑥？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⑮。相当于一辆车④，这个车已经代表了现代制造业⑳，但问题是开车这个事情⑰，包括把日常开车出门以车代步这个事情变成一个习惯⑨，它是有门槛的⑱，是需要去学习的③。你要了解车的基本架构是什么⑬？每个按键是什么功能⑦？开上之后还要掌握一定的手感④，你要慢慢地熟悉它⑳，习惯它的速度⑭，还要遵守交通规则⑪。

东旭：门槛太高了⑪。

海燕：对⑱，这些门槛导致了很多用户会缩回来②。哪怕这个企业客户买了⑯，组织买了▓，让每个同事去用❶，很多人还是在自己的老习惯里⑪，记在小本上⑤，再把小本上的内容找一个集中的时间上传到软件里去❸。这就说明他其实并没有掌握开车的习惯⑭，也就很难理解❸，以车代步会大大地提升效率④、拓展能力❷。

东旭：这种情况他真正需要什么⑱？需要一个司机▓。

海燕：但就像你刚才说的③，不可能每个人都给配个司机③。

东旭：你看这个截图⑱，这是我们公司的一个销售⑯。我想知道他最近在负责什么样的项目⑧？所有这些数据都是动态的⑮。我也可以问他最近一次跟某某客户开会是什么时候⑤？聊了什么内容④？就是刚才你说的每个人的司机⑫。

就像我刚才说到一个非常重要的点⑫，长期来看软件的门槛⑱，是一直在降低的⑳。我觉得未来软件最易用的形式其实就是对话❸。

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②，但凡让他还要学点啥⑫，比如要了解这个软件的整个结构⑬、功能按键等涉及到了学习成本和过去工作习惯的改变④，就会导致很多软件用不起来⑧。

东旭：没错⑳，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⑱？第一⑩，它是一个对话框②；第二⑲，你可以想象现在把所有的 Salesforce 的功能全都切成一个个碎块⑳，这个碎块就是一张张小卡片❸，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⑨，把相应的碎片拿出来放到对话框里⑥。比如我现在要审批一个东西⑫，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❶。

东旭：这会很深刻地改变软件的产品形态③，它不再是一个网站或者 APP⑳，你可以认为它是一堆散落在各地的小的 tools⑯。

海燕：改变主要是交互层面⑱，还是别的地方⑭？

东旭：交互层面就是最重要⑪、最大的创新④，这种创新远比我们想象中带来的意义要大⑩。

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①，就别让用户学开车了⑰，人从不会开车到会开车是要专业培训⑨，要考驾照才能上路⑰，而且还不一定能开得好⑨，说不定还要吃罚单⑪。车也是一步一步进化到全自动驾驶的⑧。到了L2 时代⑨，可能已经解决了一些问题❶，比如自动泊车②，不用每次停车的时候都为难倒不进去怎么办⑩？自动泊车功能就帮你倒进去了⑬。这可能只是先帮你解决一些开车不自信的问题▓。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⑭，比如用语言去命令它：我今天就要去哪到哪⑪，根本不用再碰方向盘了⑰，很可能那时候车都不一定再有方向盘这个东西⑩，对吧⑦？

东旭：这一点上我大方向认可⑪，但是有一个小小的 comment⑦。还是用车来作一个例子❶，我不觉得完全自动好⑮，除非全世界所有的车都被强制规定自动驾驶⑧。

海燕：不仅得规范车⑦，还得规范人⑰。

东旭：没错⑬，如果 human 还 in the Loop⑦，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⑦，很多时候不是越自动越好⑨，而是你给我的结果要具备一个人能理解的可解释性⑫。什么意思呢⑪？比如自动泊车①，对于人来说⑪，如果你在车里⑩，你其实更希望看到方向盘是怎么动的⑨，以及给我个 plan⑤，我去确认▓，就是 human 一定要有一个 under control 的结果⑩。

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▓。

海燕：让 AI 告诉你⑯，它是怎么分析和解决问题的❷，它把思维链展开给你看了⑨，这个交互本身就是非常非常破圈的一点⑤。

东旭：对⑨，所以为什么我觉得交互的改变意义深远⑦，现在不管怎么样⑬， AI 还是为人服务的⑪，而且大语言模型有一个非常大的问题⑫，就是可解释性⑩。为什么我说 Deepseek 是一个特别重要的时间点⑲，就是因为在那个时间点之前⑬，你所有用 LLM 做的东西⑨，可能最后的结果还是不具备可解释性的⑨，是个黑匣子⑫，大语言模型拍脑袋说啥就是啥⑦。但其实在 Reasoning model 普及以后④，你对于 AI 输出的结果⑨，是可以去做审核和判断的⑤，而且就算发现有问题⑥，你也可以随时接管⑫。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⑨。

海燕：所以挺有意思❶。换句话说❸，其实 L3 级别的自动驾驶⑭，反而是相当长时期 stay 在那里的一个形态⑨， L3 其实就是 Copilot 方式的存在⑳，它在绝大部分情况下①，都是不需要去接管的⑬，但在必要的时候用户可以随时接管⑤。回过头来说⑤，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⑰，这是我们对应用软件的一些畅想或者期待⑲。

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①，所以可能 AI 时代一个重要的革新⑩，其实就是在交互层面❸，怎么把这种可解释性①、自然语言的交互习惯❸，包括怎么让用户能更容易上手⑧，降低使用的门槛⑧？在这方面⑥，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▓？

东旭：基础软件里面我觉得最重要的几个东西③，我先说数据库⑩，因为我们自己就是做数据库的⑧。第一个结论是我们越来越重要了⑳，我们最近这两年的增长⑯，还是比较 promising 的❸，这里边一部分的原因⑧，尤其在一些新的 workload 里⑦，大多数都是跟 AI 相关的⑫。我觉得从客户的角度来看⑱，第一个心态就是以前很多数据⑭，用户因为不知道怎么利用⑲、分析⑮，像用 Snowflake 跑跑报表▓，最后给 CEO 看一看大图就完了❷。

以前像 OLAP 数据仓库的很多应用场景⑦，其实就是给数据分析师或者领导写报告⑯。但是仔细想一想⑫，就是因为我们没有办法对这种海量碎片化的数据去提取⑫、利用▓，我才有了做 ETL ❶、Transform⑭、Load⑲，涵盖了将数据从一个数据源提取出来⑤，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❸。）做这种大数据的动机⑫，因为我需要从数据的整体去看⑪。

但今天我觉得 AI 提供了一个 possibility⑰，就是我对每个人的所有的数据⑳，都可以很好地利用起来▓。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②，我先把它存下来⑳，因为所有数据都会有用⑥。

海燕：就是数据的价值提升了❶，或者说开发这些数据成为可能⑮，导致数据的价值提升了⑦。

东旭：对于数据的存储需求②，是在提升的⑨。我们也有预判⑮，在云上如何给用户提供一个低成本⑰、无限拓展性的版本❷，这是一个很重要的 topic⑯。第二⑭，对于数据我觉得很重要⑬，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⑲、DBA 或者数据分析师⑮，他们有个共同点③，都是人⑧。但在 AI 尤其 LLM 或者 Agent 的时代⑳，我作为一个数据软件接口的设计者⑧，我要考虑我的用户可能不一定是人⑫，我的用户可能是 LLM⑮，可能是大语言模型⑮。

海燕：就是访问数据库的⑮，不是开发者⑳。

东旭：对⑥，是 Agent⑮，在这种情况下❶，如果按照传统思维去设计系统⑬，会非常非常奇怪❸。举个例子⑰，像 Snowflake 或者数据仓库的公司③，很强调自己的数据 ETL 能力❷，要把数据来回掰扯②，变成一个报表②，或者一些抽象数据的 insight⑬，好让大家去做分析⑮。

但试想一下④， AI 在访问你的数据时⑦，如果你给它的是一些被处理过的数据④，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⑱，其实反而是不好的⑬。相当于你给 AI 一个报告⑭，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❸，它就没办法回答了❸，因为你没有给它足够的数据⑧。所以对于 AI 来说⑪，我自己实践过最好的办法▓，就是直接给它开放原始的数据访问权限③，同时再给它一个足够 flexible 的访问数据的方式⑳。

SQL⑫，我最近做的思想实验是想象我自己是一个 AI Agent⑤，为了回答我的“老板”——我的人类主人的一个问题⑪，比如他问：最近 Top10 的销售是谁⑭？因为我只是拿到了这个需求⑮，同时底下是一个类似 Salesforce 的拜访记录⑱，一个原始数据❸，最方便的办法就是我通过把“主人”给我的需求⑫，变成一个对原始数据库的 SQL 的访问⑯，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⑬，有点像过去人类数据分析师干的事情④。比如老板提了一个要求④，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⑮，变得每个人都可以做⑩，而且非常轻量②。所以⑮，最后我得到的结论就是：SQL is still the best thing we have③，SQL 现在仍然是我们跟 AI 以及数据之间最好的桥梁③。

第二④，以前其实有各种各样的 database 或者 data infrastructure⑧，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⑲。如果这些数据都在一起⑬，我用一条 SQL 就能关联起来⑲。但如果是在孤岛⑭，这边一个向量数据库⑲、一个文档数据库⑲，那边一个 SQL 数据库⑭。

海燕：相当于我要翻很多墙才能完成工作⑫。

东旭：所以我觉得 Infra 的归一化也是一个特别大的趋势❶。

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⑪，过去应用软件服务人⑯，它是直接面向用户的❶，用户使用应用软件⑪，应用软件调下面 Infra 这一层⑱，应用软件是以开发者为中心去做的❶，对吧⑱？

东旭：对⑫，开发者写“死”了⑧。

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⑥。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⑭、执行⑬、找界面▓、找对应的空去填②。换句话说⑩，现在应用软件很大一部分是由各种各样的 Agents 构成的⑧，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⑤。

有点像过去非智能驾驶时代⑨，它是油车②，支撑车的是内燃机发动机⑲。但现在完全不一样了①，因为现在车要获取很多传感器数据去做实时的智能判断⑤，然后再把指令给到发动机电机去驱动车往前走或者停▓。换句话说⑪，Infra 的用户变了❸，不是开发者⑮，不是人❷，是 Agents❷。因此 Infra 也要面向新的用户层去设计⑱、改变❸。刚才你提到的有一条很对▓，就是统一数据库更重要③，而不是分散的❸、小的⑳、各种各样的数据库拼凑的整个 Infra 底层⑯。

东旭：对❸，另外一个就是接口⑩。接口一定要用一个统一⑥、通用⑫，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 SQL⑧，因为第一③，SQL 是一个标准的语言③，AI 训练了这么多年③，用的就是它❸；第二⑤，SQL 又是一个精准的语言⑱，SQL 写对了⑬，一定能够捞出数据可解释❷。第三⑭， SQL 也是可以被人类读的⑨，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❷，它给了我一个列表⑳，告诉我这个列表是根据 5 条 SQL 跑出来的⑧。

总之⑯，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⑫，而不是面向人和开发者设计软件⑬，这可能是未来要面临的一个课题⑥。

第二个方面⑩，我觉得基础软件里很重要的一个 category❸，就是操作系统④。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❶。

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⑳，对上面的应用软件提供标准的接口⑬，程序员再利用这些 System API 去做应用⑰。比如我画一个窗口⑲，其实跟我刚刚说数据库是一样的逻辑④，未来System API 硬件封装这层肯定要做⑱，但是再往上去提供操作系统本身能力的时候⑭，一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⑰，而是 AI agent❷。

所以刚才我提到像 CRM 软件⑨，未来是能够把它所有功能拆成一个一个小块⑤，然后在对话框里通过对话跟 LLM 的交互②，让 LLM 能够把相应的能力变成一个对话中的小block④。类比到操作系统里④，其实这个工作在硅谷已经有一些创业公司在做了⑩，最近这两天有个融资的项目⑱，他们的 vision 就是做一个面向 AI Agent 或者 LLM 的浏览器▓。未来③，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⑩。换句话说②，云计算的时代也给 AI 打了个基础④。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❷、更加小颗粒⑰、更加简单③、更加 flexible⑮。是这样一个趋势❷，但并不是就抛弃了软件这个形态⑪。

东旭：不会抛弃的⑦。我觉得软件尤其企业软件❷，真正的护城河有两个：第一④，就是我刚才说的这些企业里的 Know-how⑪，比如懂企业客户⑨、懂场景⑰，这些是 AI 很难理解的⑱。就像卖东西▓，你不可能让 AI 来帮你卖东西⑪，至少现在还很难②。

第二❸，还是工程复杂性⑧，就是 LLM 作为单独的模块⑳，它的复杂性是没有的⑰。比如现在千问3刚出来⑥，Deepseek 刚出来③，你只要搭上个 Ollama ④，之后暴露的 API 都一样⑳，实际上没有什么差异⑦。

海燕：某种意义上⑨，工程的复杂性反而更高了⑭。

东旭：有点像企业软件或 SaaS 软件一样⑥。到最后我觉得 AI 真正有用的场景或者有用的东西③，一定是不简单的⑤。哪怕就想做一个 AI 自动帮你订机票的事❸。

海燕：只是面向用户更简单了④，但反而把复杂的东西都留给了开发者⑳，或者说留给了专业建造者⑩。

东旭：是的⑱，所以我觉得还是有门槛❷。就像海燕刚才说的⑪，AI 就像整道菜的一把盐⑩，能够把这个菜变得更好吃⑭，但它还是那道菜⑳。

海燕：那你觉得日后企业客户的独有数据这个事还重要吗⑥？

东旭：当然重要⑬。

海燕：以后一定会有越来越多的独有数据❸，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⑨。因为大家现在都知道⑧，包括所有的大厂其实都已经知道数据的价值⑦。老实讲⑭，以前做一个很好用的软件⑦，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①，只要在有用户交互的点上⑫，那都是兵家必争之地了⑯。数据才是未来企业最高的护城河⑮。

海燕：换句话说③，面向企业的软件工具②，本质上还是有三个原因❷，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-how❸；第二是工程复杂性⑮，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⑱，所以需要一些专业服务⑫；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⑪。

东旭：数据的价值更高了⑲。

海燕：所以每个企业都想保护好自己的独有数据⑥。

东旭：我用大白话来打个比喻：如果你不给大模型任何数据⑯，它只是像一个哲学家一样跟你讲点大道理⑩，怎么能跟“你”产生关系⑭？只有数据⑪。我觉得大模型要变得有用⑮，有两点必不可少：一个是模型本身的智力⑩，就是通识⑱；第二是 context⑱，你的 context 越精准⑫，这个东西就越有用⑮。所以在这点上⑥，我觉得企业之间的壁垒会越来越大①，但是在企业内部①，数据打通会越来越通❷。

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❶，很快人人都会说⑩，但这个独有观点是咱们提出来的⑭。