您现在的位置是：网站首页>国际国际

电玩城出票最多的机器

马绿真 2025-05-14 【国际】 8474 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❷，华创资本管理合伙人吴海燕认为是2021年⑤。因为这一年⑮，不仅是软件行业估值的高点⑭，也是行业最受资本追捧的一年⑤。因此❸，她把软件公司分为两类：一类是 2021 年融到了很多钱的公司⑪，一类则是 2021 年没有融到钱的公司②。这之后⑥，两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❶。

华创派企业 PingCAP 就属于 2021 年融资成功的阵营⑨。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④。作为一家企业级开源分布式数据库厂商⑯，PingCAP服务的客户如今已超过20个国家和地区▓，创立的分布式关系型数据库 TiDB①，能持续帮助企业最大化发挥数据价值⑰。

随着 AI 浪潮的来临❶，数据价值也得到了前所未有的提升⑥。但这股大潮的影响远不止于此⑥，AI 将如何深刻改变企业软件的交互方式与产品形态⑰？基础软件在 AI 时代又该实现哪些自我革新和进化⑤？近日⑲，PingCAP 联合创始人兼 CTO 黄东旭做客「牛白丁」①，与吴海燕一起探讨了AI大潮冲击下⑦，软件公司该如何顺流而上⑯，发挥出自己独特的行业价值⑳。

嘉宾介绍：⑬、黄东旭⑤， PingCAP 联合创始人兼 CTO

本期主播：❶、吴海燕⑯，华创资本管理合伙人

以下为节目内容①，经过 CGCVC 编辑——

海燕：大家好④，这里是华创资本的播客节目「牛白丁」⑧，我是吴海燕⑦。这期我们请到了 PingCAP 的联合创始人兼 CTO 黄东旭⑯。

我其实现在回想咱们的第一次见面还印象深刻②，你们出过一本书《与开源同行》⑳，我当时在作的序里也写了这个场景⑩。我记得是2017年3月的一个早晨⑮，我和你约在 PingCAP 当时办公的东升科技园⑫，因为约的时间太早⑧，会议室里只有你一个人在等我❷。后来我才知道④，程序员因为工作习惯⑤，早晨一般都不在公司⑧。

东旭：那次我印象也特别深刻②，和你聊完以后我就去赶飞机了❸。一下飞机就收到你的信息❶，说PingCAP是家好公司⑪。

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❷。2017年3月我们见面⑱，年中完成了投资❶，10 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⑧。所以那时候你们已经正式开始在北美设办公室❶、招人了吧②？

东旭：没错⑭，PingCAP 2015年创立①，从第一天起❸，我们就想着去做一个 global company⑪，公司成立前两年基本都在写代码⑱，你说的2017年10月的那个时间点⑩，是我们真正决定要在硅谷设点⑪，开始正式运营在海外的业务⑯。其实在那之前⑭，我从来没有在海外工作⑭、留学过①，在当地也没有什么 connection ⑧，只是觉得这对于PingCAP的战略来说是一定要做的事情❷，哪怕没有条件⑤，创造条件也要去做⑳，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▓。

海燕：咱们那轮融资算是当时相对比较大的一笔美元⑯，你们融资后的第一件事就是立马去北美开办公室❶。2017 年咱俩在硅谷碰面时❷，我介绍你认识了硅谷当地一些做投资的朋友⑫。后来到了 2020 年⑰，一位朋友还跟我说后悔在硅谷介绍你们认识时没有投资PingCAP⑤。

东旭：未来还有机会的⑳。我们开始国际化的时间比较早③，中间也踩了好多坑⑨，以后有机会我们再分享④。

海燕：说起 2017 年▓，感觉像是昨天⑧，但实际上过去八年里已经发生了非常多的事件和变化③。站在投资人的角度⑲，说一下我感觉到的咱们这个行业的变化⑩。

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⑤。 2021 年我们软件 portfolio 所获得的融资⑨，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⑱，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③，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⑳，超高估值上市激起了大家对软件行业非常大的热情⑱，所以行业融了很多钱⑱。到了 2022 年初⑲，世界一下又变化了⑩，按下了暂停键⑯。之后的三年里⑫，直到今天⑧，企业软件公司融资就变得不太容易了⑯。

我们每次年底做行业回顾的时候❷，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②，一类是 2021 年没有融到钱的公司❷。这两类公司在 2022 年之后⑮，可能就是一个很大的分野⑨，他们或许都经历了不同程度的困难⑮。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⑧，其实大家都经历了不一样的困难⑳。 2021 年没有融到钱的公司⑰，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⑫，每一年都在降本增效①。

东旭：非常 tough③。

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⑪，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⑬，就意味着你当时一心想要做高增长⑩，会招很多很多人⑫，会开新的办公室⑳，花很多时间精力做销售⑱，不顾一切地去拿订单⑰。这是 2021 年融到很多钱的公司一定会去做的事⑬，然后在 2022 年⑮，啪⑭，一个巨大的终止符下来了⑥。所以在 2021 年融到很多钱的公司④，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⑦。

东旭：PingCAP 也属于 21 年拿到钱的那个阵营⑱。但我们拿钱的心路历程我可能没跟海燕聊过⑧。其实我们在 20⑱、21 年已经非常明确地知道 22 年一定会有大的经济危机⑯，因为美联储持续地加息⑥、印钞⑱，我们觉得风险非常非常大❸。 21 年正好在市场比较好的时候⑱，尤其在 Snowflake 上市以后▓，我们知道未来马上会有苦日子⑪，所以必须在那个时候先把过冬的粮食给准备好⑩，而且当时拿那笔钱③，我们的一个思路并不是要去追求更高的增长③，而是在那个时间点之后①，如果你只做单一市场是不够的③，我们一定要在那个时间点让自己变成一个 global company⑬，这样才能有更多抵御风险的能力❷。包括到现在我们对于 spending 的控制①，我觉得还可以⑬，没有说突然有钱了以后就疯狂扩张③。

当时确实扩了一点⑲，但很快在 2022 年时⑰，我们又往回缩了一些⑤。倒不是因为业务的原因⑦，而是我们需要像跑马拉松一样④，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⑮，物理世界的数字化在加速⑭，包括 cloud 的 infrastructure 变得越来越成熟⑯，当然 mindset 也接近成熟▓。所以我觉得我们还是比较幸运▓，大多数人没有办法预测未来③，只是正好在那个时候有一个很好的时机⑩，就活到了现在⑨。

海燕：我其实在 2021 年的时候⑬，问过几个我们拿了大钱的 portfolio⑲，他们在 21 年融了不止一轮⑦，且融了非常多的钱⑨。每次他们融到大钱时④，我都会打电话问创始人：“根据咱的业务状态和进展④，似乎没有必要一定要拿这笔钱⑯，你是怎么考虑的②？”

我不是建议他们拿或者不拿⑭，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⑫。首先就是你刚才说的⑬，他们预判了现在是一个资本膨胀的时代⑤，而且资本是有周期的⑳，可能不久的将来就会是一个 downtime⑨，我们也不知道什么时候是 downtime⑰，但既然现在是 high time ⑰，就应该多储备一些现金②；第二⑮，他们不介意所谓的股权稀释⑳，万一哪天到了 downtime⑤，公司有足够多的现金⑯，可能会比别人有更多的竞争优势⑮，可能还能收购一些钱不够了但是产品和技术很好的团队⑰。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⑭。

到了 23 年❸，大家从疫情中刚刚回过神来⑰，又一个大的时代到来了—— ChatGPT 3.5 发布了⑥。

东旭：其实 Open AI 在 GPT-2 出来的时候我就开始在玩①，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⑰，可能后面的 downtime 你不一定能拿到很多钱⑲。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⑮。因为从 22 年之后⑱，不管是美股②、 A股▓、港股这些比较大的二级市场▓，还是一级市场⑮，都变得非常紧缩②，流动性不足⑯，就导致股权融资变得很困难⑥。即便是上市公司⑬，你要做增发⑮，要在二级市场再融资也不太容易⑤。一级市场的各种统计数据都显示⑭，从 22 年以后⑰，融资的公司数量▓、总的融资金额都在不断地下降⑱。我觉得这个情况在硅谷和在北京都是一样的⑭，不是说硅谷的情况就比咱们好很多⑱，大家都处于一个紧缩的时代④。

东旭：或者说市场的注意力都转到了 AI 这边⑦。

海燕：对⑦，在融资总规模变小的情况下❷，AI 的占比还提升了⑲，唯一特别活跃的投融资就发生在 AI 领域⑫。尤其是最近一年特别明显⑫，市场上一些投资人甚至非 AI 项目不看⑱。

东旭：⑮、这是非常明显的 “The Head Effect”⑧。

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⑮，要不融到钱估值也没法看▓，对吧❸？不是 down round 就不错了⑲，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⑲，给人感觉是软件公司跟 AI 到底能发生什么强关联呢⑫？AI 时代会不会有一些完全不同的公司出来⑭，做面向企业客户的数字化❶、智能化⑥？你在硅谷看到的变化是什么呢⑰？

东旭：我觉得现在我们真正站在一个非常大的时代的门口⑥。一直到 DeepSeek 今年春节爆火之前⑮，整个行业大概都是在 build prototype⑲。今天有个很好的 idea⑪，我就试一试❷。前两天更加夸张⑨，大模型动辄投个几千美金训练了一个新的模型出来▓，打个榜三天以后就 hype④，而且 AI 的势能过大⑲，导致 hype 时间非常短⑭，因为所有的注意力和资源都砸在这个方向上⑱，而且 Transformer 跟过去的科技创新⑰，或者软件行业的技术创新还有点不一样⑲。

过去软件的护城河或者价值⑬，其实在于业务 Know-how 还是系统复杂⑦，比如像我们的数据库⑳，过去的门槛其实在于工程复杂性❶。就是你可能要写 100 万行代码❷，才能表现得很好⑱。像 Salesforce 或者 ERP 软件⑰，得有很深厚的技术和业务的 Know-how⑫，才能做这样的 system software⑩。包括各种 SaaS❷，在过去都是这样的逻辑⑤。

但 AI 这波⑬，尤其是大语言模型③，它本身的注意力机制⑫，我觉得大学本科毕业的人看 Transformer 的论文看两个礼拜⑪，第一能看懂③，第二能自己实现出来一个②。我当时就想着也要学习一下⑩，看论文花了两个礼拜②，真的就写了一个出来⑳。只是到最后还需要很多算力⑤、数据⑧，但它的机制本身是不复杂的❸。

所以⑤，创业者投身AI❷，尤其是大语言模型的门槛其实比以前是低很多的▓。加上全世界的资本全都集中在这❷，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⑩，就是 FOMO⑭。不管是个人用户⑪、企业客户还是投资人⑮、创业者⑱，大家都有不同的FOMO 情绪⑰。比如过去两年❷，我们软件 portfolio 说现在大部分企业日子不好过❶，数字化预算都降低了⑥。但这个背景之下⑭，各个企业还都有部分预算是特意留给 AI 的⑦。就是无论如何我都得先试试 AI❷，万一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②，但我们还站在门口③，没有进去▓。我觉得到今年 AI 的基础能力③，不管是 DeepSeek 还是现在的 Tier1 的 model⑬，已经能做一些 actually something useful⑤，这是非常非常重要的⑭。

我先说一个结论：未来所有的软件⑨，尤其是企业软件都会被 AI 彻底改造⑤，软件的形态会发生很大的改变④，但一些更深层次的内核是不会变的⑬。比如 CRM 作为销售的辅助对于本身的行业 Know-how ❶，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⑳。

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 comfort⑨，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⑭。

为啥有这样的疑问⑩？举个例子⑭，我们之前有一个 portfolio 公司要被收购了⑳，被收购的过程中②，收购方的业务层大老⑱，他们可能不是特别理解技术⑨，所以一直在问：都 AI 时代了⑨，还买个软件公司干嘛❷？以后理论上客户不就用 AI 能替代了⑥，还要软件干嘛⑱？

东旭：就好像 AI 是万能药❶。

海燕：对▓，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③，到底 AI 对于软件公司意味着什么⑰？类比自动驾驶时代到来后❷，车变得不一样了⑪，变得更强大了⑱，但还是需要专业的造车公司去把车给造出来②，你还是需要一辆车的❷，对吧▓？

东旭：举个很简单的例子⑰，比如像会计⑬，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②，这个行业不存在了吗⑦？它还是一直存在的⑲。从古代有交易开始▓，一直到现在③，记账这件事情从来没变过⑧，只是不同的时代我们用不同的工具⑯，它的产品形态会发生改变⑧，就像 CRM ⑲，还是销售过程管理⑫。难道在 AI 普及的时代⑨，就不需要销售吗①？就不需要过程管理吗①？我觉得一定需要的❶。只是未来软件的形态一定会比现在更加好⑥、更加智能⑧。

以前我们有些事情是没有办法做到的⑳。比如我们公司在海外用的 Salesforce⑬，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⑤。比如我提个需求❷，想看一下今年哪些客户买哪些 SKU⑮，哪些涨得特别好①？重要的客户是谁⑥？哪些销售排名更靠前⑫？

海燕：你需要基于 Salesforce 做数据统计或者 BI⑯。

东旭：以前都得靠人④，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⑭，因为企业软件一个很重要的护城河⑱，是对于这些企业的 Know-how③，以及这些数据在什么地方⑬，怎么把它组织起来⑨，变成一个能够被提取的 insight⑩，这些其实很重要的⑫。

现在我自己做了一个 Agent▓，但还是太慢了⑤，还需要一些更加个性化的能力⑤。我是怎么做的呢⑯？我直接把我所有的Salesforce 数据全都同步到我自己的 database 上⑥。然后我自己写了一个 Agent 用 NCP 去读取我的 database⑮，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 ABI⑥。

东旭：虽然还不成熟⑮，但我觉得体验比以前自己打开 Salesforce⑬，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⑭。静态是什么意思呢①？就是程序员把这个业务逻辑写好③，变成报表也好⑩，或者变成业务逻辑也好⑩，就在那⑯，它没有任何机会去变化⑧。

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▓，相当于以前一个公司⑲，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⑮，他自己在他的软件里面有能够提供灵活性的一层❸。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❷，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⑦。但是未来可能在产品和数据之间⑪，会有一层叫 Agent❶，或者 AI❶。

海燕：云计算时代④，是把传统软件所谓的烟囱状给打破了⑱，可能 AI 时代进一步把 SaaS 的藩篱给打破了⑫。

东旭：是的①，而且我觉得 AI 还打破了一个事情⑯，就是人的思维局限❸，有的时候烟囱不是在技术层面⑪，其实是在用户和产品经理的脑子里⑧。

海燕：我说一个我的观察③。我们投了相当多的软件公司⑬，各类都有⑤。我过去看到的❶，不管是国内还是国外⑪，软件有一个核心的指标叫做 Customer Retention⑥，就是客户的 retention rate⑮，而 Customer Retention 的一个最大障碍就是客户买了软件之后⑰，有没有真正把软件用起来▓？但凡真正用起来▓，不需要是多么牛逼的软件⑰，客户的 retention 一定是好的⑱。

如果客户都没用起来⑦，他一定不会续费⑤。那么客户用软件的障碍又在哪里⑲？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⑥。相当于一辆车⑦，这个车已经代表了现代制造业④，但问题是开车这个事情⑲，包括把日常开车出门以车代步这个事情变成一个习惯⑦，它是有门槛的⑨，是需要去学习的③。你要了解车的基本架构是什么▓？每个按键是什么功能⑤？开上之后还要掌握一定的手感⑮，你要慢慢地熟悉它⑪，习惯它的速度❸，还要遵守交通规则⑤。

东旭：门槛太高了⑮。

海燕：对②，这些门槛导致了很多用户会缩回来⑪。哪怕这个企业客户买了⑧，组织买了⑰，让每个同事去用②，很多人还是在自己的老习惯里⑨，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②。这就说明他其实并没有掌握开车的习惯⑭，也就很难理解❷，以车代步会大大地提升效率④、拓展能力④。

东旭：这种情况他真正需要什么⑳？需要一个司机⑰。

海燕：但就像你刚才说的⑱，不可能每个人都给配个司机⑩。

东旭：你看这个截图②，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②？所有这些数据都是动态的⑬。我也可以问他最近一次跟某某客户开会是什么时候⑧？聊了什么内容⑨？就是刚才你说的每个人的司机⑱。

就像我刚才说到一个非常重要的点⑩，长期来看软件的门槛⑰，是一直在降低的⑤。我觉得未来软件最易用的形式其实就是对话⑫。

海燕：不需要用户做任何学习⑭，非常非常低的门槛就能用起来⑫，但凡让他还要学点啥④，比如要了解这个软件的整个结构⑥、功能按键等涉及到了学习成本和过去工作习惯的改变❸，就会导致很多软件用不起来⑥。

东旭：没错⑥，我先描述一下我想象的未来企业软件的样子②，下一代的 Salesforce 可能会长什么样⑳？第一④，它是一个对话框❷；第二⑦，你可以想象现在把所有的 Salesforce 的功能全都切成一个个碎块⑥，这个碎块就是一张张小卡片②，在你的对话中 AI 或 LLM 有点像一个 Copilot❶，这个 Copilot 会根据你的上下文和你现在的需求⑩，把相应的碎片拿出来放到对话框里⑫。比如我现在要审批一个东西③，他直接在 LLM 把这个审批的按键调出来④。

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⑯，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 tools⑭。

海燕：改变主要是交互层面⑯，还是别的地方②？

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

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❶，就别让用户学开车了❸，人从不会开车到会开车是要专业培训⑱，要考驾照才能上路⑯，而且还不一定能开得好❸，说不定还要吃罚单⑯。车也是一步一步进化到全自动驾驶的⑧。到了L2 时代⑯，可能已经解决了一些问题⑭，比如自动泊车①，不用每次停车的时候都为难倒不进去怎么办❶？自动泊车功能就帮你倒进去了①。这可能只是先帮你解决一些开车不自信的问题⑧。等有一天达到 L3 甚至 L4 级别了❷，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⑫，比如用语言去命令它：我今天就要去哪到哪❷，根本不用再碰方向盘了⑪，很可能那时候车都不一定再有方向盘这个东西⑲，对吧⑩？

东旭：这一点上我大方向认可⑯，但是有一个小小的 comment❸。还是用车来作一个例子⑱，我不觉得完全自动好⑫，除非全世界所有的车都被强制规定自动驾驶②。

海燕：不仅得规范车⑪，还得规范人❸。

东旭：没错⑯，如果 human 还 in the Loop⑨，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❶，很多时候不是越自动越好⑧，而是你给我的结果要具备一个人能理解的可解释性❸。什么意思呢⑦？比如自动泊车⑯，对于人来说③，如果你在车里❷，你其实更希望看到方向盘是怎么动的⑧，以及给我个 plan⑨，我去确认⑪，就是 human 一定要有一个 under control 的结果❶。

海燕：这让我想起 DeepSeek R-1 的巨大创新就在这里③。

东旭：把思维链展开给你看⑩。

海燕：让 AI 告诉你⑥，它是怎么分析和解决问题的⑪，它把思维链展开给你看了⑱，这个交互本身就是非常非常破圈的一点⑭。

东旭：对⑭，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③， AI 还是为人服务的⑬，而且大语言模型有一个非常大的问题⑩，就是可解释性③。为什么我说 Deepseek 是一个特别重要的时间点⑭，就是因为在那个时间点之前⑯，你所有用 LLM 做的东西⑫，可能最后的结果还是不具备可解释性的❶，是个黑匣子⑥，大语言模型拍脑袋说啥就是啥④。但其实在 Reasoning model 普及以后④，你对于 AI 输出的结果❷，是可以去做审核和判断的⑬，而且就算发现有问题⑰，你也可以随时接管⑬。所以现在包括 Cursor 等比较成功的 Agent 应用①，都是会把人当成整个软件的一部分⑮。

海燕：所以挺有意思❶。换句话说⑳，其实 L3 级别的自动驾驶⑨，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❷，它在绝大部分情况下⑱，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⑫。回过头来说❸，Agent 也不是用来替代软件的⑰，而是会变成软件机制的一部分⑱，这是我们对应用软件的一些畅想或者期待⑮。

我觉得 Infra 软件和 PingCAP 做的事就更接近了②，因为应用软件是面向用户的❷，所以可能 AI 时代一个重要的革新❷，其实就是在交互层面❶，怎么把这种可解释性⑰、自然语言的交互习惯⑮，包括怎么让用户能更容易上手④，降低使用的门槛⑯？在这方面⑨，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④？

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⑰，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❶，还是比较 promising 的⑱，这里边一部分的原因⑲，尤其在一些新的 workload 里⑥，大多数都是跟 AI 相关的⑩。我觉得从客户的角度来看②，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⑩、分析⑭，像用 Snowflake 跑跑报表⑲，最后给 CEO 看一看大图就完了⑦。

以前像 OLAP 数据仓库的很多应用场景⑳，其实就是给数据分析师或者领导写报告❶。但是仔细想一想⑪，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、Transform⑥、Load④，涵盖了将数据从一个数据源提取出来⑧，经过各种处理和转换②，最后加载到另一个数据源的全过程④。）做这种大数据的动机⑪，因为我需要从数据的整体去看▓。

但今天我觉得 AI 提供了一个 possibility⑧，就是我对每个人的所有的数据④，都可以很好地利用起来❸。所以第一点③，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⑬，我先把它存下来⑫，因为所有数据都会有用⑪。

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⑰，导致数据的价值提升了❸。

东旭：对于数据的存储需求⑧，是在提升的⑪。我们也有预判⑦，在云上如何给用户提供一个低成本⑳、无限拓展性的版本⑮，这是一个很重要的 topic⑥。第二③，对于数据我觉得很重要⑦，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⑦，目标人群是开发者⑲、DBA 或者数据分析师⑨，他们有个共同点❶，都是人⑱。但在 AI 尤其 LLM 或者 Agent 的时代❸，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⑭，我的用户可能是 LLM❶，可能是大语言模型⑱。

海燕：就是访问数据库的⑲，不是开发者①。

东旭：对⑦，是 Agent①，在这种情况下⑧，如果按照传统思维去设计系统④，会非常非常奇怪⑫。举个例子⑪，像 Snowflake 或者数据仓库的公司❷，很强调自己的数据 ETL 能力⑧，要把数据来回掰扯❶，变成一个报表⑦，或者一些抽象数据的 insight❸，好让大家去做分析③。

但试想一下⑰， AI 在访问你的数据时⑩，如果你给它的是一些被处理过的数据⑧，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⑫。相当于你给 AI 一个报告⑥，它只能回答这个报告相关的上下文的东西⑫，一旦你问的问题超出了报告的边界③，它就没办法回答了⑫，因为你没有给它足够的数据⑩。所以对于 AI 来说⑧，我自己实践过最好的办法⑨，就是直接给它开放原始的数据访问权限⑰，同时再给它一个足够 flexible 的访问数据的方式❷。

SQL⑧，我最近做的思想实验是想象我自己是一个 AI Agent❸，为了回答我的“老板”——我的人类主人的一个问题⑦，比如他问：最近 Top10 的销售是谁⑦？因为我只是拿到了这个需求⑨，同时底下是一个类似 Salesforce 的拜访记录⑤，一个原始数据⑯，最方便的办法就是我通过把“主人”给我的需求②，变成一个对原始数据库的 SQL 的访问⑲，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⑧。比如老板提了一个要求⑯，数据分析师回去搞报表⑰，只是现在用 AI 来实现刚才的场景⑪，变得每个人都可以做⑰，而且非常轻量③。所以⑥，最后我得到的结论就是：SQL is still the best thing we have⑥，SQL 现在仍然是我们跟 AI 以及数据之间最好的桥梁⑧。

第二①，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⑥，它对于数据的烟囱和孤岛是很讨厌的⑧。如果这些数据都在一起⑦，我用一条 SQL 就能关联起来⑮。但如果是在孤岛❷，这边一个向量数据库②、一个文档数据库④，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⑦。

东旭：所以我觉得 Infra 的归一化也是一个特别大的趋势⑯。

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⑮，过去应用软件服务人▓，它是直接面向用户的⑥，用户使用应用软件❷，应用软件调下面 Infra 这一层❷，应用软件是以开发者为中心去做的❶，对吧⑬？

东旭：对⑯，开发者写“死”了⑯。

海燕：刚才咱们提到其实应用软件更像 L3 的智能驾驶⑰，把过去很多的用户操作变成了智能化的自动操作⑱。本质上是把很多 Agent embed 到它的应用软件里面了⑥，代替了用户人手一条一条去点开▓、执行⑩、找界面⑤、找对应的空去填⑯。换句话说⑰，现在应用软件很大一部分是由各种各样的 Agents 构成的⑤，所以过去的用户访问数据库或者开发者访问数据库⑥，就变成了大量的 Agents 在访问数据库①。

有点像过去非智能驾驶时代⑲，它是油车⑨，支撑车的是内燃机发动机③。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⑦，然后再把指令给到发动机电机去驱动车往前走或者停⑫。换句话说⑮，Infra 的用户变了⑬，不是开发者⑧，不是人③，是 Agents⑧。因此 Infra 也要面向新的用户层去设计❷、改变⑧。刚才你提到的有一条很对⑲，就是统一数据库更重要⑦，而不是分散的⑯、小的⑱、各种各样的数据库拼凑的整个 Infra 底层⑳。

东旭：对⑨，另外一个就是接口⑫。接口一定要用一个统一❷、通用⑥，以及 AI 跟人都能理解的语言去访问数据❸。现在最好的语言就是 SQL⑰，因为第一⑧，SQL 是一个标准的语言⑥，AI 训练了这么多年⑫，用的就是它⑦；第二⑯，SQL 又是一个精准的语言⑦，SQL 写对了③，一定能够捞出数据可解释⑯。第三⑥， SQL 也是可以被人类读的⑳，比如刚才我给你看的那个例子⑭，我想看公司最近前 10 名的销售⑧，它给了我一个列表⑭，告诉我这个列表是根据 5 条 SQL 跑出来的⑱。

总之⑨，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▓，这可能是未来要面临的一个课题⑩。

第二个方面⑦，我觉得基础软件里很重要的一个 category❸，就是操作系统⑯。虽然我不是做操作系统的⑫，但我觉得它会发生很大的改变⑳。

操作系统以前是一个在硬件和用户中间的东西②，相当于它把硬件的抽象给隐藏起来①，对上面的应用软件提供标准的接口⑭，程序员再利用这些 System API 去做应用⑦。比如我画一个窗口⑬，其实跟我刚刚说数据库是一样的逻辑⑯，未来System API 硬件封装这层肯定要做⑧，但是再往上去提供操作系统本身能力的时候⑨，一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 agent⑩。

所以刚才我提到像 CRM 软件⑲，未来是能够把它所有功能拆成一个一个小块❷，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block①。类比到操作系统里⑳，其实这个工作在硅谷已经有一些创业公司在做了④，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⑯。未来⑭，浏览器可能会是一个很重要的操作系统⑩。

海燕：我也听到我们有一些 portfolio 在提这个想法❷。换句话说⑰，云计算的时代也给 AI 打了个基础②。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①、更加小颗粒⑪、更加简单⑳、更加 flexible②。是这样一个趋势⑩，但并不是就抛弃了软件这个形态❷。

东旭：不会抛弃的❶。我觉得软件尤其企业软件①，真正的护城河有两个：第一①，就是我刚才说的这些企业里的 Know-how⑮，比如懂企业客户②、懂场景❷，这些是 AI 很难理解的⑮。就像卖东西❶，你不可能让 AI 来帮你卖东西④，至少现在还很难⑩。

第二⑪，还是工程复杂性⑥，就是 LLM 作为单独的模块⑫，它的复杂性是没有的⑥。比如现在千问3刚出来⑦，Deepseek 刚出来③，你只要搭上个 Ollama ❶，之后暴露的 API 都一样⑨，实际上没有什么差异④。

海燕：某种意义上⑨，工程的复杂性反而更高了⑧。

东旭：有点像企业软件或 SaaS 软件一样①。到最后我觉得 AI 真正有用的场景或者有用的东西⑦，一定是不简单的❶。哪怕就想做一个 AI 自动帮你订机票的事⑲。

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

东旭：是的①，所以我觉得还是有门槛⑲。就像海燕刚才说的⑤，AI 就像整道菜的一把盐⑬，能够把这个菜变得更好吃⑬，但它还是那道菜⑥。

海燕：那你觉得日后企业客户的独有数据这个事还重要吗❷？

东旭：当然重要⑲。

海燕：以后一定会有越来越多的独有数据⑯，还是反而会打破数据的藩篱⑩，有更多的公海数据呢❷？

东旭：这点我稍微有点悲观④。因为大家现在都知道⑫，包括所有的大厂其实都已经知道数据的价值⑱。老实讲⑥，以前做一个很好用的软件⑭，反正用户的交互数据如果没用就扔掉了❸。但现在所有的大企业②，只要在有用户交互的点上⑱，那都是兵家必争之地了⑲。数据才是未来企业最高的护城河⑨。

海燕：换句话说④，面向企业的软件工具⑫，本质上还是有三个原因⑪，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⑰，就是行业 Know-how 或者客户 Know-how⑥；第二是工程复杂性⑰，在 AI 时代面向用户越简单④，后面对工程复杂性的要求越高②，所以需要一些专业服务⑱；第三是如何帮助企业客户用好他自身的数据⑫，因为数据反而更大了⑬。

东旭：数据的价值更高了⑫。

海燕：所以每个企业都想保护好自己的独有数据⑰。

东旭：我用大白话来打个比喻：如果你不给大模型任何数据⑳，它只是像一个哲学家一样跟你讲点大道理⑦，怎么能跟“你”产生关系⑨？只有数据⑲。我觉得大模型要变得有用⑨，有两点必不可少：一个是模型本身的智力⑰，就是通识④；第二是 context⑯，你的 context 越精准⑲，这个东西就越有用❶。所以在这点上⑮，我觉得企业之间的壁垒会越来越大①，但是在企业内部②，数据打通会越来越通❸。

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③，很快人人都会说⑧，但这个独有观点是咱们提出来的⑫。