您现在的位置是：网站首页> 游戏游戏

超级电玩城上帝视角版下载

洪梦柏 2025-05-14 【游戏】 7544 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⑲，华创资本管理合伙人吴海燕认为是2021年②。因为这一年⑧，不仅是软件行业估值的高点⑲，也是行业最受资本追捧的一年②。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⑱，一类则是 2021 年没有融到钱的公司▓。这之后⑰，两类公司都不可避免地遭遇挑战③，但困难的程度和路径选择却截然不同⑳。

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▓，得以抓住机会加速了全球化的布局⑰。作为一家企业级开源分布式数据库厂商⑭，PingCAP服务的客户如今已超过20个国家和地区②，创立的分布式关系型数据库 TiDB⑱，能持续帮助企业最大化发挥数据价值⑦。

随着 AI 浪潮的来临❷，数据价值也得到了前所未有的提升⑭。但这股大潮的影响远不止于此⑭，AI 将如何深刻改变企业软件的交互方式与产品形态❶？基础软件在 AI 时代又该实现哪些自我革新和进化③？近日▓，PingCAP 联合创始人兼 CTO 黄东旭做客「牛白丁」③，与吴海燕一起探讨了AI大潮冲击下⑤，软件公司该如何顺流而上⑮，发挥出自己独特的行业价值⑩。

嘉宾介绍：⑲、黄东旭⑬， PingCAP 联合创始人兼 CTO

本期主播：❸、吴海燕⑳，华创资本管理合伙人

以下为节目内容⑫，经过 CGCVC 编辑——

海燕：大家好⑲，这里是华创资本的播客节目「牛白丁」⑪，我是吴海燕⑧。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⑯，你们出过一本书《与开源同行》①，我当时在作的序里也写了这个场景③。我记得是2017年3月的一个早晨④，我和你约在 PingCAP 当时办公的东升科技园⑮，因为约的时间太早❷，会议室里只有你一个人在等我①。后来我才知道❸，程序员因为工作习惯②，早晨一般都不在公司⑨。

东旭：那次我印象也特别深刻⑬，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⑱，他还说这是“云上”的决定⑲。2017年3月我们见面⑲，年中完成了投资❶，10 月份刚好咱俩都分别去北美出差③，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⑧、招人了吧⑬？

东旭：没错❷，PingCAP 2015年创立⑨，从第一天起⑧，我们就想着去做一个 global company❶，公司成立前两年基本都在写代码⑨，你说的2017年10月的那个时间点⑨，是我们真正决定要在硅谷设点⑰，开始正式运营在海外的业务④。其实在那之前⑮，我从来没有在海外工作⑨、留学过⑳，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⑱，哪怕没有条件⑥，创造条件也要去做⑫，所以我当时都没买回程机票⑬，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❶，你们融资后的第一件事就是立马去北美开办公室⑨。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⑦。后来到了 2020 年⑳，一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⑰。我们开始国际化的时间比较早①，中间也踩了好多坑❷，以后有机会我们再分享④。

海燕：说起 2017 年⑲，感觉像是昨天⑬，但实际上过去八年里已经发生了非常多的事件和变化②。站在投资人的角度⑪，说一下我感觉到的咱们这个行业的变化⑨。

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⑱。 2021 年我们软件 portfolio 所获得的融资⑱，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⑯，再也回不到 2021年的盛况了⑤。

东旭：那个时候应该是美国印了很多钱①，整个资本市场有点被催熟⑯。

海燕：当年标志性的事件就是 Snowflake 上市⑦，超高估值上市激起了大家对软件行业非常大的热情④，所以行业融了很多钱⑬。到了 2022 年初⑬，世界一下又变化了⑳，按下了暂停键▓。之后的三年里❶，直到今天⑱，企业软件公司融资就变得不太容易了⑭。

我们每次年底做行业回顾的时候⑦，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①，一类是 2021 年没有融到钱的公司④。这两类公司在 2022 年之后⑧，可能就是一个很大的分野⑦，他们或许都经历了不同程度的困难⑱。注意⑲，我没觉得 2021 年融到很多钱的公司就特别了不起或者顺利⑫，其实大家都经历了不一样的困难⑰。 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⑪，所以他们每一年都在过苦日子③，每一年都在降本增效⑰。

东旭：非常 tough③。

海燕：活下来的可能都是“打不死的小强”了③。而 2021 年融到很多钱的公司⑨，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⑩，就意味着你当时一心想要做高增长⑰，会招很多很多人⑭，会开新的办公室⑬，花很多时间精力做销售⑳，不顾一切地去拿订单❸。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▓，啪⑳，一个巨大的终止符下来了⑬。所以在 2021 年融到很多钱的公司❸，无一例外地经历了团队从很小规模到很大②，又缩回很小的这样一个阵痛的过程③。

东旭：PingCAP 也属于 21 年拿到钱的那个阵营⑤。但我们拿钱的心路历程我可能没跟海燕聊过❷。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❶，因为美联储持续地加息⑮、印钞③，我们觉得风险非常非常大⑨。 21 年正好在市场比较好的时候⑪，尤其在 Snowflake 上市以后⑭，我们知道未来马上会有苦日子❷，所以必须在那个时候先把过冬的粮食给准备好⑭，而且当时拿那笔钱①，我们的一个思路并不是要去追求更高的增长①，而是在那个时间点之后⑭，如果你只做单一市场是不够的②，我们一定要在那个时间点让自己变成一个 global company❷，这样才能有更多抵御风险的能力⑨。包括到现在我们对于 spending 的控制❶，我觉得还可以⑪，没有说突然有钱了以后就疯狂扩张⑯。

当时确实扩了一点⑦，但很快在 2022 年时①，我们又往回缩了一些②。倒不是因为业务的原因①，而是我们需要像跑马拉松一样⑳，根据最终的目标来去分配精力和能量⑧。因为当时是我们做全球化最好的时机④，由于疫情的缘故⑪，物理世界的数字化在加速⑦，包括 cloud 的 infrastructure 变得越来越成熟⑰，当然 mindset 也接近成熟③。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⑲，只是正好在那个时候有一个很好的时机⑪，就活到了现在⑯。

海燕：我其实在 2021 年的时候①，问过几个我们拿了大钱的 portfolio⑥，他们在 21 年融了不止一轮③，且融了非常多的钱⑱。每次他们融到大钱时⑮，我都会打电话问创始人：“根据咱的业务状态和进展❸，似乎没有必要一定要拿这笔钱⑮，你是怎么考虑的⑲？”

我不是建议他们拿或者不拿▓，只是问询一下他们的考虑③。这几个创始人都给了类似的答案⑪。首先就是你刚才说的⑯，他们预判了现在是一个资本膨胀的时代⑪，而且资本是有周期的⑫，可能不久的将来就会是一个 downtime⑨，我们也不知道什么时候是 downtime④，但既然现在是 high time ⑬，就应该多储备一些现金⑪；第二⑱，他们不介意所谓的股权稀释⑭，万一哪天到了 downtime⑧，公司有足够多的现金⑬，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⑮，所以大家当时是看得很准的⑱。

到了 23 年⑤，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⑥。

东旭：其实 Open AI 在 GPT-2 出来的时候我就开始在玩⑤，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⑩，可能后面的 downtime 你不一定能拿到很多钱⑬。而 AI 大潮的来临⑯，其实抢夺了软件公司在资本化方面很稀缺的资源⑤。因为从 22 年之后⑯，不管是美股⑦、 A股⑬、港股这些比较大的二级市场⑫，还是一级市场⑭，都变得非常紧缩⑰，流动性不足④，就导致股权融资变得很困难⑦。即便是上市公司⑦，你要做增发⑱，要在二级市场再融资也不太容易②。一级市场的各种统计数据都显示❸，从 22 年以后⑱，融资的公司数量❸、总的融资金额都在不断地下降⑮。我觉得这个情况在硅谷和在北京都是一样的⑫，不是说硅谷的情况就比咱们好很多⑮，大家都处于一个紧缩的时代⑧。

东旭：或者说市场的注意力都转到了 AI 这边③。

海燕：对②，在融资总规模变小的情况下③，AI 的占比还提升了⑤，唯一特别活跃的投融资就发生在 AI 领域⑪。尤其是最近一年特别明显⑬，市场上一些投资人甚至非 AI 项目不看⑥。

东旭：⑦、这是非常明显的 “The Head Effect”②。

海燕：这就导致很多其他行业优秀的公司⑩，在过去一两年要不融不到钱②，要不融到钱估值也没法看⑬，对吧⑧？不是 down round 就不错了⑮，很多都是 flat round⑮。

软件公司在过去两年也 kind of 被大家有点遗忘了①，给人感觉是软件公司跟 AI 到底能发生什么强关联呢⑤？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❶、智能化⑧？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⑨。一直到 DeepSeek 今年春节爆火之前①，整个行业大概都是在 build prototype⑬。今天有个很好的 idea⑱，我就试一试❶。前两天更加夸张⑪，大模型动辄投个几千美金训练了一个新的模型出来❸，打个榜三天以后就 hype▓，而且 AI 的势能过大⑱，导致 hype 时间非常短④，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③，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⑧，其实在于业务 Know-how 还是系统复杂⑪，比如像我们的数据库⑩，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②，才能表现得很好⑥。像 Salesforce 或者 ERP 软件③，得有很深厚的技术和业务的 Know-how⑯，才能做这样的 system software⑨。包括各种 SaaS⑤，在过去都是这样的逻辑①。

但 AI 这波②，尤其是大语言模型⑦，它本身的注意力机制⑯，我觉得大学本科毕业的人看 Transformer 的论文看两个礼拜⑱，第一能看懂②，第二能自己实现出来一个⑦。我当时就想着也要学习一下②，看论文花了两个礼拜⑫，真的就写了一个出来❶。只是到最后还需要很多算力⑨、数据⑫，但它的机制本身是不复杂的⑦。

所以⑩，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①。加上全世界的资本全都集中在这③，大家其实一直在经历各种各样的三天一遍的一个hype❸。

海燕：Hype 之下一个很重要的心态⑰，就是 FOMO❸。不管是个人用户⑥、企业客户还是投资人⑤、创业者⑯，大家都有不同的FOMO 情绪❶。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▓，数字化预算都降低了❶。但这个背景之下②，各个企业还都有部分预算是特意留给 AI 的⑨。就是无论如何我都得先试试 AI⑱，万一我被时代抛下怎么办⑰？

东旭：这是为什么我觉得现在是一个很重要的时间点④，但我们还站在门口⑨，没有进去⑩。我觉得到今年 AI 的基础能力①，不管是 DeepSeek 还是现在的 Tier1 的 model⑨，已经能做一些 actually something useful⑫，这是非常非常重要的⑧。

我先说一个结论：未来所有的软件⑲，尤其是企业软件都会被 AI 彻底改造❸，软件的形态会发生很大的改变②，但一些更深层次的内核是不会变的⑮。比如 CRM 作为销售的辅助对于本身的行业 Know-how ⑫，在未来也会变成这个软件的护城河⑧，只是 AI 会改变它的整个产品形态⑫。

海燕：你话里面的第一重逻辑⑩，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④，不是基础的大模型就能颠覆和替代了的⑪。

为啥有这样的疑问⑰？举个例子⑱，我们之前有一个 portfolio 公司要被收购了▓，被收购的过程中③，收购方的业务层大老⑰，他们可能不是特别理解技术③，所以一直在问：都 AI 时代了③，还买个软件公司干嘛④？以后理论上客户不就用 AI 能替代了⑧，还要软件干嘛❶？

东旭：就好像 AI 是万能药⑯。

海燕：对⑰，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⑩，到底 AI 对于软件公司意味着什么⑩？类比自动驾驶时代到来后⑪，车变得不一样了⑪，变得更强大了❶，但还是需要专业的造车公司去把车给造出来⑥，你还是需要一辆车的⑰，对吧⑭？

东旭：举个很简单的例子①，比如像会计④，我父母都是会计师⑯，他们是互联网时代之前的会计④。现在所有的会计电商化都完成数字化了以后⑩，这个行业不存在了吗⑮？它还是一直存在的⑤。从古代有交易开始⑲，一直到现在⑭，记账这件事情从来没变过❶，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④，就像 CRM ①，还是销售过程管理⑩。难道在 AI 普及的时代⑲，就不需要销售吗④？就不需要过程管理吗❸？我觉得一定需要的⑪。只是未来软件的形态一定会比现在更加好③、更加智能①。

以前我们有些事情是没有办法做到的⑮。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❷。比如我提个需求⑥，想看一下今年哪些客户买哪些 SKU⑪，哪些涨得特别好③？重要的客户是谁⑬？哪些销售排名更靠前⑮？

海燕：你需要基于 Salesforce 做数据统计或者 BI④。

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③。我非常 respect 这些同事的工作⑤，因为企业软件一个很重要的护城河⑨，是对于这些企业的 Know-how⑨，以及这些数据在什么地方⑮，怎么把它组织起来⑳，变成一个能够被提取的 insight❸，这些其实很重要的⑭。

现在我自己做了一个 Agent⑰，但还是太慢了⑥，还需要一些更加个性化的能力❷。我是怎么做的呢②？我直接把我所有的Salesforce 数据全都同步到我自己的 database 上①。然后我自己写了一个 Agent 用 NCP 去读取我的 database❸，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❶。

海燕：你已经实现了传说中的 ABI⑯。

东旭：虽然还不成熟⑰，但我觉得体验比以前自己打开 Salesforce⑳，然后在各处找数据做报表要好⑲。这里涉及到一个核心的逻辑——过去我们的软件都是静态的③。静态是什么意思呢⑲？就是程序员把这个业务逻辑写好❶，变成报表也好⑭，或者变成业务逻辑也好⑲，就在那▓，它没有任何机会去变化⑱。

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①，相当于以前一个公司⑥，比如只有高管才有助理帮他订机票❶，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▓。有点像过去产品底下是一个大的数据库⑮，这个数据库你是看不见的④，比如 Salesforce 底下会有各种各样的 data Infra❷，而且这些数据是被分割在不同的地方⑬。但是未来可能在产品和数据之间⑧，会有一层叫 Agent❶，或者 AI①。

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

东旭：是的❸，而且我觉得 AI 还打破了一个事情⑰，就是人的思维局限⑳，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⑨。

海燕：我说一个我的观察❶。我们投了相当多的软件公司⑪，各类都有⑪。我过去看到的⑳，不管是国内还是国外⑥，软件有一个核心的指标叫做 Customer Retention⑤，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⑲，有没有真正把软件用起来⑱？但凡真正用起来⑰，不需要是多么牛逼的软件❶，客户的 retention 一定是好的⑪。

如果客户都没用起来❶，他一定不会续费⑥。那么客户用软件的障碍又在哪里❸？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⑰。相当于一辆车⑮，这个车已经代表了现代制造业⑲，但问题是开车这个事情⑪，包括把日常开车出门以车代步这个事情变成一个习惯⑮，它是有门槛的⑯，是需要去学习的⑩。你要了解车的基本架构是什么①？每个按键是什么功能④？开上之后还要掌握一定的手感②，你要慢慢地熟悉它⑳，习惯它的速度③，还要遵守交通规则⑯。

东旭：门槛太高了⑩。

海燕：对⑥，这些门槛导致了很多用户会缩回来❸。哪怕这个企业客户买了⑭，组织买了④，让每个同事去用④，很多人还是在自己的老习惯里③，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③。这就说明他其实并没有掌握开车的习惯②，也就很难理解⑲，以车代步会大大地提升效率⑲、拓展能力⑧。

东旭：这种情况他真正需要什么②？需要一个司机⑳。

海燕：但就像你刚才说的⑱，不可能每个人都给配个司机⑧。

东旭：你看这个截图⑥，这是我们公司的一个销售⑭。我想知道他最近在负责什么样的项目⑬？所有这些数据都是动态的⑦。我也可以问他最近一次跟某某客户开会是什么时候⑥？聊了什么内容⑩？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②，长期来看软件的门槛⑳，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⑬。

海燕：不需要用户做任何学习⑳，非常非常低的门槛就能用起来⑧，但凡让他还要学点啥⑬，比如要了解这个软件的整个结构③、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③。

东旭：没错⑫，我先描述一下我想象的未来企业软件的样子❸，下一代的 Salesforce 可能会长什么样⑭？第一❶，它是一个对话框⑥；第二⑪，你可以想象现在把所有的 Salesforce 的功能全都切成一个个碎块⑬，这个碎块就是一张张小卡片⑨，在你的对话中 AI 或 LLM 有点像一个 Copilot②，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③。比如我现在要审批一个东西▓，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②。

东旭：这会很深刻地改变软件的产品形态⑬，它不再是一个网站或者 APP⑭，你可以认为它是一堆散落在各地的小的 tools⑤。

海燕：改变主要是交互层面⑮，还是别的地方⑲？

东旭：交互层面就是最重要❶、最大的创新⑩，这种创新远比我们想象中带来的意义要大⑳。

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⑮，就别让用户学开车了⑱，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⑰，而且还不一定能开得好⑱，说不定还要吃罚单⑤。车也是一步一步进化到全自动驾驶的⑩。到了L2 时代⑳，可能已经解决了一些问题③，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⑬？自动泊车功能就帮你倒进去了⑩。这可能只是先帮你解决一些开车不自信的问题❸。等有一天达到 L3 甚至 L4 级别了⑥，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⑩，比如用语言去命令它：我今天就要去哪到哪⑳，根本不用再碰方向盘了⑲，很可能那时候车都不一定再有方向盘这个东西⑤，对吧⑦？

东旭：这一点上我大方向认可⑬，但是有一个小小的 comment⑧。还是用车来作一个例子⑤，我不觉得完全自动好⑧，除非全世界所有的车都被强制规定自动驾驶⑱。

海燕：不仅得规范车❷，还得规范人❷。

东旭：没错⑧，如果 human 还 in the Loop⑤，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⑲，很多时候不是越自动越好②，而是你给我的结果要具备一个人能理解的可解释性▓。什么意思呢④？比如自动泊车⑫，对于人来说❷，如果你在车里③，你其实更希望看到方向盘是怎么动的⑳，以及给我个 plan②，我去确认⑯，就是 human 一定要有一个 under control 的结果❸。

海燕：这让我想起 DeepSeek R-1 的巨大创新就在这里⑧。

东旭：把思维链展开给你看⑬。

海燕：让 AI 告诉你⑤，它是怎么分析和解决问题的⑲，它把思维链展开给你看了⑮，这个交互本身就是非常非常破圈的一点⑳。

东旭：对①，所以为什么我觉得交互的改变意义深远⑰，现在不管怎么样⑯， AI 还是为人服务的❶，而且大语言模型有一个非常大的问题❶，就是可解释性⑪。为什么我说 Deepseek 是一个特别重要的时间点⑧，就是因为在那个时间点之前⑬，你所有用 LLM 做的东西⑮，可能最后的结果还是不具备可解释性的⑳，是个黑匣子②，大语言模型拍脑袋说啥就是啥❸。但其实在 Reasoning model 普及以后⑧，你对于 AI 输出的结果⑰，是可以去做审核和判断的⑥，而且就算发现有问题⑳，你也可以随时接管②。所以现在包括 Cursor 等比较成功的 Agent 应用❷，都是会把人当成整个软件的一部分⑯。

海燕：所以挺有意思⑯。换句话说③，其实 L3 级别的自动驾驶⑬，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⑯，都是不需要去接管的⑧，但在必要的时候用户可以随时接管⑥。回过头来说⑫，Agent 也不是用来替代软件的⑥，而是会变成软件机制的一部分⑪，这是我们对应用软件的一些畅想或者期待⑱。

我觉得 Infra 软件和 PingCAP 做的事就更接近了⑪，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⑭，其实就是在交互层面⑱，怎么把这种可解释性❸、自然语言的交互习惯⑲，包括怎么让用户能更容易上手④，降低使用的门槛⑩？在这方面⑩，你作为从业者②，对于基础软件在 AI 时代有哪些观察和心得⑤？

东旭：基础软件里面我觉得最重要的几个东西⑫，我先说数据库⑯，因为我们自己就是做数据库的③。第一个结论是我们越来越重要了⑨，我们最近这两年的增长⑯，还是比较 promising 的⑰，这里边一部分的原因❸，尤其在一些新的 workload 里④，大多数都是跟 AI 相关的❸。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⑧，用户因为不知道怎么利用③、分析⑥，像用 Snowflake 跑跑报表⑰，最后给 CEO 看一看大图就完了⑧。

以前像 OLAP 数据仓库的很多应用场景❸，其实就是给数据分析师或者领导写报告③。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❷、利用❶，我才有了做 ETL ⑲、Transform①、Load⑲，涵盖了将数据从一个数据源提取出来⑮，经过各种处理和转换⑱，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⑪，因为我需要从数据的整体去看⑨。

但今天我觉得 AI 提供了一个 possibility⑨，就是我对每个人的所有的数据❸，都可以很好地利用起来⑱。所以第一点②，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⑫，我先把它存下来⑤，因为所有数据都会有用⑰。

海燕：就是数据的价值提升了⑰，或者说开发这些数据成为可能③，导致数据的价值提升了⑬。

东旭：对于数据的存储需求⑱，是在提升的②。我们也有预判⑳，在云上如何给用户提供一个低成本④、无限拓展性的版本⑰，这是一个很重要的 topic⑧。第二❸，对于数据我觉得很重要▓，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⑨，目标人群是开发者⑨、DBA 或者数据分析师②，他们有个共同点③，都是人⑩。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⑫，我要考虑我的用户可能不一定是人❷，我的用户可能是 LLM⑧，可能是大语言模型⑳。

海燕：就是访问数据库的①，不是开发者⑫。

东旭：对⑲，是 Agent❸，在这种情况下⑥，如果按照传统思维去设计系统⑫，会非常非常奇怪⑰。举个例子⑥，像 Snowflake 或者数据仓库的公司⑲，很强调自己的数据 ETL 能力❶，要把数据来回掰扯⑰，变成一个报表③，或者一些抽象数据的 insight⑧，好让大家去做分析❸。

但试想一下⑳， 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❷，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⑰，其实反而是不好的⑥。相当于你给 AI 一个报告①，它只能回答这个报告相关的上下文的东西❶，一旦你问的问题超出了报告的边界⑰，它就没办法回答了▓，因为你没有给它足够的数据⑫。所以对于 AI 来说❸，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②，同时再给它一个足够 flexible 的访问数据的方式⑥。

SQL④，我最近做的思想实验是想象我自己是一个 AI Agent⑲，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⑯？因为我只是拿到了这个需求⑳，同时底下是一个类似 Salesforce 的拜访记录⑭，一个原始数据⑩，最方便的办法就是我通过把“主人”给我的需求①，变成一个对原始数据库的 SQL 的访问⑫，这样我就可以得到一些实时的数据④，然后再根据这些数据去做总结⑤，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❸，数据分析师回去搞报表⑥，只是现在用 AI 来实现刚才的场景⑩，变得每个人都可以做⑮，而且非常轻量⑥。所以⑫，最后我得到的结论就是：SQL is still the best thing we have⑫，SQL 现在仍然是我们跟 AI 以及数据之间最好的桥梁❷。

第二❸，以前其实有各种各样的 database 或者 data infrastructure⑰，这些 data infrastructure 如果是站在 Agent 视角④，它对于数据的烟囱和孤岛是很讨厌的⑨。如果这些数据都在一起❶，我用一条 SQL 就能关联起来⑭。但如果是在孤岛⑲，这边一个向量数据库⑬、一个文档数据库②，那边一个 SQL 数据库④。

海燕：相当于我要翻很多墙才能完成工作⑮。

东旭：所以我觉得 Infra 的归一化也是一个特别大的趋势⑤。

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⑲，过去应用软件服务人③，它是直接面向用户的⑮，用户使用应用软件❸，应用软件调下面 Infra 这一层⑰，应用软件是以开发者为中心去做的④，对吧⑰？

东旭：对❶，开发者写“死”了❶。

海燕：刚才咱们提到其实应用软件更像 L3 的智能驾驶⑬，把过去很多的用户操作变成了智能化的自动操作⑬。本质上是把很多 Agent embed 到它的应用软件里面了⑬，代替了用户人手一条一条去点开①、执行⑭、找界面⑪、找对应的空去填⑪。换句话说⑪，现在应用软件很大一部分是由各种各样的 Agents 构成的⑥，所以过去的用户访问数据库或者开发者访问数据库①，就变成了大量的 Agents 在访问数据库⑯。

有点像过去非智能驾驶时代①，它是油车⑯，支撑车的是内燃机发动机⑬。但现在完全不一样了▓，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▓。换句话说④，Infra 的用户变了❶，不是开发者⑤，不是人②，是 Agents⑮。因此 Infra 也要面向新的用户层去设计⑲、改变③。刚才你提到的有一条很对⑯，就是统一数据库更重要⑲，而不是分散的▓、小的⑧、各种各样的数据库拼凑的整个 Infra 底层①。

东旭：对⑪，另外一个就是接口⑥。接口一定要用一个统一⑳、通用⑳，以及 AI 跟人都能理解的语言去访问数据▓。现在最好的语言就是 SQL①，因为第一▓，SQL 是一个标准的语言❶，AI 训练了这么多年⑬，用的就是它⑭；第二⑮，SQL 又是一个精准的语言⑧，SQL 写对了⑨，一定能够捞出数据可解释①。第三⑥， SQL 也是可以被人类读的⑯，比如刚才我给你看的那个例子⑳，我想看公司最近前 10 名的销售⑤，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①。

总之②，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⑯，这可能是未来要面临的一个课题⑫。

第二个方面⑩，我觉得基础软件里很重要的一个 category⑨，就是操作系统❸。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④。

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⑰，对上面的应用软件提供标准的接口⑩，程序员再利用这些 System API 去做应用❶。比如我画一个窗口⑧，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⑮，但是再往上去提供操作系统本身能力的时候❶，一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⑲，而是 AI agent⑭。

所以刚才我提到像 CRM 软件❷，未来是能够把它所有功能拆成一个一个小块⑱，然后在对话框里通过对话跟 LLM 的交互⑱，让 LLM 能够把相应的能力变成一个对话中的小block⑯。类比到操作系统里⑱，其实这个工作在硅谷已经有一些创业公司在做了⑯，最近这两天有个融资的项目⑨，他们的 vision 就是做一个面向 AI Agent 或者 LLM 的浏览器⑰。未来⑮，浏览器可能会是一个很重要的操作系统▓。

海燕：我也听到我们有一些 portfolio 在提这个想法①。换句话说⑰，云计算的时代也给 AI 打了个基础⑭。AI 让软件的形态发生变化②，其实是把过去自动化时代的一些事情推向了更加智能化⑭、更加小颗粒⑳、更加简单⑩、更加 flexible⑧。是这样一个趋势❶，但并不是就抛弃了软件这个形态⑯。

东旭：不会抛弃的③。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-how⑧，比如懂企业客户❸、懂场景⑭，这些是 AI 很难理解的③。就像卖东西⑥，你不可能让 AI 来帮你卖东西①，至少现在还很难⑧。

第二⑤，还是工程复杂性⑲，就是 LLM 作为单独的模块⑯，它的复杂性是没有的⑨。比如现在千问3刚出来⑩，Deepseek 刚出来⑰，你只要搭上个 Ollama ❷，之后暴露的 API 都一样①，实际上没有什么差异②。

海燕：某种意义上⑥，工程的复杂性反而更高了⑰。

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⑫，一定是不简单的⑫。哪怕就想做一个 AI 自动帮你订机票的事⑤。

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⑲，或者说留给了专业建造者⑭。

东旭：是的⑧，所以我觉得还是有门槛⑨。就像海燕刚才说的⑦，AI 就像整道菜的一把盐⑫，能够把这个菜变得更好吃⑧，但它还是那道菜⑱。

海燕：那你觉得日后企业客户的独有数据这个事还重要吗⑧？

东旭：当然重要▓。

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①，有更多的公海数据呢⑤？

东旭：这点我稍微有点悲观⑩。因为大家现在都知道⑩，包括所有的大厂其实都已经知道数据的价值⑦。老实讲⑫，以前做一个很好用的软件⑫，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⑦，只要在有用户交互的点上❶，那都是兵家必争之地了④。数据才是未来企业最高的护城河❶。

海燕：换句话说⑥，面向企业的软件工具⑨，本质上还是有三个原因⑲，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⑬，就是行业 Know-how 或者客户 Know-how④；第二是工程复杂性▓，在 AI 时代面向用户越简单⑲，后面对工程复杂性的要求越高③，所以需要一些专业服务⑳；第三是如何帮助企业客户用好他自身的数据⑩，因为数据反而更大了❶。

东旭：数据的价值更高了②。

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⑩，它只是像一个哲学家一样跟你讲点大道理⑪，怎么能跟“你”产生关系⑳？只有数据⑤。我觉得大模型要变得有用①，有两点必不可少：一个是模型本身的智力①，就是通识⑲；第二是 context⑫，你的 context 越精准①，这个东西就越有用⑭。所以在这点上⑰，我觉得企业之间的壁垒会越来越大⑧，但是在企业内部⑭，数据打通会越来越通⑧。

海燕：我觉得你刚才提出来的关于数据库的那一条❷，有可能成为新的下一代数据库⑤，很快人人都会说⑫，但这个独有观点是咱们提出来的③。