摘要：如果在软件行业发展的坐标轴上划出一个分野点，华创资本管理合伙人吴海燕认为是2021年。因为这一年，不仅是软件行业估值的高点，也是行业最受资本追捧的一年。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，一类则是 2021 年没有融到钱的公司。

如果在软件行业发展的坐标轴上划出一个分野点，华创资本管理合伙人吴海燕认为是2021年。因为这一年，不仅是软件行业估值的高点，也是行业最受资本追捧的一年。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，一类则是 2021 年没有融到钱的公司。这之后，两类公司都不可避免地遭遇挑战，但困难的程度和路径选择却截然不同。

华创派企业 PingCAP 就属于 2021 年融资成功的阵营。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。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，创立的分布式关系型数据库 TiDB，能持续帮助企业最大化发挥数据价值。

随着 AI 浪潮的来临，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，AI 将如何深刻改变企业软件的交互方式与产品形态？基础软件在 AI 时代又该实现哪些自我革新和进化？近日，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，软件公司该如何顺流而上，发挥出自己独特的行业价值。

嘉宾介绍：

黄东旭， PingCAP 联合创始人兼 CTO

本期主播：

吴海燕，华创资本管理合伙人

以下为节目内容，经过 CGCVC 编辑——

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

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

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

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

东旭：没错，PingCAP 2015年创立，从第一天起，我们就想着去做一个 global company，公司成立前两年基本都在写代码，你说的2017年10月的那个时间点，是我们真正决定要在硅谷设点，开始正式运营在海外的业务。其实在那之前，我从来没有在海外工作、留学过，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，哪怕没有条件，创造条件也要去做，所以我当时都没买回程机票，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，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，我介绍你认识了硅谷当地一些做投资的朋友。后来到了 2020 年，一位朋友还跟我说后悔在硅谷介绍你们认识时没有投资PingCAP。

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

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

2021 年实际上是软件行业估值的高点，应该也是行业最受追捧的一年。 2021 年我们软件 portfolio 所获得的融资，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，再也回不到 2021年的盛况了。

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。

海燕：当年（2020年）标志性的事件就是 Snowflake 上市，超高估值上市激起了大家对软件行业非常大的热情，所以行业融了很多钱。到了 2022 年初，世界一下又变化了，按下了暂停键。之后的三年里，直到今天，企业软件公司融资就变得不太容易了。

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

东旭：非常 tough。

海燕：活下来的可能都是“打不死的小强”了。而 2021 年融到很多钱的公司，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。因为 2021 年你融到很多钱，就意味着你当时一心想要做高增长，会招很多很多人，会开新的办公室，花很多时间精力做销售，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，然后在 2022 年，啪，一个巨大的终止符下来了。所以在 2021 年融到很多钱的公司，无一例外地经历了团队从很小规模到很大，又缩回很小的这样一个阵痛的过程。

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 20、21 年已经非常明确地知道 22 年一定会有大的经济危机，因为美联储持续地加息、印钞，我们觉得风险非常非常大。 21 年正好在市场比较好的时候，尤其在 Snowflake 上市以后，我们知道未来马上会有苦日子，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，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，如果你只做单一市场是不够的，我们一定要在那个时间点让自己变成一个 global company，这样才能有更多抵御风险的能力。包括到现在我们对于 spending 的控制，我觉得还可以，没有说突然有钱了以后就疯狂扩张。

当时确实扩了一点，但很快在 2022 年时，我们又往回缩了一些。倒不是因为业务的原因，而是我们需要像跑马拉松一样，根据最终的目标来去分配精力和能量。因为当时是我们做全球化最好的时机，由于疫情的缘故，物理世界的数字化在加速，包括 cloud 的 infrastructure 变得越来越成熟，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，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，问过几个我们拿了大钱的 portfolio，他们在 21 年融了不止一轮，且融了非常多的钱。每次他们融到大钱时，我都会打电话问创始人：“根据咱的业务状态和进展，似乎没有必要一定要拿这笔钱，你是怎么考虑的？”

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

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

东旭：其实 Open AI 在 GPT-2 出来的时候我就开始在玩，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，可能后面的 downtime 你不一定能拿到很多钱。而 AI 大潮的来临，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、 A股、港股这些比较大的二级市场，还是一级市场，都变得非常紧缩，流动性不足，就导致股权融资变得很困难。即便是上市公司，你要做增发，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，从 22 年以后，融资的公司数量、总的融资金额都在不断地下降。我觉得这个情况在硅谷和在北京都是一样的，不是说硅谷的情况就比咱们好很多，大家都处于一个紧缩的时代。

东旭：或者说市场的注意力都转到了 AI 这边。

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

东旭： 这是非常明显的 “The Head Effect”。

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

软件公司在过去两年也 kind of 被大家有点遗忘了，给人感觉是软件公司跟 AI 到底能发生什么强关联呢？AI 时代会不会有一些完全不同的公司出来，做面向企业客户的数字化、智能化？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。一直到 DeepSeek 今年春节爆火之前，整个行业大概都是在 build prototype。今天有个很好的 idea，我就试一试。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，打个榜三天以后就 hype，而且 AI 的势能过大，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，而且 Transformer 跟过去的科技创新，或者软件行业的技术创新还有点不一样。

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，比如像我们的数据库，过去的门槛其实在于工程复杂性。就是你可能要写 100 万行代码，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-how，才能做这样的 system software。包括各种 SaaS，在过去都是这样的逻辑。

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

所以，创业者投身AI，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，大家其实一直在经历各种各样的三天一遍的一个hype。

海燕：Hype 之下一个很重要的心态，就是 FOMO。不管是个人用户、企业客户还是投资人、创业者，大家都有不同的FOMO 情绪。比如过去两年，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。但这个背景之下，各个企业还都有部分预算是特意留给 AI 的。就是无论如何我都得先试试 AI，万一我被时代抛下怎么办？

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，没有进去。我觉得到今年 AI 的基础能力，不管是 DeepSeek 还是现在的 Tier1 的 model，已经能做一些 actually something useful，这是非常非常重要的。

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

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

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

东旭：就好像 AI 是万能药。

海燕：对，有个 AI 就不需要专业的软件公司了。这两年我也琢磨了一下，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，车变得不一样了，变得更强大了，但还是需要专业的造车公司去把车给造出来，你还是需要一辆车的，对吧？

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

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

海燕：你需要基于 Salesforce 做数据统计或者 BI。

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

现在我自己做了一个 Agent，但还是太慢了，还需要一些更加个性化的能力。我是怎么做的呢？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 SQL，我在上面就用自然语言去看，比如最近 10 天最好的销售排名。

海燕：你已经实现了传说中的 ABI。

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

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，比如只有高管才有助理帮他订机票， 现在你可以认为每一个企业软件服务的用户，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，这个数据库你是看不见的，比如 Salesforce 底下会有各种各样的 data Infra，而且这些数据是被分割在不同的地方。但是未来可能在产品和数据之间，会有一层叫 Agent，或者 AI。

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

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

海燕：我说一个我的观察。我们投了相当多的软件公司，各类都有。我过去看到的，不管是国内还是国外，软件有一个核心的指标叫做 Customer Retention，就是客户的 retention rate，而 Customer Retention 的一个最大障碍就是客户买了软件之后，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，客户的 retention 一定是好的。

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

东旭：门槛太高了。

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

东旭：这种情况他真正需要什么？需要一个司机。

海燕：但就像你刚才说的，不可能每个人都给配个司机。

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

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

东旭：没错，我先描述一下我想象的未来企业软件的样子，下一代的 Salesforce 可能会长什么样？第一，它是一个对话框；第二，你可以想象现在把所有的 Salesforce 的功能全都切成一个个碎块，这个碎块就是一张张小卡片，在你的对话中 AI 或 LLM 有点像一个 Copilot，这个 Copilot 会根据你的上下文和你现在的需求，把相应的碎片拿出来放到对话框里。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。

海燕：不需要让你在一堆列表里找。

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

海燕：改变主要是交互层面，还是别的地方？

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

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

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

海燕：不仅得规范车，还得规范人。

东旭：没错，如果 human 还 in the Loop，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，很多时候不是越自动越好，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？比如自动泊车，对于人来说，如果你在车里，你其实更希望看到方向盘是怎么动的，以及给我个 plan，我去确认，就是 human 一定要有一个 under control 的结果。

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。

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

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

海燕：所以挺有意思。换句话说，其实 L3 级别的自动驾驶，反而是相当长时期 stay 在那里的一个形态， L3 其实就是 Copilot 方式的存在，它在绝大部分情况下，都是不需要去接管的，但在必要的时候用户可以随时接管。回过头来说，Agent 也不是用来替代软件的，而是会变成软件机制的一部分，这是我们对应用软件的一些畅想或者期待。

我觉得 Infra 软件和 PingCAP 做的事就更接近了，因为应用软件是面向用户的，所以可能 AI 时代一个重要的革新，其实就是在交互层面，怎么把这种可解释性、自然语言的交互习惯，包括怎么让用户能更容易上手，降低使用的门槛？在这方面，你作为从业者，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，我先说数据库，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，还是比较 promising 的，这里边一部分的原因，尤其在一些新的 workload 里，大多数都是跟 AI 相关的。我觉得从客户的角度来看，第一个心态就是以前很多数据，用户因为不知道怎么利用、分析，像用 Snowflake 跑跑报表，最后给 CEO 看一看大图就完了。

以前像 OLAP 数据仓库（Online Analytical Processing，联机分析处理）的很多应用场景，其实就是给数据分析师或者领导写报告。但是仔细想一想，就是因为我们没有办法对这种海量碎片化的数据去提取、利用，我才有了做 ETL （编者注：ETL属于数据集成的增强能力，代表Extract(提取)、Transform(转换)、Load(加载)，涵盖了将数据从一个数据源提取出来，经过各种处理和转换，最后加载到另一个数据源的全过程。）做这种大数据的动机，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 possibility，就是我对每个人的所有的数据，都可以很好地利用起来。所以第一点，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，因为所有数据都会有用。

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

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

海燕：就是访问数据库的，不是开发者。

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

但试想一下， AI 在访问你的数据时，如果你给它的是一些被处理过的数据，或者是一些你自己通过大脑想出来的，我觉得 AI 应该用我的 open 数据的 API 去封装，其实反而是不好的。相当于你给 AI 一个报告，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，它就没办法回答了，因为你没有给它足够的数据。所以对于 AI 来说，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，同时再给它一个足够 flexible 的访问数据的方式。

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

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

海燕：相当于我要翻很多墙才能完成工作。

东旭：所以我觉得 Infra 的归一化也是一个特别大的趋势。

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

东旭：对，开发者写“死”了。

海燕：刚才咱们提到其实应用软件更像 L3 的智能驾驶，把过去很多的用户操作变成了智能化的自动操作。本质上是把很多 Agent embed 到它的应用软件里面了，代替了用户人手一条一条去点开、执行、找界面、找对应的空去填。换句话说，现在应用软件很大一部分是由各种各样的 Agents 构成的，所以过去的用户访问数据库或者开发者访问数据库，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，它是油车，支撑车的是内燃机发动机。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，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，Infra 的用户变了，不是开发者，不是人，是 Agents。因此 Infra 也要面向新的用户层去设计、改变。刚才你提到的有一条很对，就是统一数据库更重要，而不是分散的、小的、各种各样的数据库拼凑的整个 Infra 底层。

东旭：对，另外一个就是接口。接口一定要用一个统一、通用，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 SQL，因为第一，SQL 是一个标准的语言，AI 训练了这么多年，用的就是它；第二，SQL 又是一个精准的语言，SQL 写对了，一定能够捞出数据可解释。第三， SQL 也是可以被人类读的，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，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。

总之，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，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。

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

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

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

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

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

海燕：某种意义上，工程的复杂性反而更高了。

东旭：有点像企业软件或 SaaS 软件一样。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。哪怕就想做一个 AI 自动帮你订机票的事。

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

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

海燕：那你觉得日后企业客户的独有数据这个事还重要吗？

东旭：当然重要。

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

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

海燕：换句话说，面向企业的软件工具，本质上还是有三个原因，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-how；第二是工程复杂性，在 AI 时代面向用户越简单，后面对工程复杂性的要求越高，所以需要一些专业服务；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。

东旭：数据的价值更高了。

海燕：所以每个企业都想保护好自己的独有数据。

东旭：我用大白话来打个比喻：如果你不给大模型任何数据，它只是像一个哲学家一样跟你讲点大道理，怎么能跟“你”产生关系？只有数据。我觉得大模型要变得有用，有两点必不可少：一个是模型本身的智力，就是通识；第二是 context，你的 context 越精准，这个东西就越有用。所以在这点上，我觉得企业之间的壁垒会越来越大，但是在企业内部，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，有可能成为新的下一代数据库，很快人人都会说，但这个独有观点是咱们提出来的。

东旭：我三年前就这么说了，大家还不信。

海燕：2019 年你们提 HTAP，后来提 Serverless，包括 2017 年就说要做全球化。希望像东旭这样一直拥有独立思考的人，能不断地去引领这个行业。

感谢东旭来「牛白丁」做客，那我们今天就聊到这里。

来源：钛媒体