Ben Horowitz 长文解析 Databricks 与智能体时代的公司形态

未来二十年，我们生活的方方面面都将发生改变。而其中一个轻松跻身前五的问题就是：“你每天上班到底在做什么？”

围绕这个问题，两项重大突破即将发生。第一项是智能体自动化：“描述一项我们目前在做的工作，然后把它自动化。”第二项是赋能员工主动采取行动。离问题最近的人，越来越能够自己去调查机会并采取行动，而不必等待信息和权限层层穿过层级体系。

这两件事都是对每个人日常工作方式的彻底改变——而且是往好的方向变！前提是——这是个很大的前提——组织真的能够演进到这种新的工作方式。令人震惊的是，“一个人每天的工作是什么”在很大程度上受制于其雇主所使用的记录与决策系统。而这本身又受制于他们使用的数据库技术，以及这种技术能实现什么。很少有人会想到后面这一层。

这就轮到 Databricks 登场了。在其影响力圈子之外（那些非常了解他们的人），Databricks 可能是硅谷最被低估的故事，尽管他们现在的年化收入已突破 70 亿美元，同比增长 80%。你肯定听说过他们，但真正了解 Databricks 做什么的人并不多，大家只知道它 1）是一家数据公司，2）对智能体很重要，但可能说不清为什么。

Databricks 的故事是一连串疯狂的事件，也是一个产品恰逢其时的幸运范例。三年前，Databricks 上的每一次交互都离不开人。如今，这家公司收到的智能体查询已经超过人类查询，每天有超过 1700 万个数据库由智能体启动。这一趋势还将继续。

这个故事分为四个部分：

1）Databricks 到底做什么？你也许在广告牌上见过“Lakehouse”和“Lakebase”这两个词，它们是什么，为什么说它们是一项恰逢其时的架构突破？

2）什么是“记录系统”（system of record）？如果智能体要在真实公司里工作、做出真实决策、并为公司知识库做出贡献，它们为什么需要一种新型的记录系统？

3）首先，什么是公司？如果智能体与人的比例达到 1000:1，公司会发生什么变化？公司如何实现差异化、如何创造价值？

4）在这个新世界里，人们每天的工作是什么？AI 在工作中的前景常常被宣传为“普通人现在拥有了软件工程师的能力”。但长期影响未必是“每个人都成为工程师”，可能更接近于“每个人都成为管理者”。

这或许是全篇赌注最高的部分。我们正在实时见证塑造了 20 世纪的管理风格大解体，正如 James Burnham 的著名著作《管理革命》所记录的那样。八十五年前，Burnham 描述了信息技术和组织复杂性如何催生一种企业运营模式：一小群职业经理人将决策权集中到公司内部。今天，得益于新一轮技术浪潮，一线的手艺实践者重新拿回了责任——而我们所有人都因此变得更好。

这就是 Databricks，以及它为何将驱动企业的未来。

从 Spark 到智能体

最近有人把 Databricks 形容为“一家赶上了 AI 浪潮的数据公司”。但这家公司早在浪潮到来十年前，就由一群 AI 研究者创立。它的业务是近二十年间层层叠加的四条技术 S 曲线——Spark、Lakehouse、Lakebase，以及如今的智能体——每一条都为下一条打开了创新窗口。要真正理解这一连串潜力的释放，我们得先花点时间聊聊数据库技术。

2009 年，Ali Ghodsi 是加州大学伯克利分校的访问研究员，他观察到互联网公司正利用海量数据集预测人们会点击、购买和观看什么。那正是人们频繁谈论“大数据”的年代。当时的主流框架是 Hadoop，雅虎、Facebook、Twitter 和 LinkedIn 等公司用它把数据处理任务并行分发到数千台廉价的通用服务器上。在 Hadoop 之前，处理更大规模工作负载的标准做法是向 Oracle 或 IBM 等厂商购买更大的机器，每台动辄数百万美元，因此 Hadoop 成了一个很有吸引力的替代方案。

Hadoop 的关键缺陷在于，计算的每一轮都要先把结果写入磁盘，下一轮才能开始。这让集群中某台廉价机器故障时工作更容易恢复，是个合理的取舍。但对机器学习这类迭代式工作负载来说，它慢得令人痛苦——先做预测，衡量误差，更新模型，然后重复。Hadoop 把每一轮都当作一个新作业，每次都从磁盘重新加载同一份数据，于是集群花几分钟搬运数据，只换来模型几秒钟的改进。

这个问题促使伯克利的博士生 Matei Zaharia 写出了 Apache Spark 的第一个版本。Spark 继承了 Hadoop 把数据处理分散到廉价机器上的创新，但让应用在轮次之间把频繁复用的数据留在服务器快得多的内存里，而不是每次都从磁盘加载——同时没有牺牲容错能力。这让这类重复性工作负载快了最多十倍。实验室于 2010 年将其开源，三年后，Ali、Matei 和另外五位同僚研究者共同创立了 Databricks，把运行 Spark 所需分布式基础设施的复杂性——集群、扩缩容、安全——统统封装到一个面向企业的单一平台之后。

Spark 加快了数据处理，但数据存在哪里是另一个问题。那个时代的企业数据分处两个彼此隔绝的世界。数据仓库存放结构化、可信的记录，分析师可以用 SQL 对其提问，并支撑起每一块仪表盘和每一份季度报告。数据湖则为其他一切——文档、图像、录音和日志——提供廉价存储。数据湖便宜，于是团队把什么都往里倒；但数据进入时既没有校验也没有结构化。尽管 TensorFlow、PyTorch 等 AI 开源工具围绕数据湖生长出庞大的生态，你却很难从一堆无法信任的数据里获得价值，这也让数据湖得了个“数据沼泽”的绰号。

两套系统各自解决了问题，却也制造了一道鸿沟。工程师和数据科学家待在数据湖里用 Python，分析师则待在数据仓库里用 SQL。只要一方需要另一方的数据，就得有人搭一条管道把数据搬过去。结果公司里堆满了数据副本、管道、权限配置和互相矛盾的定义。不过到了 2010 年代末，Databricks、Uber 和 Netflix 各自独立地找到了同一个解法。它们的项目（Delta Lake、Hudi 和 Iceberg）在数据湖的文件之上加了一层表格式，赋予其类似数据仓库的保障，比如全有或全无的更新、schema 管理和带版本的历史记录。公司不必再把数据搬进独立的数据仓库来换取可靠性和性能，而是可以直接在数据原本所在的存储上运行仓库级的工作负载。正是这一突破让一种新架构成为可能。

2020 年，Databricks 把数据湖和数据仓库合二为一，发明了“湖仓一体”（lakehouse）。它既保留了数据湖廉价、灵活的存储，又具备数据仓库严格的可靠性和快速的查询性能，并让仓库级 SQL 和机器学习成为同一底座上的一等工作负载。承载一切数据的廉价存储变得足够可信，足以充当数据底座，让工程师、数据科学家和数据分析师终于可以共享同一份数据。“最好的数据仓库就是湖仓一体”，这句宣传语如此说道，客户似乎也认同。如今，Databricks 的 Lakehouse 业务年化收入已超过 15 亿美元，同比增长超过 100%。

亚马逊 CTO Werner Vogels 在 2020 年 1 月的一篇博客文章中从客户的角度阐述了这一观点。“如果你想在没有数据湖的情况下，把所有这些数据整合进传统数据仓库，就需要做大量的数据准备以及导出、转换和加载（ETL），”他解释道，“你还得权衡要舍弃哪些数据，并不断调整一个僵化系统的结构。”数据湖允许你以任意格式导入数据，从而消除了这些取舍。数据湖同时也是机器学习和 AI 的强大基础，Vogels 写道，它们“在大型、多样化的数据集上如鱼得水”。

但还有一道鸿沟没有填平。湖仓一体统一了公司用于分析的数据，却没有统一其应用运行所依赖的数据。操作型数据库负责为日常业务运营管理实时交易，比如处理支付或用户登录，它仍然通过一张脆弱的管道网与湖仓一体相连。计算和存储依然捆绑在一个单体盒子里，数据被困在专有格式中，使得迁移成为任何组织里最令人胆寒的技术项目之一。

于是在2025年，Databricks 收购了Neon——一家无服务器Postgres公司，其数据库大多已由AI智能体创建，它代表了一种新的数据库架构类别，叫做lakebase（Databricks由此把整合了Neon的产品命名为“Lakebase”）。正如湖仓一体在数据湖之上重建了数据仓库，Lakebase把同样的思路用到了操作型数据库上。它把存储与计算分离，数据可以廉价地存放在数据湖中，计算则随需求伸缩。又因为操作型数据库和湖仓共享同一套底层存储，数据库的变更会自动对分析师、工程师和智能体可见，无需搭建和维护一张错综复杂的管道网。Databricks把这种事务与分析处理的统一称为LTAP，即Lake Transaction/Analytical Processing。

这种分离让数据库的行为更像代码。即便是PB级数据库也能在几秒内复制，因为Lakebase只复制变更部分。智能体因此可以创建一个隔离分支，在上面做实验，用完就丢弃——这一点连Databricks自己也是直到最近才充分意识到。Lakebase去年发布，年化营收已突破1亿美元，而智能体是它最活跃的用户。“我们认为从长远看，这很可能会是一个比现有数据库市场更大的市场，”Ali 说。

这项技术突破来得正是时候。几十年来，公司里的软件由一小群工程师构建，其他人使用。我们正在走向这样一个世界：人只需声明想要的结果，软件自己想办法实现。不再是数千名员工读写由中心团队管理的少数几个数据库，公司将会拥有数千个数据库，由数百万个智能体读写。

智能体的记录系统

6月，Ali站在公司Data + AI Summit的舞台上，面对约3万人，请在场的人如果认为通用人工智能已经到来就举手。他数了数，大概只有百分之十。

“我们相信AGI已经到来了，”他告诉他们，并指出当今的前沿模型已经能答对“人类最后的考试”中一半以上的题目——这套题共2500道，由一百多个领域的专家编写，被认为难到任何AI都无法回答。

2022年ChatGPT问世时，它能处理一个人大约三十秒就能完成的编程任务。如今的前沿智能体能完成一名熟练工程师要花一整个工作日才能完成的编程任务。独立评估实验室METR的研究人员追踪了自2019年以来各模型能独立完成的任务时长，发现大约每七个月翻一番。最近进展更快，编程之外的领域也呈现类似趋势。如果这一趋势持续到2030年代初，智能体将能完成人类要花数年才能完成的任务。

然而，在今天的大多数公司内部，AI仍然不被信任去可靠地更新Salesforce里的记录。

“AI 的问题不在智能，”Ali 解释道，“而在上下文。”再聪明的人，如果拿不到公司的数据、没有行动权限、得不到反馈，也不知道其他员工脑子里装着什么，那基本也派不上用场。Ali 给出的答案，是他所称的“智能体的记录系统”。

也许你看到过 Palantir CEO Alex Karp 谈本体论的片段。“市场上所有的价值都会流向芯片，以及我们所说的本体论，”他这样断言，“本体论让你能拿一个大语言模型来用、来调优，再把它施加到企业上。”至于这在实践中到底意味着什么，通常就留给听众自己去琢磨了。

每家公司都有自己的本体论——一套运转中的模型，说明存在哪些事物、它们之间如何关联、各个词是什么意思，以及当两处说法冲突时以哪个来源为准。其中一部分存在于数据库、仪表盘、制度和文档里，但很大一部分只存在于资深员工的脑子里。而且它永远没有完成的一天。合同会变，变通做法会变成流程，例外会变成规则，官方记录也渐渐偏离工作的实际做法。谁来决定什么事、以及记住哪些决定是对的，同样如此——权限和评估跟本体论一样，都是不成文的。人们几乎在不知不觉中弥补着这一切。销售副总裁的职责，就是知道那笔最大的已承诺交易其实卡住了，因为关键推动者正在悄悄面试别处；知道某个销售代表说的“90%”其实意味着 50%——并且在预测送到 CEO 手里之前把它砍下来。

要让智能体自主行动，目前存在于人们头脑中的大部分本体论、权限和评估，都必须搬进公司的记录系统。Databricks 押注湖仓是它的天然归宿，因为公司其余的数据本来就存储和治理在那里。“如今湖仓已经成为记录系统，”Ali 说，“我把它叫作 SORA——智能体的记录系统。”

员工可以通过 Genie 与这套记录系统交互。Genie 是 Databricks 在 2024 年推出的自然语言界面，让公司里任何人都能对数据提问，并且越来越多地在其上构建智能体。而在底层，这套记录必须覆盖整个公司，并持续回答四个问题，Databricks 正在逐一攻克：

什么是真的？湖仓和 Lakebase 已经承载了状态。

它意味着什么？与其每次有人提问时都让 AI 遍历公司所有数据去找答案，Databricks 的 Genie Ontology 会持续构建一张组织所知内容的图谱，比如收入是怎么算出来的，或者上周站会上讨论了什么。工程师们把一套算法戏称为 OntoRank（向 Google 的 PageRank 致敬），它通过权衡定义由谁创建、使用范围有多广、最近多久改过等属性，来给哪些知识具有权威性排序。在 Databricks 的测试中，让智能体以公司的本体论为依据，把回答准确率从约 50% 提升到了 84.5%。

允许什么？过去那种“每个员工一个登录账号”的访问模型，在全员都是人的时代还行得通，可一旦员工每天要拉起成百上千个智能体，这套模型就崩了。“你没法把每个专有的、彼此隔离的数据库的访问权限都授予智能体，”Ali 解释说。Databricks 的 Unity Gateway 为公司里每个模型、智能体和 AI 工具都赋予身份、预算和护栏，并用追踪日志记录每一次操作，让公司能看清自家 AI 系统在做什么、访问了哪些数据、花了多少钱。

奏效了吗？Databricks 给企业提供了两种构建智能体的方式。业务团队在 Genie 里搭建，把一段提示词变成一个可共享的智能体，让它基于公司数据做推理，并且越来越多地能在 Slack、Salesforce 这类应用里直接执行操作。工程师则在 Agent Bricks 里构建更定制化的智能体——这是 Databricks 面向生产级 AI 智能体的开发者平台。无论走哪条路，Databricks 都允许团队自己出“考卷”——写明哪些结果可以接受、哪些错误绝不能犯——并提供工具，让每个智能体都按照公司对特定任务“好”的定义去优化，AI 由此变成一个闭环。

企业计算的每一次平台更迭，都会围绕“记录系统”掀起一场新的争夺。IBM 主宰了大型机时代。Oracle 和 SAP 成为客户端-服务器时代企业的基石，而 Salesforce、Workday 和 ServiceNow 则为销售、人力资源和 IT 构建了 SaaS 时代的记录系统。智能体是下一次更迭。

但哪家厂商胜出，比起智能体将如何改变企业本身，是个次要的问题。

企业的性质

经济学家罗纳德·科斯在 1937 年的文章《企业的性质》中追问：企业为什么存在？既然市场能通过价格和契约协调活动，为什么还要把人聚到公司内部，让他们的工作听命于管理层的指挥？

他的答案归结为交易成本。找到合适的人、就做什么事、以什么价格来做进行谈判，再加以监督，这些都要花时间和金钱。企业用一套更开放的安排，替代了其中一部分反复发生的市场交易：管理者在约定的范围内调配资源。但在企业内部组织工作同样不是免费的。随着公司扩张，更多信息要经过更多人传递，最终，在企业内部组织下一笔交易的成本，会高到与直接从市场购买相当。按科斯的说法，企业会一直扩张，直到这两种成本相等为止。

四十年后，赫伯特·西蒙——少数同时获得诺贝尔奖和图灵奖的人之一——观察到，把企业的记忆集中起来，反而让决策得以分散。他写道，一份共享的计算机记录“让每个分散的决策点都能独立行动”，因为系统会自动拿这些行动与共享记录核对、保持一致。

对一家航空公司来说，波士顿的售票员不必给其他所有售票员打电话，就能卖出飞往芝加哥的最后一个座位。她查询记录，卖出座位时，记录对所有人同步更新。集中的状态让分散的行动更安全，因为人们可以跟记录协同，而不必彼此协同。

关系型数据库把这一原则推广到了整个公司。过去需要报告、会议和管理层交接才能完成的工作，如今只需对共享记录做一次查询，这让公司能够协调更多产品、地点、人员和交易，而不必按同等速度增加管理人员。到了20世纪90年代，互联网让外部世界也能写入公司的记录，在线市场得以在数百万陌生人之间协调买家、卖家、库存和支付。

由于外部和内部交易成本同时下降，数据库时代并没有让企业一律变大或变小，而是让更多类型的企业得以存在。大企业能够管理远比过去复杂的业务，小企业则可以租用或购买过去需要整个部门才能具备的能力。

AI很可能也是如此。在企业内部，智能体可以通过自动化报告、搜索和日常任务来降低协调成本；在企业外部，它们可以帮助寻找和评估供应商、谈判常规条款并监控结果。就像当年的数据库一样，AI会抬高企业和市场所能达到的复杂度上限。但它更深远的影响，或许在于改变了企业的形态。

20世纪的典型企业呈金字塔形，因为层级制就是它的信息处理系统。事实通过报告和会议向上传递，决策再向下传达，信息流动的图谱与组织架构图如出一辙。管理层决定哪些数据值得收集或共享，这意味着公司对自身的认知，取决于管理者选择收集了什么。

数据库改变了这种结构，但只是部分改变。共享记录让人们可以直接获取信息、更独立地行动，但通常仍是在别人早已设计好的流程之内。在计算机时代的大部分时间里，相对少数的管理者、运营团队和工程师定义了公司的数据模式、指标、应用和工作流，而使用这些系统的人远远多于参与设计的人。

这不仅限制了人们能做什么，也限制了组织能知道什么。比如，一位客服代表每周都会听到好几次同样的投诉，如果她的经理没有写报告把它记录下来，那么她就掌握着公司所不知道的信息。而解决问题又是另一回事。

如今，无论是“知道”还是“做到”，技术门槛都在同时降低。

正如Andrej Karpathy在2023年所说：“最热门的新编程语言是英语。”自然语言界面让更多领域专家可以直接查询公司数据，而不必等待懂SQL或Python的人来预判或回答每一个问题。在拥有百年历史的全球医疗健康公司诺和诺德，科学家过去要等数据工程师来编写查询。现在他们直接问Genie：“把我们的肥胖症数据都展示出来”，它就会立刻调出相关试验、洞察和可视化结果。

在既定权限范围内，员工也有能力自行创建解决方案，省下数小时甚至数天的工作。在电动汽车制造商Rivian，一位没有SQL经验的财务分析师用Genie为CFO搭建了一个收入仪表盘，一位供应链分析师则开发了一款应用来跟踪入库的库存发货。

这并不意味着每个人无需审批就能访问公司的全部数据或资源。随着工作越来越分散，共享本体、权限和问责机制会变得更加重要。记录系统集中管理状态和护栏，同时把提问、设计工作流和采取行动的权限下放。

今年 3 月，Jack Dorsey 写了一篇题为“从层级到智能”的宣言，描述他的公司 Block 如何开始测试这一理念的极端版本。“这是第一次，”他写道，“一个系统能够维护整个企业持续更新的模型，并借此协调工作，而过去这需要人类通过层层管理层级传递信息。”

Ali 所说的“智能体记录系统”与 Jack 所称的公司“世界模型”类似——它是对组织运营、决策、能力和优先事项的持续更新表征。公司边缘的员工让模型扎根于现实，而模型则提供采取行动所需的共享上下文。“人们能触及模型暂时还到不了的地方，”Dorsey 解释道，“他们能感知模型无法感知的东西：直觉、有主见的方向、文化语境、信任动态、房间里的气氛。他们做出模型不该独自做出的判断，尤其是伦理决策、新情况，以及一旦出错代价关乎存亡的高风险时刻。”其结果是一家所需管理层级更少的企业，即便工作变得更加分散，领导者也能对工作有更清晰的可见度。

Databricks 已经为 Block 提供了部分底层基础设施。它管理和治理 Block 在 Square、Cash App 和 TIDAL 上数 PB 的数据，Block 还借助 Databricks 让其 AI 编程助手 goose 扎根于公司的上下文。

对 Dorsey 来说，这种新架构的竞争理由就是速度。“公司快慢取决于信息流动，”他主张，“层级和中间管理层阻碍信息流动。”

Ali 在方向上认同 Dorsey，但有一点区别。“我在理念上同意 Jack Dorsey，”他说，“问题是，这适用于人类的组织架构图吗？”他认为，人们把两件事混为一谈：组织架构图和信息在公司内流动的方式。“十年、二十年前，这两者是一回事。”过去了解情况的唯一办法就是问你的下属，下属再问他们的下属，沿着树状结构上下传递——但如今已不再如此。“Genie 几乎能回答我在任何会议上关于任何事情的任何问题，”他补充道。公司仍然需要管理者，只是需要更少的信息路由者。培养人才、帮助团队判断什么重要、察觉有人不开心，仍然需要人的关注。

因此，尽管两人对层级会消失多少意见不一，但都认为 AI 将接管信息路由工作——正是这项工作让管理者在 20 世纪的企业中握有巨大权力，因为公司变得过于复杂，没有他们便无法运转。

第二次管理革命

八十五年前，大萧条刚刚过去，詹姆斯·伯纳姆写了一本名为《管理革命》的书，预见到企业运作方式乃至资本主义本身都将发生巨变。走出大萧条的那个年代，一种流行的时髦观点是：企业家资本主义作为一种经济趋势已经走到尽头，某种新制度必将取而代之。当时流行的方案之一是社会主义集体制，另一个是国有化。

伯纳姆看懂了正在发生的事。他提出了第三种东西，不只是企业结构，而是一种全新的社会秩序，他称之为“管理社会”。在这个体系里，起决定作用的统治阶级既不是传统的资本家所有者，也不是工人，而是职业经理人、规划者、官僚和高管，他们运营着大型企业和国家。

他认为，现代机构在技术上过于复杂，无法由资本家个人直接指挥。既然没有哪位CEO能了解一家十万名员工的公司里发生的一切，控制权就会逐渐从所有者和领域专家手中转移到管理者手中。

二十世纪下半叶，管理主义取得了近乎完全的胜利。“财富500强公司的大多数高管并不是公司所在领域的专家，他们当然也不是这些公司的创始人，”马克·安德森评论道。“他们是职业经理人，事实上，在他们的职业生涯中，他们可能会管理许多不同种类的业务——他们可能先在医疗行业干一阵，然后去金融服务，接着又去做别的。”

但这场胜利正在耗尽自身。伯纳姆笔下管理阶层的可扩展性和职业可靠性，是以牺牲速度和适应性为代价换来的，尤其是在技术变革面前。

马克提出，也许在像Databricks这样严谨的底座之上应用智能体，能创造出第三种模式，兼得两者之长。它有助于保留创始人的活力和适应性，同时重构规模化所需的管理工作。智能体将把这种运作方式带给更多创始人：它自动化了一部分信息流转和协调工作——正是这些工作让管理层变得必要——而公司的记录系统则让处于边缘的人拥有行动的背景信息和权限。

埃隆·马斯克把马克的想法又推进了一步。今年早些时候，他预言，保留“人在回路”的公司将会失败。他认为，在AI时代保留人在回路，就像用一张需要人工计算部分单元格的电子表格。

埃隆对最终目的地的判断也许是对的——没人知道完全自主的公司还有多远，预测从几年到永远不会都有。但在那之前，颇具讽刺意味的是，管理主义的衰落可能更像是人人都变成管理者。不是每个人都会有直接下属，但会有更多人负责界定工作、分派执行、检查结果、更新流程。第二次管理革命与其说是管理的死亡，不如说是职业经理阶层对管理的垄断走向终结。

如今，软件工程师对此感受尤为深切：工作内容正从亲手编写代码，转向管理一支由编码智能体组成的团队。工程师的一天越来越像管理者的一天：界定问题、拆解任务、分派给并行工作的智能体，然后审阅返回的拉取请求——有的批准，有的附上意见退回。随着智能体在越来越多领域具备能力，更多知识工作者也会经历类似的转变：从亲力亲为每一步，转向明确需求、分派任务、评判成果。诺和诺德的科学家和 Rivian 的供应链分析师已经在用 Genie 指挥智能体完成过去需要一支工程师或数据科学家团队才能做的工作，从而让这些团队腾出手来专注于最具战略意义的事务。

对人类生产力和薪资来说这是好消息，因为执行与判断在经济上是互补的：当 AI 降低了常规执行的成本，对指导执行的判断力的需求就会上升。

数学家阿尔弗雷德·诺斯·怀特海在一个世纪前观察到：“文明的进步，在于我们能够不加思索地完成的重要操作数量不断增加。”企业的进步也是如此，一个循环接一个循环地变得更加自主。每当有人纠正一个智能体循环，这次纠正就应当改进下一次执行。而当一个循环证明自己能可靠地完成一项边界明确的工作时，人便从中退出，转向下一个尚未解决的问题，把自己学到的东西留在企业的共享记录中。

但是，正如伯纳姆大概会注意到的那样，企业要保持主权，就必须拥有自己的模型，以及一线人员教给它的一切。

主权企业

在智能体化的企业里，优秀人才将比以往更有价值。但优秀人才也会来来去去。与此同时，模型不断进步，而每个竞争对手都能租到同样的模型。那么，企业究竟该如何在这个新世界里建立可持续的竞争优势？

设想两家银行租用同一个前沿模型来辅助信贷决策。第一家把提示词发给模型，收到答案，然后记录最终决定。第二家则记录是哪些事实促成了答案、人工有过哪些推翻、哪些决策效果好、哪些失败了，并全程调整自己的策略。一年后，当更好的模型出现时，只有其中一家建成了更好的银行。如果你更换公司的 AI 模型，而新模型继承了你积累的定义、权限、评估过的案例、客户历史和来之不易的例外情况，这就是可持续竞争优势的基础。如果新 AI 模型和别人的一样，从同一个提示词起步，那就不是。

第二家银行就是人们开始称之为“主权”企业的那种公司。如果供应商涨价、更改条款或停用某个模型，企业可以更换供应商，而不丢失已经学到的东西。随着模型越来越聪明、企业对它们的依赖越来越深，这种独立性只会变得更加重要。

在最近的一篇文章中，微软 CEO 萨提亚·纳德拉从另一个角度得出了相似的结论。他认为，AI 模型不断吸收人类和组织的专业知识，并将其商品化，因此“每家公司都将不得不构建我所认为的人力资本和 token 资本”。人力资本是公司员工的知识、判断力、人际关系和创造力，token 资本则是公司构建并拥有的 AI 能力。两者在学习循环中相互叠加，“这个循环将成为企业新的知识产权”。

数据是 token 资本的基础。英伟达 CEO 黄仁勋在 Databricks 2024 年 Data + AI 峰会上告诉听众，“每家公司的业务数据都是他们的金矿”。他解释说，英伟达几乎每个流程都始于数据飞轮，从芯片设计到供应链。“这让我们有可能成为世界上最大的小公司之一，”他说。当时，英伟达市值超过 3 万亿美元，却只有 3 万名员工。“原因当然是我们公司里有那么多 AI 在帮我们做事，完成各种了不起的工作。”黄仁勋相信这适用于每家公司。“这是一个非凡的时代，”他说，“而它始于数据。”

Databricks 押注的是，数据以及建立在数据之上的循环，应该存放在公司自己掌控的系统中。这甚至包括 Databricks 自家的专用模型——公司花了多年时间为企业工作负载优化这些模型。重要的是循环，而不只是数据；这正是他们从 2023 年起就专注的方向，那时这一点对所有人来说还不明显。仅仅拥有数据并不构成护城河，但它能防止公司的记忆被困在某个供应商的技术栈里。只有当数据以及基于数据进行推理的 AI 帮助公司比竞争对手更快地改进决策和产品时，护城河才会出现。

Databricks 很早就练就了这种能力。Spark 是开源的，客户可以直接下载并自行运行。但创始人最终发现，只要让 Spark 更容易运行、更快、更安全、对企业更有用，客户就愿意为 Databricks 付费。为了生存，他们必须比免费替代品追赶的速度更快地为客户创造价值。而随着智能体降低了寻找和切换到替代方案的成本，更多公司将面临类似的考验。

你所能想到的最好的主意

大约十年前，Ali 打电话向我征求意见。当时世界上最大的公司之一提出以 Databricks 上一轮融资估值约六倍的价格收购它。

考虑到仅仅两年前这家公司还差点死掉，连 C 轮融资的领投方都找不到，这似乎是一个梦想般的结果。我们在 2013 年领投了 A 轮，当时这家公司还是七位伯克利学者，唯一的经常性收入是卖他们自己会议的门票；后来我们又与 NEA 一起介入，领投了没人愿意领投的 C 轮。

Ali 对那次谈话的记忆比我更清楚：

“嘿，你想怎么做都行，两种情况我都支持你。而且说实话，如果你按这个价格卖掉，对我来说其实很不错：我们在 a16z 能赚很多钱，我能给投资人带来好多倍的回报。老实说，对我个人而言，这可能是更好的选择。但我只是在回想。我当过 Loudcloud 和 Opsware 的 CEO——那家公司给我的牌面，跟你现在这家公司没法比。回头看，人这一辈子能有几次机会，哪怕只是做出一家像 Loudcloud 或 Opsware 这样的公司，更别说 Databricks 了？这个市场实在太大了。你可以卖掉，赚一大笔钱，人生也会非常成功。但如果你像我一样，你余生都会回想：‘我错过了那一次机会。就是那件事，我本该一路走到底。而现在我永远不会知道自己能把它做到多远。’所以，你想带着这种遗憾生活，还是只想拿到钱？无论你想怎么做，我都支持。”

Ali 道了谢，挂了电话。然后他对自己说：“我们绝不会这么做。这事不会发生。”

你很难遇到这么好的市场机会，又配上这么优秀的创业者。这是稀有中的稀有。我们见过很优秀的创业者，但他们的市场机会有限；也见过市场机会极好的公司，但创业者不够强，撑不起这个机会。而这一次，两者我们都有。

上个月，Databricks 的营收年化运行率突破 70 亿美元，同比增长 80%，估值达到 1900 亿美元。事实证明，这位创业者足够强。

而 TAM 是公司本身的根基——一套共享的记录系统，界定什么是真实的、数据意味着什么、谁能做什么、什么做法奏效。有了这个根基，人和智能体就能自主行动，不必把每个决策都层层上报给管理层，而他们行动的结果会回流到公司拥有的记录中。

协调成本会下降，公司用现有的人就能做成更多事，还会诞生一些以前根本说不通的新公司，因为十个人就能干过去几千人干的活。而在 AI 能胜任一位优秀人才所能做的一切之前——这还很遥远——这会让优秀的人更有价值，而不是更没价值。

执行别人设计好的流程的人会变少，因为智能体会接手那些已经想清楚的工作。更多的人会去处理还没人解决的问题——判断什么好、察觉什么变了、决定接下来应该存在什么。

未来几十年，人们上班一整天会做什么？老实说：做那些还没被想清楚的事。随着智能体和公司把我们已知怎么做的工作越来越多地自动化，人们会与这种新的智能协作，打造了不起的新事物，解决以前遥不可及的问题。

立即订阅

本通讯仅供参考，不应作为法律、商业、投资或税务建议的依据。此外，本内容不构成投资建议，也不适用于任何 a16z 基金的投资者或潜在投资者。本通讯可能包含指向其他网站的链接，或含有从第三方来源获取的其他信息——a16z 未对这些信息进行独立核实，也不对其当前或持续的准确性作出任何陈述。如果本内容包含第三方广告，a16z 未对此类广告进行审核，也不认可其中的任何广告内容或相关公司。文中提及、引用或描述的任何投资或投资组合公司，并不代表 a16z 管理的所有投资工具的全部投资；完整投资列表请访问 https://a16z.com/investment-list/。其他重要信息请见 a16z.com/disclosures。您收到本通讯是因为此前已选择订阅；如希望退订未来的通讯，可立即取消订阅。