新聞摘要 據 Wall Street Journal 報導，Databricks 計畫在新一輪融資中實現 1880 億美元估值，並引入 Coatue Management 領投。根據知情人士透露，該輪融資規模為 30 億美元，由 Coatue 牽頭，最終對 Databricks 的公司估值定在 1880 億美元。這輪估值較 Databricks 在 2025 年 12 月融資時的 1340 億美元估值提升了 40%，報導未給出更多交易結構細節或資金用途安排。 深度洞察 從供給側邏輯看，Databricks 在估值上行的同時繼續迭代其面向企業的 AI 相關產品，尤其是 Unity AI Gateway 這類強調 “模型接入與支出追蹤” 的能力，可能反映其將軟體交付與企業治理能力繫結的路徑。此類功能或許對應資料平台廠商在算力成本可見性增強背景下的產品演進，幫助其在 “資料管理 — 模型呼叫 — 費用計量” 鏈條上形成更完整的可計費環節。由於新聞未披露具體成本結構與供應鏈變化，供給側更多體現在產品能力與商業化抓手上，而不是硬體或管道層的新增投入。

文章來自一場 a16z 的播客，主持人是我很喜歡的科技博主 Packy。這場對談主要發生在兩位a16z的聯合創始人Ben和Marc之間。Marc關於技術改變底層供給模式，從而導致市場不是線性增長，而是跳躍式擴張的觀點很有啟發。視訊連結我放在文末的“閱讀全文”。01｜資訊環境：從“可控”走向“失控”Erik：今天我們想聊一件事：資訊環境變了，媒體變了，創業也變了。你們怎麼看這幾年媒體與資訊生態的變化？Packy：我最強的感受是：過去媒體更集中、更有門檻；現在更分散、更開放，也更混亂。Marc：我會用三個詞：中性一點叫“不可控”，負面一點叫“無政府”，正面一點叫“被解放”。你可以不喜歡它的樣子，但它確實在往表達更難被單點控制的方向走。Packy：你自己也經歷過很多平台階段。到底發生了什麼，讓風向變成這樣？Marc：我不想把自己講成某種英雄。我在很多平台時代都在場，也看過平台治理和內容邊界怎麼被拉扯。要說轉折點，馬斯克買下 Twitter 當然是一個巨大的事件，它把很多原本在後台發生的事，搬到了檯面上。Ben：但我想補一句：很多真正難打的仗，不是那些能靠注意力硬剛的仗。更像 Substack 那種，它是一個相對年輕的公司，面對的壓力很具體、很現實、也更系統性。他們做的不是短期公關動作，而是長期堅持一個底層原則：平台要有自己的完整性。Substack 是一個讓作者直接面向讀者寫作、通過訂閱獲得收入的內容發佈平台，常見訂閱形態是郵件+專欄。它特別之處在於把作者的成功和平台的成功強繫結：作者能建立獨立品牌、賺到錢、沉澱穩定讀者，平台才會變強，而不是靠演算法流量把作者當消耗品。02｜為什麼投 Substack：是商業與價值觀對齊Packy：所以你們投 Substack，底層邏輯是什麼？是價值觀驅動，還是商業判斷？Marc：投資永遠先是商業判斷。我們投 Substack，是因為它有機會成為一種很關鍵的基礎設施：讓一批寫作者把內容當成事業經營，而不是被迫依附在某個分發平台的演算法裡討生活。Packy：但內容平台太多了，憑什麼是它？Marc：因為它把內容創作者的成功和平台的成功繫結得非常緊：作者能建立獨立品牌、能有穩定收入，平台才強。它不是把作者當流量燃料的那種結構。還有一個更關鍵的點：很多人總喜歡用存量市場去理解媒體，覺得就是搶注意力、搶廣告。可 Substack 更像在做供給端擴張：不是把已有內容重新分配，而是讓更多原本不會出現的高品質內容出現。Erik：你說供給端擴張，能展開一點嗎？Marc：很多東西之所以不存在，不是因為沒人想看，而是因為創作者沒法靠它活下去。你把變現機制補上，就會有新人進來，就會出現新題材、新寫法、新的專業內容形態。供給上來以後，需求會被反向啟動。投資人如果只按今天看得到的市場規模去算，往往會錯過這種變化。03｜“市場規模”經常把投資人訓練成“看錯的人”Packy：說到市場規模會被低估，我想到你們聊過 Databricks：你們當時判斷它會變得比大家想像的大很多，甚至可能比 Oracle 還大。為什麼新一代公司總能變成上一代的 10 倍？Databricks 是一家做雲端資料平台的公司，核心是把資料儲存、處理、分析、機器學習、AI 的工作流整合到同一套平台裡，幫企業把資料真正用起來。它特別之處在於佔住了雲時代資料基礎設施的關鍵位置：當企業從本地遷到雲、再疊加 AI 對資料的依賴，這個底層平台的可服務市場會被放大很多倍，容易出現10 倍擴張。Ben：如果你把本地部署軟體換成雲軟體，很多品類天然就是 10 倍擴張。歷史上類似的事情反覆發生：上一代的企業軟體，到了雲時代會擴大很多倍。Databricks 站在資料與雲的關鍵位置上，本來就具備這種乘數效應。Marc：更要命的是：投資人很擅長做一件事，拿現有市場去做精確測算。但真正的 10 倍機會，往往發生在供給能力突然變化之後。Marc：比如，Uber 的市場不是計程車市場；雲軟體不是本地軟體市場；GPU 的市場也不只是遊戲顯示卡市場。技術一旦改變供給能力，市場會跳到 10 倍、100 倍，甚至更多。技術改變供給，市場就會不是線性增長，而是跳躍式擴張。你當下用傳統方法很難證明它，但它恰恰是超額回報的來源。Packy：所以“10 倍”不是一個修辭，而是一個結構性現象？Marc：對。只要底層供給方式變了，很多行業的“可服務規模”就會被重寫。你看到的不是更快一點、便宜一點，而是整個邊界被推開了。04｜ AI：不是某個行業升級，而是“我們重新發明了電腦”Packy：你們新基金規模很大。160億美金的體量，背後到底在押注什麼未來？Marc：一句話：我們重新發明了電腦。新的電腦比過去 50 年我們依賴的那套強太多了。幾乎所有你在新聞裡看到的難題，從癌症到交通、到各類欺詐等，你都能想像 AI 會參與解決。它不是某個行業的工具升級，而是“人類做事方式的重構”。Marc：更關鍵的是，它會讓從想法到產品的路徑變短。創業者會變多，因為實現成本下降了。AI 最擅長的事情之一，就是幫你把東西做出來。所以我們看到的是：機會變多、公司數量變多、世界被重做的速度變快。Ben：以前你遇到複雜問題要自己拆解，現在你可以直接讓 AI 給你一個 18 步的解決路徑，再讓它反過來採訪你，把你的盲點問出來。你會突然意識到：這和過去的電腦完全不是一類東西。05｜認為“有好技術就會贏”，這是錯覺Packy：AI 讓產品變得更容易做出來，那 VC 的價值在那裡？是不是就變成：幫好技術贏得更快？Ben：我們一直認為，VC 真正能做的，是讓創業者從“發明者”變成“能打的 CEO”。現實世界太大、太亂、太複雜，8 億人也好 80 億人也好，每個人都有意見，而且很多人還真的能左右你的命運：客戶買不買、監管怎麼管、對手怎麼打、輿論怎麼走。你可能不是被打敗，而是被忽視。Ben：所以平台的價值不是替你做產品，而是把你放進一個正向的信心循環：你要見關鍵客戶、挖關鍵人才、拿關鍵管道、搞定關鍵政策，如果你做成一次，你的決策會更快，組織會更穩；如果你連續做不成，創業者會進入自我懷疑螺旋。我們做很多事，本質是讓你能借到一股外部力量，快速滾起雪球。Marc：也順便解釋了外界一直對我們的誤解，“你們怎麼這麼愛發聲、這麼愛做品牌、這麼愛出現在公共場域？”因為我們從一開始就是這麼設計的：把 VC 品牌做成可轉移的勢能，讓被投公司在最關鍵階段借過去當彈弓。06｜文化與聲譽：“複利”的不是錢，而是“信譽”Erik：你們內部經常講文化，講“不要當夢想殺手”。怎麼把這件事做成體系？Ben：我們有一份文化檔案，加入前必須認真看、也要簽字。核心很簡單：我們要做的是幫助創業者把事情做成，而不是靠嘲諷別人來顯得自己聰明。我們可以不投，但不應該傷害一個認真做事的人。Packy：如果讓你們各自選一個最長期在“複利”的東西，會是什麼？Ben：兩個字：聲譽。我們從創立第一天就討論這個。聲譽很慢，但一旦建立就非常強。舉個最直觀的對比：第一期基金 3 億美元，我們募了大半年、見了無數人；這次 150 億美元，我和 Marc 各做了一場問答就差不多了，靠的就是過去積累的信譽。Ben：但聲譽也脆弱：一次錯誤的破壞力，遠大於很多次正確的累積。所以你得對內部行為極度敏感，不能容忍不誠實、傲慢、傷害創業者的事。07｜最後，對未來最興奮的是什麼？Ben：我其實最興奮的是我們可能會進入一個生活質量大幅提升的世界。就像你不會想回到沒電的年代一樣，AI 可能把很多“不得不忍受的糟糕事”幹掉。當然我唯一的擔心是：如果人類離真實的目標感太遠，可能會把意義寄託在一些很荒誕的東西上。但整體上，我更相信世界會變好。Marc：我最興奮的是 Z 世代。他們是在 2015–2024 那段很奇怪的社會氛圍里長大的“接收者”，反而更清醒：不沉迷道德表演、不習慣自責、不羞於成功，更直接、更愛表達、更有幽默感、更“AI 原生”。他們看起來更像一群要狠狠幹一把的人。這期聽下來，我反而更平靜了：未來不會按我們熟悉的節奏往前走。很多機會不是更用力搶出來的，而是你先相信它會變大，然後提前站到那個更大的世界裡。以上，祝你今天開心。 (Fun AI Everyday)

人工智慧推理晶片開發商 Groq Inc. 今天宣佈已籌集 7.5 億美元的新資金。Databricks Inc. 的支持者 Disruptive 領投了此輪融資。思科系統公司 (Cisco Systems Inc.)、三星電子公司 (Samsung Electronics Co.)、德國電信資本合夥公司 (Deutsche Telekom Capital Partners) 和多家投資公司也參與了此次融資。Groq 目前的估值為 690 萬美元，高於去年的 28 億美元。Groq 推出了一款名為語言處理單元 (LPU) 的處理器。該公司聲稱，該晶片能夠以比顯示卡高 10 倍的能效運行某些推理工作負載。Groq 表示，LPU 的高效運行得益於多項競爭對手晶片所不具備的最佳化。協調運行 AI 模型所涉及的不同處理器元件可能會消耗大量的計算能力。據 Groq 稱，其 LPU 降低了這種開銷，從而為推理留下了更多的處理能力。該公司表示，其晶片可以運行包含 1 兆個參數的模型。Groq 的 LPU 使用自訂編譯器減少了與電路協調任務相關的開銷。編譯器會在推理工作負載啟動之前計算出那個電路應該執行那個任務，從而無需在執行階段運行必要的計算。Groq 的編譯器還以其他方式最佳化 AI 模型。許多晶片使用一種稱為量化的技術來壓縮神經網路，這可以減少其記憶體佔用，但會犧牲一些輸出質量。Groq 表示，其編譯器使用了該技術的改進版本 RealScale。該技術僅壓縮神經網路中量化後輸出質量不會顯著下降的部分。LPU 的另一個賣點是它具有所謂的確定性架構。因此，可以以單個時鐘周期的粒度預測每個給定計算操作所需的時間。據 Groq 稱，LPU 的可預測性有助於實現原本難以實現的性能最佳化。該公司將其晶片作為名為 GroqRack 的裝置的一部分出售。該系統包含九台伺服器，每台伺服器都配備多個邏輯處理器 (LPU)。Grok 表示，GroqRack 所需的外部網路硬體比同類競爭產品更少，從而降低了成本，並且無需進行大規模裝置升級即可安裝在資料中心。該公司還通過雲平台提供晶片訪問。該平台名為 GroqCloud，託管由 LPU 驅動的 AI 模型，開發人員可以通過應用程式程式設計介面 (API) 將其整合到自己的軟體中。Groq 將利用新融資來擴展支援 GroqCloud 的資料中心網路。此次投資正值有報導稱，一家競爭對手的推理晶片供應商正在尋求新一輪融資之際。據報導，總部位於加州聖克拉拉的Rivos正在洽談以20億美元的估值籌集至多5億美元。該公司正在開發一款將顯示卡與中央處理器核心相結合的片上系統。Groq打造的LPU是什麼？Groq 建構快速的 AI 推理。Groq LPU AI 推理技術可提供卓越的 AI 計算速度、質量和規模經濟性。Groq AI 推理基礎架構，特別是GroqCloud，由語言處理單元 (LPU) 提供支援，這是一種新型處理器。Groq 完全從零開始建立和建構了 LPU，以滿足 AI 的獨特需求。LPU 能夠以更快的速度運行大型語言模型 (LLM) 和其他領先模型，並且在架構層面，與 GPU 相比，其能源效率最高可提高 10 倍。Groq LPU 通過四個核心設計原則以及其架構提供如此卓越的性能。具體而言，這些原則包括：軟體優先、可程式設計裝配線架構、確定性計算和網路和片上儲存器。■ LPU設計原則1：軟體優先Groq LPU 架構秉承軟體優先的原則，旨在簡化軟體開發人員最大化硬體利用率的工作，並將儘可能多的控制權交到開發人員手中。GPU 功能多樣、性能強大，能夠處理各種不同的計算任務。但它們也十分複雜，給軟體帶來了額外的負擔。它必須考慮工作負載在多個晶片內部和跨晶片執行方式的差異性，這使得調度執行階段執行和最大化硬體利用率變得更加困難。為了最大限度地提高 GPU 的硬體利用率，每個新的 AI 模型都需要編寫特定於模型的核心。這正是我們“軟體優先”原則如此重要的原因——對於 GPU 而言，軟體始終是硬體的次要因素。Groq LPU 從一開始就專為線性代數計算而設計——這是 AI 推理的主要需求。通過將重點限制線上性代數計算上並簡化多晶片計算範式，Groq 採用了一種獨特的 AI 推理和晶片設計方法。該 LPU 採用可程式設計流水線架構，使 AI 推理技術能夠使用通用的、獨立於模型的編譯器，並始終秉持其軟體優先的原則。軟體始終處於主導地位，完全控制推理的每個步驟。目標是使軟體開發人員能夠更輕鬆地最大化硬體利用率，並將儘可能多的控制權交到開發人員手中。軟體優先不僅僅是一種設計原則——它實際上是 Groq 建構其第一代 GroqChip™ 處理器的方式。在設計編譯器架構之前，我們從未接觸過晶片設計。編譯器接受來自多個不同框架的工作負載，並通過多個階段運行這些工作負載。當編譯器對應並調度程序在一個或多個邏輯處理器 (LPU) 上執行階段，它會最佳化性能和利用率。最終，程序將涵蓋整個執行過程中的所有資料移動資訊。■ LPU設計原則2：可程式設計裝配線架構Groq LPU 的主要定義特徵是其可程式設計流水線架構。LPU 具有資料“傳送帶”，用於在晶片的 SIMD（單指令/多資料）功能單元之間傳輸指令和資料。在組裝過程的每個步驟中，功能單元都會通過傳送帶接收指令。這些指令會告知功能單元應該從那裡獲取輸入資料（那條傳送帶）、應該使用這些資料執行那些功能以及應該將輸出資料放置在何處。此過程完全由軟體控制；無需硬體同步。LPU可程式設計流式架構支援晶片內和晶片間的流水線流程。晶片間頻寬充足，使資料傳送帶能夠像晶片內一樣輕鬆地在晶片間傳輸。即使在最大容量下，也無需路由器或控製器來實現晶片間連接。晶片內部和晶片間的裝配線流程消除了瓶頸。無需等待計算或記憶體資源即可完成任務。由於沒有瓶頸需要管理，晶片上無需額外控製器。裝配線運行順暢高效，完美同步。與 GPU 的工作方式相比，這是一個巨大的進步。GPU 採用多核“中心輻射”模型運行，這種模型中低效的資料分頁方法需要大量開銷，以便在晶片內部和跨晶片的計算單元和記憶體單元之間來回傳輸資料。GPU 還利用機架內部和跨機架的多層外部交換機和網路晶片進行相互通訊，這進一步加劇了軟體調度的複雜性。這導致多核方法難以程式設計。■ LPU設計原則3：確定性計算和網路為了使裝配線高效運行，必須高度確定每個步驟的確切耗時。如果某項任務的執行時間差異過大，這種差異就會影響整條裝配線。高效的裝配線需要高度精確的確定性。LPU 架構具有確定性，這意味著每個執行步驟都完全可預測，甚至可以精確到最小執行周期（也稱為時鐘周期）。軟體控制的硬體能夠高度精確地瞭解操作發生的時間和地點，以及執行所需的時間。Groq LPU 通過消除關鍵資源（即資料頻寬和計算）的爭用來實現高度確定性。晶片（傳送帶）擁有充足的資料路由容量，晶片的功能單元也擁有充足的計算能力。不同任務使用相同資源不會出現問題，因此不會因資源瓶頸而導致執行延遲。晶片之間的資料路由也是如此。LPU 資料傳送帶也在晶片之間運行，因此連接晶片會形成更大的可程式設計流水線。資料流在編譯期間由軟體靜態調度，並且每次程式執行時都以相同的方式執行。■ LPU設計原則4：片上儲存器LPU 包含片上記憶體和計算功能，可大幅提高資料儲存和檢索的速度，同時消除時序差異。確定性可確保裝配線高效運行並消除每個計算階段的差異性，而片上記憶體則可使其運行速度更快。GPU 使用獨立的高頻寬記憶體晶片，這帶來了複雜性——需要多層記憶體快取、交換機和路由器來來回回傳輸資料——同時也消耗了大量的能源。將記憶體整合在同一晶片上可以提高每次 I/O 操作的效率和速度，並消除複雜性和不確定性。Groq 片上 SRAM 的記憶體頻寬高達 80 TB/秒，而 GPU 片外 HBM 的記憶體頻寬約為 8 TB/秒。僅憑這一點差異，LPU 的速度就提升了 10 倍，而且 LPU 還無需往返於單獨的記憶體晶片來檢索資料，從而獲得了顯著的提升。晶片內部和晶片間的流水線流程消除了瓶頸，無需等待計算或記憶體資源即可完成任務。正是得益於這些設計，Groq LPU能 提供卓越的速度、質量和經濟實惠的規模化解決方案。得益於其固有的設計原則，LPU 的性能優勢將持久有效。GPU 的速度和成本將繼續降低，Groq 亦是如此，而且速度會更快。我們目前的晶片組採用 14 奈米工藝製造。隨著我們逐步邁向 4 奈米工藝，LPU 架構的性能優勢將更加顯著。Groq強調，上述是 Groq 指導 LPU 產品開發的“首要原則”。即使 GPU 製造商試圖縮小差距，公司也能確保保持顯著的性能優勢。 (EDA365電子論壇)

資料分析與人工智慧領域的重要參與者 Databricks 宣佈與 OpenAI 建立深度合作關係，雙方簽署了一份價值 1 億美元、為期多年的合作協議。根據協議，Databricks 將在其資料平台和 AI 產品 Agent Bricks 中整合 OpenAI 的先進模型（包括即將發佈的 GPT-5），旨在幫助企業更安全地利用自有資料部署生成式 AI 工具。這一戰略合作折射出當前企業加速擁抱 AI 解決方案的行業趨勢。Databricks 作為基於雲的資料平台，專注於提供資料工程、協同資料科學和機器學習服務，其核心使命是簡化和加速企業的資料分析與 AI 應用流程。OpenAI 則是以"確保通用人工智慧造福全人類"為宗旨的研究機構，其開發的 GPT 系列模型已在各行業得到廣泛應用。與 Databricks × Anthropic 合作的對比今年三月，Databricks 與 Anthropic 達成一項為期五年、目標金額 1 億美元的合作，旨在將 Claude 引入受監管的企業資料環境。從結構和敘事來看，此次 OpenAI 的合作與上述協議如出一轍：同樣是多年期、九位數規模的雄心，強調“基於資料的智能體”，並承諾通過原生路由和評估機制讓團隊能為不同任務選擇合適模型。競爭層面的解讀很直接：Databricks 正在實施多模型搶佔策略，通過投入資金確保 Claude 和 GPT 同時“上架”，再依靠評估結果和成本曲線決定每項任務的最佳模型。對 Anthropic 而言，這提高了其在 Databricks 管道內的差異化門檻；而對 OpenAI 來說，則是在少數真正具有企業級影響力的資料平台中追平了 Anthropic 的佈局。戰略背景近期被列為具備資料駐留控制功能的指定服務“Agent Bricks”，是 Databricks 將“演示級智能體”轉化為可量化監管系統的工具。結合其開源模型線 gpt-oss，Databricks 在統一治理框架下建構了可靠的“閉源+開源”組合。再加上近期通過併購降低智能體延遲和資料管道成本的動作，其戰略意圖顯而易見：在湖倉平台內建構智能體運行環境，再引入全球頂尖模型為其賦能。這一佈局的成功前提是，其可靠性與總成本必須優於企業去年已自建的堆疊方案。行業觀察此次合作凸顯了企業級 AI 市場的兩個關鍵動向：一方面，像 Mastercard 這類頭部客戶對 AI 工具的需求正在激增；另一方面，AI 廠商需要通過戰略合作確保技術落地場景。OpenAI 通過此協議獲得穩定收入來源，有利於其基礎設施擴建規劃，而 Databricks 則借此強化了在激烈競爭中的差異化優勢。 (InfraNative)

Matrix Origin MOI對標Databricks與Snowflake，AI原生多模態資料智能平台正式發佈。2025年9月13日，Matrix Origin正式推出AI原生多模態資料智能平台MatrixOneIntelligence（MOI）以及超融合異構雲原生資料庫MatrixOne（MO）。此次發佈標誌著資料智能領域邁出關鍵一步，特別是在人工智慧與資料基礎設施的深度融合方面。MOI的推出旨在通過技術創新加速AI在企業中的落地，為行業帶來更高效、智能的資料處理與分析解決方案。超融合架構 + Data Git：MO的核心優勢MatrixOne的核心在於其超融合架構，旨在解決企業長期存在的資料孤島問題。通過整合不同類型的資料來源，MO可提供統一的資料訪問與管理平台，從而簡化資料處理流程、降低營運成本。MO創新性地引入了“Data Git”概念，該功能顯著縮短AI項目的開發周期，尤其在處理複雜資料場景時，大幅提升項目敏捷性。這一版本控制機制使團隊能夠更高效協作、追蹤資料變更，並快速回滾至歷史狀態，對AI模型迭代與資料治理至關重要。MOI：下一代資料基礎設施的戰略佈局MOI被定位為下一代Data Infrastructure，其核心目標是為企業提供一站式AI資料智能平台。該平台支援自然語言驅動的工作流，意味著使用者可通過自然語言指令運算元據、進行分析與決策，極大降低使用門檻。技術上，MOI對標Databricks與Snowflake，後兩者在資料智能領域已取得顯著成就。Matrix Origin此次戰略舉措旨在通過技術創新縮小與行業領先者的差距，為企業提供更具競爭力的解決方案。Matrix Origin深耕資料智能多年，客戶涵蓋網際網路、金融、能源、製造、醫療等多個行業，表明MOI具備廣闊的應用前景，能夠滿足不同領域對資料智能的多樣化需求。Matrix Origin在資本市場亦展現出強勁的增長勢頭。公司已於2024年5月完成數百萬美元Pre-A輪融資，並於2025年8月獲得超過2億元人民幣的資金，目前正在進行新一輪融資。這表明資本市場對Matrix Origin的發展前景持樂觀態度，為MOI的持續研發與市場拓展提供了充足的資金支援。隨著人工智慧技術的不斷發展，對資料智能平台的需求將持續增長。Matrix Origin有望憑藉其技術優勢與市場經驗，在這一領域取得更大突破。MOI的發佈不僅展現了Matrix Origin的技術實力，也預示著資料智能行業將迎來新一輪變革。未來，資料智能平台領域的技術創新將圍繞以下幾個主流方向展開：1. 生成式AI與增強分析：通過自然語言互動、自動生成洞察與決策建議，降低分析門檻，實現“人人可用”的 analytics。2.多模態資料融合與即時處理：支援文字、圖像、語音、時序等多模態資料的統一儲存、索引與即時計算，滿足AI應用對多樣化資料的需求。3.Data as Code（資料即程式碼）：借鑑DevOps理念，實現資料版本控制、CI/CD、可觀測性，提升資料開發效率與治理水平，類似MO的“Data Git”。4. 邊緣智能與雲邊協同：將AI能力下沉至邊緣節點，實現低延遲、高隱私的資料處理，同時與雲端協同，最佳化資源利用。5.智能體（Agent）編排與自動化決策：通過多智能體協作、任務規劃與執行，實現從資料到行動的閉環自動化，推動企業營運智能化。6. 資料安全與隱私計算：在資料共享與分析過程中，融合差分隱私、聯邦學習、同態加密等技術，保障資料合規使用。7. 量子計算與AI融合：探索量子計算在複雜最佳化、特徵提取等AI任務中的應用潛力，提升計算效率。這些趨勢將共同推動資料智能平台向“AI原生、多模態、自動化、可信任”方向演進，成為企業數位化轉型的核心基礎設施。 (壹號講獅)

7家創企，118個科研項目背後的傳奇教授。這位擁有25億美元（約合人民幣179億元）身家的大學教授，為何還堅守在一線課堂？智東西9月2日報導，近日，AI資料平台Databricks在最新一輪融資後，估值突破1000億美元（約合人民幣7162億元），有望成為全球估值第四高的AI獨角獸，這也讓外界關注到其聯合創始人兼董事長、加州大學伯克利分校（後簡稱UCB）教授Ion Stoica，以及他橫跨產業與學術界的傳奇經歷。Stoica現年60歲，自2000年起開始在UCB任教，此後25年來均未離開這一校園。2010年至今，Stoica在UCB電腦學院參與了3所重要實驗室的創辦和管理。這些實驗室在巨量資料、雲端運算和AI時代貢獻了118個科研項目，其中不乏影響力廣泛、幾乎成為AI領域核心基礎設施的項目，如巨量資料框架Spark、分佈式執行框架Ray、大模型推理框架vLLM等。▲Ion Stoica（圖源：YouTube）他還通過親自參與創業、指導創業或是提供人脈與資金支援的方式，創辦或孵化了至少7家知名創企，分佈於資料基礎設施、生成式AI等行業。除了估值已經突破1000億美元的Databricks，Stoica聯合創辦了估值10億美元的AI託管計算平台Anyscale、估值6億美元的LMArena（大模型競技場）和估值3億美元的視訊流分析技術公司Conviva等企業。Stoica是高性能AI與資料分析平台Alluxio創始人李浩源、資料中心作業系統創企Mesosphere創始人Benjamin Hindman的博士生導師，這兩家創企均發源於開放原始碼專案，曾得到Stoica的指導。目前，Stoica還在大模型記憶技術創企Letta擔任顧問。儘管取得了商業上的成功，但Stoica仍然心繫教育、科研。今年秋天，Stoica將繼續留在課堂，教授作業系統和系統程式設計的本科課程。通過在矽谷的人脈，Stoica給自己的實驗室拉來了極為豪華的贊助商陣容，包括輝達、Meta、螞蟻集團、AMD、Google、亞馬遜、華為等知名企業。他還給將自己創業獲得的資產投入科研，給實驗室提供資金支援。在向《福布斯》分析自己成功的原因時，Stoica稱，這要歸功於他對科研的專注：“這是一種創造的過程，不斷探索新想法。”在本文中，我們將回顧Stoica傳奇的創業與科研經歷，並瞭解他對自己成功經歷的思考和總結。01. 師從北大電腦校友張暉 06年首次開啟創業Stoica於2000年在卡耐基梅隆大學（後簡稱CMU）完成博士學業，導師是該校史上最年輕的終身教授張暉（北大電腦學院84級院友）。同年，他加入UCB，並從教至今。UCB地處矽谷，有極為濃厚的創業氛圍，Stoica也在2006年了自己的第一個創業項目——Conviva。▲Conviva的創始團隊（圖源：Conviva官網）2006年，串流媒體內容逐漸興起，YouTube已經成為主流平台之一。Stoica與他的導師張暉看到了市場對線上視訊體驗最佳化的需求，並在CMU和UCB的科研成果基礎之上開始創業，聯合創辦了Conviva。早期，Conviva專注於即時視訊流分析，成為全球最早實現影片播放自適應的平台之一。該公司通過AI技術識別視訊平台的播放質量問題，並收集使用者的觀看資料（包括正在觀看的內容、使用者喜好等），形成分析報告。Conviva的主要客戶包括美國福克斯公司（FOX）、NBC環球集團旗下的串流媒體平台Peacock等。Stoica原本在Conviva擔任CTO一職，但目前已經不在Conviva擁有正式管理層職位。他仍然留在董事會，每週都會與團隊見面。成立以來，Conviva已經完成了7輪融資，總融資額為1.1億美元。其上一輪融資於2017年完成，當時投後估值約為3億美元。02. 給巨量資料時代打造核心基礎設施 成果轉化為千億估值創企在創辦Conviva的同時，Stoica也沒有停下學術與科研的腳步。UCB電腦科學學部有每5年成立一個合作實驗室的傳統，Stoica深度參與了該學部近15年來成立的三大實驗室，帶領成員做出了頗具學術與行業影響力的成果。2011年，UCB成立了AMP（演算法、機器與人）實驗室。在官宣實驗室成立的演講中，Stoica稱，AMP實驗室希望通過緊密整合演算法、機器和人力，實現對巨量資料的理解。在其存續的5年間，AMP實驗室打造了25個科研項目，包括開源分佈式資源管理框架Apache Mesos、開源分佈式巨量資料處理框架Apache Spark、開源分佈式資料編排平台Alluxio（原名Tachyon）等，成為巨量資料基礎設施領域的重要貢獻者。這三大開放原始碼專案，最後都轉化為創企：Databricks（總融資208億美元，估值超1000億美元）Databricks是Stoica參與創辦的第二家創企，主營業務是AI資料分析平台。其創始團隊由七位加州大學伯克利分校的教授和研究生組成，大都來自Stoica所管理的AMP實驗室。▲Databricks創始團隊，Stoica為左數第二位（圖源：Databricks）2009年，Databricks的創始團隊開發出開源分佈式巨量資料處理框架Spark，並不斷維護、更新這一項目，還一度創下了資料排序速度的世界紀錄。在將Spark作為開放原始碼專案營運一段時間後，Databricks的聯合創始人、UCB副教授的Matei Zaharia稱，Stoica希望將Spark變成一家初創公司，以鼓勵使用者更認真地對待此類來自高校實驗室的研究。2013年，Databricks正式成立。憑藉著開放原始碼專案Spark的成功，Databricks在A輪融資時便獲得來自a16z的1400萬美元融資。2013年-2016年，Stoica擔任Databricks CEO一職，深度參與公司日常管理與決策。他在2016年將CEO一職交棒給了曾在AMP實驗室擔任訪問學者的Ali Ghodsi。對於這一決定，他在接受《福布斯》採訪時說道：“超過這個時間就意味著離開伯克利，所以我必須做出選擇，我選擇了回去。”如今，Databricks已經成長為估值超過1000億美元的超級獨角獸，服務超過60%的財富500強企業。Stoica仍在這一公司擔任董事會執行主席的職務。▲Stoica擔任Databricks董事會執行主席（圖源：Databricks）Alluxio（總融資額7300萬美元，估值暫未披露）Alluxio原名Tachyon，是一個以記憶體為中心、容錯的虛擬分佈式儲存系統，旨在解決Apache Spark生態系統內的資料共享挑戰。2015年，Alluxio正式成立，早期投資者為a16z——這是一家與Stoica關係密切的投資機構。其創始人兼CEO李浩源在AMPLab完成了相關研究，論文指導者便包括其博士生導師Stoica。▲Alluxio目前的管理團隊，上排左一為李浩源（圖源：Alluxio官網）隨著技術趨勢轉向混合雲和多雲架構以及AI，Alluxio不斷髮展，為AI和資料密集型工作負載的資料訪問提供解決方案。如今，Alluxio的AI加速平台為全球十大網際網路公司中的九家提供支援。Alluxio已經完成4輪融資，其最近一輪融資於2021年底完成，由高瓴創投領投，融資額達5000萬美元。不過，其估值暫時未對外披露。Mesosphere/D2iQ（總融資2.5億美元，最高估值7.75億美元）Mesosphere成立於2013年，Stoica的學生Benjamin Hindman在其中擔任CIPO（首席智慧財產權官）的職務。這家公司的主要技術來自於開放原始碼專案Apache Mesos，而Benjamin Hindman是這一項目的核心作者。DCOS（資料中心作業系統）是Mesosphere的核心產品。Mesosphere將資料中心抽象為“單一大機器”，通過分佈式核心調度和資源管理，為大規模計算與資料密集型工作負載提供統一的運行平台。2015年，Mesosphere宣佈獲得a16z等頂級風投的投資。隨著容器化、微服務和雲原生趨勢的興起，Mesosphere後續在產品上逐漸轉型，支援Kubernetes，並在2019年正式更名為D2iQ。D2iQ的解決方案主要面向混合雲與企業級Kubernetes平台，幫助客戶簡化雲原生應用的部署與維運。迄今為止，D2iQ融資總額接近2.5億美元，投資方包括a16z、Khosla創投、惠普等，其估值曾經在2018年完成的D輪融資後達到7.75億美元。微軟、Google等都曾傳出有收購D2iQ的意向，但因D2iQ管理層反對而未能完成交易。2023年底，D2iQ宣佈終止營運，公司資產將進行清盤，並分配給債權人。03. 指導高性能分佈式執行框架Ray科研 衍生創企估值已達10億美元2017年初，Stoica參與到了UCB RISE（即時智能安全執行）實驗室的建立與管理工作中。當時，Stoica等人已經意識到，資料生成、計算和執行之間的循環正在閉合，AI已成現實，計算的影響正在擴展到世界的每一個角落。RISE實驗室與AMP實驗室一脈相承，期望能在巨量資料分析的基礎上，進一步發展相關技術堆疊，幫助應用程式即時地、智能地且安全地與環境進行互動。在大規模機器學習和強化學習領域，RISE實驗室貢獻了超41個開放原始碼專案，其中影響力最大的當屬高性能分佈式執行框架Ray，這一項目成功轉化為創企Anyscale。Anyscale（總融資2.59美元，估值10億美元）2019年，Anyscale成立，創始團隊包括Stoica、Philipp Moritz（Stoica的博士生）和Robert Nishihara等人。Stoica目前在Anyscale擔任董事會執行主席的職位。Philipp Moritz和Robert Nishihara是Ray的主要作者，這一項目大幅度提升了分散式運算的易用性，讓開發者能夠用簡單的API，把單機Python程序擴展到大規模分佈式環境。Stoica指導這兩位作者完成了Ray的相關研究。▲Stocia與Anyscale其他聯合創始人的合影（圖源：Anyscale官網）Ray提供了統一的程式設計方式，開發者不必關心底層分佈式細節。相比於傳統的Spark、Hadoop，Ray更靈活，支援低延遲的任務調度和多種計算模式（批處理、流式、線上推理等）。這一項目在AI/ML領域影響力尤其大，業內許多流行的庫都是基於Ray建構的，如Ray Tune超參數調優框架、Ray RLlib強化學習庫等。在此基礎上，Anyscale為Ray提供了完全託管計算平台，加入了最佳化、可觀察性、資料治理和開發人員工具等，使其成為運行Ray工作負載的最佳平台之一。目前，Uber、OpenAI、Shopify和亞馬遜等頭部企業的開發人員正在使用Ray建構機器學習平台。Anyscale成立6年來共完成4輪融資，總融資額達2.59億美元。2022年完成C輪融資後，其最新估值為10億美元。04. 實驗室3年貢獻52個項目 幫大模型造擂台、記憶庫2022年，Stoica又推動了天空計算實驗室（Sky Computing Lab）的成立。天空計算是雲平台之上的一層，其目標是實現雲之間的相互協作，讓應用程式能夠在任何雲提供商上實現“一次寫入，隨處運行”。天空計算實驗室近年來已經貢獻了52個項目，打造了本輪生成式AI浪潮中重要的基礎設施，包括大模型推理引擎vLLM、AI作業框架SkiPilot、大模型評估平台Chatbot Arena（現名LMArena）、視訊生成模型評估平台Video Arena、智能體記憶系統MemGPT等，其中，LMArena和MemGPT已經實現公司化運作。LMArena（總融資1億美元，估值6億美元）LMArena由Stoica和他的學生Wei-Lin Chiang、Anastasasios N. Angelopoulos等人聯合創辦，Stoica擔任LMArena的董事長。這一平台通過“人類偏好投票”方式，公開評估大語言模型性能。當使用者在這一平台上提交提示詞後，會有兩個匿名模型作答，然後基於使用者選擇判斷哪個模型表現更佳。LMArena的資料與排行榜廣受業界關注，甚至成為不少模型發佈前的重要參考。目前，LMArena託管了400多個AI模型，平台使用者投票數達到350多萬張。今年年初，LMArena完成1億美元的種子輪融資，領投機構為a16z，投後估值達6億美元。融資完成後，LMArena團隊發佈了全新設計的平台，最佳化了介面和投票流程，並逐步加入登錄、聊天記錄保存、WebDev Arena等功能模組。Letta（總融資1000萬美元，估值7000萬美元）Letta成立於2024年，由天空計算實驗室的兩位博士生Sarah Wooders和Charles Packer創辦。其中，Stoica是Sarah Wooders的博士生導師，並在該公司擔任顧問。▲Letta創始團隊（圖源：Letta）Letta的核心技術源自MemGPT，後者是天空計算實驗室的一個開放原始碼專案。MemGPT提出了“大模型作業系統”的概念，專注於大模型的上下文管理和長期記憶能力，讓大模型變得“有狀態”（Stateful）。2023年10月，MemGPT項目在正式發佈論文和程式碼之前，就憑藉一份白皮書迅速走紅。該項目正式發佈在GitHub上後，已經收穫1.8萬星標收藏，有近2000個分支項目。Letta目前的主要產品包括Letta雲（打造和部署有狀態Agent的雲平台）和用於增強Agent處理外部檔案能力的Letta檔案系統。2024年9月，Letta獲得1000萬美元種子輪融資，估值達7000萬美元。05. 靠拉贊助和創業反哺科研 80多名學生從中受益Stoica過去15年內主持工作的三所實驗室，擁有不少共同的特點：開源、前沿、與產業密切結合。這些特點讓它們不止停留在學術機構的層面，還擁有孵化器般的能力。自2011年的AMP實驗室以來，Stoica就特別注重與產業界的密切合作。AMP實驗室拉來了Google、SAP、亞馬遜、華為、IBM、英特爾、微軟、VMWare等企業作為贊助商。此後，Stoica的實驗室還獲得了輝達、Meta、螞蟻集團、AMD、博通、三星、Lambda等企業的支援。同時，通過不斷創業，Stoica的創業項目還使他成為了億萬富翁，現資產大約有25億美元，他將一部分個人資產投入實驗室的營運工作中。這些真金白銀的支援讓Stoica的實驗室擁有資金和資源，得以同時開展大量研究項目。目前，Stoica在UCB擔任研究資金削減問題工作組的主席。他鼓勵其他教授向他一樣通過創業獲取資金，在美國政府削減科研資助的大背景下繼續科研。但成為億萬富翁並非Stoica的目標。Stoica在接受《福布斯》採訪時稱：“我仍然是一名學者，如果賺錢是唯一的驅動力，那我就去IPO了。這是最簡單的方法，但我不是出於這一目的而創業，我想創造有意義的東西。”他還認為，自己在創業中獲得的成功，得益於對科研的專註：“這是一種創造的過程，不斷探索新想法。”此外，大學的科研項目大多具有開源性質，能吸引企業使用，而大部分公司不會開源最佳系統。基於開放原始碼專案打造的企業，在起步階段就能獲得不少聲量。將Stoica留在學術界的原因，可能是他的學生們。他向《福布斯》說道：“這些處在成長期的年輕人不知道什麼做的成，什麼做不成，但他們有信念，能做出讓人出乎意料的解決方案。”由Stoica親自指導的80多名學生從他的資源和關係網中受益，他們絕大多數都在學術界、大公司就職，或是擁有自己的初創公司，其中包括在Databricks工作的至少7名學生。06. 結語：高校前沿探索仍有望轉化為巨大商業價值當今的AI浪潮中，有越來越多頗具影響力的成果，誕生在產業界，這也讓外界一度懷疑：在計算資源要求越來越高、規模效應越來越強烈的AI領域，學術界的價值何在？而Stoica教授的成功經歷證明，在高校進行的開源、前沿探索項目，往往能對產業界起到極為重要的補充和啟發性作用。在以適當的方式轉化為企業後，仍然可以貢獻巨大的產業和商業價值。 (智東西)

Databricks之所以能夠躍升為全球第四大AI獨角獸（估值1000億美元，僅次於OpenAI、字節跳動和xAI），核心在於其精準踩中了AI時代的兩大風口：資料基礎設施與AI智能體，並通過“技術+收購”雙輪驅動實現爆發式增長。一、技術根基：從Spark到LakehouseDatabricks的起點是加州大學伯克利分校實驗室的Apache Spark項目，該開源框架打破了資料排序的世界紀錄，為海量資料處理提供了高效工具。基於Spark的深厚積累，Databricks推出了“湖倉一體”（Lakehouse）架構，將資料湖的靈活性與資料倉儲的管理能力融合，成為AI訓練所需的資料底座。這一架構既解決了企業資料孤島問題，又提供了高性能計算能力，契合了AI時代對大規模、多樣化資料處理的迫切需求。從伯克利 AMPLab 到 Apache Spark2013 年，7 位 UC Berkeley AMPLab 的成員（含華人聯合創始人 Reynold Xin）把實驗室裡拿下資料排序世界紀錄的 Apache Spark 商業化，創辦了 Databricks。Spark 的高性能分散式運算為後來的“湖倉一體”架構奠定了核心技術壁壘。二、戰略升級：All in AI與AI智能體佈局2022年ChatGPT引爆生成式AI熱潮後，Databricks CEO敏銳意識到AI在資料分析領域的巨大潛力，果斷帶領公司全力押注AI。為此，公司制定了清晰的戰略方向——聚焦AI智能體（Agent），並推出兩大核心產品：-Agent Bricks：一個易用的“智能體”生產線，幫助企業快速建構和部署AI agent，執行從員工入職到個性化HR問答等日常任務。- Lakebase：專為AI agent最佳化的高速資料庫，基於開源Postgres打造，旨在解決傳統資料庫在AI場景下的性能瓶頸。這一戰略佈局使Databricks從傳統的資料平台升級為AI驅動的智能體平台，搶佔了AI應用落地的關鍵賽道。三、資本助力：千億估值融資與延遲IPODatabricks的崛起離不開資本的強力助推。2024年12月，公司完成100億美元J輪融資，估值620億美元；僅8個月後，新一輪K輪融資將其估值推高至1000億美元，增長61%。資本狂熱背後，是投資者對AI基礎設施稀缺資產的爭奪——Databricks服務的15000+客戶中，包括60%以上的《財富》500強企業，年化收入達37億美元且增速50%，財務表現遠超競爭對手。投資方包括 a16z、Thrive Capital、阿布扎比 MGX、貝萊德等頂級機構，融資被“瘋狂超額認購”。資本看好其“AI 時代資料基礎設施”定位，預期未來 IPO 將複製 Figma 上市後的飆升行情。值得注意的是，CEO明確表示，新融資將用於推遲IPO，以規避公開市場的短期壓力，專注於長期技術投入和生態擴張。這種“延遲上市”策略為公司提供了更大的戰略靈活性，也反映了資本對確定性增長的追逐。四、生態擴張：巨頭合作與人才爭奪為鞏固行業地位，Databricks積極建構合作夥伴生態，與微軟、Google Cloud、Anthropic、SAP、Palantir等巨頭深化合作，滲透更多行業場景。同時，公司正大規模擴張團隊，目前約9000名員工，年內計畫新增3000人，以應對激烈的AI人才競爭。Databricks的崛起是技術前瞻性、戰略聚焦與資本槓桿共同作用的結果：它以資料基礎設施切入AI價值鏈上游，通過Lakehouse架構和AI智能體佈局鎖定未來增長，再借資本之力加速擴張並延遲IPO以保持戰略定力。這一系列組合拳，使其成功躋身全球AI獨角獸前列。Databricks 用 12 年把實驗室裡的 Spark “火花”先煉成湖倉一體的“鋼筋水泥”，再在 AI 風口上加固成資料智能的“摩天大樓”，最終借助資本狂潮，完成從學術項目到千億美元獨角獸的跨越。 (壹號講獅)

繼SpaceX、OpenAI、字節跳動和xAI之後，又一家千億美元估值AI獨角獸即將誕生！其創始人團隊中還有一個華人身影——來自潮汕的80後華人技術大牛辛湜。01 AI資料分析平台Databricks將成為全球第5家估值超千億美元獨角獸當地時間周二，全球領先的資料、分析和人工智慧公司Databricks發佈公告稱，公司正在進行一輪超過10億美元的K輪融資，各方已經簽署了投資條款清單，預計將在現有投資者的支援下很快完成。這輪融資對Databricks的估值已經超過了1000億美元（約合人民幣7179.1億元），估值與8個月前的620億美元（約合人民幣4451.0億元）相比，上漲了超61%。Databricks官宣新融資（圖源：Databricks官網）據報導，Databricks這一輪最新融資的投資方包括a16z、Thrive Capital等，並且獲得了“瘋狂的超額認購”。公司預計新增資金將用於加速人工智慧戰略，並推動全球增長。值得注意的是，Databricks目前是全球估值排名第八的獨角獸企業，隨著這輪最新融資完成後，將使其估值突破1000億美元，成為僅次於航空航天科技公司SpaceX（估值超3000億美元）、人工智慧領軍企業OpenAI（估值超3000億美元），移動網際網路巨頭字節跳動估值超3000億美元）以及馬斯克的人工智慧公司xAI（估值超1100億美元）之後的，估值排名全球五的AI獨角獸企業。02 去年剛完成100億美元創紀錄融資輝達也是投資者Databricks成立於2013年，主要提供統一的資料與AI平台服務，幫助企業更高效地管理和分析大規模資料，用於資料工程、資料科學、機器學習與AI應用，也能為電商、金融、醫療等領域的企業提供資料服務。來源：公司官網Databricks是獨特的“湖倉一體”資料庫架構開創者，這一資料庫架構打通資料儲存、查詢、分析的整套流程，近年來還引入可視化工具和生成式AI功能。用股民能理解的話來講，諸如MySQL這樣的普通資料庫只能儲存結構化的規整資料，但Databricks是“資料庫+量化投研+AI實驗室”的組合平台——既能直接儲存原始股票資訊、社交媒體輿情、公司公告，也能使用這些資料生成報表、寫投研分析，還能在平台上訓練AI模型，用來生成選股策略。據瞭解，自成立12年來，Databricks已先後完成了14輪融資。去年11月，Databricks完成了一輪100億美元的融資，當時公司估值達到620億美元，成為當年最大的 VC 輪融資，同時也是有史以來最大的 VC 輪融資之一。今年1月，Databricks又完成了52.5億美元的債務融資。2014年11月，Databricks官宣完成100億美元的融資值得一提的是，輝達也是Databricks的投資方之一，曾領投Databricks的I輪融資，規模為5億美元，但並未參與本輪最新融資。如今，Databricks已成為資料智能領域的代表性企業，也是AI時代重要的資料基礎設施提供商。截至目前，有超過60%的財富500強企業採用了Databricks的資料智能平台來管理資料，並將其與AI結合。03 創始人團隊有華人身影是位潮汕80後Databricks的創始團隊由7位加州大學伯克利分校的教授和資料科學家組成。該公司的創始人大部分為加州大學伯克利分校AMPLab成員，共同打造了開源分散式運算框架Apache Spark，還創下資料排序速度的世界紀錄。後來，他們決定將相關技術商業化運作，Databricks應運而生。Databricks七位創始人 圖源：福布斯值得注意的是，Databricks的創始人團隊中有一位華人身影，其聯合創始人兼首席架構師Reynold Xin（中文名：辛湜）祖籍潮汕，他也是潮創會北美分會成員。據瞭解，辛湜出生於1986年，小學時就開始接觸程式設計，高中就讀於深圳中學。高中時，辛湜和朋友合作編寫了FastBoard程序網站（Celeste的前身）和當時國內最大的PHP網站。Databricks聯合創始人兼首席架構師辛湜高中畢業後，辛湜前往加拿大多倫多大學就讀工程科學專業，之後在加州大學伯克利分校攻讀電腦博士學位。在攻讀博士之前，他還在 Google 做過分佈式系統開發，參與了 IBM 分佈式的 DB2 核心的開發。2016年，辛湜回到母校深圳中學演講2010年，在加州大學伯克利分校博士畢業後，這位技術大牛開始參與創業，直接參與了Databricks的創立。2013年，辛湜與加州大學伯克利分校的其他六位博士生共同創立了 Databricks。Databricks 最初打造的巨量資料工具Spark，可以幫助企業以極快的速度分析其內部巨量資料，辛湜和團隊將Spark打造成為了全球最大最熱門的巨量資料開放原始碼專案，也憑此獲得了在矽谷的立足之地。Databricks 在成立不到一年的時間，就迅速獲得了由 Andreessen Horowitz 領投的 A 輪融資 1400 萬美元。2020年末，Databricks推出智能資料倉儲產品Databricks SQL，並迅速成為Snowflake 的強勁競爭對手。04 年化收入達到37億美元現如今，Databricks已經成為矽谷當今最炙手可熱的投資標的之一，累計融資額近200億美元。收穫新一輪融資後，Databricks首席執行官Ali Ghodsi接受了CNBC的採訪，他稱在Figma完成IPO並股價飆升後，“手機被投資者轟炸了”，投資人每天都在聯絡他，詢問是否可以投資。Databricks的本輪融資，印證了市場對此類新型AI資料基礎設施公司的濃厚興趣，不過，Databricks仍需面對來自Snowflake、甲骨文等對手的競爭。今年6月時，Databricks的高管曾告訴投資者，公司的年化收入到7月時能達到37億美元，同比增速為50%。而主要競爭對手、巴菲特投資的Snowflake，預期在截至明年1月的財年裡實現45億美元收入，年增長率為25%。截至周二收盤，Snowflake的最新市值為642億美元。諮詢公司IDC的報告顯示，2025年，在全球資料平台軟體提供商中，Databricks在能力維度排名全球第一，與Google、甲骨文、Snowflake等共同處於領導者範疇，但在規模上略小於Google和Snowflake。 (天下潮商傳媒)