Sridhar Ramaswamy曾在 Google 工作約 15 年，擔任高管，參與搜尋、廣告等核心業務。離開 Google 後，他創辦了消費者搜尋引擎 Neeva，試圖擺脫廣告模式對搜尋體驗的限制。但 Neeva 最終未能成功，後來他加入 Snowflake，擔任 SVP，之後成為 Snowflake CEO。對話另一方是 Aditya，他是 South Park Commons（SPC） 的創始人。SPC 關注的是創業早期的“從 -1 到 0”階段，即給有才華的人時間和空間，讓他們想清楚那些想法值得投入、那些方向值得放棄。因此，這場對話不是普通的產品發佈或公司宣傳，而是一場面向創業者、技術人和投資社區的深度訪談。
Sridhar 的職業軌跡有一個鮮明特點：多次把自己重新帶回“從零開始”的狀態。他曾在企業軟體領域發展不錯，加入 Google 後卻重新做回 IC（個人貢獻者）；後來在 Google 負責龐大團隊和業務，又離開創辦 Neeva；再從 Snowflake 高管轉任 CEO。
他在對話中反思：從 Google 高管轉向消費者創業，過去積累的團隊管理、業務營運、產品戰略等能力，並不能直接解決產品與市場契合的問題。 Neeva 的核心難題不是“看見舊搜尋的問題”，而是“沒有想清楚新搜尋到底該是什麼樣”。這段失敗經歷，成為他反覆強調“看見舊產品的問題，和找到新產品的形態，是兩回事”的背景。
Sridhar 從 Google、Neeva 到 Snowflake 的經歷，討論 AI 時代創業者如何選擇方向、如何理解產品與市場、如何面對失敗，以及企業軟體在模型和 Agent 衝擊下還剩下什麼長期價值。對話處於一個大模型快速迭代、Agent 興起的時期。文中提到 GPT-5.5、GLM-5.2、Fable、Claude Opus 4.8、B200 等模型與硬體，也提到開源模型與閉源模型的交替追趕。
這一背景帶來的核心問題是：當模型可以寫程式碼、Agent 可以重建軟體，軟體公司還能靠什麼留住客戶？ 軟體生成門檻降低，傳統企業軟體依靠複雜度、部署深度和熟悉度建立的護城河正在變得脆弱。Sridhar 因此強調，難以複製的價值往往存在於軟體之外，例如廣告系統、市場平台、與真實世界持續互動形成的反饋閉環。
訪談核心議題
整場對話圍繞幾條主線展開：
- 創業方向選擇：要看舊能力還能發揮多少作用，也要看新方向是否真正創造價值。
- Neeva 的教訓：知道舊產品那裡不好，不等於知道新產品該怎麼做；使用者口頭說的偏好，也不等於實際選擇。
- Google 的經驗：優秀創始人需要極強的化繁為簡能力，同時保持人性與高標準。
- 模型生態：閉源模型會率先突破，開源模型持續追趕，企業應保持模型選擇權，按任務最佳化成本。
- Agent 與企業軟體：harness 可能成為新的入口，類似瀏覽器；如果產品只能埋在別人的 Agent 框架下，就可能失去與終端使用者的聯絡。
- Snowflake 的策略：縮短客戶從部署到獲得價值的時間，通過每一次使用積累反饋，讓下一次使用更有效。
- 長期價值：當軟體越來越容易被造出來，真正難以複製的是軟體之外的東西。
這段對話的背景是：一位經歷 Google 高管、Neeva 創業失敗和 Snowflake CEO 轉型的技術領導者，在 AI 與 Agent 重塑軟體行業的時刻，與 South Park Commons 創始人一起反思創業選擇、產品形態、模型生態和企業軟體護城河。
一、如何選擇值得投入的方向
- 改變是好事，但從零開始非常殘酷。 選擇新方向時，不能只看舊產品那裡不好，還要判斷新方向是否真正創造價值。
- 關鍵標準是：領域內真正創造價值的是什麼，以及自身優勢能否發揮。 從 Google 高管轉做消費者創業，過去的管理、營運、產品戰略能力大多用不上；從 Snowflake SVP 轉任 CEO，則能力可以遷移。
- 看見舊產品的問題，和找到新產品的形態，是兩回事。 Neeva 判斷廣告搜尋有侷限，但沒有清晰路線圖：更好的搜尋具體是什麼，使用者為什麼會換過來。
- 創業需要 clarity。 要能說清未來 6 到 18 個月真正重要的一兩件事，而不是只講一堆邏輯和細節。
- 失敗不是終點。 Sridhar 強調：“你不是你的失敗，你也不是你的成功。”
二、Google 的經驗
- 優秀創始人的核心超能力是化繁為簡。 剝離表面細節，直達問題核心，通過持續爭論把真正重要的事情想清楚。
- Larry、Sergey、Eric 兼具執著競爭與善待他人。 他們可以激烈爭論，但從不無禮、不吼叫，把爭論當作智力挑戰。
- Google 的商業化被低估。 早期有 50/50 價值分配原則：廣告收入提升的一半用於改善廣告系統質量，另一半作為 Google 收入。其他公司的廣告體驗往往遠不如 Google。
三、Neeva 的教訓與使用者偏好
- Neeva 的根本問題是缺少清晰答案：新搜尋引擎到底該怎麼做。
- 使用者口頭說的，不等於實際選擇。 人們可能口頭上在意隱私和廣告干擾，但實際選擇時，便利性和可獲得性往往更有份量。
- 不要只依賴訪談和問卷，要看使用者實際做了什麼。 即區分 stated preferences（口頭偏好）和 revealed preferences（實際行為偏好）。
四、AI 搜尋與執行速度
- 早期 Bing 聊天產品 Sydney 已展示 AI 搜尋潛力，甚至比當時 ChatGPT 更強。
- 但它沒有解決響應過慢的問題，每次互動要兩分鐘，最終錯失機會。
- 機緣巧合重要，執行同樣重要。 做出了更好體驗，不代表能把領先體驗變成領先產品。
五、模型生態：開源與閉源
- 前沿閉源模型會率先突破，開源模型持續追趕，形成周期性變化。
- 市場不應高度集中。 真正能做 frontier model 的公司很少，但開源模型實驗室能較快追趕，這對行業是好事。
- Snowflake 的策略是保持模型選擇權。 讓產品在 OpenAI、Anthropic 等模型上都能運行，同時支援開源模型，並按任務最佳化成本。
- harness 是新的 browser。 如果產品只能埋在別人的 Agent 框架下，就可能失去與終端使用者的聯絡。直接觸達使用者很重要。
六、AI 時代的企業軟體護城河
- 軟體越來越容易生成，傳統護城河正在弱化。 過去靠企業熟悉度和部署深度形成的壁壘，不再穩固。
- 企業軟體要證明長期價值，關鍵是縮短 time to value。 讓客戶更快從部署到獲得實際價值，並通過每次使用積累反饋，讓下一次使用更高效。
- 難以複製的價值往往在軟體之外。 廣告系統、marketplace、Airbnb、Uber 等能與真實世界持續互動，形成外部難以看見或重建的反饋閉環。
- 基礎設施本身不一定有特別壁壘。 Agent 時代，只要有參考實現，檔案系統、Spark 等也可能被重新建構並保持 API 相容。
- 模型能力增長可能遇到瓶頸。 創業者要確保增長停止時，自己已經建立好業務。
七、AI 時代如何學習
- 投入大量時間是必要條件。 如果嚴格朝九晚五、想過正常生活，可能很難跟上 AI。
- 要與前沿工程師交流、親手實驗、保持開放心態。 Sridhar 會與 Snowflake 工程師在 Slack 上頻繁討論，也會自己折騰程式碼、Agent 和演示工具。
- 雖然累，但收穫巨大。 他表示過去六個月在工作中獲得的樂趣，可能超過此前 15 到 20 年。
當軟體越來越容易被造出來，真正難以複製的不是程式碼本身，而是清晰的問題定義、執行速度、模型選擇權、直接觸達使用者的能力，以及軟體之外與真實世界持續互動形成的反饋閉環。
SnowflakeCEO最新深度訪談全文
從 -1 到 0：如何選擇值得投入的方向
Aditya：你顯然喜歡把自己置於一種可能失敗、也可能成功的境地，而且這種選擇的上行空間很大，潛在回報也很高。在 South Park Commons（SPC），我們非常關注從 -1 到 0 這一階段。具體來說，我們的使命就是和真正有才華的人一起，給他們一些時間和空間，讓他們想清楚那些想法值得去做，那些事情值得投入。
Sridhar，你的職業軌跡之所以令人印象深刻，其中一個原因就是，你曾好幾次把自己重新帶回到 -1。你加入 Google 之前，已經在企業軟體領域取得了不錯的發展；但加入 Google 後，你又重新回到了 IC（Individual Contributor，個人貢獻者）的角色。這一點我們稍後再展開討論。不過我很好奇：你是怎麼決定自己應該做什麼的？你過去挑選方向的成績很好。你通常會用那些標準去判斷一件事情是否值得做？
Sridhar：至少在何時以及如何推動改變這件事上，我的想法會更細緻一些。首先，改變是件好事，重新開始也是件好事。但你也必須真正意識到，從零開始是非常殘酷的。這種想法很早就形成了。我當時想考入印度理工學院（IITs），也就是印度最頂尖的一批高校。第一次考試我遭遇慘敗。儘管我父親對此非常不滿，我還是決定接下來花一整年專心準備考試。他當時就說：“你真傻，你應該直接去上大學。”但我認為，這個選擇值得冒險一次。
類似地，十年之後，我很遺憾地得出結論：研究並不是我特別擅長的事情。於是我重新調整方向，告訴自己：“那麼，我試著去做軟體工程師。”畢竟，我本身也有一定的軟體工程背景。因此，找到適合做出這些改變的時點很重要。但最重要的是，你要清楚地知道，在你所處的領域裡，什麼是真正能夠創造價值的；與此同時，最好還能把這種判斷和你自身能夠帶來的優勢結合起來。
舉一個現在回頭看並不算理想的轉變：我當時在 Google 負責一個非常龐大的團隊和一項規模很大的業務，後來卻選擇出來創業。現在回頭看，這並不是一個特別好的轉變，因為當時讓我成為 Google 一名優秀高管的很多能力——比如營運一個相當複雜的業務、管理一個大型團隊、組建團隊、激勵團隊、制定產品戰略——在我創辦 Neeva 之後，基本上都派不上什麼用場了。因為 Neeva 是一家面向消費者的公司。在那裡，最重要的是 Product-Market Fit（產品與市場的契合），而這件事在很大程度上存在很大的偶然性。 我在 Neeva 的時候，感覺自己非常無能為力。這就是一個典型的例子：做出這樣的改變時，其中承載的風險實在太多了。
相比之下，從 Neeva 到 Snowflake——或者更準確地說，從在 Snowflake 擔任 SVP（高級副總裁）到成為 CEO——雖然同樣是挑戰，但這些轉變要容易得多，因為即使這是一個全新的職位，我過去積累的一整套能力依然能夠發揮很大的作用。
Aditya：從你剛才說的內容裡，其實有很多值得總結的地方。我先挑兩點來說。第一點，你顯然喜歡把自己置於一種可能失敗的境地，比如你會想：“好，我沒考進 IIT。”但與此同時，你也可能因此獲得很大的上行空間，存在很高的潛在回報。你會不會覺得，自己需要這種對未知可能性的刺激感？我自己作為一個創業者，也確實喜歡做一些挺瘋狂的冒險運動。有時候我也會想，自己內心深處是不是有一種衝動，就是要不斷把自己推到能力的邊緣，看看自己究竟能做到什麼。
Sridhar：我喜歡挑戰，挑戰能讓你更瞭解自己。但其實，失敗反而更有意思。我經常告訴別人，也告訴自己：你不是你的失敗，你也不是你的成功。 這種不斷努力、不斷追求的狀態，並不是每個人都喜歡，但這是非常人性的一部分，而且真的很重要。
從 Google 學到的經驗：如何在 AI 時代做產品
Aditya：在我們繼續聊 Neeva 之前，我有點好奇。你在 Google 待了很長時間，而且那是一段非常輝煌的經歷。不只是因為你在 Google 工作，還因為你參與打造了很多我想我們大多數人每天都會用到的產品，比如搜尋和廣告，而且這兩個本身都是相對獨立的產品。你覺得，在座這些創業者可以從你在 Google 的經歷中學到些什麼，尤其是在今天這個時代——也就是 AI 時代做產品、創業的過程中？無論是公司文化、如何去做、應該做什麼，還是如何確定優先順序，你在 Google 的經歷裡有沒有總結出一些在今天依然特別有意義的東西？
Sridhar：我想，在座各位其實都能憑直覺理解這一點。真正優秀的創業者所擁有的核心超能力——比如 Elon，當然還有 Larry 和 Sergey——就是他們極強的 reductive ability（化繁為簡的能力）：能夠剝離掉所有表面的細節，直達問題的核心，並通過持續不斷的討論，把真正重要的事情想清楚。 我和 Larry、Sergey 談任何事情，從來都不是一件輕鬆的事。他們會不停地爭論。IIT 也是一樣，我們會就每一件事情爭論不休，不管重要還是不重要。但正是在這樣的討論中，真正重要的東西才會浮現出來——在特定情況下，究竟什麼事情才是真正值得推動、真正重要的。
Larry、Sergey，以及 Eric——我在 Google 工作的大部分時間裡，Eric 都是 CEO——還有一個很重要的特點：他們在做到這些的同時，依然是非常好的人。我經常跟別人說，儘管我給過他們無數次發怒的理由，但他們三個從來沒有對我大吼大叫過。我就是會跑去跟他們爭論各種事情，而且一爭就是幾個小時。他們把這些都當成了智力上的挑戰。我從來沒見過他們對任何人無禮，也從來沒見過他們沖任何人大喊大叫。我覺得，他們既是非常好的人，又是極其執著的競爭者。毫不誇張地說，我們確實讓很多公司退出了市場，但那依然是公平競爭，而且他們對身邊的人都非常好。在我看來，這種不懈追求和人性之間的結合，既是 Larry、Sergey 和 Eric 三個人的鮮明特質，也是 Google 這家公司很重要的一部分。
有些東西，只有當你離開之後，才能真正意識到、真正學到。因為那時候你才有機會從外部重新審視自己在那裡的經歷，或者從一個由外向內的視角去看一家公司。Google 確實是一個非常非凡的地方。
Aditya：我很喜歡“極強的化繁為簡能力”這個說法。因為你去聽 Elon 的一些採訪時，會發現一個很常見的說法就是：“哦，他怎麼總是在談物理定律。”但我覺得，他之所以經常這麼做，歸根結底，是因為他會把問題不斷簡化到最核心的幾個問題上：什麼是真正重要的？那些地方是我可以改變的，那些地方是我改變不了的？所以，我覺得他最後呈現出來的那種非常簡潔、甚至有點禪意般的視角，其實是這些年來不斷訓練這種化繁為簡能力的結果。
Sridhar：我是說，對他所處理的那些事情而言，那些就是無法改變的基本規律。如果你讓 Elon 去做物理學研究，我敢肯定，他也會開始爭論弦理論，以及“物理學中什麼是無法撼動的基本規律”。這其實只是一種思維方式。
Aditya：這很有意思。至少在 SPC，我們和潛在創業者交流的時候，他們身上可能最能決定其發展方向的特徵之一，就是我們內部所說的“clarity（清晰度）”。具體來說，對於一個問題，他們可能花 0 分鐘把所有邏輯和細節都給你講清楚；但如果你問他們：“歸根結底，未來 6 個月和 18 個月裡，對你的業務來說，真正重要的事情究竟是那一兩件？”他們往往能給出非常簡短、非常明確的答案。他們會說：“真正重要的就是這一兩件事。如果這件事情發生了，我覺得我們就有機會把業務提升到下一個階段；如果沒發生，那我們就得不斷調整方向，但那會是一個相當不好的訊號。”他們對自己的方向非常清楚，而且並不是說他們沒有情緒或者沒有激情——恰恰相反，他們對此非常投入。我自己也很喜歡這種思維方式。尤其是在創業早期，我每天早上醒來，腦子裡就會有那麼一兩件最重要的事情，我會一直想著它們，然後圍繞這些事情行動。
你剛才已經稍微聊到了一點 Neeva。你在 Google 待了 15 年之後離開了。當時你腦子裡最想解決的那一兩個問題究竟是什麼？你為什麼想用 Neeva 去解決它們？我之所以這樣問，是因為我在想：會不會其實是你的想法本身沒有錯，只是早了一年，甚至兩年？還是說，用這種方式去理解當時的世界本身就是有問題的——也就是事後用 counterfactual（反事實推演）方式，重新想像“如果當時怎樣就會怎樣”？
Sridhar：坦率地說，首先，這個想法最初其實是以一種比較抽象的形式形成的：以廣告為支撐的搜尋模式已經走到了它能夠發揮作用的極限。 這個判斷本身沒有什麼問題。如果不受廣告模式的束縛，你顯然可以把搜尋做得更好。我覺得，Neeva 真正的問題，或者說我自己當時最大的自負，在於沒有一張清晰的路線圖：好，那具體該怎麼做？要實現一個大幅優於現有產品的搜尋引擎，到底需要發生什麼？這種事情不是應該靠“先做起來再想”去摸索的，因為，如果一開始連它應該是什麼樣子都沒有想清楚，這個項目實在太大了，根本不是靠不斷開發就能找到答案的。
直到將近三年後 GPT-3 出現，我們才意識到：“我想點選一個連結。”——根本沒人這麼想。這其實就是 AI 搜尋引擎能夠做到的一個絕妙之處：既然你把點選這一步去掉了，就可以直接一次性把使用者想找的東西交給他。 我覺得，我們當時最大的問題，就是缺少這種清晰度。至於具體怎麼實現，裡面當然還有大量細節，而且有時候，你也可能恰好趕上一波自己原本沒預料到的浪潮。這就是所謂“運氣比什麼都重要（better to be lucky）”的那類故事。但歸根結底，Neeva 的根本問題還是缺少清晰的答案：好，我們要做一個新的搜尋引擎，但具體該怎麼做？
Aditya：你知道，其實也可以說，當初打造 GPT-3.5 和 ChatGPT 的那些人，在產品真正推出、大家開始使用之前，也未必完全知道自己手裡到底有什麼。結果一出來，所有人都開始說：“哦，原來這才是正確的方式。”從網際網路搜尋，到電子商務，再到其他各種事情，似乎都可以用這一套方式重新做一遍。所以有時候確實需要運氣，但也有 serendipity（機緣巧合、意外發現）。你先把東西做出來、放到市場上，然後才會發現，它可能突然開始起飛，甚至發展出一種完全超出預期的生命力。
Sridhar：沒錯。首先，機緣巧合當然很重要，但執行同樣重要。如果你回到 2023 年初，看看當時的情況，在座有多少人還記得那句“we will make Google dance（我們要讓 Google 手忙腳亂）”的演講？
Aditya：這是 Satya 說的。
Sridhar：對，這句話就是 Satya 說的。當時機會其實就擺在那裡，等著有人抓住。我想在座大多數人可能都不記得 Sydney 了，但當時的 Sydney 其實比 ChatGPT 強得多。2023 年的大部分時間裡，ChatGPT 輸出的內容都相當糟糕。你問它事實性的問題，如果是那種需要較強推理能力的問題，它反而可能答得很好；但如果你只是問一個具體事實，它往往會毫不猶豫地編一個答案出來。而 Sydney，也就是 Bing 的 chatbot，當時已經解決了這些問題。它唯一一個致命缺陷是：每次互動都要花兩分鐘。 但他們始終沒有解決這個問題。而這些人恰恰就是後來為 OpenAI 提供算力的那批人。他們沒有看到眼前的機會。Bing 本身每年的收入就超過 100 億美元，所以如果要把 Sydney 推成下一代搜尋的核心體驗，他們其實會承擔很大的風險。但問題在於，真正做出了更好搜尋體驗的是他們，而不是 OpenAI；可他們最終還是把這個機會錯過了。
AI 模型生態：開源與閉源的競爭
Aditya：所以，打造新產品真的很難，非常難。在我們稍微聊一下 Snowflake 之前，我想先問問你的看法。現在是不是一個非常適合做 open-source model（開源模型）的時代？我們剛剛有 GLM-5.2 發佈，而且評價非常高。總體來說，我覺得 GPT-5.5 也很令人興奮。至於 Fable，不管它到底是什麼——至少聽起來，如果我能用上的話，應該也挺酷的。
Sridhar：順便說一句，現在有一種觀點認為，模型的所有進步其實都取決於底層硬體，而 Fable 和 5.6 隻不過是運行在 B200 上的模型。
Aditya：對，我知道。所以我真正想問你的是：你現在怎麼看整個模型生態？現在領先的模型廠商——比如 Gemini、ChatGPT 和 Claude——再加上六七個大型 open-source models。站在你現在 Snowflake CEO 的位置上，你會怎麼思考，應該如何在這樣的生態裡做選擇、應對和佈局？
Sridhar：站在 Snowflake CEO 的角度？首先，這其實一直在重複一種循環：frontier model（前沿模型）廠商會在某些維度上推出明顯更強的模型，然後 open-source models 再逐漸追趕上來。 我覺得真正令人驚訝的是，真正有能力做出 frontier model 的公司，其實就那麼幾家。
Aditya：還是讓我覺得不可思議。真的有點瘋狂。我就是覺得：“可錢也不是萬能的。”對，確實不是。我到現在還是覺得這件事挺不可思議的。
Sridhar：frontier labs（前沿模型實驗室）的能力不斷增強，至少對很多企業客戶來說，確實帶來了一些擔憂：“等等——如果所有軟體都變成這樣呢？”你看，Satya 曾經在 Twitter 上發過一條相關的內容，《The Wall Street Journal》好像也刊登過一篇文章。設想一下這樣一個世界：所有軟體都消失了，而這些模型成為幾乎整個人類與底層資料之間的介面，那會是一個完全不同的世界。所以，人們確實會擔心，過度依賴單一的模型來源會帶來風險。
Aditya：本質上，這其實是在擔心中心化。
Sridhar：完全正確。所以，Snowflake 一直以來的優勢之一，就是面對 cloud service providers（CSPs，雲服務提供商）時，我們始終是一個中立的資料平台。有很多客戶會把主要業務運行在 AWS 上，同時在 Azure 上部署一個災備實例。我們過去的一個核心賣點就是：你的部署可以很容易地從 AWS 遷移到 Azure。不過，大家其實都知道，軟體真沒那麼容易搬過去。雲端運算這件事，說起來很簡單，但現實中做起來非常痛苦。那怕只是把一個中等規模的部署從一個 CSP 遷移到另一個 CSP，裡面也會有大量和特定 CSP 深度繫結的介面和依賴，絕大多數公司都會掉進這個坑裡。
現在到了 AI 領域，我們的整體佈局也是基於同樣的思路。我們的 Snowflake orchestrator（編排器）CoCo，也就是 Snowflake 的 coding agent（程式碼 Agent），以及我們認為未來會成為 workflow front end（工作流前端）的 CoWork，都讓我們能夠做到這樣：你用我們的產品，而我們來確保它在 OpenAI 和 Anthropic 上都能同樣出色地運行。 這本身就是一個賣點。而 open-source models（開源模型）在很多方面又進一步強化了這一點。因為我們有一個團隊，專門負責把我們的 harness（運行框架）運行在各種 open-source models 之上。我們也有一支非常優秀的 inference（推理）團隊，所以我們甚至可以直接自己運行這些模型。對於 Snowflake 這樣一家公司來說，這意味著完全不同的成本結構。因此，整體來說，我們現在的佈局其實相當不錯。我們還可以進一步做 cost optimization（成本最佳化）。比如，我們有一位工程師想出了一個非常巧妙的 Skills 編譯方法，這種感覺幾乎就像歷史重新上演了一遍：最開始，我們有程式碼；後來有了模型；然後我們開始用英文描述要做什麼；而現在，對於那些最簡單的任務，我們又把它們重新變回程式碼。而且這樣做的成本非常低。
Aditya：感覺就像是，如果我們能把這些 Skills 全都轉換成簡單的程式碼，然後把它們做成類似 bytecode（字節碼）這樣的東西，讓它們運行得高效得多，再讓 compiler（編譯器）進一步對它們進行最佳化，那不是很好嗎？
Sridhar：完全正確。所以你會看到，這個循環又回來了。從這個意義上說，這對 Snowflake 這樣的公司其實是個好消息。但話說回來，有很多基本的規律依然不會改變。harness 是新的 browser（瀏覽器）。 不管別人怎麼說，把自己的產品埋在別人的 harness 下面——我們中的一些人可能不得不這麼做——都會帶來很多風險。所以，我們一直以來都非常認同這一點。一部分原因是我過去有 consumer background（面向消費者產品的經歷），我的聯合創始人也有類似的經歷。因此，我們非常看重打造能夠直接觸達終端使用者的產品。在現在這樣的時刻，這一點就會變得非常有價值。
Aditya：那我再稍微追問一下，想讓你做一個面向未來的判斷：你覺得未來 12 到 24 個月，甚至未來幾年，模型生態會如何發展？你覺得，最頭部的三四家公司——還是 OpenAI、Anthropic、Google，可能還有 Meta——在資本、晶片，也許還有研究人才方面形成了足夠高的集中度，以至於它們能夠比較穩定地保持 6 到 12 個月的領先優勢？還是說，open source 和 closed source 之間的差距實際上會開始縮小？我自己其實沒有明確的看法。
Sridhar：我覺得這會呈現周期性的變化。你說得沒錯，有時候會出現一個非常強的 closed-model release（閉源模型發佈），然後 open source 一點點追趕，再然後又會出現一個更強的閉源模型。至於 Fable 會怎麼樣，我們還得看看。顯然，我覺得現在很難判斷，所以也很難知道 Fable 到底會帶來多大的躍升。要麼你做很多預測，要麼你乾脆一個都不做，所以我覺得現在確實很難說。
晶片和 AI 模型有一個很獨特的地方，就是各種不同的晶片和各種不同的模型，都存在近乎無限的需求。比如說，有大量任務運行在 A10 晶片上，這本身就很特別。A10 完全夠用，五六年前 Neeva 就在用它們，而直到今天，它們依然非常有用，即使旁邊已經有最新的 B200。而且，現在一個 compute hour（計算小時）的價格，實際上還比以前更高了——因為市場上有足夠的需求。未來這個情況還會繼續變化。但我覺得，現在真正困難的是，frontier models 要想長期保持非常、非常、非常大的差距，似乎並不容易。 首先，目前這樣的公司就已經有兩家，未來可能還會更多，與此同時，還有一批 open-source labs（開源模型實驗室）能夠相對快速地追趕上來，這才是現在最有意思的現象。這對我們所有人都是好事，因為這意味著市場不會被高度集中。
我們所有人都在大談 open source，卻經常忘了一件事：Google 實際上曾經讓整個搜尋研究領域逐漸失去了空間。 試想一下，如果你拿不到這個世界上最大規模、人人都在使用的搜尋產品所擁有的資料，甚至連其中千分之一都拿不到，那還有那個學者會願意繼續研究搜尋？同樣，支撐社交網路的那些演算法，也並不是 open source 的重要來源——儘管 Meta 確實在很多其他領域貢獻了大量 open source。所以，我覺得我們本來完全可能走向這樣一個世界：最終只有一家模型供應商。就我個人而言，我覺得我們現在真的很幸運，因為最終可能會有三家、五家，或者七家公司。
Aditya：這是個很好的觀察。我當時算是比較早期就在 Facebook 工作的人——我記得，我們三個人最早發佈了 Facebook 的一個 open-source package（開放原始碼軟體包），不過那主要是基礎設施，本質上是一個 RPC layer（RPC 層）。但你說得完全對。再往更廣的方向看，比如內容排序以及各種內容處理，21 世紀初其實有大量相關研究，後來大家就都不做了，因為如果你根本拿不到 News Feed 的資料，那你還能研究什麼？根本沒有意義。Netflix 當時也辦過一段時間的 Netflix Prize，後來因為隱私問題不得不停止。所以後來基本沒人願意繼續做這類事情了。
我覺得，站在使用者的角度來看，現在存在這麼多 open-source models（開源模型）其實是一件非常好的事情。就我自己來說，我現在也會運行個人 Agent。大概就在一周前吧，我也不太確定，突然之間我的 Hermes Agent 決定要用掉 600 美元的 Claude Opus 4.8。我當時就想：“一天 600 美元？就算是再好的助手，這也有點太貴了。”但解決起來其實很簡單：換成一個便宜的 open-source model，讓它跑起來，然後看看效果你是否滿意。結果你會發現：“哦，實際上，我根本分辨不出差別。”而且效果非常棒。
AI 時代的軟體價值：Snowflake 如何建構護城河
Aditya：接下來我們換個話題，聊聊 Snowflake。我有點好奇——我記得 Snowflake 從技術上來說，應該是全球有史以來規模最大的 software IPO（軟體公司 IPO），如果我沒記錯的話。按融資金額計算，它應該是全球規模最大的 software IPO。
Sridhar：對，按融資金額計算是這樣的。
Aditya：太瘋狂了。從歷史上看，我記得你之前提到過這一點：Snowflake 做的事情，本質上是開發非常複雜的軟體，然後把它賣給客戶，再幫他們完成部署。但我們現在所處的時代，軟體已經變得更容易建立、更容易開發了。到目前為止，我們經常談到一些可以通過 vibe coding（自然語言驅動的程式碼開發）做出來的軟體——可能是網站、App、內部工具、Dashboard（儀表盤），甚至可能只是我的創業想法做出來的第一個版本。但現在，已經有人開始做檔案系統了。我們投資組合裡就有幾個人，他們說：“其實我們就五個人。傳統上，一個檔案系統是非常複雜的東西，但你知道嗎？我們現在就是可以把它寫出來，因為我們大概已經有這個能力了。”所以這裡自然就出現了一個問題：現在很可能已經有人在這些 coding agents（程式碼 Agent）的幫助下，開發一種現代化的分析、記憶體和資料庫解決方案。你怎麼看這件事情？
Sridhar：是的，毫無疑問，外面肯定已經有人在做分析解決方案了。不過，其實已經有 Postgres 了，而且它本身就是開放原始碼的，現在也有很多人在它的基礎上開發各種東西，還有人在做 CRM 系統，以及其他各種各樣的軟體。我覺得，每家公司都需要認真思考一件事：自己真正能夠長期保有的價值到底是什麼。 過去，只要你能讓企業採用你的軟體，讓你的軟體深入他們日常的工作方式，那麼這種熟悉度本身就足以形成一道“護城河”，讓企業不會輕易考慮更換。但這一切正在發生變化。
所以，我們確實會花很多時間思考，我們真正能夠長期提供的價值是什麼。其中很重要的一點，就是讓客戶能夠更快地從資料平台這類產品的投入中獲得實際價值。 比如，我們能從使用者的使用情況中瞭解到什麼？我把 CoCo 看作未來一個非常重要的戰略推動力，但並不是因為它可以幫助客戶更快地在 Snowflake 上部署東西，而是因為它能夠學習：一家特定的公司究竟需要做什麼，才能更快地在 Snowflake 上完成他們真正想完成的任務。
它已經開始形成一個 feedback loop（反饋閉環），幫助我們理解，針對某一個具體客戶，究竟應該怎樣持續最佳化。比如，我之前也和一些人聊過一個想法——現在這甚至已經不算什麼大膽的理論了：所有軟體最終都可以被簡化成運行在某種資料底座上的少數幾個 Skills，而這些 Skills 本身還可以不斷自我演進。 我們已經在自己的很多內部系統中這麼做了。我們從頭重建了一個 SRE（Site Reliability Engineering，站點可靠性工程）系統。最開始，它基本上就是一些 Snowflake 資料。第一天，什麼都沒有。第一周結束時，已經有大概 20 多個 Skills。到了第二周結束時，Skills 的數量已經多到我都很難逐一梳理清楚，更別說弄明白整個系統到底發生了什麼。在接下來的三個月裡，它的結構一直在不斷演化，到現在，它已經變成了一個完整的系統。
所以，我們現在會非常認真地思考幾個問題：整個部署生命周期是什麼？價值創造到底意味著什麼？Snowflake 究竟能提供什麼，是其他公司無法提供的？我的看法是，相比之下，比如 Claude Code，或者 Codex 再加上一些開源系統，我們需要讓客戶更快地獲得實際價值，這就是我們接下來要面對的競爭。 但核心思路其實很明確：要從長期、持久的價值出發，還要思考，產品的使用如何讓下一次使用變得更快、更高效。有意思的是，在 AI 時代，廣告系統反而是一種相對穩固的業務模式，因為它們包含一個外部世界很難看見的反饋閉環。 所以，我們所有人都需要開始思考：如果所有軟體都可以被輕易複製，那麼最終真正能夠留下來的東西是什麼？
Aditya：這個回答其實很好，你的意思基本是：沒錯，現在程式碼確實可以非常容易地生成出來。但從歷史上來看，企業軟體過去最大的特點之一，就是 time to value（從投入到產生價值所需的時間）很長。你要怎麼把解決方案真正部署到客戶那裡？怎麼定製？怎麼根據某個具體客戶的需求進行調整？而現在，這一切其實都可以更快地完成了，因為這些程式碼生成系統可以幫你解決其中很大一部分問題。
Sridhar：沒錯。不過別忘了，另外一件同樣正在發生、而且對我們所有人都適用的事情是：我們現在又可以合理地押注一件事——模型能力的提升不可能永遠持續下去，總有一天會遇到瓶頸。 我們不知道那一天什麼時候到來，但它一定會到。你真正需要做的，就是確保當這場增長停下來的時候，你已經坐在自己的椅子旁邊。這也是為什麼我們現在需要盡快把業務建立起來。
Aditya：確實。你剛才已經開始談到這個問題了：如果軟體變得越來越容易開發、成本越來越低，甚至逐漸有商品化的趨勢，那麼那些企業還能保持長期價值？廣告交易市場是一個例子。還有那些領域是你比較看好的？——或者換句話說，那些領域你覺得不會受到太大影響？
Sridhar：首先是那些能夠與外部世界發生實際互動的事情。我們剛才談過廣告生態，它本身就是一種 marketplace（市場平台）。但其他類型的 marketplace 也具有非常可靠的長期價值，比如 Airbnb、Uber，或者其他各種垂直領域的專業市場。但我不太認為基礎設施這個類別本身有什麼特別之處。我想你也會同意這一點，Aditya。過去，人們會說：“SaaS 軟體比基礎設施軟體更容易重建和替換。”但我不認為 Agent 會在意這個區別。比如 Spark，甚至一個檔案系統的實現，只要你手裡有一個 reference implementation（參考實現），就可以重新建構一個新的版本，而且可以做到 API 一一相容現有系統。所以，就長期價值而言，我現在還看不到太多其他例子。它必須是某種超越軟體本身的東西。
保持學習：如何在 AI 時代獲取和消化資訊
Aditya：Sridhar，我們剛才聊天的時候，有一件事讓我印象非常深，就是你非常願意學習，也總是希望每天醒來都能不斷接觸新的東西。尤其是現在，正處在一個非常不可思議的時期。變化的速度之快意味著，如果你喜歡學習，這種節奏有時候會讓人有點應接不暇，但同時又非常令人興奮。你每天醒來，都會發現一些新的東西。你很容易一邊覺得資訊量太大，一邊又因為進步的速度而興奮不已。所以，你平時是怎麼獲取資訊的？你是那種經常刷 Twitter 的人嗎？還是更喜歡讀 Substack 上的 newsletter（新聞通訊）？或者你喜歡和自己認識的那些最聰明的人聊天？換句話說，你是怎麼從自己接觸、吸收的資訊中獲得真正有價值的洞察的？
Sridhar：首先，我覺得現在這個時代，如果你還有一份日常工作，尤其是像我這樣，那你最好做好投入無限時間的準備。我經常看到，那些對身邊 AI 世界發生的一切完全不瞭解的人，往往就是那種——我之前聊天的時候也說過這件事，Richie 當時還笑了——如果你的日程表嚴格按照朝九晚五來安排，而且還想過正常的生活，那麼 AI 可能真的不適合你。因為不花大量時間，你根本學不到東西。
首先，它確實需要投入非常多的時間。我會和很多人交流，既有一對一的交談，也會在 Slack 上交流。我和 Snowflake 許多最前沿的工程師都有直接聯絡，我們會不斷來回討論：“嘿，看看這個。”“你看，這件事原來可以做到。”我也會花很多時間親手折騰各種東西，在不同層面上做實驗。沒錯，包括寫程式碼，但也包括研究有沒有新的做事方式。我只是稍微折騰了一下，就發現 CoCo，也就是我們的 coding agent（程式碼 Agent），大部分時候其實運行在 Opus 上。但後來我想做一個 xkcd 風格的簡報。我當時想：“好，你只需要一個 OpenAI API，就可以生成非常好的漫畫。”最後，這又變成了一套簡報，用來教 Snowflake 的員工如何更好地使用 Agent 來編寫軟體。
所以，最重要的還是始終對一切可能性保持開放的心態。我覺得這個過程確實很累，但與此同時，我過去六個月在工作中獲得的樂趣，可能比前面 15 年甚至 20 年加起來還要多。現在真的是一個非常令人驚嘆的時代。
經驗與反思：學習、使用者偏好與 Google 的商業化
Aditya：昨天是父親節。我有三個年幼的孩子，所以 Richie 就找他們聊了幾個問題。其中一個問題是：“爸爸喜歡做什麼？”其中一個孩子說：“我爸爸好像總是在看書。”另一個說：“我爸爸喜歡工作。”當時我心裡有一點觸動。我想，他們眼裡的我，就是一個整天看書、工作的爸爸。但我後來又想，現在確實是該這麼做的時候。因為我們正處在這樣一個時代，你多少需要投入更多的時間和精力。那一刻其實挺有意思的，因為現在真的很難再過朝九晚五的生活。而且我覺得，我們正處在一個變化速度極快的時代，有些事情，你確實得做出一些犧牲。那麼，有那一本書對你的人生軌跡產生過最大的影響？
Sridhar：你問過我這個問題。我還真沒有一個特別好的答案。我就給你一個比較 Geek（極客式）的答案吧。我覺得，可能是高中老師給我的一本三角學課本。我花了整整一個暑假，把裡面所有題目都做了一遍。現在說出來還有點不好意思。
Aditya：但這其實是個很棒的答案。搞得我現在都有點想知道那本書到底叫什麼了。好，這個問題也不錯：你過去曾經非常堅定地相信某件關於搜尋的事情，但後來發現自己錯了，是什麼？
Sridhar：我當時以為人們更在乎隱私，尤其是在搜尋領域。我以為，他們在意廣告對使用體驗的影響，也在意廣告的打擾程度，已經到了願意真正採取行動的程度。
Aditya：所以你的意思是，大多數人其實……
Sridhar：大多數人根本不在乎。 我覺得，便利性——包括方便程度和可獲得性——最終壓過了人們對廣告帶來的煩惱。
Aditya：完全同意。這其實也是一個很典型的例子：人們說出來的話，並不一定代表他們真正想要的東西。
Sridhar：沒錯。無論是訪談、問卷調查，還是其他類似的方法，如果你只是依賴這些東西，其實什麼都得不到。有一類問題，你根本就不應該去問別人。你應該去看他們實際上做了什麼。
Aditya：就像 stated preferences（口頭表達的偏好）和 revealed preferences（實際行為體現出的偏好）之間的區別。完全如此。還有一個問題：你覺得 Google 做對了什麼，而大多數人，直到今天依然沒有真正 grok（理解透徹），或者仍然存在誤解？
Sridhar：你看，Google 其實是不經意間闖進了人類歷史上最驚人的一座鑽石礦。但我覺得，Google 在廣告驅動的商業化這件事上，尤其是在搜尋領域，做得非常出色，只是大多數人沒有給予它足夠的重視。 我們早期其實有一些原則，比如說，要把創造出來的價值在使用者和 Google 之間進行分配。其中有一個 50/50 的分配規則。如果你提出了一種非常好的方式，可以進一步提高廣告收入，Eric 總會告訴我們：“應該把其中 50% 用來提升廣告系統的質量，另外 50% 才作為 Google 的收入。”
現在回頭看，這件事情甚至有點諷刺。我還是 DOJ（美國司法部）那場審判的證人之一。所以我有機會看到過去 15 年裡自己寫過的那些郵件，以及別人給我的回覆。這原本可能是一件讓人非常尷尬的事情，但幸運的是並沒有。真正讓我印象深刻的，是我們當年在商業化以及商業化方式上的那種深思熟慮。當然，那種極其激烈的競爭意識也是其中的一部分——這一點既存在於他們身上，也存在於我自己身上。但與此同時，他們能夠始終堅持一個非常高的標準，我覺得這一點真的很了不起。我甚至可以很肯定地說，你去看看其他幾乎任何一家大型公司的廣告，你都會發現，它們在廣告體驗上的尷尬程度，遠遠超過 Google，甚至直到今天都是如此。
Aditya：我想我們時間差不多到了，五點之前我們就要被趕出去了。謝謝你這麼坦誠地分享這些想法。我覺得我們正生活在一個非常有意思的時代，而你今天來到這裡，分享自己的經歷，對我們來說真的非常有幫助。所以，謝謝你。
Sridhar：非常感謝。
(invest wallstreet)