营收破70亿美元,智能体卡在哪?Databricks给出答案

2026年11月中旬,Databricks对外公布最新经营数据,年化营收站上七十亿美元,同比增速八成。

这家2013年从伯克利实验室走出来的公司,到今天还没上市,却已经是全球AI基础设施赛道绕不开的名字。

首席执行官阿里・戈德西把话说得很直,外界吵得火热的超级智能,和企业真实撞上的那些门槛,压根不是一回事。

被市场逼出来的公司

Databricks的根在加州大学伯克利分校的AMP实验室,当年人也不多,是全球规模靠前的AI研究团队。

技术做出来了,推给企业却处处吃闭门羹。

那时候大众心里的AI约等于机器人,机器学习被当成广告公司的专属工具,别的行业用不上。

团队推了一圈没人接,最后只能自己开公司把技术跑通,创业这条路是被逼出来的。

最早的真实场景来自奈飞。

奈飞悬赏一百万美元征集影片推荐算法,实验室也下场参与。

这次尝试让团队认定,往后几乎所有企业都会养一支数据科学队伍。

这个判断在当年相当离经叛道,内部也吵得厉害。

真正入局之后他们才看清难处。

大量企业抱着用了三四十年的老系统不撒手,合规监管安全要求层层叠叠。

生成式AI起来以后,这些老毛病被彻底放大。

伯克利做研究时不怎么考虑安全和治理,公司成立头几年,力气主要花在让技术安全接住企业内部的海量数据。

每家企业都藏着别处没有的核心数据,播客平台是节目收听记录,保险公司是保单,药企是新药研发。

互联网早期存储贵得离谱,运维问日志要不要留,一听每月八千美元的账单,多数人当场删掉。

云计算把算力和存储拆开,存储几乎不要钱,算力按需取用,GPU再一登场,机器学习才有了规模化落地的土壤。

创业初期他们押了三个方向,云原生,AI应用,开源。

这三条在当时全是有争议的选择,头部分析机构判定这属于战略失误,预言公司会关门。

恰恰是这几次反向押注,让他们提前攒下势能,等行业风向转过来,对手很难再追。

智能体落地四道坎

AI能解开复杂的数学难题,很多人认定企业已经被彻底改造。

现实正好相反。

绝大多数公司用AI的方式还停留在初级水平,基本是当个升级版搜索引擎,或者拿来辅助写代码,代码场景的效率提升也就两三成。

行业里没有一家企业能稳稳跑起上千个智能体自主接活。

走得靠前的公司,同时运转十几个智能体就算多,全程还得有人盯着把关,机器一跑偏就输出离谱内容。

戈德西跑客户跑得多了,他和他的团队总结出四道绕不过去的坎。

第一道是上下文缺失。

不少管理层出于合规和责任考虑,连会议录音都不肯开放,AI拿不到决策背景,模型再强也只能给出表皮答案。

第二道是安全风险。

放开权限让智能体读全部数据,攻击面成倍扩张,几万人的集团一旦全量开放,信息泄露和黑客入侵的隐患立刻放大。

第三道是令牌成本。

调用持续产生消耗,成本一路上涨,几乎没有企业的营收增速能跟上这条曲线。

老板拍板全面推进AI,财务负责人很快拿着账单找上门。

第四道是数据主权。

用第三方大模型平台,数据有外泄风险,还可能被吸收进对方下一代模型。

有的厂商两周就上一次新功能,顺手切进各行各业,跟客户抢饭吃。

四道坎再叠加组织阻力,老牌企业推进更吃力。

成立几十年的五百强,遗留系统监管流程层层嵌套,转身远慢于原生数字化公司。

Databricks给自己的定位是做受治理的数据底座,外部智能体可以接进来,数据访问全程受控,按调用量计费。

企业部署的智能体越多,查询越多,收入跟着往上走,这也是它营收持续增长的底层逻辑。

公司内部跑的一套系统叫Genie,底层是企业专属的知识图谱,汇报关系项目信息会议记录文档表格全都收进去。

全员调研结束,它直接生成看板。

有团队工作生活平衡得分低,管理层猜这会拖累反馈跟进指标,系统一算,两者没有因果关系,顺手给出反例。

过去数据团队磨一周的活,现在几句话就问清楚。

它还盯着代码产出。

两千名工程师每周提交记录铺开,少数头部产出远高于其他人。

往下挖才发现差距来自自动化流水线,不是个人天赋。

再叠加成本维度,高产出的工程师未必烧更多令牌,简单问题路由到轻量开源模型,开支能砍下一大截。

管理者平时最费神的,其实是四处核实信息。

下属未必有心隐瞒,口口相传本身就带偏差,AI把人为加工剥掉,直接端出原始事实。

过去要花两小时多方核实,反复开会纠结几周的事,现在客户反馈和调研数据摆在眼前。

真正的风险不在末日

硅谷不少研究者盯着递归自我提升,认定AI写代码占比越来越高,早晚自己迭代自己,最后脱离人类掌控。

戈德西的判断很干脆,就算九成八的代码由AI生成,也不等于实现递归自我提升,剩下那一小截全自动化,同样不构成条件。

真要形成那个加速循环,得同时满足四条。

下一代模型训练时间超线性缩短,训练资源持续下降,模型能力在全部任务上同步线性提升,三条循环往复越滚越快。

眼下的实际情况是训练周期越拉越长,数据清洗人工标注对齐调优吃掉大量人力,每轮训练还要指数级堆算力。

这套循环眼下还没出现。

就算四条全部达成,AI本质上仍是数字程序,服务器一关就停。

更该警惕的是黑客拿强模型发起攻击。

攻击方占的便宜很明白,上万智能体只要一个突破防线就算赢,防守方必须全程不漏,失手一次就是灾难。

长期看漏洞总量有上限,新生成的代码同步做扫描,存量老代码慢慢重写或者打影子补丁。

安全事件最大的薄弱点还是人,大量入侵起点是账号泄露。

圈里那些担心末日的年轻人,出发点大多是善意,书读得也认真,问题在于跳过一堆不确定环节,直接把结论搬到现实。

技术功底扎实,对产业落地节奏却缺少手感,容易被科幻叙事带着跑。

企业补齐上下文这件事,他判断要十年到十五年,实验室里觉得一两年就完事,两边差着一大截。

AI的正向价值也在落地,和药企合作加速新药靶点挖掘,和危机干预热线合作识别有自伤倾向的青少年,风险确实在,防护跟上就能管住。

至于上市,他的尺子只有一条,哪种路径更利于公司长期走下去。

上市能低成本融资,代价是股价上蹿下跳,行情一差员工等于降薪,人心容易散。

私有化状态下回购额度稳定,多数员工看好长期价值。

Databricks公司迟早会上市,只是眼下处在AI转型期,不想让股价波动分掉管理层精力。

AI的上限已经够高,按AMP实验室当年的定义,通用人工智能其实早就到了。

真正拖住它的不是模型不够聪明,而是上下文安全成本数据主权这几道现实门槛。

末日剧本可以先放一放,产业变革一定是慢火慢炖,先行者抢跑几步,大多数企业还得花很长时间慢慢跟上。

展开阅读全文

更新时间:2026-11-19

标签:科技   答案   美元   智能   数据   企业   模型   公司   代码   团队   递归   实验室   成本

1 2 3 4 5

上滑加载更多 ↓
推荐阅读:
友情链接:
更多:

本站资料均由网友自行发布提供,仅用于学习交流。如有版权问题,请与我联系,QQ:4156828  

© CopyRight All Rights Reserved.
Powered By 61893.com 闽ICP备11008920号
闽公网安备35020302034903号

Top