对话 Snowflake CEO：揭秘企业级 AI 智能体 Snowflake Intelligence 如何重构未来
Insight
Insight
AI 权杖的交接
十八个月前，权杖从 Frank Slootman 交到了 Sridhar Ramaswamy 手中。这不仅仅是领导层的更迭，更是公司战略的根本性转变——从全球领先的数据仓库转型为定义行业的 AI 数据云。
“公司的反应当时有点慢……Frank 预见到我们正步入一个更加动荡的时代。”
— Sridhar Ramaswamy
市场近期的反应非常好，但这一路走来并不容易。带我回顾一下最初的六个月吧。你是如何重新调整一艘“火箭飞船”的方向的？
Snowflake 在每一层都做到了专业化。但在工程师和客户之间隔着七到十层。当你拥有完美的产品市场契合度，只需顺势而为时，这种模式行得通。但在 AI 领域？我们甚至无法预知下个月会发生什么。
格言：唯快不破
问责制
划分为 AI 或核心仓库等明确领域。消除代码与客户之间的“距离”。
迭代胜过战略
“快速迭代的能力总是胜过精心策划的战略。”要实现收益，需要高频的反馈回路。
寻找切入点
我们不是云服务商 (CSP)。我们也不是基础模型实验室。我们是 AI 数据云。
勇于转型的谦逊
去年年初，我们确实构建了一个相当不错的 MOE 基础模型。但我们必须审视自己。
“我们确实没有足够的资本与 OpenAI 或 Anthropic 竞争。所以我们问自己：AI 该如何加速 Snowflake 中已有的数据？”
福布斯全球 2000 强中，有一半公司最宝贵的数据都存放在 Snowflake 上。战略变得系统化：投资搜索，投资 Text-to-SQL，并为人们“已经在做”的事情增值。 Snowflake Intelligence 一个“有主见的”智能体平台，旨在取代传统的 2D 仪表盘。
Snowflake Intelligence
An "opinionated" agentic platform designed to kill the 2D dashboard.
许多云服务商（CSP）提供的智能代理平台拥有无限的选择——你可以从任何地方导入数据，执行任何工作流。但当你什么都能做的时候，反而很难搞清楚你*到底应该*做什么。
Snowflake Intelligence (SI) 目标非常明确。我们内部最开始使用的是一个名为“Raven”的工具——一个销售数据助手。我们的销售团队不再需要盯着十个不同的仪表盘，只需直接提问即可。
“仪表盘只是复杂表面的二维视图。对于一个正常人会提出的许多问题，它无法给出简单的答案。我们希望将人们从这种思维模式中解放出来。”
早期采用者
- • 思科 (Cisco)
- • Fanatics
- • 美国雪车队
愿景
“它不是一个无所不能的通用代理，而是一个能让你快速从数据中实现价值的基础。”
下一步：我们到底该如何构建这些代理？Sridhar 详细讲解了 Snowflake Intelligence 的用户体验，以及我们在数据、代理和应用之间划定的界限。
数据云民主化
跨越 SQL 门槛，触达每一位员工。
“我们的抱负是让公司里的每一位员工都能使用这款产品。它不是专门为那些会写 SQL 的人准备的。”
在我们向 AI 集成平台进化的基础上，Snowflake Intelligence (SI) 的用户体验旨在打破传统的仪表盘瓶颈。在过去，Snowflake 是数据团队的工具——由他们构建仪表盘，其他人只是看着。现在我们要彻底改变这种模式。
想象一个交互式界面，你不需要知道数据存储在哪里。你只需提问。你可以使用我们的销售数据助手“Raven”，在几秒钟内完成会议准备。 我们与这位客户的关系如何？他们的消费情况怎么样？有没有未解决的工作单？ 这关乎价值的广度。
“拒绝 YOLO AI”政策
我们非常重视信任。我告诉我的团队：我们需要像看待软件工程一样看待人工智能。这里有对错之分。我们不能在 “YOLO 式 AI” 模式下运行，在这种模式下，你会得到一堆好坏参半的答案，且需要用户自己去分辨好坏。
新动态
身份提供商集成意味着不再需要为每个用户单独开设 Snowflake 账户。它是无缝衔接的。
模型健康度
如果你更改了模型，就必须运行评估。别搞砸了原本正常运行的东西。
“智能体系统
与软件之间的界限将会变得 惨烈。”
采访者
你如何界定数据系统与 Salesforce 或 SAP 这样的应用程序之间的界限？
Sridhar Ramaswamy
对于最强劲的趋势所在，我往往能保持绝对的冷静。我们并不想假装成 SAP。但如果我的销售团队需要更新 Salesforce，为什么不能通过智能体 API 来完成呢？如果你需要在 Workday 上申请休假，我们的 HR 智能体就应该处理。我们是在顺势而为——从价值的角度出发，而不仅仅是赤裸裸的野心。
转型的速度
领导层步调一致
我们在几个季度内推行了更清晰的问责制和领导层变动。当面对顶层的一小部分人时，这会更容易。
Pod（小组）模式
我们将产品、工程和市场职能整合到“pods”中。小团队快速移动，而不会干扰整艘船的航行。
自下而上的采纳
我们的创始人 Benoit 爱上了编写智能体代码。这比我发出的任何自上而下的备忘录都更能促使工程师采纳。
下篇：Sridhar 过去作为投资者和创业者的经历如何
为这种高效领导力奠定了基础。→
积淀型领导者
从博士的严谨和谷歌的规模感，转型到 Neva 那种“令人心碎”的拼搏。每一次失败和每一次摘要写作，是如何造就了 Snowflake 如今所需的这位 CEO 的。
博士岁月
“浪费时间吗？”
它教会你专注于想法，并简洁有力地表达。花几个小时写四行摘要，实际上是规模化领导力的一种超能力。
谷歌时代
“即时规模”
我的第一次发布——一个人，三个月——登上了《纽约时报》。在谷歌，你会把分发渠道视作理所当然。你会忘记为了生存而奋力拼搏是什么感觉。
Neva 的拼搏
“令人心碎，却又至关重要”
创业让你意识到成功并非必然。我在营销、社交和“拼搏精神”方面学到的东西，比在公司的温室里学到的要多得多。
“谢谢你邀请我参加你们的 摇滚演唱会。”
— 回想起在贾维茨中心（Javits Center）排了两个街区的长队。
说实话，谷歌和 Neva 的经历都让我更加感激今天的工作。我们之前聊到在管理大企业时需要处理那些你不愿处理的“杂事”——我现在对此更加从容了。能在 Snowflake 工作并产生这种影响力，是一种荣幸。
当我看到人们在纽约排队等着参加我们的会议时，我意识到：这绝非寻常。我再也不会把这个平台视为理所当然了。
产品市场契合（PMF）是 神奇的。
我认为产品市场契合度始终充满魔力。它是 Snowflake 存在的唯一理由。想想看：三大云巨头都想完全占领数据领域，但我们依然屹立不倒。有 Snowflake，也有 Databricks。那种核心价值是独特的，对于创造这种“难得的成功”所需付出的一切，我们应该保持谦逊。
"我常跟人开玩笑说，这些就像是还没触及到海洋边界的帝国。"
看看 OpenAI 或 Anthropic。他们正处于一种觉得自己“无所不能”的阶段。但你必须关注他们接下来的必经之路。比如代码智能体？他们正对此全力以赴。如果你的“初创公司”只是在他们的模型之上套了一层提示词，那你的处境就很危险了。
创新偏执指数
巨型云服务商拥有无限的预算和耐心。我们唯一的防御手段就是保持领先——而不仅仅是曾经领先。
“赢的权利”
谷歌止步于信息。我们曾尝试进入购物、旅游、酒店领域……但并没有真正成功，因为我们在信息世界之外缺乏核心竞争力。去发现 OpenAI 和 Anthropic 的边界在哪里，将成为这个时代的定义性故事。
战略导向
“我们需要继续去赢得它。现在的软件公司，没有谁能对自己的地位高枕无忧。”
展望 Snowflake 的战略定位和我们即将推出的合作伙伴策略，这种不断创新的心态不仅仅是一个企业口号——在竞争对手拥有无限预算的世界里，这是生存的必然要求。
防御性架构
超越“不可逾越”的软件护城河。为什么 Sridhar 认为 AI 时代的防御性不是你在白板上画出的战略，而是通过日常执行和更高层次的抽象而练就的肌肉。
我亲眼目睹了这一切：即使是巨头也能感受到根基在动摇。当技术环境如此多变时，你会意识到防御性不是一堵静态的墙，而是一种动量。
在 Snowflake，我们的核心优势是数据平台层。我告诉我的团队——以及我们的客户——我们一直陪伴在侧，从 从起始到洞察. 想想 90 年代和现在的区别。如果你在 1995 年开发 Adobe Photoshop，你得做调研、刻录光盘，然后花好几个月等待反馈。数据在当时只是一个反应迟钝的后置环节。
但看看谷歌或 Meta。它们不仅仅是产品公司；它们是 “数据优先”的 公司。当你与搜索广告互动的那一刻，这种行为会在几分钟内反馈到系统中。这就是我们想带给每一家企业的魔力。
反馈延迟的转变
“AI 是一个巨大的加速器，因为它提升了数据的价值。它不再仅仅是运行查询；而是实时影响你整个业务运营的运作方式。”
“护城河是 建出来的，
而不是策划出来的。”
萨提亚带来的启示
学习微软：如何建立共赢的合作伙伴关系——以及在竞争白热化时如何进行调整。
SAP + Snowflake： 双向数据共享，让 1+1 大于 3。
多云现状
Azure + Snowflake 对客户来说是绝对的利好。
平台成熟度
从“以 Snowflake 为中心”转向协作生态系统的心态。
随着数据基础的奠定和合作伙伴关系的稳固，话题转向了当下时代的终极衡量指标：AI 的投资回报率 (ROI)。
从合作伙伴关系的宏观生态转向损益表 (P&L) 的务实考量。对于每一位企业领导者来说，问题不在于“是否”要搞 AI，而在于钱到底花在什么地方。
ROI
优先级排序
斯里达尔分析了即时价值所在——以及哪些领域企业过早地过度投入了。
1. 编程智能体
"最简单的投资回报率。重点在于加快项目进度，并揭开技术的神秘面纱。我们在 Snowflake 内部大量使用这些工具，让 Snowflake 自身也变得更容易上手。"
2. 支持知识库
"AI 能够毫不费力地利用人类知识库。它可以无缝处理语音和文本，如果失败了还有人工备份。这是一个稳赢的选择。"
3. 数据民主化
"从每个用户每月 50 美元的许可费用转向通过 Snowflake Intelligence 等工具实现无缝数据访问。这就是下一个前沿领域。"
"你不应该在 Snowflake 的 AI 上花大钱。你应该每次投入一千美金。"
— Sridhar Ramaswamy
不要迈出 100 英尺的大步
我非常看重‘射门’的次数。过快地痴迷于巨额回报是一个陷阱。你不希望你的第一步就是 100 英尺的跨越；你更应该做很多能证明价值的小事。
看看我们的销售数据助手。它不是凭空出现的。它是前三个版本迭代的结果。我们从基础赋能开始，转向客户信息，然后构建了一个名为 Customer 360 的 Python 应用。只有在这些迭代之后，它才最终形成了现在的销售助手。
我不喜欢下豪赌。在每一步中进行迭代并创造价值才是关键。当你拥有了让你满意的重大价值时，然后你再将其收尾。
广告与代理机构的未来
"当我们转向直接对话界面时，那‘10 条蓝色链接’会发生什么？"
— 主持人
广告模式会长期存在。它是一种极其强大的媒介，但它会自我重塑。我担心的是？它会变得更加隐蔽且具有渗透性。想象一下，一个数字精神科医生因为广告协议，在开药时微妙地、不公开地偏向某种药物。这就是我们需要警惕的令人毛骨悚然的领域。
但一线希望在于，我们看到人们对引用和溯源的需求正在大幅溢价。即使在有 AI 推理的情况下，人们仍想回归原始出处，这是一个积极的信号。在 Neva，我们在 2023 年对引用非常痴迷；而今天，这种相关性比以往任何时候都强。
“你我几乎可以在几秒钟内获得任何主题的专家论文。我们只需要有足够的脑力去消化它。这相当了不起。”
如果 AI 能生成专家级论文，接下来的问题就是它如何验证事实。接下来，Sridhar 深入探讨了为什么大语言模型（LLM）尽管功能强大，但仍然迫切需要搜索。
超越模型：为什么索引依然重要
在剖析了 AI 的投资回报率（ROI）和广告模式的变迁后，我们来到了架构的终局。传统搜索已经过时了，还是它是 LLM 所缺失的秘密武器？
“有一部分人认为，随着模型可以获取更多数据，传统的检索和索引正变得越来越不重要……你怎么看？”
—— SarahPageRank 时代
利用整个互联网来搞清楚什么是热门的。这是互联网最初的“氛围感检查”。
“动力”轨迹
注：PageRank 在 2004 年左右“动力耗尽”。点击行为的反馈循环成了价值的真正引擎。
“聪明人”的做法
将搜索仅仅视为“检索”很容易将其简单化。但想想 AI 中的“数学问题”。
LLM 应该会做数学吗？激进派会说“是”。但一个更聪明的人会说“不”。它们不应该“做”数学；它们应该写出解决问题所需的两行 Python 代码，然后运行它。
我对信任的看法也非常相似。在回答问题时，有一些众所周知且可靠的方案可以确定什么是值得信赖的。你为什么不把它作为一个工具来使用呢？
"你不能聪明到不用电脑。仅仅埋头苦干算不上勇敢。如果一件事可以轻松搞定，你就能把精力集中在其他事情上。"
"极致的智能会利用
可靠的工具 只要
它们可用。"
务实主义者宣言
Sridhar 的观点很明确：搜索 API 不仅仅是老旧技术；它们是模型能从中受益的外化记忆，因为它们提供了目前还难以“内化”的信息。在本章结束之际，未来看起来不再像是一个单一的庞大模型，而更像是一个高度智能的代理，能在正确的时间选择正确的工具。
下一章