AI五层栈的价值分配、SaaS护城河与企业AI落地——Databricks首席执行官Ali Ghodsi演讲要点梳理（斯坦福大学MS&E435课程，2026-07-13）

——据斯坦福大学MS&E435课程《AI超级周期经济学》讲座《Stanford MS&E435 Economics of the AI Supercycle | Spring 2026 | Infrasctructure, Enterprise AI, SaaS》（2026-07-13）整理

摘要：本文对斯坦福大学MS&E435课程中Databricks首席执行官Ali Ghodsi与课程讲师、Altimeter Capital合伙人Apoorv Agrawal对谈的主要观点进行了梳理汇总。梳理了Ghodsi对AGI的界定以及企业AI落地受制于上下文缺失的判断，介绍了AI五层栈的价值分配、前沿模型层的利润前景以及SaaS行业的结构变化与护城河，最后阐述了技术革命向生产率传导的时滞、Databricks连接器团队的流程重构案例与互联网周期的经验。据其介绍，Databricks拥有约2万家企业客户，一个生产级连接器的开发周期经流程重构后由九个月缩短至一个季度可出七个。

关键词：应用层护城河；前沿实验室；开放权重；企业采用；组织变革；Databricks；Ali Ghodsi

一、AGI的界定与企业上下文缺失

Ghodsi认为，现有模型能力已经够用，企业内部尚未出现代理协同工作的原因在于模型未能获得组织上下文。

（一）“已有AGI”的立场

Ghodsi开场提出“我们已经有AGI了”，论据有两条。一是现场投票，约一成学生认为已有AGI，而多数学生认为身边不少人的智力已低于自己所用的顶级模型，他据此表示“你们刚刚已经回答了，只是想挪动球门”。二是历史口径，2009年他在加州大学伯克利分校（UC Berkeley）AMPLab工作，该实验室当时是全美AI研究重镇之一，领军人物之一为统计学家Michael Jordan；按当年研究者对AGI的定义，今天的模型早已达标，他事后询问当年同事，回答是“按那个定义，肯定达到了，但是……”。他认为硅谷对“超级智能”的追逐并未先界定清楚对象，Kurzweil式的奇点叙事在驱动决策，“把大量的钱砸在GPU和数据中心上，其实并不必需”。

（二）企业侧上下文缺失

与此同时，麻省理工学院（MIT）报告称95%的AI概念验证失败，Ghodsi认为方向正确，比例可能为75%。他指出，走进任何一家企业，看不到代理式同事与人协作，仍然是人在传递TPS报表，电影《办公室空间》就是今天世界的运转方式，AI公司内部亦如此，从老牌公司招募销售、用老办法管理公司。

对于两者的矛盾，他解释为模型未能获得组织内部的上下文。每家公司每个部门都有一位“去问John或Jane，她什么都知道”的员工，在公司工作了十年乃至四十年，其头脑中的知识并未进入模型。“如果你拿不到那些上下文，超级智能能解多难的数学题都无所谓；如果拿得到，我们现有的AGI已经能解决问题。”基于此，他建议学生致力于把老派企业的流程与上下文装进代理。

对讲师展示的Ethan Mollick“锯齿状前沿”图，他表示“绝大多数公司都在左侧”，即AI只在个别任务上发挥作用。他以Databricks自身的客户支持为例，对“客服会率先被替代”的共识提出异议：寻求支持的是高薪、受过数据科学训练的用户，往往在模型F1分数无法提升、各种方法都已尝试后才来电，“市面上的客服自动化产品我们全试过，对方一听说我们是谁，就说‘我们帮不了你’”。他认为问题出在企业一侧的上下文，AI本身并无责任。

二、AI五层栈的价值分配

Ghodsi与讲师均认为，价值将沿技术栈上移，应用层是长期赢家，前沿模型层可能成为薄利的规模经济生意。

（一）应用层是长期赢家

讲师提问，若按长期视角把100美元投向黄仁勋（Jensen Huang）所说的五层栈，即能源、芯片、基础设施、模型与应用，应如何分配。Ghodsi先声明不提供投资建议，随后表示“很明显，应用会是赢家，我会把钱放在顶层”。执行方式是早期策略：做种子投资、投很多家，多数会失败，少数会成为下一个谷歌（Google），因为具体哪家胜出“非常难预测”。

讲师给出了当下的资金分布，即其多次撰文讨论的“蓝色三角”：一是今天AI领域的钱集中在芯片层，“所以Jensen总是那么高兴”；二是模型层公司在为收入激烈竞争，那里没什么钱；三是应用层有人赚钱，但很少。他押注这个三角终将翻转，形态更可持续。

（二）价值沿栈上移的历史规律

Ghodsi表示同意，并指出硅谷的价值总在沿着栈往上移：一是做出PC的IBM曾是市值居前的公司，此后硬件商品化，价值转到操作系统与微软（Microsoft）；二是二十年前出自斯坦福的VMware将软件层虚拟化，此后又被商品化。“它总是往上移，这次也一样。”

（三）前沿模型层的薄利前景

讲师展示的图表显示，开源模型与前沿模型的差距已从三四个月缩小至约一个月，同时企业仍在为前沿模型支付高价，他表示Anthropic的收入在300亿至400亿美元量级。Ghodsi从三个方面作出回应。一是模型会有价值，但将以“token工厂”的形式集中供给，“就像云一样”，边缘承担一部分，大头在集中式数据中心。二是开源持续施加定价压力，如Moonshot两三天前发布的Kimi 2.6，若在一月发布，将领先当时所有已发布的模型，无论前沿还是非前沿。三是“提供前沿模型这门核心生意会是一个规模经济游戏，你得在很薄的利润率上做它，它会像amazon.com卖书那样，参与者不多，毛利率很小，营业利润率也小”。讲师表示同意。

三、SaaS行业的结构变化与护城河

讲师指出，“软件已死”的叙事此前出现过四次，涉及英国脱欧、缩减恐慌与通胀等时期，每次均以反弹告终，这次归因于AI。Ghodsi认为软件行业不会消亡，但进入壁垒与切换成本同步下降，缺乏创新的公司将面临压力。

（一）软件行业不会消亡

Ghodsi采用归谬的方式回应：若所有软件都会消亡，OpenAI与Anthropic也应消亡，它们是一群研究员在写软件的软件公司，不应有万亿美元估值；英伟达（NVIDIA）也应消亡，它是一群人用软件完成芯片设计，再交由台积电（TSMC）制造。因此“软件显然没死，也不会死”。

（二）两项结构变化

Ghodsi承认软件行业正经历两项真实变化。一是进入壁垒显著下降，写软件的成本接近零但到不了零，“这是一件新武器，但所有人都拿到了”，在位者与Databricks自身同样在用。二是切换成本显著下降，他以iPhone与Android现场投票，无人愿意更换，原因在于界面不熟、数据需要迁移；“如果未来你只是在跟一个代理说话，切换成本就被消灭了，谁在乎代理背后操作的是Android还是iPhone，是Gmail还是Outlook，是Salesforce还是它的竞争对手。”由此竞争将加剧，软件公司须更高效地运营。

（三）护城河清单与公司分级

Ghodsi推荐学生阅读Hamilton Helmer的《7 Powers》，并列出软件之外仍然成立的壁垒：一是规模经济，能够摊薄巨额固定成本，如亚马逊（Amazon）与AWS；二是品牌，如Ferrari、Rolex，便宜的软件无法替代；三是信任与合规，即不被攻破、具备特殊认证；四是专利；五是数据，拥有他人没有的数据，别人写软件再便宜也无济于事；六是切换成本本身。他给出的分界线是：“一家公司如果做了十年、软件看起来和十年前一样、只是收入在涨，它应该害怕。”这类公司大概率已缺乏创新能力，可能被借助低壁垒快速写出更好软件的新进入者取代；过去十年持续创新的公司，以及当下因压力而主动调整的公司，则能够应对。

讲师补充了分级判断：一是手握大量数据、处于安全等核心闭环的公司较为稳健；二是处在中间的工作流软件，用户界面十年未变、用户仍在手工录入会议纪要，“这类大概率没了”；三是即便如此，这些公司拥有客户与数据，若做出好的AI并开始创新仍可延续，但可能须调整定价结构与成本基础，相对新进入者也具备数据、客户与规模优势，只是“说起来容易做起来难”。

值得注意的是，讲师追问Databricks是否已用这件“武器”替换自家的CRM、IT服务台或财务部门软件，Ghodsi回答“没有，我觉得那样做很蠢”；谈及未来十年，他又表示SaaS确实在经历某种“启示录”，但软件不会全部消亡，“我们很愿意参与其中、干掉一些软件”。

四、企业AI落地的流程瓶颈

讲师援引其在Palantir工作时“AI战略始于数据战略”的说法，询问2万家客户中成功与失败的差别何在。Ghodsi认为“这是人的问题，AI已经够用”，并表示“我没见到谁做得特别出色”，因为这需要将组织内的全部流程重新接线。

（一）技术革命向生产率传导的时滞

Ghodsi推荐了斯坦福研究者1990年发表的《The Dynamo and the Computer》一文，该文讨论各次技术革命传导到生产率统计所需的时间。一是PC时代，诺贝尔经济学奖得主Robert Solow有言“计算机无处不在，除了在生产率统计里”，原因在于人们把PC当打字机使用，打完打印出来放进文件夹，再让助理编制索引。二是电动机时代，从1880年到1920年，扩散花了四十年才在生产率上显现效果：蒸汽时代的工厂围绕一根传动轴布置，多层而密集，电动机到来后工厂只是把蒸汽机换成电动机，未见收益；直到人们把工厂迁出城市、把厂房铺平铺大、让不同工段以不同速率运行，即“单元驱动对群组驱动”，生产率才得以提升。

他表示“这就是现在正在发生的事”，并称刚刚会见了一家大银行的CEO，对方与其所有客户一样，认为AI很了不起、自己需要它，但“我在组织里看不到任何生产率提升，我到底做错了什么”。

（二）Databricks连接器团队的流程重构

Databricks的核心业务是把Salesforce、Workday等系统的数据接到一处、加密后再做预测模型，连接器是其看家本领。据其介绍，一个生产级连接器过去需要三个季度即九个月。模型能力提升后，他本人两天写出一个连接器，团队两周后回复称，AI可将周期从九个月压缩至七个半月，“你写的是玩具，我们的是有客户反馈、经过安全审查的生产代码”。此后他请公司内另一位“从第一性原理出发”的同事与团队合作，得出的结论是一个季度可以出七个连接器。

差别源于流程。原流程存在三方面问题：一是第一个季度把产品经理派往客户处收集需求，季末交回一份六七十到八十页的需求报告，按阿姆达尔定律（Amdahl's law）这一段无法压缩；二是测试需要自建Salesforce、Workday、NetSuite实例，Databricks不擅长、招人难且易出错；三是每个连接器只配一人，有人休假或生病项目即停滞。重构后的做法相应为：一是需求阶段改为一周，写下现有理解即开工，出错即重写，因为写代码已足够快；二是将搭建第三方实例外包给专业公司并行推进；三是七人合作完成七个连接器，消除“巴士系数为1”的风险。Ghodsi表示：“这一切与AI、AGI、更聪明的模型或者超级智能没有关系，下一代GPT 7或Opus 6不会帮我们把这件事做得更好。我们需要的是这些改变，这是人的重构与流程变更问题，全世界都在经历这个。”讲师将此与Helmer书中的“流程权力”相联系，列为学生的必读内容。

五、互联网周期的经验与下一代应用候选

Ghodsi以其亲身经历回顾了互联网周期的错判，并提出医疗与教育两个下一代应用候选方向。

（一）multicast的教训

2000年前后，Ghodsi在网络领域攻读博士，当时顶尖研究者都在攻关multicast，即如何把一场球赛高效地从一个源广播给全世界，因为带宽稀缺。他为此创业并做出了不错的方案，“不幸的是带宽成本直线下跌，光纤铺得太多，这个问题从来没有成为过问题，没人需要买这个软件，完全是浪费时间”。当年业界认为重要的是Cisco路由器、BGP、排队论与服务质量，而那时“应用还根本不存在”。他把今天的芯片、基础设施、英伟达、OpenAI、Anthropic、DeepMind、AGI与超级智能放在同一位置，视为这一轮所有人盯着的“multicast”。

（二）互联网应用的出现时滞

据其介绍，互联网真正成长起来的是当年听起来怪异的业务：一是出租车生意（Uber）；二是卖书（亚马逊，后来长出AWS）；三是把卧室租给陌生人（Airbnb）；四是发短文本（Twitter）。2000年互联网已经存在，Airbnb到2009年才创立，没有技术上的理由阻止它在2001年出现，却花了九年才有人想到，且创始人Brian是在一次设计会议期间订不到住处才想到的。他认为好点子难得，隧道视野使人盯错问题。

（三）医疗与教育两个候选方向

Ghodsi提出两个“看起来不性感”的方向。一是医疗，据其介绍占美国GDP约17%，人们为自己与亲人的健康“愿意付出任何代价”，而今天的医疗做得并不好，一家“看过一亿名与你基因构成相似的病人”的公司可以值数万亿美元。二是教育，VC圈共识认为其是糟糕的投资标的，讲师接话称教育行业上市公司“别说万亿，一千亿都没有”；但多数人有孩子，家长在乎教得好不好，若有公司能用AI提供被证明更好的教育，很多人会付费。他认为两类公司都具备数据壁垒与规模经济壁垒，至少在国家范围内存在赢家通吃的动态，价值会积聚到顶层。方法论上，他建议借鉴贝索斯（Bezos）的做法：先看清长期趋势，再从毫无差异化的商品即图书起步，每年更对一点，直到成为“万物商店”；不要被Twitter上此刻声浪居前的话题带走，“它大概率是另一个multicast”。

总的看，Ghodsi认为，AI的价值将沿技术栈上移，应用层是长期赢家，前沿模型供给可能成为薄利的规模经济生意；软件行业的进入壁垒与切换成本同步下降，数据、规模、品牌、信任等护城河仍然成立；企业AI落地的瓶颈在很大程度上来自上下文缺失与流程重构，与模型能力的下一代跃迁关系有限。