8月，Databricks完成约50亿美元融资，投后估值1900亿美元。它与OpenAI、Anthropic这些模型巨头一起，成了资本市场上最受关注的AI公司。

一家数据公司拿到和头部AI公司同等的融资热度，这本身就是信号。资本市场开始围绕模型、算力和应用，重新给数据基础设施定价。数据底座正在进入一套新的 AI估值体系。

18个月前，这家公司的估值还是620亿美元。之后，1000亿、1340亿、1880亿、1900亿，四连跳。

一串数字背后，是一个问题。资本市场到底在为什么定价？

不卖灯泡，建电厂

Databricks不做大模型，也不卖GPU。CEO Ali Ghodsi 有个说法，“我们不卖灯泡，我们建电厂。”千行百业都在喊要大模型，它铺的是大模型脚下的那套管线，数据怎么存、怎么治理、怎么分析，AI应用靠什么跑起来。

领投方Coatue的判断更直白。未来三年，AI竞争的胜负手不在模型参数上，要看数据、计算、成本这三件事能不能高效地转起来。

1900亿美元买下的，是一个共识。谁能把企业的数据和AI放进同一块可治理的底座，谁就是AI时代的基础设施。

为什么是一座数据库

这轮融资的投向里，排在第一位的是一座数据库，Lakebase，官方的说法是“为AI Agent而生的数据库”。为了它，Databricks此前花了约20亿美元收购Neon。

一家做湖仓的公司，为什么要花天价买一个OLTP数据库？

答案在智能体身上。智能体干活的方式跟跑批报表完全不同，它要实时读写状态，毫秒级响应，还要同时处理海量细碎的事务。企业级AI往深处落地，卡脖子的往往是同一个问题。

交易和分析活在两套系统里，数据搬来搬去，AI永远在用昨天的数据，做今天的决策。

这条技术路线有个学名，HTAP，混合事务和分析处理。一套系统同时承载交易与分析，一份数据，零搬动。

这条路上，中国没有缺席。中国信通院的HTAP数据库能力测评，首批通过的厂商里，就有天云数据。

从金融核心走出的底座

行业里实现HTAP，有两条路。

一条是拼装。买一个OLTP引擎，接在自己的分析底座上，中间靠协议缝合。Lakebase就是这条路的代表，Postgres的身子，Neon的引擎，湖仓的存储。

另一条是原生。从内核设计的第一天起，交易引擎和分析引擎就长在同一份数据上。

天云数据Hubble走的是后一条。

双引擎一体。联机事务处理（OLTP） 和联机分析处理（OLAP）共享同一个内核，交易发生的瞬间就能被分析，没有搬运，也没有等待。

分布式架构下最难的是事务一致性。国产分布式HTAP数据库Hubble靠混合时钟加串行化事务，把这件事做到了落地，金融核心A类系统里验证过的基本功。

AI能力直接长在引擎里。36种AI原生算法、158种量化分析函数，SQL、图计算、机器学习、3D点云、NL2SQL，都在同一份数据上直接执行。数据也不必先搬进来，多源异构联邦计算，跨库跨源，直接算。

还有一个数字。99.62%的源代码测试覆盖率。对数据库这种错一行代码就是事故的物种，这是工程能力直接的度量。

两条路线没有高下之分，只有语境之别。只是在本地市场，底座是不是自己写的，已经越来越像一个风险问题。

另一半，让AI用得值

数据底座解决的，是数据能不能被AI用好。问题还有另一层，AI用得值不值。

这轮官宣里被引用最多的，是Ghodsi的另一句话。企业正在从“Tokenmaxxing(极限消耗)”转向“Valuemaxxing(极限价值）”。他们不想为每个任务都烧最贵的Token，去追最聪明的模型。他们要的是每一美元换回最好的结果。

为什么？AI账单失控了。

Token像水电费一样哗哗流走。花了多少，谁花的，换回了什么，很多企业的账上给不出答案。Databricks的解法是做AI网关，相当于给Token装上智能电表。

在TokenFactory，词元的生产、治理、消费，全程可计量。内置模型和第三方模型之间，按最优性价比动态智能路由。输出速度55 Token/s起步，首Token时延不超过0.9秒，调用成功率99.9%。

Hubble让数据零搬动，TokenFactory让词元零糊涂账。两者合在一起，才是一个完整的Data加AI底座。

底座值多少，看它托起什么

数据库大概是软件行业里最笨的生意。发布会上没有惊艳的演示，只有十几年里一行行代码堆出来的确定性。Databricks用1900亿美元证明了这门笨生意的价值。

不过这套底座到底值多少，不写在参数表上。去看一栋大楼。

凌晨三点，北京，金泰国际大厦。监控室的屏幕上，233路摄像头画面与告警画面切换。放在过去，这个时段要有人盯着全部画面。今晚盯着的是AI，它已经在这里连续值了200+天班。

消防监控有个反直觉的困境，报警越多，反而越不安全。这栋51300平方米的建筑里，装着2000多个消防传感器，每月10000+次报警，平均每20分钟一次。常闭防火门被推开，疏散通道堆了杂物，有人违规吸烟，有低风险事件，也有误报。警报一旦成了背景噪音，危险反而有了藏身之处。

这跟责任心无关。人的注意力有限，现代建筑的复杂程度，早就超出了一双眼睛能覆盖的范围。

天云数据的“安心”消防安全进驻之后，变化是从报警量开始的。月报警量下降 94.51%到 584次。报警少了，变的是多模态的分辨能力，更是AI推动消防管理模式的变化，从而降低风险。

213天连续运行，处理事件10,162起，识别准确率97.56%。这些数字，来自大楼的运行记录。

再看几组具体的变化：

• 常闭防火门违规开启，下降91.2%；

• 疏散通道违规占用，下降93%；

• 违规携带可燃物，降为零；

• 灶台区域明火时人员离岗，降为零。

数字降下去的原因很朴素。风险被即时提醒、即时纠正，违规行为就失去了“没人看见”的土壤。

“AI 24小时不间断工作，有效解决了人工监控易疲劳、易漏检的问题。”人力成本降了50%。不过更重要的是，过去夜班靠运气兜底，现在有了确定性。

大楼之外

一栋大楼的实验，正在变成一套可以复制的体系。能源、检修、运营、财务、法务、人力等，20多个职能场景里，数字员工超过200位。

这套体系往下，就是前面讲过的两样东西。数据长在自研的数据底座上，实时、零搬动。智能跑在可计量、可治理的TokenFactory上，每一分投入都有账可查。再往上，才是233路摄像头背后，一个个7×24不下班的数字员工。

AI的价值，不在发布会的大屏上，在凌晨三点没人看见的监控室里。从1900亿美元开始，落在一栋大楼的213天。看起来隔得远，其实是同一件事的两端。数据底座到底价值多少，最终要由它托起的一栋栋楼宇、一座座工厂来回答。