“中國的Data+AI平臺，不僅僅是復(fù)制Databricks那么簡單。

過去兩年，關(guān)于AI的敘事有一個(gè)明顯的轉(zhuǎn)折點(diǎn)。

一開始，所有人都在看參數(shù)量、模型榜單和Demo效果——誰的模型更大、更“聰明”，就能多占據(jù)幾天話題中心。很快，行業(yè)發(fā)現(xiàn)：真正決定AI能走多遠(yuǎn)的，除了模型有多好，還包括“業(yè)務(wù)到底敢不敢、能不能用起來”。

從“大模型卷參數(shù)”，到“智能體上崗”，AI產(chǎn)業(yè)進(jìn)入了第二階段。這個(gè)階段的主角，不再只是模型公司，還包括那些能夠把數(shù)據(jù)、算力、模型、應(yīng)用串成閉環(huán)的平臺型玩家。

在全球市場上，Databricks是這類玩家的典型代表，這也是支撐其上千億美元估值的基礎(chǔ)。

在中國，也有一家走上類似路徑的公司——袋鼠云。這家公司最早以“數(shù)據(jù)中臺”起家，如今正把自己重構(gòu)成一個(gè)“多模態(tài)數(shù)據(jù)智能中臺+AI應(yīng)用開發(fā)平臺”的提供者。

如果我們把Databricks看作“美國式Data+AI平臺”的代表，那么袋鼠云顯然正在探索一種“中國式的同類物”。

現(xiàn)在，問題就變成：

·為什么Databricks能被視為AI時(shí)代的“數(shù)據(jù)基礎(chǔ)設(shè)施標(biāo)桿”？

·袋鼠云又憑什么被拿來和Databricks放在同一個(gè)坐標(biāo)系里討論？

·在Data+AI這條路上，它們到底是“對標(biāo)者”，還是在不同土壤中生長出的“同路人”？

要回答這些問題，需要先把時(shí)間撥回各自的起點(diǎn)。

類似的成長經(jīng)歷

指向共同的方向

Databricks和袋鼠云的成長軌跡中，第一個(gè)共同點(diǎn)，是都從“數(shù)據(jù)工程效率”這個(gè)問題出發(fā)。

Databricks成立于2013年，創(chuàng)始團(tuán)隊(duì)來自加州大學(xué)伯克利的AMPLab，也是 Apache Spark的核心研發(fā)者。它最早要解決的問題，其實(shí)非常樸素：在 Hadoop之后，能不能有一套更快、更靈活，同時(shí)又更適合開發(fā)者使用的大數(shù)據(jù)處理引擎？Spark因此誕生，也因?yàn)镈atabricks的推動(dòng)，逐漸從實(shí)驗(yàn)室走向大規(guī)模商用。

袋鼠云的起點(diǎn)，則扎根在中國企業(yè)數(shù)字化的現(xiàn)場。公司成立于2015年，從一開始就圍繞“企業(yè)數(shù)據(jù)中臺”來做產(chǎn)品和項(xiàng)目。一端對接的是復(fù)雜的業(yè)務(wù)系統(tǒng)和歷史IT遺留，一端是各地不斷冒出的新型數(shù)據(jù)需求，袋鼠云要做的，是用一套“數(shù)棧”平臺，把分散的存算資源和數(shù)據(jù)資產(chǎn)統(tǒng)起來，再疊加可用的數(shù)據(jù)開發(fā)與治理能力。

一個(gè)站在開源社區(qū)和云生態(tài)的中心，一個(gè)泡在政企、金融、能源等行業(yè)里。它們的起點(diǎn)不同，但共通之處很明顯：都在試圖解決“數(shù)據(jù)底座不好用”這件事，都在著力提升數(shù)據(jù)開發(fā)效率。

從這個(gè)意義上說，它們做的其實(shí)是同一種生意：先把“數(shù)據(jù)的地板”鋪平，再談上面的AI與應(yīng)用。

第二個(gè)共同點(diǎn)，發(fā)生在它們的發(fā)展“拐點(diǎn)”階段——當(dāng)純粹的大數(shù)據(jù)平臺，開始感知到AI時(shí)代的到來。

這兩家公司都不滿足于止步于“數(shù)據(jù)層”。Databricks往上走，做了Unity Catalog、MLflow和后來一系列Mosaic AI能力，目標(biāo)是把數(shù)據(jù)、特征、模型和Agent統(tǒng)一在一套平臺里。

袋鼠云則往上疊AIMetrics智能指標(biāo)平臺、AIWorks智能體開發(fā)應(yīng)用平臺等產(chǎn)品，從多模態(tài)數(shù)據(jù)的開發(fā)治理、數(shù)據(jù)資產(chǎn)、指標(biāo)體系構(gòu)建到AI應(yīng)用編排，形成一整套從數(shù)據(jù)到智能的縱向棧。

袋鼠云Data+AI產(chǎn)品體系

如果用一句話概括，它們都在完成同一件事：從“給工程師用的數(shù)據(jù)平臺”，變成“給業(yè)務(wù)用的Data+AI平臺”。

第三個(gè)共同點(diǎn)，在于它們今天想扮演的角色——不限于做某個(gè)環(huán)節(jié)的工具，而是企業(yè)內(nèi)部“智能生產(chǎn)力系統(tǒng)”的中樞。

袋鼠云VSDatabricks

有幾分“神似”？

當(dāng)我們把Databricks和袋鼠云放進(jìn)一個(gè)對照表里，會(huì)發(fā)現(xiàn)兩者在產(chǎn)品結(jié)構(gòu)上的“相似點(diǎn)”，比我們想象的多。

核心平臺——工具組合背后的平臺野心

Databricks的核心組件，被拆開來看是一串熟悉的名字：Delta Lake管存儲與事務(wù)，Unity Catalog管元數(shù)據(jù)與權(quán)限，MLflow管模型全生命周期，Notebook是開發(fā)與協(xié)作的工作空間。這些組件一個(gè)個(gè)看并不新鮮，但組合之后，就變成了一個(gè)高度一體化的平臺。

袋鼠云今天的產(chǎn)品體系，也走向了類似的組合方式：底層是數(shù)棧DataZen（多模態(tài)數(shù)據(jù)智能中臺），負(fù)責(zé)結(jié)構(gòu)化與非結(jié)構(gòu)化、多模態(tài)數(shù)據(jù)的采集、開發(fā)、治理與統(tǒng)一管理，其中也包含用于資產(chǎn)管理與治理的DataAssets能力模塊。在這一底座之上，是構(gòu)建指標(biāo)體系與智能分析鏈路的AIMetrics，將多模態(tài)數(shù)據(jù)加工為可描述業(yè)務(wù)的指標(biāo)體系，并支持問數(shù)、歸因、預(yù)測等能力；以及企業(yè)級AIWorks 智能體應(yīng)用開發(fā)平臺，承接模型、知識庫、指標(biāo)體系與上下游業(yè)務(wù)流程，通過應(yīng)用編排與工作流，將數(shù)據(jù)資產(chǎn)、指標(biāo)體系與模型能力組合成可落地的AI應(yīng)用。

整體來看，袋鼠云的技術(shù)棧邏輯從“多模態(tài)數(shù)據(jù)中臺→數(shù)據(jù)資產(chǎn)治理→指標(biāo)體系構(gòu)建→AI應(yīng)用編排”逐層向上推進(jìn)，形成數(shù)據(jù)與智能深度融合的縱向技術(shù)閉環(huán)。

本質(zhì)上，兩家公司都在做同樣的事情：用一套可持續(xù)演進(jìn)的平臺，把零散的工具和能力“熔”成一個(gè)體系。

數(shù)據(jù)底座——一個(gè)偏“云原生”，一個(gè)更適配中國環(huán)境

Databricks的數(shù)據(jù)底座是Spark+Delta Lake。它站在公有云的中心，假設(shè)環(huán)境相對統(tǒng)一：主流芯片和操作系統(tǒng)相對標(biāo)準(zhǔn)，客戶更關(guān)心的是性能、彈性與協(xié)作效率。

袋鼠云的EasyMR，則是在中國復(fù)雜的基礎(chǔ)設(shè)施現(xiàn)實(shí)中長出來的：既要承接 Hadoop/Hive等老系統(tǒng)的數(shù)據(jù)和作業(yè)，又要兼容Spark/Flink等新型引擎；既要在公有云跑，也要在信創(chuàng)環(huán)境里跑，適配鯤鵬、麒麟、統(tǒng)信UOS等軟硬件組合。私有化部署能力，讓其具備更嚴(yán)格的數(shù)據(jù)安全保障。湖倉一體對它來說，不只是技術(shù)架構(gòu)的選擇，更是工程落地的剛需。

從技術(shù)觀感上看，一個(gè)更“云原生”，一個(gè)某種意義上更適配中國產(chǎn)業(yè)環(huán)境的落地要求。

但在更高的抽象層面，它們做的是同一件事——為AI和數(shù)據(jù)工作負(fù)載提供一個(gè)統(tǒng)一、穩(wěn)定、可擴(kuò)展的運(yùn)行底座。

治理與資產(chǎn)化——從“能用”到“好用、可管、可追溯”

隨著模型與應(yīng)用在企業(yè)里擴(kuò)散，數(shù)據(jù)治理不再是一個(gè)“合規(guī)部門的問題”，而是平臺的基礎(chǔ)功能。

Databricks用Unity Catalog做統(tǒng)一的目錄與權(quán)限管理，把誰能看什么數(shù)據(jù)、數(shù)據(jù)從哪來、被哪些作業(yè)引用、在什么環(huán)境中被調(diào)用，都納入到一個(gè)中樞里管理。這讓企業(yè)在大規(guī)模使用數(shù)據(jù)和模型時(shí)，至少知道“自己在用什么”。

袋鼠云的DataAssets，則在此基礎(chǔ)上加入了更多“資產(chǎn)化”的思考：除了元數(shù)據(jù)、血緣、權(quán)限之外，它還強(qiáng)調(diào)數(shù)據(jù)與指標(biāo)的統(tǒng)一管理，將不同系統(tǒng)、不同應(yīng)用、不同部門的口徑拉回到同一套目錄下，再疊加質(zhì)量評估與資產(chǎn)評估機(jī)制，以適應(yīng)中國企業(yè)對“統(tǒng)一口徑”“審計(jì)可追溯”“資產(chǎn)入表”等更具體的治理訴求。

可以說，Unity Catalog更偏“技術(shù)治理中樞”，DataAssets更像是“業(yè)務(wù)視角下的數(shù)據(jù)資產(chǎn)經(jīng)營平臺”。這背后體現(xiàn)的是兩種制度環(huán)境、兩種企業(yè)文化下對“治理”的不同理解。

智能體與應(yīng)用開發(fā)——Agent是起點(diǎn)，不是終點(diǎn)

Agent已經(jīng)成了過去一年最熱的關(guān)鍵詞之一。

Databricks通過Mosaic AI提供Agent Framework與RAG工具鏈，幫助客戶利用企業(yè)內(nèi)部數(shù)據(jù)構(gòu)建對話式、任務(wù)型智能體應(yīng)用，從而把大模型能力“裝進(jìn)”業(yè)務(wù)流程。

袋鼠云則在AIWorks中，提供了模型管理、知識庫構(gòu)建、應(yīng)用編排、MCP服務(wù)等能力。對于很多已經(jīng)有數(shù)據(jù)中臺、指標(biāo)平臺的客戶來說，AIWorks更像是在原有基礎(chǔ)上加的一層“智能力場”：可以直接調(diào)數(shù)據(jù)資產(chǎn)與指標(biāo)體系，去組裝一個(gè)個(gè)針對具體業(yè)務(wù)場景的AI應(yīng)用。

兩者的思路都很清晰：Agent不只是一個(gè)新的“產(chǎn)品形態(tài)”，而是“數(shù)據(jù)+模型+業(yè)務(wù)”的編排方式。真正重要的，是誰能提供那套“把東西串起來的工具”。

多模態(tài)與行業(yè)方案——誰離業(yè)務(wù)更近

在多模態(tài)能力上，Databricks更偏向“平臺集成”：通過與第三方工具、模型與服務(wù)對接，來支持非結(jié)構(gòu)化數(shù)據(jù)的處理與分析。它的優(yōu)勢在于開放度高、生態(tài)豐富。

袋鼠云則在DataZen中把多模態(tài)視為“內(nèi)建能力”：同一平臺里既有結(jié)構(gòu)化數(shù)據(jù)的采集與開發(fā)，也有文本、圖片、視頻等非結(jié)構(gòu)化數(shù)據(jù)的處理，加上指標(biāo)、API、AI應(yīng)用開發(fā)的能力，形成一整套“多模態(tài)數(shù)據(jù)中臺+應(yīng)用工廠”。這套組合，與它在能源礦產(chǎn)、新銳零售、先進(jìn)制造等行業(yè)的實(shí)踐緊密綁定。

在行業(yè)方案上，這種差異更明顯：Databricks提供的是偏通用的平臺能力，由生態(tài)伙伴和客戶自行完成最后一公里；袋鼠云則采用“平臺+交付”的模式，在央國企、能源礦產(chǎn)、新銳零售、先進(jìn)制造、金融等領(lǐng)域深度參與項(xiàng)目，直接對業(yè)務(wù)結(jié)果負(fù)責(zé)。

信創(chuàng)與出?！獌蓚€(gè)極端下的同一命題

Databricks不需要考慮國產(chǎn)替代問題，它更關(guān)注的是如何在AWS、Azure、GCP上跑得更快、覆蓋更多客戶、連接更多ISV/SI伙伴。

袋鼠云則恰恰相反：它必須首先適應(yīng)中國復(fù)雜的信創(chuàng)環(huán)境，確保在本地芯片、本地操作系統(tǒng)、本地?cái)?shù)據(jù)庫上穩(wěn)定運(yùn)行，并在此基礎(chǔ)上，再去探索在AWS等海外云上的部署實(shí)踐，與Snowflake、BigQuery等海外云數(shù)倉進(jìn)行數(shù)據(jù)協(xié)同。

如果說Databricks面對的是“如何更好地融入全球云生態(tài)”，那袋鼠云面前的問題，則是“如何在滿足本地合規(guī)與信創(chuàng)要求的前提下，仍然保持技術(shù)演進(jìn)速度”。兩者都在解的是“生態(tài)嵌入”這道題，只是解法不同。

兩個(gè)故事，一個(gè)方向

從表面看，Databricks和袋鼠云有足夠多的相似之處：都誕生于大數(shù)據(jù)時(shí)代的“基礎(chǔ)設(shè)施建設(shè)潮”，都經(jīng)歷了從數(shù)據(jù)平臺向Data+AI平臺的轉(zhuǎn)型，都在構(gòu)建覆蓋數(shù)據(jù)、模型、應(yīng)用的縱向一體化架構(gòu)。

但真正重要的，是要真正看清楚這兩家公司，看清整個(gè)市場，我們需要理解幾件事情：

第一點(diǎn)，是市場本身在發(fā)生結(jié)構(gòu)性變化。

在早期，大模型廠商主打的是MaaS（模型即服務(wù)，Model-as-a-Service）：企業(yè)可以按調(diào)用量買模型，用它來做生成、問答、摘要等。但實(shí)踐證明，模型能力可以通過API復(fù)用，真正稀缺的，是“數(shù)據(jù)+治理+智能+交互”一體化的平臺能力——也就是我們可以稱之為DIaaS（數(shù)據(jù)智能即服務(wù)，Data Intelligence-as-a-Service）。

企業(yè)更關(guān)注的是：能不能把內(nèi)部雜亂的數(shù)據(jù)真正治理好、連起來；能不能在統(tǒng)一的平臺上，讓業(yè)務(wù)能提問、模型能理解、系統(tǒng)能執(zhí)行；能不能讓數(shù)據(jù)從靜態(tài)資產(chǎn)，變成在指標(biāo)、AI應(yīng)用、決策鏈之間流動(dòng)的“智能資產(chǎn)”。

Databricks與袋鼠云所做的事情，本質(zhì)上都是在填補(bǔ)這一空白。

第二點(diǎn)，是它們所代表的“新范式”——數(shù)據(jù)治理為本，AI為用。

Databricks正在構(gòu)建的是一種“美國式企業(yè)AI協(xié)作平臺”：假設(shè)企業(yè)已經(jīng)有成熟的云基礎(chǔ)設(shè)施，有一定規(guī)模的數(shù)據(jù)團(tuán)隊(duì)與工程團(tuán)隊(duì)，平臺的任務(wù)是把這些人和資源高效組織在一起，降低從數(shù)據(jù)到智能應(yīng)用的摩擦。

袋鼠云則構(gòu)建的是一種“國產(chǎn)可控+行業(yè)融合+AI應(yīng)用”的中國式范式：它必須同時(shí)面對信創(chuàng)要求、行業(yè)復(fù)雜性、本地服務(wù)與交付壓力，在這樣的環(huán)境下，平臺不僅要“好用”，更要“可控、可監(jiān)管、可落地”。

共同之處在于，兩者都在強(qiáng)調(diào)：數(shù)據(jù)治理是前提，AI是其上的“使用層”；平臺是結(jié)構(gòu)，行業(yè)是落點(diǎn)。

第三點(diǎn)，是未來的增長空間。

大模型已經(jīng)證明了泛化能力，但在企業(yè)側(cè)的真正落地，往往卡在“數(shù)據(jù)接不進(jìn)去，結(jié)果用不出來”。于是，越來越多的企業(yè)開始意識到：真正的壁壘不僅僅在于“有沒有模型”，還在于“有沒有一條打通從數(shù)據(jù)資產(chǎn)到AI應(yīng)用的管道”。

這條管道，如果被某一類平臺穩(wěn)定掌握，它們就會(huì)變成AI時(shí)代的“水電公司”：

·一端接企業(yè)的數(shù)據(jù)資產(chǎn)與業(yè)務(wù)系統(tǒng)；

·一端接模型、算力與新一代AI技術(shù)；

·中間則是源源不斷流動(dòng)的數(shù)據(jù)流、特征流、模型流和決策流。

Databricks和袋鼠云，正在不同的區(qū)域、不同的制度與技術(shù)環(huán)境中，嘗試扮演這樣的角色。

從這個(gè)意義上說，兩家公司都是在同一條技術(shù)演化曲線上、不同坐標(biāo)點(diǎn)上的“同行者”。

寫在最后——不只是簡單平替，更是時(shí)代的共鳴

在很多傳播語境中，把袋鼠云稱作“中國版Databricks”是一個(gè)高效的類比——它能迅速幫人建立坐標(biāo)感。但如果只看到這個(gè)類比，就會(huì)忽略掉一個(gè)更重要的事實(shí)：中國的技術(shù)土壤與產(chǎn)業(yè)結(jié)構(gòu)，決定了不可能有一個(gè)“一模一樣的 Databricks”。

真正有價(jià)值的，不是去尋找誰復(fù)制了誰，而是去觀察：在同一個(gè)“Data+AI”時(shí)代命題下，不同地區(qū)、不同制度、不同客戶需求，如何塑造出各自的基礎(chǔ)設(shè)施玩家。

Databricks提供的是一個(gè)答案，袋鼠云則在給出另一個(gè)。

如果說大模型是這場浪潮最耀眼的“前臺演員”，那么像Databricks和袋鼠云這樣的平臺公司，更多時(shí)候是在燈光之外——他們鋪設(shè)地板、搭起舞臺，把一個(gè)個(gè)模型、算法和應(yīng)用，嵌入真正復(fù)雜的現(xiàn)實(shí)世界。

而這場關(guān)于“數(shù)據(jù)智能基礎(chǔ)設(shè)施”的遠(yuǎn)征，現(xiàn)在才剛剛開始。