Databricks与AI数据中心

导语：2026年7月，Databricks宣布新一轮融资，公司估值达到1880亿美元。它既不是最受普通用户关注的聊天机器人，也不生产GPU，却成为AI热潮中估值最高的非上市科技公司之一。原因在于，当企业真正开始部署大模型时，最难的问题往往不是“模型会不会说话”，而是数据是否能找到、能治理、能安全地交给模型使用。

Databricks成立于2013年，最初因Apache Spark和云端数据分析平台而出名。它的核心业务，是帮助企业把分散在不同系统中的海量数据存储、处理和分析。

在ChatGPT出现之前，这类业务听起来更像传统企业软件：重要，但不性感。生成式AI爆发后，情况彻底改变。

大模型需要数据。企业想让AI回答内部问题、自动生成报告、分析客户或执行流程，必须先让模型安全访问公司的文档、数据库和业务系统。如果数据格式混乱、权限不清、质量低下，再强的模型也只能产生不可靠的结果。

Databricks抓住了这个变化，把自己从“大数据分析平台”重新定义为企业AI平台。它不一定亲自制造最强通用模型，而是帮助企业整理数据、训练模型、部署AI应用和管理权限。

这种转型获得了资本认可。公开报道显示，Databricks本轮估值达到1880亿美元，融资规模可能约30亿美元。此前公司估值从2024年底的620亿美元，快速升至2025年的1000亿美元、2026年初的1340亿美元。

为什么企业AI首先是一场数据工程

普通消费者使用AI，只需要打开应用输入问题。但企业环境完全不同。

如果直接把这些数据接入模型，马上会出现四个问题。

第一，模型不知道哪个数据是真实版本。相同指标可能在不同系统中存在多个口径。

第二，权限难以控制。普通员工不应该通过聊天机器人获取高管薪酬或客户隐私。

第三，数据不断变化。模型必须访问最新信息，而不是只依赖训练时的旧知识。

第四，结果需要追溯。企业不能接受模型只给结论，却无法说明数据来自哪里。

因此，企业AI项目的大量成本并不花在模型调用上，而花在数据清洗、权限、连接器、检索、监控和评测上。这正是Databricks擅长的领域。

“卖水人”为何比淘金者更稳定

AI行业常用“淘金热中的卖铲人”来形容芯片公司。Databricks更像另一个角色：为所有淘金者提供水、电和道路。

企业可能在OpenAI、Anthropic、谷歌或开源模型之间切换，但数据基础设施不会轻易更换。只要数据、权限和业务流程已经建立在某个平台上，迁移成本就很高。

这让Databricks具备一种模型公司未必拥有的稳定性。模型能力变化极快，今天领先的产品明天可能被追赶；企业数据平台则拥有更强的客户黏性。

同时，Databricks并不需要押注某一个模型胜出。无论客户使用闭源模型还是自建模型，都需要统一管理数据和计算资源。这种中立位置，让它能够从整个AI行业增长中获益。

1880亿美元估值是否过高

如此高的估值也带来争议。Databricks仍未上市，融资频率非常高。公司短时间内多次提高估值，容易让人联想到AI泡沫。

估值能否成立，最终取决于收入增长、利润率和上市后的市场认可。企业AI平台竞争非常激烈，微软、谷歌、亚马逊、Snowflake以及大量开源项目都在争夺相同客户。

云计算巨头拥有基础设施和现有客户关系，可以把AI数据服务打包销售。Snowflake则在数据仓库领域长期与Databricks竞争。企业也可能使用开源工具降低对单个平台的依赖。

此外，企业AI落地速度未必像资本预期得那么快。很多公司已经购买AI工具，但仍在寻找明确回报。如果大规模项目迟迟不能产生收入，基础设施公司的增长也会受到影响。

所以，1880亿美元既反映Databricks的战略位置，也包含市场对AI长期需求的巨大预期。

AI应用公司应该从中看到什么

Databricks的估值提醒创业者，真正有价值的AI产品往往不是简单接入一个模型，而是解决模型无法独立解决的问题。

一个行业应用要形成壁垒，需要具备几种能力：

• 能连接客户原有系统，而不是要求客户重新录入全部数据；
• 能定义清晰的数据权限和审计记录；
• 能建立符合行业要求的评测标准；
• 能把AI嵌入具体流程，而不只是提供聊天窗口；
• 能在模型出错时让人工接管。

这也说明，企业AI市场可能比消费级AI更慢，但一旦进入核心流程，价值和黏性更高。

中国企业软件的机会在哪里

中国市场同样面临企业数据分散的问题。很多公司已经部署ERP、MES、OA、设备管理和业务中台，但系统之间缺乏统一数据语义。

国内大模型公司如果只卖API，可能很难深入企业。更大的机会来自数据治理、知识库、模型网关、权限管理和行业工作流。

特别是在制造、能源、煤矿、交通等场景，数据不仅是文档，还包括传感器、设备状态、工单和实时视频。能够把这些数据转化为AI可使用的上下文，才是真正困难的部分。

中国市场可能不会出现完全复制Databricks的公司，但一定会出现围绕国产数据库、国产算力和行业数据构建的新平台。

结语：模型决定上限，数据决定AI能否工作

Databricks达到1880亿美元估值，说明资本市场对AI的关注正在从模型本身，扩展到支撑AI长期运行的基础设施。

模型决定系统理论上能做什么，数据则决定它在企业里能不能做对。没有高质量数据、清晰权限和稳定工程体系，大模型只能停留在演示阶段。

未来几年，AI行业最稳定的收入可能并不全部来自最耀眼的模型，而来自那些帮助企业把数据变成生产力的平台。Databricks的成功，本质上是市场对一个判断下注：AI最终会成为每家企业的基础设施，而数据平台将是其中最难替换的一层。

信息来源

• TechCrunch：Databricks hits $188B valuation

本文为科技行业分析，不构成投资建议。

Databricks与AI数据中心

导语：2026年7月，Databricks宣布新一轮融资，公司估值达到1880亿美元。它既不是最受普通用户关注的聊天机器人，也不生产GPU，却成为AI热潮中估值最高的非上市科技公司之一。原因在于，当企业真正开始部署大模型时，最难的问题往往不是“模型会不会说话”，而是数据是否能找到、能治理、能安全地交给模型使用。

Databricks成立于2013年，最初因Apache Spark和云端数据分析平台而出名。它的核心业务，是帮助企业把分散在不同系统中的海量数据存储、处理和分析。

在ChatGPT出现之前，这类业务听起来更像传统企业软件：重要，但不性感。生成式AI爆发后，情况彻底改变。

大模型需要数据。企业想让AI回答内部问题、自动生成报告、分析客户或执行流程，必须先让模型安全访问公司的文档、数据库和业务系统。如果数据格式混乱、权限不清、质量低下，再强的模型也只能产生不可靠的结果。

Databricks抓住了这个变化，把自己从“大数据分析平台”重新定义为企业AI平台。它不一定亲自制造最强通用模型，而是帮助企业整理数据、训练模型、部署AI应用和管理权限。

这种转型获得了资本认可。公开报道显示，Databricks本轮估值达到1880亿美元，融资规模可能约30亿美元。此前公司估值从2024年底的620亿美元，快速升至2025年的1000亿美元、2026年初的1340亿美元。

为什么企业AI首先是一场数据工程

普通消费者使用AI，只需要打开应用输入问题。但企业环境完全不同。

如果直接把这些数据接入模型，马上会出现四个问题。

第一，模型不知道哪个数据是真实版本。相同指标可能在不同系统中存在多个口径。

第二，权限难以控制。普通员工不应该通过聊天机器人获取高管薪酬或客户隐私。

第三，数据不断变化。模型必须访问最新信息，而不是只依赖训练时的旧知识。

第四，结果需要追溯。企业不能接受模型只给结论，却无法说明数据来自哪里。

因此，企业AI项目的大量成本并不花在模型调用上，而花在数据清洗、权限、连接器、检索、监控和评测上。这正是Databricks擅长的领域。

“卖水人”为何比淘金者更稳定

AI行业常用“淘金热中的卖铲人”来形容芯片公司。Databricks更像另一个角色：为所有淘金者提供水、电和道路。

企业可能在OpenAI、Anthropic、谷歌或开源模型之间切换，但数据基础设施不会轻易更换。只要数据、权限和业务流程已经建立在某个平台上，迁移成本就很高。

这让Databricks具备一种模型公司未必拥有的稳定性。模型能力变化极快，今天领先的产品明天可能被追赶；企业数据平台则拥有更强的客户黏性。

同时，Databricks并不需要押注某一个模型胜出。无论客户使用闭源模型还是自建模型，都需要统一管理数据和计算资源。这种中立位置，让它能够从整个AI行业增长中获益。

1880亿美元估值是否过高

如此高的估值也带来争议。Databricks仍未上市，融资频率非常高。公司短时间内多次提高估值，容易让人联想到AI泡沫。

估值能否成立，最终取决于收入增长、利润率和上市后的市场认可。企业AI平台竞争非常激烈，微软、谷歌、亚马逊、Snowflake以及大量开源项目都在争夺相同客户。

云计算巨头拥有基础设施和现有客户关系，可以把AI数据服务打包销售。Snowflake则在数据仓库领域长期与Databricks竞争。企业也可能使用开源工具降低对单个平台的依赖。

此外，企业AI落地速度未必像资本预期得那么快。很多公司已经购买AI工具，但仍在寻找明确回报。如果大规模项目迟迟不能产生收入，基础设施公司的增长也会受到影响。

所以，1880亿美元既反映Databricks的战略位置，也包含市场对AI长期需求的巨大预期。

AI应用公司应该从中看到什么

Databricks的估值提醒创业者，真正有价值的AI产品往往不是简单接入一个模型，而是解决模型无法独立解决的问题。

一个行业应用要形成壁垒，需要具备几种能力：

• 能连接客户原有系统，而不是要求客户重新录入全部数据；
• 能定义清晰的数据权限和审计记录；
• 能建立符合行业要求的评测标准；
• 能把AI嵌入具体流程，而不只是提供聊天窗口；
• 能在模型出错时让人工接管。

这也说明，企业AI市场可能比消费级AI更慢，但一旦进入核心流程，价值和黏性更高。

中国企业软件的机会在哪里

中国市场同样面临企业数据分散的问题。很多公司已经部署ERP、MES、OA、设备管理和业务中台，但系统之间缺乏统一数据语义。

国内大模型公司如果只卖API，可能很难深入企业。更大的机会来自数据治理、知识库、模型网关、权限管理和行业工作流。

特别是在制造、能源、煤矿、交通等场景，数据不仅是文档，还包括传感器、设备状态、工单和实时视频。能够把这些数据转化为AI可使用的上下文，才是真正困难的部分。

中国市场可能不会出现完全复制Databricks的公司，但一定会出现围绕国产数据库、国产算力和行业数据构建的新平台。

结语：模型决定上限，数据决定AI能否工作

Databricks达到1880亿美元估值，说明资本市场对AI的关注正在从模型本身，扩展到支撑AI长期运行的基础设施。

模型决定系统理论上能做什么，数据则决定它在企业里能不能做对。没有高质量数据、清晰权限和稳定工程体系，大模型只能停留在演示阶段。

未来几年，AI行业最稳定的收入可能并不全部来自最耀眼的模型，而来自那些帮助企业把数据变成生产力的平台。Databricks的成功，本质上是市场对一个判断下注：AI最终会成为每家企业的基础设施，而数据平台将是其中最难替换的一层。

信息来源

• TechCrunch：Databricks hits $188B valuation

本文为科技行业分析，不构成投资建议。