在 5 月的 SaaStr 大会和 6 月 Databricks 自家举办的 Data + AI Summit 2026 上，传递出的共同信息是：“好数据造就好的 Agent。” 推动这次峰会的核心问题并非“哪个 AI 模型最聪明”，而是“哪种数据基础设施能够可靠地在生产业务运营中运行 AI？”
虽然炫酷的 AI Agent 演示常常抢尽风头，但对于企业来说，要在现实运营中真正运行 AI，数据基础设施才是关键。如果 AI 所引用的数据过时、定义不清或缺乏适当的权限管理，即使是最优秀的模型也无法做出正确的决策或执行。
Databricks 在这一数据基础设施层面获得了世界级的评价。 自成立以来的 13 年间，该公司已从“用于大数据处理的 Spark”扩展到“数据湖仓”，再到如今的“企业 AI 基础设施”。
本文将从商业角度梳理 Databricks 的价值，探讨其在 AI 时代为何重新受到关注，并思考这对日本初创企业的启示。
1. 为何现在要关注 Databricks？估值超 1340 亿美元，位居顶级私有软件公司之列
1.1 世界级私有公司：营收规模与 Snowflake 相当，但增长更快
首先，看规模。Databricks 在最近的 L 轮融资中估值达到 1340 亿美元，加上 2026 年 2 月的追加融资，其总融资额超过 70 亿美元（约 50 亿美元股权 + 20 亿美元债务）。按 1 美元兑 160 日元的汇率计算，其估值高达 约 21 万亿日元。
这一估值意味着，即使在 Anthropic 和 OpenAI 等生成式 AI 公司爆发式崛起之前，Databricks 也已经是全球估值最高的私有软件公司之一。 它在 CNBC 2026 年“颠覆者 50 强”榜单中排名第三，与 Anthropic 和 OpenAI 并列，成为全球领先的科技公司。
不仅仅是估值。Databricks 的年化营收运行率已超过 54 亿美元，同比增长率超过 65%。相比之下，Snowflake 2026 财年的全年产品营收约为 45 亿美元，增长率约为 30%。
虽然 Databricks 的数据是年化运行率，而 Snowflake 是全年业绩——直接比较需谨慎——但很明显，Databricks 正在达到与 Snowflake 相当的营收规模，同时保持着显著更高的增长率。
为什么 Databricks 能获得如此强劲的势头？这背后的原因在于两家公司的起源不同。
两者都处理企业数据，但起点截然相反。Snowflake 最初使用 SQL 快速聚合和分析结构化数据（如销售表和客户列表），以了解“过去发生了什么。”而 Databricks 则从处理海量、杂乱的数据（如日志和机器数据）入手，为机器学习和 AI 做准备。
要在业务中运用 AI，不仅需要管理结构化数据，还需要管理日志、文档、图像、音频和实时数据，并让它们为 AI 所用。这就是 Databricks 的专业领域在 AI 时代被重新评估的原因。当然，这仅仅是起源；如今，Snowflake 和 Databricks 都已扩展到彼此的领域，它们的竞争区域有大量重叠。
1.2 13 年来持续抓住重大技术浪潮
除了规模之外，Databricks 的有趣之处在于，它自 2013 年成立以来，不断调整自身定位以契合重大技术浪潮。 它始于大数据处理的核心技术 Apache Spark。随后推出了整合数据湖和数据仓库的“湖仓”，现在正扩展到支持企业 AI 应用的基础设施领域。
值得注意的是，其业绩正在满足这些期望。 在年化营收运行率同比增长超过 65% 的同时，它实现了过去 12 个月的正向自由现金流，毛利率报告约为 80%。虽然这些是私有公司披露的有限指标，但同时展现高增长和现金生成能力是其获得投资者高估值的关键原因。
然而，Databricks 对 2026 年上市仍持谨慎态度。CEO Ali Ghodsi 在 2024 年 6 月接受彭博电视采访时表示：“我们最终肯定会上市。但今年是上市最糟糕的一年。” 考虑到 SpaceX、Anthropic 和 OpenAI 预计将进行大规模 IPO，该公司可能希望避免机构资本市场的拥挤局面。
它没有急于上市，而是加速了私募市场的融资。2026 年 6 月，The Information 报道称，Databricks 正在谈判新一轮融资，估值在 1650 亿至 1750 亿美元之间（约 26-28 万亿日元）。
1.3 “中间层”的价值难以被看见
我们日常看到的软件是像 Slack 或 Salesforce 这样的“业务应用”。因为它们直接触及用户的任务，其价值相对容易传达。相比之下，像 Databricks 这样的公司是幕后支持数据的 “基础” 。这就是“中间层”或“数据基础设施”。
在软件世界中，常说“价值捕获”往往集中在更接近客户的上层——即应用层。虽然应用是可见的，但底层的基础设施层通常对最终用户隐藏，并且容易商品化。
尽管处于这个基础设施层，为什么 Databricks 还能获得如此高的估值？让我们在下一章看看其优势的来源。
2. Databricks 的优势：“数据大师”如何战斗
2.1 根源：一个“将大数据处理速度提升 100 倍的天才团队”
Databricks 的 优势源于其创始成员。 2013 年，该公司由加州大学伯克利分校 AMPLab 的研究人员创立。他们是大数据处理领域的代表性开源技术 Apache Spark 的核心开发者。
当时，企业处理的数据量呈爆炸式增长，“如何快速处理海量数据”是一个重大挑战。主流的 Hadoop MapReduce 擅长大规模批处理，但由于频繁的磁盘读写，在迭代机器学习和交互式分析方面存在速度限制。
这时，由 Matei Zaharia（现任 Databricks CTO）等人开发的 Apache Spark 应运而生。Spark 利用基于内存的分布式处理，能够将某些工作负载的处理速度比 Hadoop MapReduce 快 100 倍。
简单来说，如果一台 PC 不断地将数据移入和移出硬盘，速度会很慢；但如果你把数据摊开在桌面上（内存），工作就会更快。Spark 将这个理念应用到了大规模分布式数据处理中。
Spark 于 2010 年作为开源项目发布，并已成为一项标准技术。Databricks 的独特之处在于，与这个广泛使用的开源社区紧密相连的成员们，正是开发其商业服务的人。
2.2 “湖仓”：整合数据湖与数据仓库的理念
Databricks 大力推广了“湖仓”的概念。这种架构结合了数据湖的灵活性与数据仓库的管理和分析性能。
- 数据仓库 = 像一个“有序的仓库。” 适合对固定格式的结构化数据（如销售、客户、库存）进行高速分析。
- 数据湖 = 像一个“大型水库。” 可以轻松地按原样存储海量、多样化的数据，如日志、图像、视频和文档。但如果管理不当，可能会变得难以分析。
传统上，许多公司将这两者分开维护，导致数据复制、迁移和双重管理的成本。 Databricks 的湖仓旨在单一平台上实现“有序仓库的可用性”和“大型水库的灵活性”。这就是“湖 + 仓 = 湖仓”。
这种方法使得，例如，“在一个地方处理所有客户行为日志、咨询历史和购买数据，并让 AI 建议下一个最佳行动”变得更加容易，同时最大限度地减少了数据移动。
2.3 在 AI 时代的重要性日益增加：“仅仅拥有数据”是不够的
随着生成式 AI 的出现，Databricks 的重要性进一步增加。这是因为对于企业来说，要真正使用 AI，他们需要组织好内部数据的质量、新鲜度、权限和上下文，而不仅仅是模型本身。
无论 AI 模型的性能有多高，如果它引用的数据过时、模糊或缺乏访问控制，都无法得出正确的决策。Databricks 之所以受到关注，是因为它控制了“让企业数据为 AI 所用”这一层。
被忽视的本质是，数据不应仅仅被存储。 例如，如果“销售额”的定义因部门而异，AI 可能会对同一个问题给出不同的答案。如果没有管理好数据的来源和准确性，就有可能生成看似合理但实际错误的答案。
因此，在 AI 时代，组织和管理数据，以便 AI 能够安全、准确地使用它的价值正在增加。这正是 Databricks 的强项。
事实上，Databricks 的 AI 产品年化营收运行率已达到 14 亿美元，约占公司总营收运行率的四分之一。
2.4 从“数据基础设施”到“AI Agent 的操作系统”
现在，Databricks 正踏入下一个领域。
在 2026 年 6 月于旧金山举行的“Data + AI Summit 2026”上，Databricks 的下一个方向变得更加清晰。分析师认为，Databricks 正在将湖仓从一个单纯的数据平台演变为运行 AI Agent 的“操作系统”。
从商业角度来看，Databricks 正在将自己从一个“存放数据的地方”重新定义为一个“企业安全地构建、运行、管理和变现 AI Agent 及业务应用的综合平台。”
主要发布内容包括：
- Unity AI Gateway：一个“检查点”，用于集中管理和监控各种 AI Agent、模型和工具，控制成本和权限。
- Agent Bricks：一个用于开发和运营 AI Agent 的平台。自推出以来已构建了超过 10 万个 Agent。
- Lakebase：一个专为 AI Agent 和应用设计的新数据库基础设施，融合了收购 Neon 获得的技术。
- Lakehouse//RT & LTAP：一个愿景，旨在在同一数据平台上处理“即时交易处理”和“分析”，目标是实现低于 100 毫秒的响应。
- CustomerLake：进军客户数据平台（CDP）领域，直接在公司的数据基础设施内处理营销数据。
这显示了 Databricks 的下一步行动。要使 AI Agent 真正有用，它们必须理解准确的企业数据及其上下文。通过控制存储和管理层，Databricks 正在向上移动到 AI Agent 和业务应用实际运行的层面。
3. 战略优势：将技术趋势转化为增长的模型
3.1 通过开源实现标准化：扩大社区，通过商业平台变现
Databricks 一贯的武器是开源。 它已将核心技术如 Apache Spark、Delta Lake（用于可靠性）、MLflow（用于机器学习生命周期）和 Unity Catalog（用于治理）作为开源项目推广。
这并非纯粹的慈善行为，而是一种构建生态系统的策略。通过将技术开源：(1) 它成为全球开发者使用的事实标准；(2) 标准化使得商业管理和安全功能更具吸引力；(3) 它让客户放心，他们不会被锁定在特定供应商。
3.2 先发制人的收购：吸收缺失的能力
第二个武器是利用充裕的资本进行敏捷收购。
- MosaicML（2023 年，约 13 亿美元）：让企业能够使用自己的数据训练和定制 AI 模型的技术。这现在是 Mosaic AI 的基础。
- Tabular（2024 年，超过 10 亿美元）：由 Apache Iceberg 的创建者创立。通过收购该公司，Databricks 在开放数据格式方面提高了中立性和互操作性。
- Neon（2025 年，约 10 亿美元）：一家无服务器 Postgres 提供商。这项技术为 Lakebase 提供支持，预示着 AI Agent 按需生成数据库的未来。
3.3 倡导中立性：应对锁定担忧
Databricks 将自己定位为一个能够处理多种 AI 模型和数据格式的平台，而不是封闭的。它允许集成来自 Anthropic、OpenAI、Google 等公司的模型，让客户为特定任务选择最佳工具，同时保持管理集中化。
4. 对日本初创企业的启示：动态数据与行业专业化
4.1 本质：处理“动态数据”的能力
Databricks 的核心优势在于处理“不断变化的数据”的能力。 传统的分析是关于查看过去的静态快照。在 AI Agent 时代，关键在于读取持续更新的数据并立即做出决策——例如在毫秒内检测欺诈或更改建议。
4.2 为什么“行业特定数据平台”是机遇
与 Databricks 这样的横向平台正面竞争是困难的，因为存在规模经济和基础设施的全球性。对于日本初创企业来说，更清晰的胜利之路是抓住通用平台无法触及的“空白地带”——具体来说，就是 “行业特定数据平台”。
一个典型的例子是制药行业的 Veeva Systems。Veeva 通过深入理解行业特定的法规和工作流程而取得成功，最终成为该行业的基础设施。
为什么横向平台在这里会遇到困难？以制造业或建筑业的“蓝图”为例。蓝图不仅仅是一张图片；它包含行业特定的尺寸、材料和零件标注。Databricks 可以存储文件，但它本身并不理解“这个形状如何与采购成本、供应商和法规相关联”。
4.3 获胜的三个条件
我认为，当以下三个条件重叠时，就存在机遇：
- 语言和业务定制壁垒：全球平台难以处理的领域，例如日本的蓝图或特定的本地贸易惯例。
- 行业特定“物理资产”的深度意义构建：需要领域知识才能转化为业务资产的数据，如医学影像或财务表格。
- 融入业务流程：超越搜索/分析，进入实际的执行环节，如采购、估算和审计。
总结：未来 10 年关乎“谁最接近数据、意义和执行”
Databricks 之所以是一家世界级的软件公司，是因为它控制了为企业数据安全用于 AI 奠定基础的关键层。其通过 OSS 实现标准化、先发制人的收购以及保持中立性的战略，为增长提供了蓝图。
对于日本的挑战者来说，教训是避免与横向巨头正面竞争，而是专注于成为构建在其之上的“行业特定意义层”。 在未来十年，随着 AI Agent 开始真正发挥作用，胜者将是那些掌控数据、数据意义以及业务执行的人。
