Databricks 估值達 1,880 億美元，確立 Enterprise Data 平台核心地位
文章摘要
Databricks 近期宣布新一輪融資，公司估值飆升至 1,880 億美元，躍升為企業數據平台核心。該輪融資由 Coatue 領投，預計將於夏季結束。
**新增/更新功能：**
Databricks 的轉型策略使其從傳統大數據公司轉變為 AI 供應商，推出多項 AI 相關產品，包括專為 AI agent 設計的數據庫 Lakebase、AI 閘道 Unity，以及管理多個 agent 的「meta-harness」Omnigent。
**解決的痛點：**
文章強調 Databricks 如何利用其龐大的企業數據基礎，滿足企業對 AI 的需求，同時確保與傳統企業軟體同等級的安全性和治理。此外，Databricks 積極擁抱開源模型（如 Z.ai 的 GLM 5.2），並透過內部測試發現，開源模型在處理高難度編碼任務時，總體成本低於專有模型。其測試也顯示，開源 Harness (例如 Pi) 在管理 Prompts 的上下文方面表現優異，能有效降低成本而不犧牲品質。
**目標使用者：**
主要為企業，特別是那些尋求在保障數據安全與治理的前提下，高效整合 AI 技術於其業務流程中的組織。
**重要性與影響：**
此輪高估值凸顯了市場對 Databricks 作為企業級 AI 數據平台領導者的認可，以及 AI 趨勢對科技公司估值的強大推動作用。
**限制或不足：**
文章並未明確提及 Databricks 的具體限制或不足之處，但其快速融資和估值增長，暗示了市場對其持續創新的高度期待。
**新增/更新功能：**
Databricks 的轉型策略使其從傳統大數據公司轉變為 AI 供應商，推出多項 AI 相關產品，包括專為 AI agent 設計的數據庫 Lakebase、AI 閘道 Unity，以及管理多個 agent 的「meta-harness」Omnigent。
**解決的痛點：**
文章強調 Databricks 如何利用其龐大的企業數據基礎，滿足企業對 AI 的需求，同時確保與傳統企業軟體同等級的安全性和治理。此外，Databricks 積極擁抱開源模型（如 Z.ai 的 GLM 5.2），並透過內部測試發現，開源模型在處理高難度編碼任務時，總體成本低於專有模型。其測試也顯示，開源 Harness (例如 Pi) 在管理 Prompts 的上下文方面表現優異，能有效降低成本而不犧牲品質。
**目標使用者：**
主要為企業，特別是那些尋求在保障數據安全與治理的前提下，高效整合 AI 技術於其業務流程中的組織。
**重要性與影響：**
此輪高估值凸顯了市場對 Databricks 作為企業級 AI 數據平台領導者的認可，以及 AI 趨勢對科技公司估值的強大推動作用。
**限制或不足：**
文章並未明確提及 Databricks 的具體限制或不足之處，但其快速融資和估值增長，暗示了市場對其持續創新的高度期待。
AI 大叔解析
【新聞懶人包】
Databricks 再次刷新估值到 1,880 億美元，短短一年半內飆升三倍。這次高估值主要歸因於他們成功轉型為 AI 平台供應商，推出了像 AI 代理資料庫等產品。新聞特別提到，Databricks 透過自家工程師的實測發現，中國的開源模型 GLM 5.2 在程式碼生成任務上，不只能力夠，成本還比 OpenAI 等專有模型低。更關鍵的是，他們發現 AI 模型外面的「代理工具」(Harness) 對於成本與品質的影響，跟模型本身一樣重要，證明光選模型是不夠的。
【主戰場】
成本與資本配置
【真正主訊號】
Databricks 示範企業用開源模型和對應的 Harness，能有效降低 AI 開發成本。
證據等級：高
原因：新聞中明確指出 Databricks 針對自家 3,000 名軟體工程師，做了實際編程任務的內部測試，並分享了結果。結果顯示 GLM 5.2 等開源模型在最高難度編程任務上成本較低，且 Pi 等開源 Harness 在上下文管理上表現優異。
【以前卡哪？現在卡哪？】
以前企業想導入 AI，但常卡在不知道如何兼顧資安治理與高昂的專有模型成本。現在透過 Databricks 的經驗，即使開源模型能力已到位，如何選擇合適的「代理工具」(Harness) 來高效管理模型輸入的上下文資訊、控制成本與確保輸出品質，成為新的實務挑戰與優化重點。
【真正關鍵】
AI 模型「代理工具」(Harness) 的選擇與優化
原因：新聞引述 Databricks 的測試結果，明確指出「模型選擇只是拼圖的一小塊」，強調 Harness 在管理上下文與降低成本上的關鍵作用，其影響力甚至與模型本身相當。這直接點出了企業在導入 AI 時，除了模型本身，更需要關注整個工具鏈的整合與效率。
【另外兩個重點】
1. **開源模型挑戰專有模型：** Databricks 內部實測證明，GLM 5.2 這類開源模型在企業級編程任務上，不僅能處理高難度需求，成本還比 Anthropic 和 OpenAI 的專有模型低，這對企業來說是個重要的成本控制與技術選型訊號。
2. **估值泡沫與 AI 光環：** Databricks 在短短一年半內估值從 620 億飆到 1,880 億美元，甚至資金都還沒完全到位就先公布，這種「AI 光環」現象反映了市場對 AI 的過度熱情，可能隱含未來的估值修正風險。
【重要程度】
★★★★☆
【毒舌吐槽】
Databricks 這次估值數字衝上 1,880 億美元，搞得好像錢都不用錢一樣，短短一年半市值翻三倍，甚至錢都還沒完全進口袋就急著昭告天下，根本是搭上「AI 光環」順風車在玩數字遊戲。嘴上說自己是「AI 供應商」，骨子裡還是那個把資料湖優化做得好的傢伙，只是現在改包裝成「AI Agent 最佳夥伴」。不過，它能公開自家的工程師實測數據，指出開源模型 GLM 5.2 夠用，而且「代理工具」Pi 影響成本跟模型本身一樣大，這倒是有點東西，不是光喊 AI 就完事。這證明了「把舊瓶裝新酒賣高價」還是得有點真功夫撐腰，不能只靠行銷。
毒舌標籤：Cost Pressure
引用新聞事實：
1. "open models, and GLM 5.2 in particular, are now able to handle even the highest level of task difficulty” in coding, and at a total lower cost than proprietary models from Anthropic and OpenAI."
2. "open-source harness Pi to be one of the best at managing context surrounding each prompt, and therefore one of the lowest costs choices without sacrificing quality."
【為什麼重要？】
- **系統影響：** 這份實測報告直接挑戰了許多企業對 OpenAI 或 Anthropic 這些專有大型模型的迷思。如果開源模型 GLM 5.2 搭配對的 Harness 就能搞定高難度編程任務，那企業在建構 AI 應用時，就不需要一昧追求最貴的模型，而是可以轉向評估更具成本效益、且彈性更高的開源方案。這對整個 AI 應用架構設計會是個關鍵影響，尤其是在模型選擇和部署策略上。
- **成本或能力變化：** 最直接的影響就是成本。Databricks 實際用 3,000 名工程師的經驗告訴大家，選擇開源模型加上像 Pi 這樣的開源 Harness，能在「不犧牲品質」的前提下，顯著降低 AI 的使用成本。這表示企業能用更少的錢，讓更多開發者使用 AI 輔助工具，或者在同等預算下，擴大 AI 的應用範圍，提高開發人員的生產力。以前可能擔心每個 API Call 都燒錢，現在有了具體證明，可以在相同能力下，顯著優化 AI 投入的回報率。
- **苦主與爽主：**
* **爽主：** Databricks 當然是爽主，估值水漲船高，還順手推銷自家 AI 相關產品 (Lakebase, Unity, Omnigent)。開源社群和那些投資 Z.ai 或 Pi 這種開源 Harness 的 VC 也很爽，因為他們的技術被證實是有效的。
* **苦主：** 那些原本只押寶在 OpenAI 或 Anthropic 等專有模型上的企業客戶和供應商，可能要開始重新評估他們的技術棧和成本結構了。這也給專有模型廠商敲響警鐘，他們的定價和競爭力會面臨更大的壓力。
【實戰建議】
所有正在評估或已在導入 AI 的技術主管 (CTO/VP of Engineering) 和架構師，應該立即啟動內部評估，針對自家應用場景，實測開源模型與不同 Harness 組合的效能與成本效益。
【一句話總結】
Databricks 估值狂飆，但其 AI 成本實測揭露，開源模型與 Harness 才是企業省錢又辦事的核心關鍵。
【逆風觀點】
Databricks 的實測報告是「內部」基準測試，數據是由自家發布，可能存在偏好性；畢竟他們現在也積極推出自己的 AI 產品，且是開源模型 GLM 5.2 的推手之一。外部企業在採用時，仍需針對自身數據與任務特性進行獨立驗證，不能單憑一家之言。
Databricks 再次刷新估值到 1,880 億美元，短短一年半內飆升三倍。這次高估值主要歸因於他們成功轉型為 AI 平台供應商，推出了像 AI 代理資料庫等產品。新聞特別提到，Databricks 透過自家工程師的實測發現，中國的開源模型 GLM 5.2 在程式碼生成任務上，不只能力夠，成本還比 OpenAI 等專有模型低。更關鍵的是，他們發現 AI 模型外面的「代理工具」(Harness) 對於成本與品質的影響，跟模型本身一樣重要，證明光選模型是不夠的。
【主戰場】
成本與資本配置
【真正主訊號】
Databricks 示範企業用開源模型和對應的 Harness，能有效降低 AI 開發成本。
證據等級：高
原因：新聞中明確指出 Databricks 針對自家 3,000 名軟體工程師，做了實際編程任務的內部測試，並分享了結果。結果顯示 GLM 5.2 等開源模型在最高難度編程任務上成本較低，且 Pi 等開源 Harness 在上下文管理上表現優異。
【以前卡哪？現在卡哪？】
以前企業想導入 AI，但常卡在不知道如何兼顧資安治理與高昂的專有模型成本。現在透過 Databricks 的經驗，即使開源模型能力已到位，如何選擇合適的「代理工具」(Harness) 來高效管理模型輸入的上下文資訊、控制成本與確保輸出品質，成為新的實務挑戰與優化重點。
【真正關鍵】
AI 模型「代理工具」(Harness) 的選擇與優化
原因：新聞引述 Databricks 的測試結果，明確指出「模型選擇只是拼圖的一小塊」，強調 Harness 在管理上下文與降低成本上的關鍵作用，其影響力甚至與模型本身相當。這直接點出了企業在導入 AI 時，除了模型本身，更需要關注整個工具鏈的整合與效率。
【另外兩個重點】
1. **開源模型挑戰專有模型：** Databricks 內部實測證明，GLM 5.2 這類開源模型在企業級編程任務上，不僅能處理高難度需求，成本還比 Anthropic 和 OpenAI 的專有模型低，這對企業來說是個重要的成本控制與技術選型訊號。
2. **估值泡沫與 AI 光環：** Databricks 在短短一年半內估值從 620 億飆到 1,880 億美元，甚至資金都還沒完全到位就先公布，這種「AI 光環」現象反映了市場對 AI 的過度熱情，可能隱含未來的估值修正風險。
【重要程度】
★★★★☆
【毒舌吐槽】
Databricks 這次估值數字衝上 1,880 億美元，搞得好像錢都不用錢一樣，短短一年半市值翻三倍，甚至錢都還沒完全進口袋就急著昭告天下，根本是搭上「AI 光環」順風車在玩數字遊戲。嘴上說自己是「AI 供應商」，骨子裡還是那個把資料湖優化做得好的傢伙，只是現在改包裝成「AI Agent 最佳夥伴」。不過，它能公開自家的工程師實測數據，指出開源模型 GLM 5.2 夠用，而且「代理工具」Pi 影響成本跟模型本身一樣大，這倒是有點東西，不是光喊 AI 就完事。這證明了「把舊瓶裝新酒賣高價」還是得有點真功夫撐腰，不能只靠行銷。
毒舌標籤：Cost Pressure
引用新聞事實：
1. "open models, and GLM 5.2 in particular, are now able to handle even the highest level of task difficulty” in coding, and at a total lower cost than proprietary models from Anthropic and OpenAI."
2. "open-source harness Pi to be one of the best at managing context surrounding each prompt, and therefore one of the lowest costs choices without sacrificing quality."
【為什麼重要？】
- **系統影響：** 這份實測報告直接挑戰了許多企業對 OpenAI 或 Anthropic 這些專有大型模型的迷思。如果開源模型 GLM 5.2 搭配對的 Harness 就能搞定高難度編程任務，那企業在建構 AI 應用時，就不需要一昧追求最貴的模型，而是可以轉向評估更具成本效益、且彈性更高的開源方案。這對整個 AI 應用架構設計會是個關鍵影響，尤其是在模型選擇和部署策略上。
- **成本或能力變化：** 最直接的影響就是成本。Databricks 實際用 3,000 名工程師的經驗告訴大家，選擇開源模型加上像 Pi 這樣的開源 Harness，能在「不犧牲品質」的前提下，顯著降低 AI 的使用成本。這表示企業能用更少的錢，讓更多開發者使用 AI 輔助工具，或者在同等預算下，擴大 AI 的應用範圍，提高開發人員的生產力。以前可能擔心每個 API Call 都燒錢，現在有了具體證明，可以在相同能力下，顯著優化 AI 投入的回報率。
- **苦主與爽主：**
* **爽主：** Databricks 當然是爽主，估值水漲船高，還順手推銷自家 AI 相關產品 (Lakebase, Unity, Omnigent)。開源社群和那些投資 Z.ai 或 Pi 這種開源 Harness 的 VC 也很爽，因為他們的技術被證實是有效的。
* **苦主：** 那些原本只押寶在 OpenAI 或 Anthropic 等專有模型上的企業客戶和供應商，可能要開始重新評估他們的技術棧和成本結構了。這也給專有模型廠商敲響警鐘，他們的定價和競爭力會面臨更大的壓力。
【實戰建議】
所有正在評估或已在導入 AI 的技術主管 (CTO/VP of Engineering) 和架構師，應該立即啟動內部評估，針對自家應用場景，實測開源模型與不同 Harness 組合的效能與成本效益。
【一句話總結】
Databricks 估值狂飆，但其 AI 成本實測揭露，開源模型與 Harness 才是企業省錢又辦事的核心關鍵。
【逆風觀點】
Databricks 的實測報告是「內部」基準測試，數據是由自家發布，可能存在偏好性；畢竟他們現在也積極推出自己的 AI 產品，且是開源模型 GLM 5.2 的推手之一。外部企業在採用時，仍需針對自身數據與任務特性進行獨立驗證，不能單憑一家之言。