Ali Ghodsi:企业应用 AI 的瓶颈在于上下文

原标题Ali Ghodsi: The Enterprise AI Bottleneck Is Context

Databricks 首席执行官认为,组织需要让 AI 获取可用知识,同时管理安全、成本和控制权。

AGAli Ghodsi嘉宾 · Databricks
频道
All-In Podcast
发布
2026年11月17日
视频
1:02:06
阅读
12 分钟
幻灯片
2
原文
英语
在 YouTube 打开
往下滚动阅读时,视频会缩到右下角继续播放。字幕跟随阅读语言。
阅读语言共 2 种语言可读
由 AI 从英语原文翻译。打开“对照原文”可以逐段核对。
摘要

30 秒看懂

Databricks 首席执行官 Ali Ghodsi 认为,当今 AI 已有足够能力改变工作,但他拜访的大多数企业仍主要将其用于聊天和编程。他说,障碍在于组织上下文、访问权限与安全、成本,以及对数据和知识产权的控制。Databricks 的 Genie 演示展示了他如何查询员工调查和客户反馈,但得到的答案仍需要检视。Ghodsi 将广泛应用与失控的自我改进情景区分开来:在他看来,更快的训练、更低的资源需求和通用能力提升必须不断循环。他预计企业应用需要 10 至 15 年。

  1. 1Ghodsi 认为现有 AI 能力与企业应用之间存在差距他认为当前模型符合较早的 AGI 定义,但说企业客户仍主要使用聊天和编程。这是他自己的定义和判断,并非业界一致认可的标准。
  2. 2智能体无法利用从未获得的上下文一位银行高管告诉他,银行不会录制会议。Ghodsi 说,缺少会议上下文会限制智能体处理其中决策的能力。
  3. 3数据访问带来安全和成本问题他说,访问公司数据会扩大攻击面,token 账单的增长也可能快于可衡量的业务回报。
  4. 4调查仪表盘带来的不只是一个分数Ghodsi 在 Genie 演示中比较了员工调查的不同类别,然后要求按部门细分。
  5. 5工程产出较高并不总意味着花费更多Ghodsi 说,Databricks 比较了拉取请求活动与 AI 成本,发现一些高产工程师的支出低于其他人。
  6. 6更多 AI 编写的代码本身不能证明存在失控循环Ghodsi 说,快速自我改进需要训练速度、资源使用和通用能力反复取得改善。
  7. 7防守方必须考虑攻击者与防守者的不对称Ghodsi 说,攻击者可以多次尝试且只需成功一次,而防守方必须阻止每次入侵。

要点建议

  1. Ghodsi 认为,智能体需要相关的组织上下文,才能帮助处理公司内部决策。
  2. 应共同评估 AI 的访问权限、安全、运营成本和知识产权控制。
  3. Ghodsi 说,仅凭 AI 编写代码,不能证明快速递归自我改进循环已经出现。
  4. 他预计网络攻击仍是严重的实际风险,企业应用会在多年间逐步展开。
全文

按章节阅读整理后的全文

只看原始文稿
01

Databricks 为何押注云与数据

Ghodsi 将公司的起点追溯到伯克利的研究,以及企业数据工作面临的实际障碍。

Databricks 首席执行官 Ali Ghodsi 说,组织已经拥有足以改变工作方式的 AI 能力,难点在于安全、经济地把它与公司的知识连接起来。他把这一应用难题与更快的、自我改进的超级智能前景区分开来。

Jason Calacanis 介绍 Ghodsi,并问 Databricks 如何从早期研究项目发展成一家大企业。Ghodsi 将公司的起点追溯到加州大学伯克利分校 AMPLab 将数据处理与机器学习相结合的研究。

Ghodsi 说,研究人员在 2013 年创办公司,是因为当时业界还没有准备好采用他们开发的技术。早期应用之一是改进 Netflix 电影推荐;团队相信最终会有更多组织需要类似的数据科学能力。

难点并不只是让算法正常运行。Ghodsi 描述了拥有数十年历史软件、监管要求、安全规定和既定流程的组织。学术研究还没有充分解决治理和安全问题。

Calacanis 回忆过去保存原始日志有多昂贵。Ghodsi 说,云服务将计算和存储分开,让企业能保留更多数据,并按需使用计算资源。Databricks 很早就押注云基础设施、AI 应用和开源,他说这些选择当时颇有争议。

主持人回忆 Netflix Prize,认为它展示了组织邀请研究人员改进预测的做法。Ghodsi 解释说,AMPLab 中的 P 代表人:研究人员意识到 AI 需要人的反馈来解决最后一段难题。

02

当前能力与企业应用差距

Ghodsi 区分了自己对 AGI 的看法和一种更快的假设性超级智能,并概述四个应用障碍。

被问到从现有 AI 走向超级智能的问题时,Ghodsi 说,他认为系统已经符合多年前许多同事所持有的通用人工智能定义。他认为定义已经变化,并说即使不再进步,现有能力也能改变世界。

Ghodsi 用超级智能指另一种假设:一个在智力工作各方面都远快于人类、能力也强得多的系统。Calacanis 问,当今的限制来自算力还是模型本身。Ghodsi 回答说,现有模型相对较慢,往往需要多个智能体并行协作才能发挥作用。

Ghodsi 说,他接触的企业客户大多将 AI 用于类似搜索的聊天和编程,报告的编程速度提升通常为 20% 至 30%。据他观察,让数千个智能体执行核心工作的组织仍然不多。这与模型在困难技术问题上展示的能力形成对比。

他认为,一个障碍是上下文。大公司的决策分散在会议和文档中。一位银行高管告诉他,银行出于责任顾虑不会录制会议;Ghodsi 说,AI 无法帮助处理自己从未了解的决策。

下一个问题是访问权限。让智能体不受限制地访问公司所有数据会扩大攻击面,也可能带来内部威胁。Ghodsi 说,组织还需要比较快速增长的 token 账单与使用 AI 带来的收入或节省。

第四个顾虑是控制知识产权、避免依赖单一供应商。Ghodsi 肯定模型开发商的贡献,同时认为企业必须解决上下文、安全、成本和控制权问题,才能进一步推进应用。

Calacanis 补充说,组织结构可能限制企业如何使用强大的工具:如果车辆的其他部分无法承受,增加马力也没有多大用处。他问到模型公司进入仪表盘等相邻市场的问题。

Ghodsi 说,Databricks 不会把仪表盘作为独立产品收费。它的业务是受治理的数据,以及对数据发起的查询。他预计,更多智能体访问这些数据会增加用量,不过他认为部署仍处于早期。

他说,传统组织架构让决策沿层级上下传递,而交付产品需要跨部门协作:客户反馈经过产品管理、工程、市场和销售。理解企业运作方式的 AI 可能缩短这种跨职能延迟。

Ghodsi 说,他在 Databricks 内看到了这种做法,但无法估计有多少其他组织已大规模采用。他预计新的数字原生公司会比受软件、安全和监管约束的老牌企业推进得更快。

03

首席执行官助手背后的公司关系图

Genie 演示考察了调查、管理层级、工程产出和客户反馈。

Calacanis 说,他正把自己的播客和投资工作拆成服务与智能体,并设定可以衡量的中间目标。他认为,协调这些部分需要系统性思考,而不只是向聊天机器人输入提示词。

Ghodsi 演示 Genie。他说,系统会构建组织中人员、汇报关系、会议、文档和通信的关系图。按他的描述,后台工作会显示在收件箱中,系统利用这些资料回答问题。

一个例子是一项收到超过 1 万名员工回复的调查。Ghodsi 要求生成仪表盘,发现工作与生活平衡以及公司是否采纳反馈的得分较低。他说,后者尤其值得关注,因为员工以前也提出过类似问题。

员工调查仪表盘
幻灯片 1 / 2员工调查仪表盘演示展示了生成的调查回复摘要和一项工作与生活平衡指标。

财务负责人推测工作与生活平衡导致了较低的行动得分,Ghodsi 便要求系统比较两项指标。他说,系统找到了与简单因果解释不符的例子。随后,他要求按部门细分,查看员工提出的不同问题。

他说,分析显示产品管理部门关注决策方式,工程部门关注工具,销售运营部门关注职业发展。他把这描述为一个反复提问的过程:第一个答案不够有用时,就进一步明确问题。

Ghodsi 说,系统利用已有关系图,而不是每次都从头搜索所有资料。关系图将某项指标与作者、相关片段和汇报关系连接起来;在他的演示中,组织上下文使分析成为可能。

第二个查询考察管理层级和每位管理者的直接下属数量。Ghodsi 说,系统发现了一条较深的汇报链,每层直接下属却相对较少,由此引出如何调整组织结构的讨论。

另一张图展示了约 2,000 名工程师合并的拉取请求。Ghodsi 说,领先的一组使用了自动化工作流,其他人则没有。他还比较了支出,称一些高产工程师的花费反而低于其他人,说明用量可以通过不同方式路由和管理。

工程产出分布
幻灯片 2 / 2工程产出分布图表展示了按工程师排名计算的平均合并拉取请求;Ghodsi 借此讨论自动化工作流。

客户会议录音提供了另一个例子。Ghodsi 询问会议进行得如何,并说系统识别出了客户的关切和功能请求。他描述了在后台收集客户反馈并将其传向工程团队的分析,以减少团队之间的延迟。

Calacanis 将管理比作侦探工作:领导者经常通过几场会议和不完整的说法还原发生过的事。他认为,共享记录可以为检验不同解释提供起点。

Ghodsi 说,一个目标是减少人为阻塞:智能体可能在等待法务、财务或其他团队批准某个步骤时停下来。主持人介绍了自己的实验,从通信中寻找重大决策,其中包括敏感的人事讨论,并在向更多人分享该机器人前意识到了这一点。

Ghodsi 说,他还会询问团队的实际运作方式与公司宣称的文化原则有何差异。差异可能是预警,也可能说明更广泛的政策需要重新考虑;他说,目的是让差异可见并加以讨论。

他说,员工可以访问这些信息,管理层也会分享改善工程产出分布的目标。Ghodsi 认为这种内部应用目前具有竞争优势,但预计类似做法最终会普及。

04

上市的取舍

Ghodsi 权衡资本和流动性与市场波动,并说目前没有可以宣布的上市日期。

Calacanis 问 Databricks 何时上市,并指出二级市场为私人公司股东提供了一些流动性。Ghodsi 说,他考虑的是哪条道路最有利于未来一二十年建设公司。

上市可以带来资本、知名度和定期交易股票的市场。保持私有则意味着组织要约收购,他称这是一项繁重工作。他说,员工在此前的要约中并未用完公司提供的全部流动性额度。

Ghodsi 说,公司保持私有的同时,也能完成大规模收购。Calacanis 指出,员工和投资者仍需考虑自己的下行风险和出售股票的原因。

被问到如何与不断扩展到相邻产品的公司竞争时,Ghodsi 说 Databricks 会继续开发。他再次谈到公开市场波动的代价:股价下跌可能大幅改变员工薪酬的价值,也会分散管理层的注意力。

他说 Databricks 最终会上市,但在当前 AI 转型期间,他更愿意避开公开市场的过山车。他没有给出日期;他表示,优先事项是专注于长期产品决策。

05

快速自我改进循环需要什么

Ghodsi 将更快、更省资源的训练、通用改进及重复循环列为其情景的条件。

Calacanis 回到递归自我改进的话题:AI 系统可能反复帮助创造更好的后继者。Ghodsi 说,看到智能体写代码会让这种未来显得迫在眉睫,尤其是对那些职业生涯一直在编程的人。

但 Ghodsi 认为,AI 编写代码的比例从 98% 升到 100%,本身并不能证明存在失控的循环。对于他所讨论的快速起飞情景,他提出了几个需要成立的条件。

他说,首先,后续训练运行必须大幅加快;其次,所需资源必须减少,而不能只是通过不断购买更多硬件来提速。他将其与自己目前看到的大规模、经过谨慎监督的训练运行作对比。

第三,能力提升必须能推广到不同任务,而不只是出现在某个强化训练的领域。第四,所有这些改善必须在循环中持续重复。他说,即使条件全部满足,也不能证明有意识的系统一定会接管一切。

Ghodsi 说,他目前没有看到这种循环:训练时间可能更长,获取和清理数据需要工作,改进也可能只针对特定领域。他认为,要造成他所设想的那种迫在眉睫的危险,除了强大的模型,还需要实际的物理手段。

06

网络安全与应用速度

讲者讨论攻防不对称、实际风险、生物医学应用,以及 Ghodsi 对经济影响逐步扩散的预测。

Calacanis 提到针对联网冰箱的攻击,认为更强的默认密码本可以限制该案例的影响。Ghodsi 同意网络安全是实际问题,并介绍了自己公司在监测和发现入侵方面的工作。

主持人问,防守方更充足的算力是否能让他们先于攻击者发现漏洞。Ghodsi 指出双方并不对称:攻击者可以多次尝试,只需成功一次;防守方却必须反复保护边界。

Ghodsi 预计,扫描和重写旧代码会逐渐减少漏洞。他把这作为自己的判断:现有漏洞数量有限,而攻击者可以利用智能体扩大搜索范围。Calacanis 补充说,人本身仍可能成为被攻破的入口。

被问及担心超级智能的研究人员时,Ghodsi 说他相信许多人是真诚的,阅读相关论证也确实可能令人不安。但他仍没有看到自己提出的快速循环四个条件成立的证据,同时承认其他人可能拥有他不了解的信息。

Calacanis 列出其他问题,包括儿童与聊天机器人的关系、有害建议以及通过在线系统进行操纵。Ghodsi 说,医院等服务遭受网络攻击等实际风险值得关注,尽管他认为生存风险很低。

对于 AI 可能在十年内治愈癌症的说法,Ghodsi 说自己不知道时间表,并指出药物研发需要经过人体试验。他提到 Databricks 支持的肝病研究,以及与 Merck 开发的模型,作为 AI 协助生物医学工作的例子。

他还提到危机支持和物流等客户讨论过的应用。Ghodsi 预计 AI 会让世界变得更好,同时说风险需要受到重视;这些例子被用来说明应用,而非预测医学突破的时间。

尽管 Ghodsi 认为现有 AI 很强大,他预计解决企业上下文缺口需要 10 至 15 年,经济影响也会缓慢扩散。无法录制会议的银行说明了他的观点:如果智能体无法获取发生过的事情,就无法完成他在演示中展示的内部分析。

Calacanis 把早期 AI 使用者比作宽带普及前就看到互联网潜力的人。Ghodsi 回忆了早期互联网安全事件 Morris 蠕虫;两人最后指出,应用和安全需要共同发展。

同频道的其他文章

幻灯片1:24:55EN → 简体中文
All-In Podcast· 2026年11月14日播客 · 4 人对谈黄仁勋离任后,Nvidia 的 AI 投资引擎面临考验主持 Jason Calacanis, Chamath Palihapitiya, David Sacks, David FriedbergAll-In 主持人讨论 Nvidia 换帅、AI 芯片管制,以及投资放缓可能如何影响 Anthropic。SemiconductorsGeopoliticsInvesting+2
2 张幻灯片1:33:03EN → 简体中文
All-In Podcast· 2026年11月7日播客 · 4 人对谈All-In 主持人讨论中期选举与 AI 基础设施争议主持 Jason Calacanis, Chamath Palihapitiya, David Sacks, David Friedberg嘉宾对选举结果的原因、数据中心的未来以及谁将控制 AI 算力存在分歧。经济学AI Regulation基础设施与部署+1
1:25:46EN → 简体中文
All-In Podcast· 2026年10月30日播客 · 4 人对谈All-In 谈 Anthropic 上市、AI 基础设施和美国中期选举主持 Jason Calacanis, Chamath Palihapitiya, David Sacks, David Friedberg主持人分析 Anthropic 的上市文件,讨论 AI 基础设施热潮的成本、Alphabet 业务,并给出不同的中期选举预测。AnthropicAI StrategyInvesting+2
55:39EN
All-In Podcast· 2026年10月29日播客 · 2 人对谈Will Ahmed on WHOOP’s Subscription Model, Health Data and Wearable Strategy嘉宾 Will Ahmed · 主持 Jason CalacanisThe WHOOP CEO discusses the company’s business model, physiological data, AI features and its account of interactions with the FDA.EntrepreneurshipAI AdoptionPersonal Finance
2 张幻灯片1:43:22EN → 简体中文
All-In Podcast· 2026年10月23日播客 · 4 人对谈AI 安全、投资与法国未来的争论嘉宾 Nikesh Arora · 主持 Jason Calacanis, Chamath Palihapitiya, David FriedbergAll-In 主持人与 Nikesh Arora 讨论网络安全和 AI 支出,随后辩论法国动荡、公共服务及美国政策。AI security企业 AIInvesting+2
40:00EN → 简体中文
All-In Podcast· 2026年10月21日播客 · 3 人对谈Arvind Krishna 与 Nikesh Arora 谈量子风险、AI 模型和软件整合嘉宾 Arvind Krishna, Nikesh Arora两位企业高管讨论后量子密码准备、开放权重模型的经济性,以及企业网络安全的变化。AI securityOpen-weight models企业 AI+1