代码不再是壁垒:软件创业者的新命题

前几篇聊的都是 data agent 的具体实践，怎么设计、怎么落地、怎么踩坑。今天想往后退一步，说一些更根本的东西。

最近听了 Naval Ravikant 谈 Vibe Coding 的播客，前后脚，看到了红杉发一篇文章，题目叫《Services: The New Software》。两篇东西的出发点完全不同——Naval 是创业者，说的是自己亲身在做的事；红杉是 VC，说的是他们怎么看整个行业。但读完之后我发现，两个人指向的是同一个问题：软件行业的底层逻辑正在被重新书写，而且这件事比表面看起来严重得多。

对我来说这不是一个抽象的判断，它直接关系到我自己在做的事情。所以把思考写出来，也算逼自己想清楚。

知识壁垒正在被瓦解

软件本质上是知识的结晶。它之所以能成为一门生意，是因为写出好软件需要大量积累——不只是编程语法，而是工程师在真实系统里摔打多年之后形成的判断和直觉。你有这些，客户没有，所以客户需要买你的产品。

这个逻辑在过去是真实成立的。Hadoop、Spark 这类大数据基础软件是最好的例子。它们虽然开源，但里面凝结的是全球无数工程师十年以上在生产环境里踩坑、修复、迭代下来的经验。你拿到源码，但真正让它跑起来、跑好，需要的是那些深度懂它的人。Cloudera 这类 open core 公司能赚到钱，本质上就是在靠这个。知识密度足够高，懂的人稀缺，稀缺就值钱。

但 AI 正在从根子上瓦解这件事。

Naval Ravikant：纯软件正在变得不可投资。当 AI coding agent 让任何有清晰想法的人都能在一个下午搭出可用的应用，”我会写别人不会写的代码”这个优势就站不住了。

可以继续往前想：如果 AI 持续进化，coding agent 的上下文窗口足够长、自主执行能力足够强，那些过去需要工程师花数年才能吃透的系统，AI 是否可以自己读完所有 commit 历史、所有 issue、所有设计文档，然后真正”理解”它？如果这一天到来，”我比你更懂这个系统”这条护城河，就从根本上不存在了。

大多数技术创新，解决的恰恰是 AI 最擅长的那类问题

红杉在文章里用了一个框架区分两类工作：Intelligence 和 Judgement。

Intelligence 是问题明确、路径清晰、结果可验证的工作——给定输入，按规则处理，得到输出，能用 benchmark 衡量。Judgement 是在模糊情境下做决策——什么问题值得解决，这个数据异常是 bug 还是真实的业务信号，这个结果对客户究竟意味着什么。

AI 最擅长的是 Intelligence。而软件行业里大多数技术创新，解决的恰恰是这类问题——有清晰的定义，有成熟的工程方法，结果可以被数字验证。

一个很直接的例子，lakehq/sail 这个项目，用 Rust 重写了 Spark 的计算引擎。它解决的问题非常具体：Spark 跑在 JVM 上，有 GC 停顿、序列化开销。Sail 用 Rust 替掉这一层，benchmark 显示性能提升约 4 倍，成本降至原来的 6%。这是真正有技术含量的工作。但用 Intelligence vs Judgement 的框架来看，问题是明确的，路径是清晰的，结果可以用数字验证——这是典型的 Intelligence 问题。

这不是在否定 Sail 团队的工作。但对于创业公司来说，这个问题要更直接一些：如果你的核心竞争力是”我们用更好的技术重新实现了某个东西”，更快的引擎、更低的成本、更优的性能，那你的护城河在哪里？当 AI coding agent 的能力持续进化，复制一个 Sail 这样项目的门槛越来越低，你今天花了巨大代价建立的技术优势，能撑多久？纯 Intelligence 的创新可以是起点，但很难是终点。真正值得去建的，是那些需要 Judgement 才能定义、才能交付的东西。

客户从来不是在买软件

说完供给侧，再说需求侧。有一组数字让我印象很深：

红杉资本：企业在软件上每花 1 美元，在服务上花 6 美元。客户不是真的想要软件，他们想要的是软件能帮他们完成的那件事。

不是更好的财务工具，是账目被结清。不是更好的数据 pipeline，是数据给出的答案。软件是中间手段，结果才是他们真正付钱的理由。

Hortonworks 在被合并前，收入里有相当大一部分来自 professional service——帮客户部署、调优、培训。软件是敲门砖，真正让客户掏钱的，是”帮我把这件事做好”这个需求。客户买的从来不是 Hadoop，他们买的是数据能用起来。

这个逻辑推到今天会变得更直接：如果 AI 让直接交付结果变得可行，客户为什么还要买一个工具然后自己去用它？法律行业已经出现了直接交付合同审查结论的 AI 服务，财务领域出现了直接完成对账和报税的 AI 产品。软件加服务这个捆绑，正在被拆散。

红杉把这个变化叫做从 Copilot 到 Autopilot——前者是帮你用工具，后者是直接替你把事情做完。这不只是产品形态的差异，是商业模式的根本不同。

那未来怎么办

Naval 说：去找硬件、网络效应、AI 模型，不要再押注纯软件。红杉说：去占领服务预算，从卖工具变成卖结果。这两个判断我都认同。

但落到执行层面，我觉得真正需要想清楚的，是一个更具体的问题：你在做的事情，有多少是 Intelligence，有多少是 Judgement？

Intelligence 的部分——性能优化、通用功能、标准化流程——会越来越快被 AI 商品化，很难形成持久的护城河。Judgement 的部分——你在某个垂直领域对”什么是好结果”的理解，对客户业务的深度认知，在模糊情境下做决策的能力——这是 AI 短期内没办法替代的，也是真正值得去建的东西。

软件行业三十年来追求的最高目标是通用化、标准化、规模化。但 AI 时代，这个逻辑正在反转。越通用越危险，越垂直、越依赖专业 Judgement，反而越有壁垒。

当然，问题是：Judgement 怎么建？在数据 infra 这个领域，”深度理解客户业务”具体长什么样？什么时候你才算真正建起来了？这是我觉得这两篇文章都没有真正回答的地方，也是我自己还在想的地方。

从认同一个判断，到真正调整自己在做的事，中间有很长的路要走。但我现在至少清楚一件事：如果我们今天做的大部分事情是 Intelligence，那需要去找到那个属于我们的 Judgement 在哪里。