华人影响力跃升与AI商业化成功

今年的华源AI大会（H Conference）在参与者、议题和嘉宾层面实现了质的飞跃。李严冰指出，随着华人在AI领域影响力的持续增长，这一趋势在最新数据中得到了印证。卡内基梅隆大学的一项研究报告分析了NeurIPS（AI领域最重要的学术会议）的10,00名作者，发现57%的作者在中国接受本科教育。这一数据不仅包含目前身处中国的学者，也包括在美国及其他地区的华人研究者，充分展示了华人在AI基础科研领域的深厚权重。

除了学术研究，华人在将AI转化为创业和企业价值方面同样表现卓越。李严冰提到一个令人惊讶的数据：美国已有41家估值超过10亿美元的初创公司由华人创立或联合创立。这些企业不仅实现了商业成功，许多创始人也现身本次大会。这表明当前的AI讨论已超越前沿技术和企业应用的范畴，更多聚焦于真正取得商业成功的创始人及其实践经验。这种从科研到产业落地的完整链条，构成了今年大会的核心主题。

AI落地进入ROI时代与可观测性机遇

尽管年初SaaS市场遭遇估值大幅下跌，Datadog作为行业代表之一也未能幸免，但公司可能是最早从低谷中复苏的企业。李严冰分析认为，AI推广的最大障碍已从“是否有效”转变为如何有效地管理和控制其运营。年初时，市场关注点在于AI能否工作；随后转变为对安全性和可信度的担忧；而进入今年，核心痛点已转向Token成本及整体预算是否超出预期。当前市场共识是：AI需要更多的可观测性（Observability），因为只有在深入理解AI行为、实体关系及价值创造后，才能确保其可控并产生真实的商业投资回报率（ROI）。

这种市场共识并非主观臆断，而是由真实数据驱动。李严冰强调：“AI取代可观测性的想法已被彻底抛弃，当前市场共识是AI实际上需要更多的可观测性。” 事实上，全球十大AI公司均依赖Datadog进行系统监控。随着可观测性数据量的激增，产品形态也在发生演变。Datadog的市场价值自年初以来已翻倍，这证明了可观测性在AI大规模生产中的关键地位。未来，可观测工具将从仅服务于工程师转变为同时服务于人类和AI代理（Agents）。

产品形态重构与复杂系统护城河

在交互模式上，Datadog正在打破固定的产品边界。李严冰指出：“无论我们在哪里工作，工具都应该在那里。” 这意味着产品形态将从以Web和移动端为中心，转变为嵌入到任何工作流中。例如，开发者在命令行界面（CLI）编码时可以直接访问工具，或在Slack中与团队聊天时也能即时获取监控数据。AI彻底改变了原有的产品边界，使其能够随时随地在任何工作流中被访问。

关于Datadog的护城河，李严冰通过对比自动驾驶领域来阐述运维系统的极高复杂性。她曾在美国领先的自动驾驶卡车公司Aurora工作，负责全球首个在公共高速公路上运营商用自动驾驶卡车的系统。她分析道：“与维持大规模生产软件系统的复杂性相比，自动驾驶的复杂度其实相当低。” 驾驶仅需关注视野内的局部场景，且只有加速、减速和转向三个控制变量。相比之下，现代大规模系统涉及复杂的软件、硬件及基础设施集成，尤其是当复杂AI代理整合其中时，其系统复杂度远超自动驾驶。因此，实现完全自动化的大规模生产运维仍有很长的路要走，这也构成了Datadog在高度复杂运维领域的不可替代性。

构建基于专有数据与垂直模型的竞争壁垒

在探讨AI是否会取代运维领域时，李严冰指出Ops（运维）是一个极其多样化的领域，且Datadog自身也在大量开发AI技术，因此并不担心被替代。公司的核心护城河建立在三个支柱之上：首先是多年积累的领域专业知识，因为问题本身非常复杂；其次是拥有全球规模最大的运维数据资产；最后是持续在智能化方面的投入。虽然通用大模型能解决许多问题，但它们往往存在速度慢、成本高昂以及在高度专业化领域难以提供最佳答案的缺陷。为此，Datadog进行了独立的AI研究，利用可观测性数据构建了专属模型。

"I recently saw a result: compared to the most frontier models, we used observability data to build our own... the quality of our specialized model is very comparable, yet the cost is reduced by at least an order of magnitude."

这项研究揭示了一个关键结果：与最前沿的通用模型相比，Datadog基于专有数据构建的垂直模型在质量上非常接近顶级前沿模型，但成本却降低了至少一个数量级。这种基于专有数据、基础模型研究投入以及垂直领域经验的组合，构成了Datadog真正的竞争优势。这表明企业更倾向于利用自身数据构建专属模型，而非单纯依赖通用前沿模型。

行业共识：从单一前沿模型转向数据驱动的定制化路线

关于企业未来是选择开源模型还是自建模型，李严冰认为这取决于具体需求。目前的行业共识是市场不会由单一或少数几个前沿模型垄断所有解决方案。越来越多的公司正在进行后训练（post-training），旨在将自身数据转化为真正的护城河。这一趋势甚至得到了顶级AI实验室的认可。

李严冰分享了一个极具代表性的案例：他近期访问了一家世界领先的AI实验室，双方互为客户。在讨论中，该实验室提出希望Datadog标注数据并出售给他们，以改善其在运维场景下的表现。这一互动证明，即使是世界最顶尖的AI实验室，在高度专业化的特定场景中也缺乏相应的数据积累。通用大模型很难最佳地服务于所有应用场景，因此Datadog去年收购了领先的强化学习公司AdaptiveML，以加速在该领域的投资。这种将数据转化为壁垒、通过垂直优化弥补通用模型不足的策略，正成为行业主流。

内部AI落地：成本激增与工程效率的显著回报

在探讨Datadog自身采用AI的挑战时，李严冰指出其面临的困难与其他企业相似。作为工程产品开发公司，Datadog起步较早，但在预算下一年研发或AI支出时，实际增长远超直觉预期。这种投资旨在提升内部效率和外部产品集成。在产品侧，AI功能的引入带来了用户使用率的多倍增长，证明了投资的极高回报率。然而，从购买GPU、构建基础设施到训练运行次数，研发层面的投入是巨大的，且需要长期回报。

在内部效率提升方面，最大的预算用于工程师使用编码代理（coding agents）。由于这是Datadog的专长，公司不仅能追踪Token的使用情况，更能清晰衡量最终成果。数据显示，AI投资在PR速度、产品稳定性、功能交付和安全改进等方面产生了明确可见的结果。这表明，当AI工具与核心工程流程深度结合时，能够切实转化为工程速度的提升。这种从投入产出比角度进行的量化评估，是Datadog内部AI落地的核心方法论。

知识工作的安全隐患：非专业代理带来的现实风险

尽管工程领域受益明显，但李严冰对知识工作（knowledge work）中的AI应用持谨慎态度。目前许多非工程师员工，如销售人员或HR团队，正在编写自己的销售工具或定制脚本。这些业余级别的代理（amateur-level agents）往往未经优化，且最严重的是缺乏对安全的重视。这引发了企业AI安全的新担忧：人们常想象“末日场景”，如AI攻击其他公司或突破沙箱，但在企业视角下，更现实的风险是业余AI代理意外泄露业务数据，或因缺乏适当的审查和控制而暴露API密钥。

"Actually, many of the security issues we are considering now are more fundamental. It’s not yet a 'doomsday' type of problem, and I think this is also a significant barrier to more widespread enterprise adoption of AI."

李严冰强调，当前的安全问题更多是基础性的数据泄露和密钥暴露问题，而非科幻式的末日灾难。这种对安全底线的担忧构成了企业更广泛采用AI的主要障碍之一。因此，在推动内部AI普及的同时，建立严格的审查机制和安全控制措施，是确保非专业用户也能安全使用AI工具的关键前提。

结论

AI商业化已全面进入ROI时代，核心痛点从技术可行性转向成本管控与系统可观测性。Datadog凭借专有运维数据构建的垂直模型，在质量接近前沿通用大模型的同时将成本降低至少一个数量级，确立了显著竞争优势。其护城河源于处理超大规模复杂系统的经验及全球最大运维数据资产，这使其在高度专业化场景中优于通用模型。然而，非专业用户使用的业余AI代理引发基础数据泄露风险，构成企业广泛采纳的主要障碍。未来趋势并非单一模型垄断，而是通过后训练将自有数据转化为壁垒，实现从通用能力向垂直场景的深度定制。