excel学习库-万字大稿深度解读硅谷风投A16Z“50强”数据公司榜单，一场凡尔赛

图文原创：谭婧

“他们就像疯子，在每笔交易中都插上霸气一脚。”这句话来自一位谷歌公司的高管，说的是A16Z。

A16Z，很年轻，一家2009年才成立的硅谷顶级风头投机构。

他们对创业公司，尤其是偏早期的创业公司很有发言权，“口味偏好”一直是国内一些风投的“模仿对象”。

2022年第一季度，他们主导发了一个“榜单”，名叫“Data50”，可以这样理解，“榜单”列出的是他们心中50家优秀的创业数据公司。

看罢，一种“别人家孩子”的既视感。一场美国数据企业“分工细，生态好”的凡尔赛大会。

是时候展示真正的技术了，虽然在“数据公司”这个创业大赛道中，美国领先。

领先意味着中国的开发者们无法完全回避，或者一直使用着部分“榜单产品”。

不想当厨师的士兵不是好司机。

试问一句，哪家中国创业数据企业不想成为具有世界影响力的公司呢？

并且，

抱着学习的态度，来康康“榜单”—Data50。

“榜单”分为七大类

（目录）

榜单方认为，第一类可以再分成两类，批处理和流处理。批处理，例如Databricks和Starburst；流处理（实时处理），例如ClickHouse和imply。

由于对实时应用程序的需求不断增加（尤其是互联网点击流的分析），越来越受到关注。

实时处理技术在互联网大厂中颇受重视，毕竟和收入紧密相关。

虽然实时处理技术在运营商中用得多，但是，杨荟博士谈道：“当下，在非科技非金融公司里，实时处理的应用，普及度低。”

中国人民大学校级计算平台技术负责人，《Flink原理与实践》一书作者鲁蔚征认为：

“查询处理主要基于SQL对业务数据进行分析，非科技非金融公司中，公司绝大多数业务对数据分析的实时性要求较低。例如，只需要对公司业务按日/周/月进行数据分析和统计。”

鲁蔚征谈道：“实时处理需要构建稳定的数据流管道，需要了解实时计算框架Flink、实时数据库Druid（imply公司产品）的人才，而这部分人才目前主要在头部一线互联网公司。”

九章云极DataCanvas董事长方磊博士谈到一个观点：

“在实时这个很大的课题里，很多人把实时处理当成，‘有一堆各种不同的开源组件，组合一个架构’，就相当于，‘面对什么情况，组装什么东西’。”

“这是初步形态的做法。再往后。就要去问，到底要多快？一百毫秒，一秒，还是三秒？是阻断式，还是非阻断式？慢慢会产生常用架构的固化，进而在这些架构上提炼出来产品，从架构的演进，探索，落实到会出现更紧密的产品。”

有专家谈道：“本想说榜单不全面，比如查询（Query）类缺少DataStax，企业级的大数据商业分析平台Kyligence， OLAP 数据库公司StarRocks。细看看评选条件，就明白了。”

StarRocks是北京鼎石科技产品，kyligence是上海跬智信息产品，DataStax是美国的，起家跟赛道扛把子Databricks一样早。

StarRocks 联合创始人、COO 叶谦谈道：

“A16Z的Data50榜单揭示了两个席卷全球的重要趋势：第一、实时数据分析正在成为企业关注的焦点。越来越多的业务场景需要实时数据分析的支持，越来越多的人需要依赖实时数据做出各类决策；第二、源代码开放正在成为数据行业的一种标准模式。通过社区去收集需求、打磨产品、扩大影响力、建立生态，这种方式正在被各个优秀产品所采纳。 ”

“作为一个开放源代码不到一年的新一代分析型数据库产品，在实时数据分析方面，相较于其他产品，StarRocks不仅能够实现秒级的数据导入时效性，亚秒级查询延时，在数据更新支持方面也有重要的技术突破。”

融资：查询和处理类拿走大部分投资。

榜单发布方认为，查询和处理类别仅占 Data50 公司的五分之一，但投资于该类别的资金是惊人的，几乎占资金总量的 50%。尽管此数据受到赛道扛把子Databricks高额融资的影响，但如果没有它，该类别仍将占所有资金的37%。所有类别的投资都在增长，查询和处理公司继续吸引大笔资金，尽管这些公司往往处于后期阶段。

杨荟博士这样解释：“查询处理产品拿走大部分投资资金，有个原因是他们解决的是刚需，一个公司没有数据治理和安全业务不会停摆，但是查询处理太慢会影响业务。”

上榜数量方面，查询和处理，榜单前10，有4家，榜单前50，有10家。

榜单发布方认为，从上榜公司的庞大数量可以看出，这个类别正在成熟和蓬勃发展。

一些参与者专注于特定类型的数据和模型（例如自然语言的Rasa和Hugging Face），而其他大多数人专注于 AI 的产品化（例如Scale、Tecton和Weights and Biases）。

AWS（亚马逊云科技）一位不愿意透露姓名的AI专家指出：

“这里对人工智能和机器学习的分类最好可以定义一下，国人讲人工智能多，机器学习少。机器学习可以定位是高级的数据分析服务，数据分析的分类，预测等场景。值得分开讨论。”

这些逻辑思路清晰的分类，就是因为需要更细化地定义，更详细地讨论。

九章云极DataCanvas，从领先机器学习平台厂商起家，现已发展成为AI基础软件提供商。

九章云极DataCanvas董事长方磊博士谈到一个观点，也得到不少专家的赞同：

“榜单里数据科学公司发展成熟。对比国内，虽然国内数据库公司查询类还有一批，但是国内数据科学AI类的数量非常得少。”

比起国内不少数据企业喜欢把国外开源工具拿来直接用，九章云极DataCanvas非常重视工具自研。

一系列自动机器学习开源工具包DataCanvas AutoML Toolkit（DAT），和DataRobot，H2O.AI竞争。

开源HSAP数据库DingoDB（与Fink流数据配合）。

国内不仅数量少，细分也不好。榜单上，AI/ML分类很细分化。

有些做MLOps，

有些做一个特定领域模型，

有做特征存储库（Feature Store），

还有些做数据标注。

哪怕没有上榜的公司，产品质量也不错，

比如多媒体数据标注工具Label Studio，

开源神经搜索公司Jina AI。

在机器学习领域，MLOps这个术语，是“亲爱的数据”最不喜欢的词，这个词的背后东西塞得太多，一词以盖之，太粗暴草率了。

MLOps做不好，人们在模型准备生产部全程都会难受。“榜单”上也有专门做MLOps的公司，名叫Weights and bias，美国湾区公司。

而Rasa这家公司，早期是做开源的聊天机器人框架。开发人员可以在它的基础上再开发，现在发展到专门做AI领域里的自然语言领域的 SARS服务。

对于HuggingFace公司，做自然语言领域起步，后来拓展到其他领域。生态好，社区活跃。不少专家赞不绝口。

而Tecton公司，做特征存储库（Feature Store），国内几乎没有（如果有的话，）。

“亲爱的数据”寻问过商汤科技的开发人员，只有预训练模型，也不会专门拆特征库。

融资：机器学习基础设施软件的初创企业：国内不火，国外火

AI/ML名气大，都说是持续热点，但是，从融资量看，还不如查询和处理（Q& P），后者才是闷声发大财。

查询虽正处在高点（主要是Spark 的融资拉高），但实属强弩之末。AI基础设施软件公司的“大潮”还没未咆哮。

“亲爱的数据”观察发现，2022年前后，多家主打开源机器学习基础设施软件的初创企业近期获得大笔融资。

几个月前，OctoML公司（2021年11月1日）获得8500万美元的融资，OctoML是基于Apache TVM 做商业化的，OctoML的创始团队是深度学习编译器TVM的发起者，明星成员包括华盛顿大学的Luis Ceze，陈天奇。

想要将训练的模型部署到手机、物联网设备以及专用加速器（FPGA、ASIC）等不同平台，就需要TVM等深度学习编译器来解决。

Anyscale公司（2021年12月8日）获得超过1亿美元融资，产品Ray 的技术壁垒高。而Weight and Bias 作为MLOps的代表性企业，也获得1亿美元的融资。

Voltron Data 公司（2022年2月）获种子轮和 A 轮共 1.1 亿美元的融资。Voltron Data 的 CEO 来自 Nvidia RAPIDS 项目，CTO 是 Apache Arrow 的维护者（ Maintainer，开源社区里身份地位最高的人），还有之前 Blazing SQL 的人加入。

上榜数量方面，AI/ML，榜单前10，只有2家。榜单前50 ，有15家。

榜单方认为，这一类是传输层保证数据准确、准时到达目的地。此类别是从基于本地拖放界面的传统 ETL 供应商演变而来。另外，新类别的玩家大多是云原生的（例如Fivetran和dbt），对开发人员友好（例如Astronomer和Prefect），并且可以处理不同数据环境之间更复杂的依赖关系。

有国内专家表示：“还有数据的汇合，格式的转换等，关注点在好用上面。”

ELT是数据仓库时代的最常用的数据操作。

Elsevier 资深数据科学家沈澄博士对ELT的科普讲得很好。

他是这样说的：“ELT包含对数据的采集，预处理，清洗和初步整合。有点类似我们日常讲的博采众长，融会贯通。”

他谈道，把大数据的”众”，融起来，通起来。如果数据是个矿，ETL就相当于挖矿，选矿石和冶炼这些步骤，经此出炉的钢，将在后续的环节中被加工成我们所需的各种产品。自然，这些产品的性能高度取决于钢的质量。

他谈到ELT的关键性：“数据复杂度越高，来源越多样，数据处理的即时性要求就越迫切，就越凸显出ELT的关键性。它能帮助我们更顺手地驾驭越来越大的数据规模，降低数据分析工具应用的困难度，提升各部门协作的润滑度。没有合适，匹配的ELT，既浪费了数据，也浪费了数据科学家的时间和创造性。”

ELT产品是公有云计算厂商的标配，加大了创业公司竞争的难度。

ETL三个字母对应Extract、 Transform、 Load三个词，ELT是后两个字母先后顺序不一样。

亚马逊云科技（AWS）的一位匿名架构师则谈道：

“AWS 的代表性产品是AWS Glue 。完全托管的 ETL服务，有可视化界面，开发人员只需在界面中点击几次，便能够在界面中看到数据的转换结果。而且，Glue底层是基于无服务器架构，维护人员不用管理和配置底层的基础设施。使用门槛更低。”

此类别，“目前还没有支持跨云数据编排的产品”，杨荟博士说。

融资方面，所有的分类都在增长，ELT 和编排的融资主要来自 Fivetran 和 Dbt 两家公司的带动。

数据管道和数据编排，榜单前10，有2家。榜单前50 ，有6家。

榜单发布方认为，随着数据堆栈变得越来越复杂，并且涉及更多利益相关方，数据治理和安全性正成为关键问题。此类别相对较新，通常服务于受监管的大型企业公司。

杨荟博士补充道：“通常服务于受监管的大型企业公司，但并不仅仅是大型企业需要，新兴云原生数据治理工具，也可以被创业公司使用。”

御数坊是专注于数据治理与安全的咨询与产品提供商，创始人&CEO刘晨认为：“数据治理的内涵，相比以前有了挺大变化。”

他谈道：“Collibra ，Alation以前是从元数据，从数据质量方面去做工作，即便是做一些监管类的工作，也是面向数据质量的这种监管，而不是数据安全合规。”

“OneTrust，Big ID都是数据安全领域的公司，以安全为主要目标，去往数据治理方向，或者说把数据安全作为数据治理的一个内涵。”

他谈道：“Collibra和OneTrust这两家应该是在目前数据治理领域估值较高的公司，走比较工具化的路线。”

“但是，工具化路线在国内还是比较难走”，他强调。

“虽然甲方客户对数据治理的意识提升了很多，有《数安法》，《银行业的数据治理指引》等一系列的这种法律法规，以及行业的主管机构的一些政策推动数据治理。但是，从实际落地的实践的工作方法和工具上面，还有挺大不足。只给他们一个工具平台，很难有效用起来。”

“国内的数据治理高估值的公司，可能连1亿美金的公司都没有，在小几亿人民币这个级别的估值。国内需要做定制化，需要比较多的服务。”

“现状是，甲方的客户目前对数据治理的实践方法，内部能力，团队建设和国外的客户相比有比较大的差距。甲方数据治理团队还在成长，可能还需要几年。御数坊团队希望国内能够尽快有一些比较标准化的工具平台，但是做出标准化的工具平台比较难。”

瑞莱智慧是RealAI专注隐私计算等安全AI方向的领先企业，对于本次榜单提及的数据治理，瑞莱智慧CEO田天表达了他的看法。

他表示，数据治理正成为数据产业的重要需求，隐私计算是“数据安全流通的基础性技术”，也是“数据治理基础设施的重要组成部分”，发展中有三点颇为重要。

第一，未来数据治理的工具面临的形态是“岛而不孤”，需要通过隐私计算技术将各个数据“逻辑集中而非物理集中”，隐私计算是未来数据治理工具的重要组件。

第二，当前联邦学习/多方安全计算等主流隐私计算技术，基本无法满足数据治理、BI等数据需求，需要以硬件为代表的隐私计算技术的新方向和新突破。

第三，隐私计算将来的定位到底走向“数据流通参与者”，还是“数据治理基础设施提供方”，是一个向左还是向右的道路问题，不同企业要做出不同选择。

数据治理与安全，榜单前10，有2家。榜单前50 ，有6家。

榜单发布方认为，客户数据分析传统上由营销团队拥有。然而，由于其重要性日益增加，数据团队现在更多地参与将客户数据与中央数据平台集成。此类别侧重于捕获客户数据（例如Rudderstack和ActionIQ）或操作该数据用于服务一线业务案例（例如Census和Hightouch）。

杨荟博士谈道：“这一大类在国内的数据产品创业公司最为蓬勃发展，被称为Customer Data Platform。”

客户数据分析，榜单前10，有0家。榜单前50 ，有6家。

先看BI。

众所周知，BI 覆盖数据的消费层。BI 谈不上卡脖子，不过也是需要研发出好产品的，因为面向更大的受众。

榜单发布方认为，尽管BI是一个成熟的类别，但Preset或Metabase等新参与者正在采取开源优先的方法，并吸引技术数据工程师以及商业智能团队。数据需求的快速变化性质也对迭代和交互式笔记本（例如Hex）和自动洞察生成（例如Sisu）产生了更多需求。

“人人都是数据分析师，”是BI公司共同的心声。

永洪科技创始人&CEO何春涛认为，现状是，用Excel这样的电子表格工具做可视化分析，分析功能差，呈现效果差。用Tableau Desktop这样的分析工具做可视化分析，分析功能不错，呈现效果不错，但数据量大一点跑不动，没有数据挖掘功能，还不支持类似中国式报表等本土功能。

帆软数据应用研究院研究主管王文信谈道：

“对BI来说，自动洞察生成是一个大的趋势，可以预见的是，一方面落地难度还是不小的，包括算力算法要求、BI厂商对自研和集成的权衡，以及业务用户的使用习惯差异等；另一方面是国内外的区别，国内的整体发展阶段较国外BI市场是相对滞后的，国外的自助分析氛围更浓，已经在朝着‘人人都是数据分析师’的方向发展，而国内，则仍然侧重于IT端的应用，自动洞察也是如此，国内企业目前对这一场景的需求并未形成规模。”

。

再看数据科学团队的协作产品。

和鲸科技是国内罕见的专注于数据科学团队的协作平台产品团队，曾经，投资人拿和鲸和Kaggle做中美对标，数据竞赛玩家拿“中国版Kaggle”指代和鲸。

和鲸科技 CEO & 创始人范向伟说：“想办竞赛你就去办竞赛”，下半句是：“给你工具就行了。数据竞赛系统突出竞赛，数据科学云端协作工具突出协同，两个产品的底层模块有共同之处。”

“做法是，某个产品模块上新，让社区先用。社区打磨产品的方法是独一无二的，类似开源软件的方法论，千手捉虫（Bug）快，和真实需求的距离最近。”

但华为也杀到这个类别里了。

商业智能与数据科学的团队协作，榜单前10，有0家。榜单前50 ，有5家。

这类软件杨荟博士解释道：“数据管线质量管理软件，监测数据处理过程的问题，有点像工厂管道上的各种压力流速仪表。”

数据可观察性从软件工程堆栈的最佳实践中汲取灵感。随着数据栈越来越依赖于上下游工具，并且数据的准确性具有更广泛的影响，可观察性成为提供跨数据流监控和诊断能力的最新类别。

尽管推动采用的主要市场“东风”是数据量和使用量的增加，但每个类别的潜在驱动因素各不相同。

例如，查询和处理领域的进步，主要是由计算和存储的分离，向云迁移和更便宜的算力来推动。

同时，在数据治理和数据可观察性中采用操作工具很大程度上是由不断增长的操作案例，数据工作流的复杂性推动的。

数据管线质量管理软件，榜单前10，有0家。榜单前50 ，有2家。

家庭作业：一道思考题。

为什么中国数据企业，有项目，没产品？

“亲爱的数据”认为，数据企业的“造产品”等同于“造工具”。

创业数据企业对产品的理解，关键点包括：

第一，工具怎么用？

第二，如何用？

以此为基础，升华为，做好工具的一套方法论。

产品的竞争，关键点包括：

第一，市场有多大？

第二，产品比别人好在哪？

东风

数据企业，人人都希望创建一个简洁的抽象统一解决这些问题，并总结为好用的产品，好用的工具。

业务层和基础层的工具，都是要理解需求和约束，做好抽象。只不过业务层和基础层的需求和约束不同而已。

按道理，工具在基础软件中很重要。但是，国内数据企业不重视。大多数情况下，国内数据创业企业会把一些国外开源的工具，拿过来直接在场景和解决方案里面去用，或者改改用。

“魔改”和“拼凑”就是用来笑话他们的。

常见想法是：“反正这种工具别人老外已经给我弄好了，就拿这个数据工具直接去跟客户做项目，在项目里，想办法把这个工具怎么适配给客户。”

成熟产品是高度标准化的，有了产品能力再去服务客户，现实情况是产品能力不足以赶超国际同行。

业务固然很重要，但不能轻视工具。现实是大部分国内公司对业务的重视远远大于对工具的重视。

拿AI/ML这类来说，大部分人脸识别公司更多关注算法和安防业务，自研工具的少。或者说，安防赛道里挤满了自称AI公司的厂商，没有几家自研工具，更别提自研小众工具。

更糟糕的来了。

国内施工型项目，复制性很差，每个项目都投入很多人力做大量的定制开发。所有厂商都想摒弃项目，但异常困难。甚至说除了项目之外，已经落到了无路可走的地步。

种什么因，得什么果。现在看到的结果是过去的因造成的。

今天都看到问题所在，努力去改进，未来就可能有好的果。今天不改，未来就没有好的果。

这不是一个企业能不能拿到投资的问题，是五年或十年后，中国在基础设施软件层有没有拿得出手的产品的问题。

种一棵树，最好的时间是十年前，其次是现在。

虽然面对截然不同的外部环境，然而，坦白地说，中国数据企业面对的外部环境更为不利。

美国数据公司面对的是困难，中国数据企业面对的是困难Pro，困难Pro Max。

这种说法并不是向外归因，不从自身找原因。

数据公司的产品有开源版、商业版、PAAS、SaaS三种形态，比如，赛道扛把子Databricks公司就三种都有。

数据产品要从服务少数客户，到占领主流市场必须要SaaS服务的商业模式。SaaS在国内发展不起来，这个问题已经被讨论得很多了。

再此不做赘述，建议前往吕老师的微信公主号“阿朱说”。

没有SaaS，国内数据公司唯有踏上艰苦卓绝的项目型公司的道路。做项目有钱了，生存了，但是，没法专注，不专注就没办法把产品做得很深，很好。

换句话说，做项目和做产品，很大程度上是“鱼与熊掌不可兼得”。

做项目，难免要顾着“甲方”的业务需求，而一些业务上的“施工内容”，消耗创业公司的精力和资源，沦落成一个施工队。

和鲸科技 CEO & 创始人范向伟说：“定制化是永远做不完的，因为业务的变化，是大于软件公司的变化的。又因为ROI不够高，所以，中国数据企业短期内不会进入规模化增长阶段。”

一些开源起家的数据企业，在开源社区中改进产品的速度会比项目型团队的人效高。比如，近几年很受欢迎的深度学习框架OneFlow，Jina AI，非结构化数据平台格物钛，Zilliz。

两家大型独角兽AI公司，都号称有自研的全套的机器学习开发工具。由于是闭源软件，需要以客户使用的真实感受为标准。

公司规模大还好受一些，中小企业则“天下苦秦久”。

有专家透露负面情况：“有不少数据公司，都号称有产品，但真正到客户要用的时候，所有的功能基本上都要重新开发，或者不叫重新开发，叫继续开发。相当于把产品的10%做出来了，然后拿着10%的产品去找客户项目，打到单之后，才把剩下90%给开发出来。”

这种情况下，客户脸上的笑容逐渐消失。而这种数据公司的说辞是：“到客户业务，客户场景中去历练，去沉淀。我们已经有很多客户服（被）务（坑）经验。”

此前，中国数据企业出海也是一条出路。

可惜，乌克兰和俄罗斯的一声炮响，全球化倒退，中国数据企业出海的前途，自此暗淡。

大家别难过，别垂头丧气，疫情告诉我们，情况可以更糟糕。

对此，也有人大声疾呼：

清数D-LAB全球数据创新基地总经理焦锋雷，谈到了基础设施软件公司的创新。

他谈道：“我们国家数据公司和国际发展历程相似，国际公司的这七个类别我们也都有。可情况大有不同。我国数据应用层公司更多，而且也更好拿钱。”

榜单发布方认为，未来 10 年将是数据的十年，包括基础设施、应用程序以及介于两者之间的一切。

他认为，在数据创新这个战场上，我们缺乏鼓励类似“榜单”中的中间层的基础创新。

而中间这层必将会成为下一个创新主战场，是投数据类创新项目的重点关注领域。

小游戏：大家一起来找茬？

来给美国出品的“榜单”找茬，“亲爱的数据”和她的朋友们讨论后，有如下结论和疑问：

第一点，全文唯一的事实错误是把DataRobot公司归类到查询处理类（Query Processing）, 人家是自动化AI/BI分析公司喽。

第二点，Scale AI和LabelBox这两家是数据标注工具，把它放在选入到人工智能这一类，怎么说呢，坦白说，技术含量不行，而且排名还比较靠前。虽然在生态里，这类企业干了不少脏活累活。

第三点，Databricks公司作为“赛道扛把子”，入选榜单第一也是实至名归，但是，归类到查询处理类（Query Processing）是否合适？

Databricks

第四点是一个问题，为什么这个榜单没有给数据库公司上榜？

事务性数据库

什么是事务性数据库。简单说，电商交易后面的交易是一笔一笔发生的，所用的数据库就是典型的事务性数据库。

选择创业公司的产品会更小心。

甚至，包括部分新兴电商公司，用来做事务性处理的工作，仍然是买Oracle或者是买SAP。因为数据库跟它的ERP，财务软件系统是强绑定关系。创业公司的产品去替代有难度。

另外， TiDB这种 HTAP 的事务性和分析性混合类怎么去区别，是事务性，还是分析性？

美国的分布式关系型数据库CockroachDB和YugabyteDB也没有上榜，和国内的TiDB类似。

亲爱的数据

部分国内的数据企业，愿意把自己宣传的很能，很大；甚至，有不少数据公司会自称是“数据管理产品及服务提供商”。

这种蜜汁“企（自）业（我）介绍”，真让人困惑。A16Z的榜单也分成了七类，好歹总归其中某一类。不，就不说，偏说自己是“数据管理”公司。

为什么不说真话？为什么不传播真实的产品类别和市场定位呢？

杨荟博士试着回答了这个问题，他认为：

“甲方也看到这样的现象，看起来什么都能做，真的买了后，发现所有功能都要定制开发。原因有可能是国内甲方客户采购环境给逼的。国内数据创业企业不吹这个牛，连采购这关都过不了。”

还有人认为，数据企业都爱“造词”，一会一个，比产品发布的都快。若有新产品发布，随机附送“新词”N个。

当下大家都不容易，吐槽的火力不能太猛。

最后，“亲爱的数据”引用一句歪果仁的吐槽。

Dremio 公司的投资人，Adams Street Partners 的合伙人布赖恩·杜德利 (BrianDudley) 对甲方说：

“数据团队被要求执行不可能完成的任务：更快，更好用，确保数据治理和安全，并促进开放架构，以避免供应商锁定，换产品的代价过高。除此之外，还要减少基础设施的复杂性，降低使用费用。 ”

全文审稿专家

（完）

更多阅读

AI框架系列：

1.搞深度学习框架的那帮人，不是疯子，就是骗子（一）

2.搞AI框架那帮人丨贾扬清独家专访（二）

DPU系列：

1.造DPU芯片，如梦幻泡影？丨虚构短篇小说

2. 永远不要投资DPU？

3. DPU加持下的阿里云如何做加密计算？

其他：

梅长苏：推荐系统难道就是琅琊榜？

2. 超级计算机与人工智能：大国超算，无人领航

3. 隐私计算：消失的人工智能 “法外之地”

4. 售前，航空母舰，交付，皮划艇：银行的AI模型上线有多难？

5. 我怀疑京东神秘部门Y，悟出智能供应链真相了

6. 两大榜单揭晓啦，2021年中国高性能计算机性能TOP100+国际人工智能性能排行榜AIPerf500

7. “重型卡车自动驾驶，无量产，则无意义”赢彻科技CTO杨睿刚博士观点

8. AI芯片公司：拿下“超级石油”，助力地质模拟和人工智能

最后，再介绍一下主编自己吧，

我是谭婧，科技和科普题材作者。

为了在时代中发现故事，

我围追科技大神，堵截科技公司。

偶尔写小说，画漫画。

生命短暂，不走捷径。

还想看我的文章，就关注“亲爱的数据”。

一	二	三	四	五	六	日
						1
2	3	4	5	6	7	8
9	10	11	12	13	14	15
16	17	18	19	20	21	22
23	24	25	26	27	28	29
30	31

excel学习库

excel表格_excel函数公式大全_execl从入门到精通

万字大稿深度解读硅谷风投A16Z“50强”数据公司榜单，一场凡尔赛2024-05-30 05:36:44