在 NVIDIA GTC 2023 大會上，黃仁勛官宣了和 Milvus 項目合作，Zilliz 被三次邀請上臺演講；大會三天之后，OpenAI 官宣和 Zilliz 合作，在發布的 chatgpt-retrieval-plugin 產品中接入 Milvus 和 Zilliz Cloud。

這是屬于向量數據庫公司 Zilliz 的高光時刻之一。

那一年，隨著大模型爆火，層出不窮的幻覺以及專業領域知識的匱乏，成了影響大模型落地的重要桎梏。而向量數據庫作為大模型的的“外部記憶外掛”，承擔了起了通過對本地知識進行語義檢索，補全大模型落地最后一塊短板的角色。

也是在這一過程中，RAG（Retrieval-Augmented Generation,檢索增強生成 ）作為大模型結合向量數據庫的經典搭配范式，成為了繼電商推薦、自動駕駛之后，向量數據庫爆發的又一超級場景。

然而， 到了 2025 年，在與雷峰網交流時，Zilliz 的 CEO 星爵卻直言：傳統 RAG 已死。

在他看來，隨著推理模型的進步，人們對大模型的知識搜尋不再滿足于“一次性”的檢索，而希望能對問題進行拆解，然后多次根據反饋來做精細化地搜尋，形成完整解答。

基于這一判斷，Zilliz 今年二月發布的基于 DeepResearch 理念的開源項目 DeepSearcher，一個月左右，就在 GitHub 上收到差不多 5000個 star，其火爆程度可見一斑。

在成立 Zilliz 前，星爵在 2009-2015 年間，曾任職于 Oracle，并成為了 Oracle 云數據庫產品的前五個創始工程師之一。那段經歷，讓他親自參與了當時全世界最先進的數據庫系統的建設，更讓他堅定了“云是未來”的信念。

而 Oracle 的經歷，也在他心中播下了“創造奇跡”的種子：2009 年 6 月，在他前去 Oracle 報道的第一天，他在電梯里遇到一位推著單車，操著一口濃厚的法國口音的工程師。他倆攀談了一陣，彼此留下了深刻的印象。接下來的兩年多時間里， 星爵一直與這位工程師同在 Oralce 美國總部 400 號大樓的 7 樓工作，直到其在 2012 年離職創業。這位工程師名叫 Thierry Cruanes，他的創業項目叫 Snowflake。

“見證奇跡是有感染力的。他會逼著你不安現狀，然后去思考，去改變，去創造屬于自己的傳奇”，星爵感慨。

于是，懷抱著創造奇跡的夢想，星爵于 2017 年創立 Zilliz，在大模型風潮尚未席卷全世界時，便已堅定地走向量數據庫這條路。“這個世界上存在著 80% 的非結構化數據，AI 理論上讓大規模、高效處理非結構化數據成為可能。我很興奮，希望把握這個機會”。從起初頻頻遭投資人禮貌拒絕，到后來在 Forrester Wave? 向量數據庫報告中獲評領導者象限最高分，他把 Zilliz 的這場嘗試稱為“理想主義工程師的大冒險”。

但 Zilliz 的成長史，似乎也在不停面臨關于“存在意義”的問題：開源比起閉源的意義，向量數據庫在通用數據庫面前的意義……而在大模型越來越萬能的今天，也有人質疑，大模型的進化是否會讓向量數據庫的作用漸失？向雷峰網 (公眾號：雷峰網) 回顧商業化進程的同時，星爵也對此做出回應。以下是雷峰網在不改變對話原意基礎上所做的整理。

Zilliz CEO 星爵

大模型和向量數據庫：仍會互相合作

雷峰網： 有個說法，DeepSeek這樣的推理大模型出來，讓很多過去做的 RAG 瞬間變成“花架子”，向量數據庫好像沒那么有用了？

星爵： 短期來看，確實一些基于公開數據構建的 RAG 應用可能會受到影響，但對于企業私有數據與大模型的結合場景， 向量數據庫仍然是不可或缺的基礎設施 。中期角度看， DeepSeek這類推理模型的出現反而會加速AI應用的普及與爆發，催生更多非結構化數據的產生、管理和應用需求，這實際上會進一步擴大向量數據庫的市場空間 。

長遠來看，計算與存儲的協同是計算機系統中永恒的基本范式。回顧歷史，在計算機發展初期，當馮·諾依曼提出存儲計算分離架構時，也曾有人質疑隨著 CPU 性能的提升，存儲設備會被邊緣化。但事實證明，隨著算力的增長，存儲需求也在同步擴大。 預計未來五年內，人類將產生的非結構化數據量可能會超過此前歷史上的總和， 這更加凸顯了存算協同架構的重要性。

雷峰網： 最近 Zilliz 在大模型應用上也有些進展，比如 DeepSearcher 開源項目，可以介紹下嗎？

星爵： OpenAI 此前推出了 DeepResearch（深度研究）工具，它能夠通過多步驟信息收集與推理來生成專業報告。但每月 200 美元的訂閱費對許多用戶來說過于昂貴，而且該工具在處理企業本地數據方面存在效率瓶頸。看到這一痛點，我們開發出了 DeepSearcher，通過本地部署方式實現了類似功能。DeepSearcher 將大模型、高級搜索和研究助理功能融為一體，特別優化了對本地數據的處理能力，使其更適合企業實際應用場景。這一項目一經推出就獲得了廣泛關注，在短短一個月內，GitHub 上的 Star 數量就接近 5000。

雷峰網： 為什么會看好 DeepResearch 類產品？

星爵： 從長遠角度看， DeepResearch 這類 Agentic RAG 將會完全替代傳統RAG模式 。傳統 RAG 僅進行單次（one-shot）信息檢索，只適合解決相對簡單的問題。而 Agentic RAG 充分發揮了大語言模型的深度推理能力，能夠通過思維鏈將復雜問題分解為多個子任務逐步解決。在這一過程中，系統可以針對每個子任務通過向量數據庫進行精準檢索，實現多輪信息獲取，大幅提升信息檢索的廣度和深度，從而顯著降低大模型產生幻覺的可能性。

雷峰網： 您之前說向量數據庫下一個殺手級的應用可能是 AI Agent，目前我們距離 AI Agent 時代徹底到來還差什么？以及之后數據庫在 AI Agent 里如何更好發揮作用？

星爵： AI Agent 的本質是幫助人類處理復雜任務，或者說復合任務。這類任務往往需要多步驟推理、多輪決策，因此 Agent 需要一個可靠的記憶體系來存儲中間狀態和歷史信息，而向量數據庫恰好可以很好地承擔這個作用。向量數據庫能夠高效存儲和檢索非結構化數據，為 Agent 提供長期記憶和知識檢索能力，使其能夠在復雜任務執行過程中保持上下文連貫性。

目前 AI Agent 領域面臨的主要挑戰并不在數據存儲這一側。 Agent 技術的發展仍處于早期階段，整個行業還沒有找到真正具有顛覆性的殺手級應用。 我們尚未看到能夠在實際生產環境中大規模部署、并為客戶解決實際問題的應用場景。這些場景的發掘和打磨需要工業界和學術界的共同努力。

從技術角度看， Agent 還面臨著規劃能力不足、多步驟任務協調困難、以及與現實世界交互能力有限等問題。 這些挑戰需要在模型架構、推理機制和系統集成等多個層面進行突破。我相信隨著大模型能力的不斷提升和應用場景的逐步明晰，AI Agent 將逐漸成熟，而向量數據庫作為其核心基礎設施之一，也將在這一過程中發揮越來越重要的作用。

開源長期主義：先苦后甜

雷峰網： 您是在什么契機下想成立 Zilliz 呢？

星爵： 在創立Zilliz之前，我很幸運地成為Oracle云數據庫的前五位創始工程師之一，從 2009 年就開始涉足云數據庫領域。這段經歷讓我親身體驗了全球最尖端、最復雜的數據庫系統是如何構建的，也讓我深信"云就是未來"。

更關鍵的是，當我看到自己的產品被如此多的人使用，周圍環繞著眾多技術大牛時，自然而然也產生改變世界的雄心。在 Oracle 期間，我結識了許多技術領域的頂尖人才，其中包括 Thierry。我們共事兩年多后，他在2012年離開創業，創辦了 Snowflake——后來成為納斯達克歷史上規模最大的軟件 IPO 項目。目睹這樣的奇跡發生，我熱血沸騰，也希望打造一番自己的事業。

到了 2017 年，AI 開始進入公眾視野并得到廣泛應用，Transformer 等大模型架構也呼之欲出。當時我就意識到， 我們的世界中有 80% 是非結構化數據，而這些數據的高效利用一直是個棘手問題。但AI技術使得大規模、高效處理這些非結構化數據成為可能 。那時，我感到一種強烈的使命感和沖動——是時候由我來推動這一領域的變革了。

雷峰網： 公司成立后，融資容易嗎？

星爵： Zilliz 的早期融資之路異常艱難。作為第一次創業，我切身感受到了這個過程的挑戰—— 創業初期，我們長時間無法獲得任何投資，拜訪了幾十位投資人后，收到的大多是禮貌性的"項目很有意思"、"我們保持聯系"這類回應，之后就杳無音信 。起步階段，我只能靠自己的積蓄來支撐項目運轉，這確實是一場理想主義工程師的冒險。所幸經過堅持不懈的努力，我們終于找到了真正能夠理解我們愿景、與我們理念相契合的投資伙伴。

雷峰網： 你是如何說服他們的？

星爵： 投資人不會被說服，而是大家本就堅定地認可同一件事情。對我們來說，關鍵是找到那些已經認同非結構化數據巨大市場空間的投資人。真正的投資決策往往不是靠一次演講或一份 PPT 說服出來的，當我們遇到那些已經通過自己的研究和洞察，對AI和非結構化數據處理領域充滿信心的投資人時，合作就水到渠成了。

雷峰網： 當時產品打磨了多久落地呢？

星爵： 我們的產品研發歷程可以追溯到 2017年。當時我們正在探索向量數據庫技術的無人區，需要從零開始構建每一個組件。經過近兩年的潛心研發，到 2019 年底我們終于有了一個相對成熟的產品。 2019 年 11 月 15 日，我們正式將 Milvus 開源，市場反響出乎意料地好 。進入 2020 年后，我們的開源用戶社區呈現出爆發式增長，GitHub 上的 star 數量快速攀升，到年底已經積累了超過 5000 名開發者和 300 多家早期企業用戶，這有力地證明了我們的產品價值。隨著用戶基礎的擴大，我們也開始看到包括智能搜索、圖片和視頻檢索、推薦系統、欺詐檢測和生物醫藥研發等越來越多的實際落地應用場景，這給了我們很大信心繼續前進。

雷峰網： 但 Zilliz 是在 2023 年才開始打造商業化產品， 為什么公司成立了五六年后才開始正式進入商業化 ？

星爵： 作為一個基礎設施產品，數據庫系統的復雜性決定了它需要長期持續的技術投入和精細打磨。在 Zilliz 成立的最初幾年，我們將主要精力放在了核心技術研發和產品完善上。同時， 我 們面臨著一個更大的挑戰——市場教育 。作為全球首家專注于向量數據庫的公司，我們需要從零開始向整個行業解釋這一全新概念：什么是向量數據庫？它為什么在 AI 時代至關重要？它能解決哪些傳統數據庫無法應對的挑戰？這種市場啟蒙工作雖然耗時費力，但對于開創一個新品類來說卻是不可或缺的。這也是我們選擇開源路線的核心原因之一——開源模式能夠幫助我們更快地獲得開發者社區的關注和反饋，加速產品迭代，同時建立起一個活躍且可持續發展的技術生態系統。

我們選擇在2023年才推出商業化的 Zilliz Cloud，主要基于兩個方面的考慮。一方面，經過多年的技術積累和產品打磨，我們的開源產品 Milvus 在社區已經取得了非常好的成績，積累了大量的用戶和應用案例，產品的穩定性和性能也得到了市場的充分驗證。另一方面， 我們也恰好趕上了生成式 AI 的爆發 ，ChatGPT 等大模型的出現讓向量數據庫一下子成為了AI基礎設施中不可或缺的組件，市場需求呈現出爆發式增長。這兩個因素疊加在一起，為我們的商業化提供了一個絕佳的時機和起點。

雷峰網： 一般來說開源公司商業化的進程普遍都比較慢，您如何看待這種情況呢？

星爵： 開源比起閉源有更強的社區能力和創新的生命力，這種差異在長期發展中尤為明顯。

硅谷有一種標志性的樹木叫紅杉，當地有非常多的百年甚至數千年紅杉樹林，這些樹木能夠生長到百米高度，形成壯觀的生態系統。 做數據庫，做開源，其實就像種一棵紅杉樹，你播下種子，它可以至少長到五六十米以上，甚至更高，但前提是你要有足夠的耐心和長期主義精神 。這個過程可能需要數年甚至十年以上的時間，但一旦成功，其影響力和價值將遠超短期商業化帶來的收益。

數據庫產品做商業化時，開發者社區其實就是最好的客戶來源和創新引擎。開源模式雖然前期變現較慢，但能夠建立起強大的用戶基礎和品牌影響力。就像過去十年里 Databricks 和 Snowflake 之間的競爭。Snowflake 作為完全閉源的公司，雖然前期商業化比較容易，能夠快速獲取收入，但要面對的挑戰是后期如何維持創新以及如何高效地商業化獲客。隨著時間推移，開源的優勢逐漸顯現—— 現在 Databricks 技術創新速度和市場增長都呈現加速態勢，在最新的一輪融資后，它的估值幾乎超過了Snowflake一倍。如果能成功上市，市場上期望它的估值會得到進一步提升 。

在Zilliz的發展過程中，我們也堅持這種開源長期主義的理念。雖然短期內可能面臨商業化進度較慢的挑戰，但我們相信，通過持續投入和社區建設，我們正在培育一棵屬于AI時代的"紅杉樹"，它的根系將深入全球開發者生態，最終成長為非結構化數據處理領域的基礎設施。

雷峰網： 發展到現在，你覺得 Zilliz 的商業化有達到你的預期嗎？

星爵： 從整體表現來看，我們的商業化進程達到了預期目標。在過去兩年中，我們不僅見證了用戶數量的強勁增長，還實現了連續兩年營收三倍的增長率。截至目前， Zilliz 已經在全球市場積累了超過一萬家企業級用戶，產品的累計安裝下載量已突破一億次大關 ，而且這一數字仍在呈加速增長態勢。從市場表現來看，我們的商業化進程正處于一個良性循環中——用戶基礎的擴大帶動了收入的增長，而收入的增長又使我們能夠投入更多資源到產品研發和市場拓展中，進一步吸引更多用戶。

更重要的是，我們認識到，AI 這個行業的崛起才剛剛開始，我們現在看到的只是冰山一角。隨著生成式 AI 和大模型技術的普及，企業和開發者對高效處理非結構化數據的需求將呈現爆發式增長。向量數據庫作為連接 AI 模型與海量非結構化數據的關鍵基礎設施，其戰略價值和市場空間只會越來越大。我們相信，未來幾年將是向量數據庫市場真正的黃金發展期，而 Zilliz 憑借多年的技術積累和先發優勢，已經做好了充分準備，迎接這一波更大規模的市場機遇。

向量數據庫的不可替代：處理非結構化數據

雷峰網： Zilliz 是一開始就考慮海外海內兩手抓嗎？

星爵： 海內海外對我們來說，不是兩手。 全球化就是一個在硅谷工作的工程師自然的思維方式 。當你身處全球創新中心，你的思維方式、產品設計和市場定位自然而然地會超越地域限制。我們從創立之初就秉持全球化視野，將產品設計為面向全球市場的解決方案；團隊也是全球化的，分布在全球多個國家和地區，這使我們能夠更好地理解和服務不同市場的需求。

雷峰網： 在海外的商業模式是什么樣的？

星爵： 我們的商業模式非常清晰直接。Zilliz 本質上是一家云數據庫公司， 我們的所有營收都來自于公有云服務 。我們采用根據用量的計費模式，客戶根據自己的數據規模和使用需求付費。目前，我們已經成功部署在全球五大主流云平臺上，包括亞馬遜的 AWS、谷歌的 GCP、微軟的 Azure，以及中國市場的阿里云和騰訊云。這種多云戰略讓我們能夠覆蓋全球各個地區的客戶，無論他們選擇哪個云服務提供商，都能使用我們的向量數據庫服務。隨著 AI 應用的普及，我們看到云上的向量數據庫需求呈現爆發式增長，這也驗證了我們"云優先"戰略的正確性。

雷峰網： 云上的客戶一般是中小客戶，還是也有大客戶？之前了解到可能一些比較大的客戶，不太愿意把自己的資料放到公有云上。

星爵： 我們的客戶群體非常多元化，既包括初創企業和中小型公司，也有眾多大型企業客戶。關于數據安全這個問題，我們確實看到企業態度正在發生顯著變化。過去，大型企業對將敏感數據遷移至公有云確實存在顧慮，主要擔憂數據安全與合規問題。針對這些顧慮，Zilliz從早期就投入大量資源獲取了多項國際權威認證，包括SoC 2、GDPR 和 HIPAA 等，這些認證能夠滿足全球各行業客戶的嚴格合規要求。

此外，我們還專門開發了"自帶云環境"(BYOC)解決方案，允許企業在自己選擇的公有云專屬區域部署我們的服務，同時保持對數據的完全控制權。隨著這些解決方案的推出，我們看到越來越多的大型企業正在加速向云端遷移其AI和數據處理工作負載。

雷峰網： 那 Zilliz 在 2025 年發展的重點會是什么？

星爵： 2025 年，我們的發展重點將圍繞兩大核心機遇展開。首先，隨著生成式AI的爆發式增長，向量數據庫作為處理非結構化數據的關鍵基礎設施，市場需求正呈現前所未有的增長態勢。其次，全球云計算滲透率持續提高，企業對云原生數據解決方案的接受度顯著提升。

基于這兩大趨勢，我們的戰略布局主要分為兩個方向：一方面，我們將繼續深耕全球開源社區，進一步完善 Milvus 的功能和性能，幫助全球開發者在這波 AI 浪潮中高效處理非結構化數據。我們計劃在 2025 年舉辦更多的開發者大會和技術研討會，建立更加活躍的技術社區，并推出針對不同行業的解決方案和最佳實踐。

另一方面，我們將全力推進 Zilliz Cloud 的商業化進程，這是我們面向企業級市場的全托管云服務。與開源產品相比，Zilliz Cloud 提供了開箱即用的體驗、更高的性能保障、全面的安全合規認證以及專業的技術支持，能夠滿足企業在生產環境中的嚴苛需求。2025 年，我們將進一步擴大云服務的全球覆蓋范圍，優化多云部署能力，并推出更多針對特定行業的垂直解決方案，如金融、醫療、零售和制造業等。

雷峰網： 那之后向量數據庫的發展會要面對什么技術挑戰嗎？

星爵： 未來五年，隨著 AI 技術不斷深入發展，AI Agent、自動駕駛、機器人和具身智能等前沿領域蓬勃興起，這將徹底改變非結構化數據處理的方式和規模。向量數據庫作為AI基礎設施的核心組件，將面臨前所未有的技術挑戰。

這些挑戰主要體現在三個關鍵維度：首先是 成本效益問題。 隨著企業和組織積累的非結構化數據呈指數級增長，數據存儲和處理成本正成為 AI 應用落地的主要瓶頸。以醫療影像為例，一家大型醫院每年可能產生數十 PB 的醫學影像數據，包括 X 光片、CT 掃描和 MRI 等，如何經濟高效地存儲和檢索這些海量數據？我們正在探索更高效的索引結構和壓縮算法，目標是在保持查詢精度的同時，將成本顯著降低。

其次是 實時性能挑戰 。新興的 AI 應用對響應速度提出了極高要求——自動駕駛系統需要在毫秒級別內完成環境感知和決策，以確保行車安全；工業機器人需要亞秒級的環境感知能力來實現精準操作。這些場景都要求向量數據庫能夠在極短時間內完成復雜的相似性搜索。為此，我們正在研發新一代的分布式查詢引擎和 GPU 加速技術，以實現超大規模數據集的實時檢索。

第三是 處理復雜性挑戰 。未來的 AI Agent 將需要同時處理和關聯多種數據類型，如文本、圖像、音頻、視頻和各類傳感器數據。這種多模態數據處理能力對向量數據庫提出了全新要求。我們需要設計更靈活的數據模型和查詢語言，支持跨模態的語義理解和關聯分析。例如，一個智能客服 Agent 可能需要同時理解用戶的文字描述、上傳的圖片和語音指令，并從歷史交互記錄中找到相關信息。這種復雜的多模態查詢遠超傳統數據庫的能力范圍。

除了這三大挑戰外，我們還看到 數據隱私和安全合規 方面的需求日益增長。隨著全球數據保護法規的加強，如何在保障數據安全的前提下實現高效的向量檢索，也是我們正在積極研究的方向。我們正在開發基于聯邦學習和同態加密的安全向量檢索技術，讓企業能夠在不暴露原始數據的情況下進行AI應用開發。

雷峰網： 會擔心向量數據庫被通用數據庫合并嗎？

星爵： 這個問題很有意思。雖然傳統數據庫廠商確實在嘗試整合向量搜索功能，但 向量數據庫與傳統數據庫本質上是兩個不同的技術賽道。它們解決的問題、面對的挑戰和應用場景有著根本性差異。

從數據處理的本質來看，傳統關系型數據庫是為結構化數據設計的，處理的是表格化的信息；而向量數據庫則專為非結構化數據打造，處理的是圖像、視頻、長文本等復雜內容，通過AI模型將這些數據轉換為高維向量進行存儲和檢索。

在應用場景上， 傳統數據庫擅長精確匹配查詢 ，比如"找出所有 30 歲的客戶"或"計算上個季度的總銷售額"，這些都是確定性的問題。而 向量數據庫則專注于相似性搜索 ，解決的是"找到與這張圖片相似的所有產品"或"檢索與這個問題語義相關的文檔"等模糊查詢問題。

這種差異就像"油改電"與原生純電平臺的區別——雖然都能實現電動驅動，但架構基因、能效表現和擴展潛力存在代際差異。傳統數據庫通過插件添加向量功能，就像在燃油車架構上強行改裝電動機，雖然能獲得電動特性，卻受限于原始設計框架，無法實現電池管理系統的深度優化、能量回收效率的最大化，更難以支撐智能駕駛等新一代功能的全量釋放。

雷峰網： 您之前也提過，未來五年向量數據庫成本可能降低 1000 倍以上，給自己定的目標是降低 10-100 倍，現在進度如何？

星爵： 在成本優化方面，我們已成功實現十倍的降本目標，預計到今年底將完成數十倍級的成本優化 。這輪技術突破主要來自三個維度的創新：首先是處理器芯片的架構革新，其次是存儲架構的重新設計，最后是核心算法的持續迭代。我們的核心使命是通過基礎設施層的創新， 將數據管理成本壓縮到傳統方案的零頭水平 ——這在AI應用的總成本結構中，往往占據最關鍵的技術杠桿點。

雷峰網： 那像 Zilliz 是在 2017 年成立的，目睹 2020 年前后國產數據庫的創業大潮，您如何看待這市場環境的變化？

星爵： 觀察 2020 年前后的市場格局，我認為存在三個維度的結構性變化。首先是 資本市場的認知升級 ，雖然出現階段性投資過熱，但客觀上加速了數據庫技術從學術研究到產業應用的轉化周期；其次是 差異化競爭格局 的形成，當多數廠商聚焦傳統 OLAP/OLTP 賽道時，我們已經完成 AI 原生架構的驗證，實現從單機向量檢索到云原生分布式系統的技術跨越；第三是產業生態的質變，當時新創的數據庫企業雖未涉足向量計算領域，但 共同構建起了數據庫的人才矩陣 ——據工信部 2024 年白皮書顯示，中國數據庫專業人才規模較 2018 年實現 400% 增長，這為整個基礎軟件行業注入了持續創新動能。

需要特別指出的是，Zilliz在2018年就確立了 "AI-First" 的技術路線，我們的工程團隊當時已攻克百萬級高維向量數據實時檢索的技術難關。這使得行業在 2022 年迎來生成式 AI 浪潮時，我們能夠快速推出支持千億級向量的云原生架構。

雷峰網： 那回顧公司的發展過程，有比較大的困難需要克服嗎？

星爵： 企業發展就像升級打怪，每個階段都有需要突破的關卡。如果要問 Zilliz 最需要持續投入的戰略重點，我認為是 全球化團隊建設和組織文化融合 。作為在亞歐美三大洲同步運營的科技公司，我們每天都要跨越數字時代的文化鴻溝——比如 協作平臺的適配難題 ：北京工程師習慣微信/飛書的即時通訊生態，硅谷團隊習慣 Slack 異步溝通，而慕尼黑同事則嚴格遵循郵件工作流。這種數字習慣的差異看似是工具選擇，實則是組織效率的隱形殺手。我們通過數據儀表盤發現，中國工程師日均查看郵件次數只有歐美同事的三分之一，這容易導致跨時區協作出現信息斷層。

為解決這一問題，我們開發了自動化信息路由系統，確保不同平臺上的重要信息能夠互通互聯。同時，我們制定了全球統一的溝通標準操作流程，培養團隊成員的跨文化理解能力。我深信，最終決定一家企業發展高度的，不是代碼行數，而是人才密度和團隊協作的乘積效應。

雷峰網： 那創業過程中有過后悔嗎？如果可以再重新選擇一次，您還會選擇創業嗎？

星爵： （笑）如果世界上有后悔藥，我要買來每天當飯吃。創業路上有過無數次自我懷疑和反思的時刻，這些"后悔"也推動了我的自我成長，對昨天的自己的不滿意會敦促今天的自己變得更優秀。不過，如果時光倒流，我依然會選擇創業這條路。因為在我看來，創業不僅僅是一種職業選擇，更是一種生活態度。 每一位加入創業公司的同事，都是這場冒險的共同創造者；即便在大型企業內部孵化新業務的同事，本質上也是在創業。 從更廣闊的視角看，我們每個人都是自己人生、家庭和社區的"創業者"——不斷探索、嘗試、失敗、總結、再出發，這就是創業的內核。

（作者長期關注云計算、數據庫等上下游領域，歡迎添加Ericazhao23討論交流。）

雷峰網原創文章，未經授權禁止轉載。詳情見 轉載須知 。