縱觀過去幾十年的科技發展史，每一代新的技術架構的出現往往都伴隨着新的數據範式的出現，也催生了多家百億到千億美金數據平臺的誕生。如果說 2023 年科技領域的關鍵詞是 LLM，那麼數據庫領域的關鍵詞一定非向量數據庫莫屬。向量數據庫是一種專門用於存儲和檢索向量數據的數據庫系統。它的設計目標是有效地處理高維向量，通常用於表示複雜的數據結構，如圖像、文本、語音等。向量數據庫廣泛應用於 AI 領域，爲各種應用場景提供了更高效、更靈活的數據管理和查詢解決方案。
在這個領域之中，我們罕見地看到了有一家由華人創辦的公司扮演領軍者的角色，他就是星爵帶領的 Zilliz。GitHub 狂攬 25K Star，甚至獲得黃仁勳在 Nvidia 的發佈會上親自點名，在全球多家頭部客戶正式上線雲原生產品，這些都是 Zilliz 取得的成績，這背後有着怎樣的故事？從上海到硅谷，他們經歷了怎樣的變化？對於今天的年輕創業者們，有什麼經驗教訓可以借鑑？
讓我們一起聽聽星爵和 Zilliz 的故事！Enjoy!
｜Zilliz 官網首頁：https://zilliz.com/
01 要做非結構化數據平臺，而不只是向量數據庫
｜Zilliz 創始人兼 CEO 星爵
ZP：Zilliz 是 2023 年國內受到很多關注的基礎軟件公司之一，星爵也是數據庫行業做了超過二十年的老兵了，創業前曾經是 Oracle 雲數據庫產品的創始工程師。促使你當年離開 Oracle 並創辦了 Zilliz 的初心是什麼？
星爵：我大概從 2001 年開始接觸到數據庫領域，之後一直在深耕於此，前後做了 23 年的數據庫工作。我認爲無論是過去的信息化的浪潮，還是未來的智能化浪潮，數據都會成爲越來越重要的資產，其價值將得以凸顯。過去所提到的信息化和 IT 化，更多是指如何把數據和信息採集、保存起來，接下來的智能化時代，人們更關注如何將數字化的資產進行變現，幫助形成商業決策的 Wisdom 和洞見。在未來的智能化時代裏，更多數據（尤其是非結構化數據）會被利用起來併成爲重要的資產，數據庫、數據管理則會變成越發重要的行業。
我們公司的名字叫做 Zilliz，是迴文對稱的形式。創造這個詞的時候，我們還是一家新興的數據庫的公司，旨在解決海量的非結構化數據管理的問題。因爲非結構化數據的量遠超於傳統的結構化數據，所以我們希望能用一個詞將其準確表達出來，這也是沿着工程師的思維向谷歌的名字致敬。在英文中，“zillion”表示一個很大的數，把兩個 zillion 的頭部拿出來拼在一起，就有了 Zilliz。大家對於 Zilliz 的認知可能是一家向量數據庫公司，但我們真正想打造的是一個完整的平臺，其包含非結構化數據的存儲、管理和檢索的平臺，是爲非結構數據的使用而量身定做的新一代數據管理平臺。
ZP：向量數據庫是近一兩年來比較新的一個名詞，尤其是 LLM 浪潮到來之後，行業對它的關注和討論的熱度很高。從你們的角度怎麼解讀向量數據庫的定位以及它在 AI 時代所扮演的角色？
星爵：向量數據庫是的本質是提供海量非結構化數據的語義檢索。在 AI 時代，我們需要處理各種非結構化數據，既包括文字、圖片、語音、視頻、地理位置、人的行爲模式軌跡等，也包括自然界中的基因序列、蛋白質的三維結構等。在 AI 時代，我們藉助各種新的模型和算法，通過計算機和機器對這些數據進行分析、理解，以便獲取知識、做出各種決策。
向量數據庫是將非結構化數據轉化爲機器可以理解的語義表示的關鍵。向量是非結構化數據的抽象數學表示，即用一個高維空間代表這些數據後面隱含的語義。比如，可以描述一張圖片裏有什麼樣的內容；一段文字的含義；視頻中的角色、關係及情感表達等。在深度學習時代，我們可以用算法和模型，通過複雜的非線性轉換，把非結構化數據轉化爲高維數組，以精確地捕捉和表達其背後的語義，實現非結構化數據和機器、算法進行交互，進而檢索、索引和分析。
可以看到，向量數據庫提供的一個核心功能就是對各種非結構化數據進行語義檢索，它在非結構化數據之上提供了一個語義檢索層。這個檢索層涉及到向量數據的存儲、索引、備份、高可用性以及提供高效的檢索和分析的能力。
ZP：前面提到，Zilliz 想做的不只是數據庫而是爲非結構數據的使用量身定做的新一代數據管理平臺，你所定義的數據平臺和數據庫的區別是什麼？目前用戶的痛點在哪？難點又在哪？
星爵：在未來非結構化數據處理的機會中，向量數據庫是一個底座，它管理着海量非結構化數據的語義表達。藉助語義表達，可以知曉數據的重要性、相關性等。除此之外，建設一個完整的非結構化數據平臺是我們的長遠價值主張。
從技術面來看，向量數據庫底座自然而然向外延伸的產品包含：
1）向量提取，從非結構化數據中提取向量，這是向量數據庫上游的工作，十分重要；
2）模型選擇，選擇正確的模型，能夠更精準、更高質量地提取向量；
3）映射管理，即管理數據的本體和數據的語義層之間的映射，在非結構化數據量龐大的情況下，有效維護前述映射會變得很複雜；
4）映射關係的增刪改查，數據不是一成不變的，如何動態維持映射關係極富挑戰性；
5）數據與模型和應用的交互，有了向量數據庫後，語義的表達最終要和機器、算法和模型交互，其中向量數據庫到各種模型之間的交互、AI 應用程序之間的交互和整合極爲複雜；
6）數據對不同模型的整合交互，如何使不同領域大模型（視覺、推薦系統、自動駕駛、生物等領域）算法實現更好的整合和無縫的語義層交互，也是非結構化數據平臺要處理的問題。
總體而言，我們定義的數據平臺，是在向量數據庫中向量的語義查詢、檢索的能力之上，有 embedding 提取能力、與原始非結構化數據本體之間的映射能力、與下游大模型算法和應用程序整合的能力。這些能力都是圍繞最核心的向量或語義表示進行構建。可以說，從向量數據庫到非結構化數據平臺是一個自然的技術延伸。同時，開發者對於數據平臺也有期待，希望通過現代數據庫的核心能力和完整的非結構化數據平臺來大幅降低開發成本，這也是廣大 AI 開發者的本質需求。
02 大語言模型是軟件定義的處理器，向量數據庫是軟件定義的語義存儲，投入產出比將會劃分兩者邊界
ZP：在 LLM 還沒有火的時候，Zilliz 已經在向量數據庫領域深耕了，那時候市面上很少有人涉足這一領域。當時是怎麼考慮的？做判斷的依據是什麼？
星爵：事實上，當時我們並不知道會有大語言模型出現，後續也不確定它何時可以達到實用階段。歸根究底，向量數據庫不是爲 LLM 而設計的，它服務的是整個 AI 領域，擁有更大的場景和市場。如大家所知，AI 有三大技術支柱：算法、算力和數據。我們在 6 年前所瞄準的正是數據這一重要支柱。在未來的 AI 領域，無論是哪類模型，都需要這三大支柱作爲支撐。
從算法層面來看，已經有諸如 DeepMind、谷歌、OpenAI 這樣的公司走在了前面；算力層面也有英偉達和英特爾。那麼數據層面呢？6 年前，我們認爲這個板塊可能被大家所忽視，基本屬於空白市場。再結合自己的專業背景，我認爲非結構化數據潛力巨大。原因在於，世界上 80%的數據都屬於非結構化數據，而在 AI 系統中需要有一個專用的數據管理系統對它們進行管理，爲 AI 應用開發者賦能。向量數據庫解決了 AI 場景中更爲通用的需求，包括語言場景、計算機視覺場景和推薦系統場景，能助力開發者有效管理其中的非結構化數據。
ZP：向量數據庫確實不只是能搭配LLM使用，但是更多的人知道向量數據庫和LLM的火爆也是不無關係的，怎麼看待LLM與向量數據庫的關係？上半年一度非常火，現在又出來了很多質疑的聲音。怎麼看待5年維度向量數據庫與LLM的關係？
星爵：過去一年，隨着大模型的升溫，向量數據庫也迎來爆發性的增長。很多新興的 AI 開發者接觸到的第一個 AI 應用可能就是大語言模型。ResNet、AlexNet 這些上一代的 AI 技術，對他們而言可能比較遙遠。以 ChatGPT 爲代表的LLM 可能是 AI 領域過去十年來第一個 Killer App，而 LLM 同時也是向量數據庫的第一個 Killer App。在向量數據庫領域，過去一年也出現了大量與 LLM 相關的用戶需求與增量市場。
｜大模型通過向量數據庫減少“幻覺”的過程
做一個簡單預測，儘管很多 AI 開發者接觸到的第一個模型可能是 ChatGPT 背後的模型，未來五年，他們卻會看到更多 Foundation Model。這在計算機視覺領域已然成真，未來將遍及自動駕駛、推薦系統、生物製藥等領域。屆時，開發者會發現一個有趣的現象，每個 Foundation Model 都需要一個語義的存儲系統來幫助自己管理諸如文本、圖片、用戶行爲等數據。向量數據庫提供了一種高效、便捷、低成本的數據管理方式，向各種不同的 Foundation Model 提供語義的數據檢索能力，開發者將因此受益。
未來五年，LLM 和向量數據庫的邊界會變得越來越清晰。LLM 將是新一代的軟件定義的處理器，運行在傳統的處理器硬件之上，提供智能的語義數據處理能力。傳統的 GPU 跟 CPU 如果不借助於大模型，就只具備二進制的數據處理能力，不具備智能的數據處理能力。而向量數據庫在未來五年將更多地成爲一種語義存儲，提供智能的數據檢索能力。在傳統的存儲（磁盤、磁帶、雲上對象存儲、文件系統等）之上，提供軟件定義的基於語義的智能數據檢索。工業界和開發者會尋求兩者之間的平衡點，這個平衡點更多是從大規模生產環境下部署和複製的經濟性方面考慮的，找到在何種情況下使用大模型的計算能力更划算，何種情況下將數據放入語義存儲並藉助向量數據庫的檢索能力能達到更好的投入產出比。語義計算和語義存儲方面的邊界將在投入產出比這個經濟指揮棒的引導下，達到一個巧妙的全局優化的平衡。
ZP：新一代開發者討論和使用向量數據庫，基本等同於直接使用 RAG，會不會出現新的使用方式？RAG 與 LLM 和向量數據庫的關係是什麼？
星爵：從 RAG 技術本身來看，它在過去一年裏發展迅速。過去大家在增強 LLM 時，可能更多地是使用向量數據庫來做簡單的模糊匹配，但很快發現其準確率不是特別高。大部分公司，包括我們自己，都在探索如何在向量檢索空間中提供更加精準的數據增強。接下來，我們將在今年上半年發佈的 Milvus 3.0 中提供基於向量的精確查找能力和基於向量的模糊查找能力。這雖然還沒有突破 RAG 的範疇，但已經將召回率已經從去年下半年的 30%-40% 提高到現在的 60%。如果再配合精確查找能力，準確率可以進一步提升至 80%-90%，已經可以覆蓋於大部分場景。對於需要特別高準確率的場景，技術上尚有挖掘空間。
ZP：RAG 的準確率從 60% 提升到 80% 意味着什麼？
星爵：在技術的領域裏經常提到的 80/20 法則也適用於對準確率的解釋。80% 的準確率對大部分應用來說已經 good enough。如果繼續追求剩下 20% 準確率的提升，可能需要額外投入超之前達到 80% 程度的 3 到 4 倍的成本，可以根據不同的應用場景進行 trade-off。
目前，很多企業在使用 RAG 的過程中，60% 的準確率已經可以解決很多問題。我們從 60% 提升到 80% 中的這 20% 已經是一個質的提升。這 20% 非常重要，例如，在一家公司或組織中，60% 的準確率意味着從 AI 中拿到的答案比公司一半人拿到的答案更好，80% 就意味着機器生成的答案比一個組織、公司的人類羣體中80% 甚至 90% 的人拿到的答案都要好。如果我們用 AI 算法做一個決定，這個決定已經在公司達到 80% 的分位，包含了公司的 CEO 這類領導層的答案，在很多商業場景裏已經超越了絕大部分人類的能力了。80% 也意味着在絕大多數情況下 AI 都能生成更加正確、更好的答案，所以，從 60% 到 80% 是一個質變的過程，會給很多產品的使用體驗帶來飛躍。
ZP：目前全球範圍內已經出現了多家向量數據庫公司，Zilliz 在其中的差異化定位是什麼？
星爵：我們的核心差異化是，技術演進方向以雲計算爲核心，這是公司創立第一天就明確的事情。我們是一個開源的、完全雲原生的、面向雲功能和需求打造的向量數據庫產品。商業模式上，我們最初就定位成一個基於公有云的數據庫服務提供商。
和 Qdrant、Chroma、Weaviate 比較，Zilliz 最核心的差異點就是完完全全雲原生，並且我們從一開始就實現了計算存儲分離，擴展也是基於雲原生的無縫擴展，包括我們的分佈式架構也是面向雲原生設計的。在資源管控方面，我們有大量的資源虛擬化能力，這使我們能在雲上提供優秀的多租戶能力，同時不降低用戶體驗和性能。
03 傳統數據庫轉向向量數據庫，可能有着燃油車廠商轉向新能源車那樣的鴻溝
ZP：過去一年，我們也看到有不少傳統數據庫廠商入場，試圖通過 Vector Index 的方式提供向量能力，這種方式和向量數據庫的區別是什麼？
星爵：像 Zilliz 這樣的向量數據庫公司是要打造一個非結構化數據的管理和處理平臺，它絕非只提供向量數據庫的能力。此前，傳統數據庫廠商構建的大都是結構化數據處理平臺，而這和非結構化數據平臺有本質的區別。他們或許可以提供向量數據庫能做的算子、提供部分索引類型，但不可能打造出非結構化數據平臺。二者的差異包括數據類型帶來的處理流程的挑戰，從數據的轉換、清洗到管理和數據映射，以及接入的應用和模型完全不同。這樣的爭論本質上是一件好事，這證明了傳統的數據庫公司也感受到了向量數據庫及未來非結構化數據平臺的威脅和衝擊。因爲他們也知道，相較之下，非結構化數據處理市場是一個大 5 到 10 倍的市場，有着更廣闊的市場前景。
正如十年前電動汽車剛出現時，傳統燃油車廠商也聲稱他們能製造電動車。從事實上看，他們確實製造了出了電動車，能做出電池，剎車時也能做到動能回收。但從長遠來看，我們已經很清楚地看到，燃油車和電動車之間的區別並非簡單的能源驅動方式的變化，其在電動汽車的設計理念、平臺、生態系統等方面都是完全不同的。從底盤到傳動到內部的主機設置，包括電氣化、智能化，都是一個完全的推翻重來的過程。雖然燃油汽車廠商能製造出電動車，但沒有任何一家燃油車廠商真正能夠做出特別好的電動車，他們很難徹底轉向新能源汽車平臺。這些廠商可能會在混合動力車型上有所進展，但再進一步完全轉向新能源平臺對他們來說是相當痛苦的，這個鴻溝也許永遠跨不過來。
同樣地，傳統的數據庫廠商或許能實現部分向量數據庫的功能，但構建一個完整的非結構化數據平臺是非常困難的，甚至是不太可能的。
ZP：我們知道 Zilliz 的產品在一些複雜的場景下，表現出了很好的性能。Zilliz 能夠很好地服務複雜場景的最核心的原因是什麼？公司長期的核心競爭力又是什麼？
星爵：我們能夠服務複雜場景背後的核心原因是以工匠精神不斷打磨產品。好的產品並非一蹴而就，舉個例子，早期的 Milvus 也是一個比較簡陋的產品。當時我們的做法是：第一，要更快地獲取用戶需求，第二，是耐心理解用戶的需求，形成自己的洞察，並花時間在產品方面進行打磨、升級，以滿足用戶的需求。
開源和雲原生的商業化產品所產生的飛輪效應。這兩個飛輪使得我們能夠接觸到很多複雜的場景，並且表現出優異的性能。只要我們堅持二者相互配合，未來我們會保有持續的競爭優勢。具體來看，開源可以讓我們拿到很多更新的場景，在部分領域永遠能夠敏銳地感知工業界、用戶需求的變化。而商業化，尤其是基於雲原生的商業化產品，又能讓我們瞭解用戶特別 mission critical 的要求，包括對性能、可擴展性、成本的要求，以及對於企業級的 enterprise-readiness 的要求，這些要求又會促使我們進一步打磨產品。在開源和雲原生的商業化產品這兩個飛輪的帶動下，Zilliz 能夠讓持續地拿到更多需求並進行產品迭代。
ZP：Zilliz 的開源產品是 Milvus，商業化產品是 Zilliz Cloud，公司對於它們的規劃是怎樣的？目前會有側重點嗎？如何平衡好這兩者的關係？
星爵：從功能性能和企業級需求方面來看，商業版確實領先於開源版，不過我們會在不同時期將商業版的部分超前功能迴歸到開源版中。目前，我們團隊大概有三分之一的工程師在負責開源版，這一塊會持續投入；剩餘所有的工程師都在做商業版的演進。
關於如何平衡這兩者的關係，公司發展早期會更專注於開源，因爲我們堅持，在開源產品還沒做好的情況下，無法進行商業化和產品化。進入商業化階段後，我們在商業化版本和開源版本上都傾注了很多資源和心血。總體而言，我們始終堅持爲商業版用戶和開源版的用戶提供相同的體驗，包括產品的接口、SDK、API 等，這樣用戶從開源版升級到商業版時，能夠獲得低成本、無縫快速遷移的體驗。
ZP：5 年維度你對 AI 行業最大的期待是什麼？最讓你興奮的點是什麼？
星爵：是AGI 的到來。但我講的 AGI 可能和其他人不同，大家一般講的是 Artificial General Intelligence，即通用人工智能，但我想講的是Affordable General Intelligence。在未來五年的時間裏，隨着算法的進步，AI 毫無疑問會比現在聰明 100 倍。關健是，我們能否讓如此聰明的 AI 真正變得 affordable。目前來看，這是個不小的挑戰，參考 AI 芯片的短缺、產能和成本問題。雖然 AI 實施的應用成本在降低，不過如果考慮到整個硬件、大模型和運維等方面，成本依然巨大。舉個例子，如果 AI copilot 月費由 20-30 美金降到 3-5 美金，會有更多人可以使用它。爲此，我期待AGI，讓每個人、每家公司都能負擔得起 AI，真正實現 AI 民主化。
04 華人在硅谷創業：正確地面對我們從哪裏來，要到哪裏去；有空杯心態，盡十倍努力
ZP：你之前是 Oracle 雲數據庫產品的創始工程師，當時在Oracle做得好好的，怎麼想到創業的？
星爵：當時我的想法很簡單，就是想做一些不一樣的事情。我看到 Oracle 幾乎定義並壟斷了整個 IT 時代，也定義了結構化數據的處理。而在 AI 時代，我看到了非結構化數據處理的機會，所以迫不及待地想要加入到這股洪流中。我覺得，如果有幸能夠爲非結構化數據處理的產品和市場中的定義做出貢獻，是更加有價值和榮幸的事。
ZP：創業這麼多年，最接近崩潰的時刻是什麼？
星爵：我每天都處在這種狀態裏，要麼已經崩潰了，要麼是在崩潰邊緣。作爲一個雲數據服務公司，我們把用戶的數據安全和數據服務的可用性擺在第一位，所以如果這方面出現問題，就是我壓力最大、最崩潰的時刻。
ZP：每天都在崩潰的狀態裏，常見的原因是什麼？
星爵：因爲有各種潛在的挑戰。你知道某個問題在某一個點可能會發生，但目前還沒有被解決，它可能是技術問題，可能是人員問題，也可能是賬上的現金流問題。這些問題就懸在頭上，讓人覺得隨時接近崩潰。還有一些事情可能已經發生了，比如服務崩潰、產品崩潰、員工離職或是被競爭對手挖走、被投資人拒絕……這些事情一旦發生，靴子落地了，會真正讓人感到崩潰。
ZP：對於上述的崩潰或接近崩潰的時刻，你有什麼好的緩解的方式嗎？
星爵：我特別喜歡讀人物傳記，每年都會讀五到十本，這個習慣一直堅持到現在。因爲我發現，這些偉人，無論是政治家、軍事家、企業家還是科學家，他們的人生也是無限接近崩潰的，比如工作強度非常高、壓力巨大等。對於政治家和軍事家來說，壓力可能更大，因爲涉及生死攸關的選擇。雖然很多書不會詳細描述他們克服困難的過程，但這會讓我不斷提醒自己，所有偉大的事業和人物都是在艱苦的磨鍊中形成的。
“天將降大任於是人也，必先苦其心志，勞其筋骨，餓其體膚，空乏其身，行拂亂其所爲。”每次讀這些傳記，我會想到在那個時刻，這些偉人比我更加痛苦，和他們相比，我們活在一個更好的時代。感同身受地認爲，今天的痛苦和壓力是必然要經歷的過程，它們本質上也是客觀的篩選過程。沒有真正崩潰，便是向前多走一步。尤其近兩年，有一種說法是“熬死對手”：如果你的對手崩潰了，而你還沒崩潰，你就贏了。
ZP：Zilliz 是 2023 年上半年 Nvidia 發佈會上唯一被提及的華人公司。華人創辦的公司，在硅谷做市場和生態有哪些竅門可以分享嗎？
星爵：在面對創業的挑戰時，我認爲沒有什麼特別的竅門。重要的是正確地面對我們從哪裏來，要到哪裏去的問題。華人在海外創業不可避免的會遇到一些阻力和困難，但只要我們盡十倍地努力，發揮和放大自己的強項就好。Just be yourself.
ZP：在上述過程中，有什麼跟想象中很不一樣的東西嗎？
星爵：要有空杯心態。當我們一年多以前去硅谷發展時，認爲公司已經運營了五年多，不算是從零開始，應該能更快地取得成功。但現在看來，這可能是一個 misunderstanding。我們意識到，即使五年前在國內已經建立了團隊、架構、技術產品，甚至做出了一些影響力和成就，但進入硅谷、進入全球市場後，還是需要保持一種空杯心態。如果可以重新開始，我一定會更加堅持空杯心態，認識到在海外創業就是從零開始，包括搭建團隊、建設影響力，會重新經歷從零到一的痛苦的過程。此外，需要看到海外和國內市場的差異，之前在國內的成功經驗可能無法在海外複製。例如，在國內我們可能依靠媒體渠道來建立影響力，但在海外，影響力的建立更多依賴於 social media 這種更加 organic 的方式。
ZP：黃仁勳曾說如果能回到 30 歲，他絕對不會創辦英偉達。如果帶着今天的記憶，回到創辦 Zilliz 的那天，你的選擇會有變化嗎？
星爵：我今天的回答是沒有變化，但也特別能理解老黃的想法，畢竟我現在纔到創業第 7 年，公司只有 6 年的歷史。我看到了一個明顯的趨勢，公司未來幾年要解決的問題，比之前要難得多。每一年都需要逼着公司和每個人再上一個臺階。所以，在創業 6 年後的今天，我會說我的選擇沒有變化。但也許等我創業十年或二十年後，你再問我同樣的問題，我的回答可能和老黃一樣。因爲可以預見，後面的困難和問題會超出我的想象，儘管我今天表達得如此無畏，但對未來必須保持十分的敬畏。我們也可以做一個小小的約定，5 年後你再問我這個問題，看看有沒有不同的答案。
ZP：創業的困難不是線性的嗎？主要是體現在哪個方面？
星爵：每個人都有自己擅長的點，但作爲一家成功的企業，需要打造一個完整的機器，包括髮動機、齒輪、傳動系統，甚至潤滑劑等。大多數人在創業初期可能在某個領域見長，比如一家公司在前幾年可能因爲技術、產品或銷售而出名，這是他們安身立命的出發點。不過往後看，一家真正成功的公司需要在技術、產品、商業化、組織文化等多方面都非常出色，不能有短板，這就對人尤其是公司核心人員提出了很高的要求。增長的要求一定是非線性的，作爲一名工程師，假設只做技術，隨着時間的推移，遇到的問題越多，能力會越強。但如果加入商業化、產品、用戶思考、和資本市場打交道這些維度，事情就不同了，本來你是在一兩維空間成長，只需要關注一兩個象限，但現在需要關注一個高維空間的多個象限，要同步增長，這本身就是一個非線性的挑戰。
另外要承認，每個人最終都有自己的天花板。作爲企業家，你需要不斷突破自己的天花板才能領導一個偉大的企業，但大家都不知道這個天花板在哪裏，也不知道能不能突破。當我們的認知到達一定高度後，可能就無法再進一步了。歷史上只有極少數的個人能突破全面多維的認知天花板，達到更高的境界。大部分的人需要認識到，企業的成長需要我們向更高的境界努力，但也需要客觀地認識自己，承認隱形的天花板的存在。
05 快問快答
ZP：最近看到的最有意思的 AI 產品是什麼？
星爵：最近有一個產品我認爲很有意思，叫 Credal。它要做的是一個以安全爲中心的 AI 平臺，把各種不同的數據源整合進來，並確保它們對應用程序的構建是安全的。AI 本質上接觸的是一些隱私信息且能力太過強大，因此，數據安全的重要性可能已經被提到了前所未有的高度。在 AI 應用開發的過程中，開發者會在不同平臺上留有數據， Credal 能將所有這些數據串聯起來，使它們能夠更好地爲之後的工作進行增強、支撐以及知識管理，同時還能確保它們得到很好的安全保護，其他人無法查看。
ZP：要同時兼顧中美兩地的工作，減壓小技巧是什麼？
星爵：對我來說解壓就是看書，不管是在飛機還是高鐵上，不管今天有多少事，我都會帶一本電子書在身上。
ZP：給我們的讀者推薦一本你最近在看的書或者最近印象深刻的文章
星爵：我推薦一本比較老的書，是寫霍華德休斯的，他是現實中鋼鐵俠的原型，中文名叫《生而癲狂》。我認爲是所有寫霍華德休斯傳記中最好的一本。書中可以看到，整個美國曆史大概幾百年來，所有成功的企業家背後的那些瘋狂的影子。和霍華德休斯相比，我覺得馬斯克都是比較正常、很好理解的，前者要更瘋狂一些。