对话矩阵起源王龙：想要做数据库领域的 iPhone

关注

原创最新推荐文章于 2026-11-13 14:46:14 发布 393 阅读 AI 写同款· GEO 优化 ›

SpringBoot+Vue+MySQL 高校学科竞赛平台完整可运行版（源码+文档）本项目基于SpringBoot+Vue+MySQL构建高校学科竞赛管理平台，覆盖学生、教师、领队教师、管理员四大角色，实现竞赛发布、报名、刷题、评分、公示等全流程闭环管理。系统架构清晰，技术主流，配套完整源码、数据库脚本、万字论文、开题报告、答辩PPT及部署文档，支持一键运行，适用于毕业设计、课程设计及院系二次开发，真正实现“开箱即用”。阅读详情

二十多年磨一剑，有大积累才能大创新。

作者丨张进

编辑丨林觉民

2021年初，王龙从腾讯离职创办了Matrix Origin（矩阵起源），一家研发、运营开源数据库社区MatrixOne，并以此为基础实现商业化的数据智能领域初创公司。

MatrixOne是一款超融合异构云原生DBMS（数据库管理系统），“超融合”是指各种负载的融合，即一套系统同时支持事务、分析、流、AI等各种应用，“异构云原生“指的是从云原生架构出发，又同时能支持私有云、边缘云和数据中心等各种类型的IT基础设施。

Matrix Origin创始人王龙是一位连续创业者，在清华大学时便跟随师兄第一次创业，做起了信息技术图书的翻译、教程撰写的生意。毕业后出于对代码的热爱，加入一家 SaaS 创业公司开始了程序员生涯。

后来，王龙在德国慕尼黑西门子工作了几年，负责全球第一代智能制造系统 MES 软件的设计和研发。这段工作经历，让他看到国内工业自动化软件领域的机会，促成了他第二次创业——2008年他又做了一家MES公司。

在2017年加入腾讯云之前，王龙在美国 VMware工作了六年，在这段时间里他积累了大量云计算和数据库领域的专业知识，拥有了珍贵的国际视野。这帮助他在任职腾讯云副总裁期间，成功地从头开始搭建了数百人团队，和完整的大数据人工智能产品矩阵及商业化体系，服务于国内、国际各行各业的数千家企业。

如今，王龙正走在他的第三次创业征程上，Matrix Origin已经在上海、深圳、北京、硅谷等地设有分支机构。近日，MatrixOne内核1.0.0-RC1版本已正式发布，MatrixOne内核1.0 GA及MatrixOne Cloud正式版也将在近期发布。

近日，我们和王龙聊了聊。他为什么选择在位居互联网公司高位时离开去创业？又为什么会选择数据库这样一个大机会和大风险并存的领域？

从以下对话中，我们可以了解到Matrix Origin成立两年多来的经历、现状和成长，以及他作为CEO如何做各种决策和把控Matrix Origin的方向。此外，对话还涵盖了王龙对于行业的观察和思考、国内外To B发展的看法，同时也探讨了相关的机遇和挑战。

我们从中可以看到，一个致力于开源基础软件的创业者，如何引领着一家创业不足三年的公司，在资本严冬的严峻环境下，经历了一系列的困难、无奈和坚持。这些经历，都将成为他宝贵的财富，激励他继续前行。

1 MatrixOne的产品目标是什么？

AI科技评论：是什么让您决定从腾讯离开出来创业？

王龙：我一直有个用产品和技术来影响更多人的创业梦想。当天时、地利、人和都出现的时候，我不能错过这个机会。

我将"天时"解释为行业发展到一定阶段的时机。每个领域发展到一定阶段，都会遇到市场或者技术的天花板，这时往往就会出现新的机会。在腾讯云带领大数据和人工智能团队的几年中，我真切地感受到客户、合作伙伴、还有团队自身遇到的越来越多的困难，和越来越无法解决的痛点。在高速发展的信息化和数字化的过程中，数据的处理、存储和利用是不可或缺的核心能力，然而行业却一直缺乏简单易用、性能优秀、性价比高的工具，用户被迫消耗大量的时间和资源在ETL开发、运维、排错、监控和调试等不产生业务价值的工作上。乙方交付成本高，甲方满意度低；技术人员加班不止吐槽不断，业务方抱怨投入产出低响应慢；个人开发者和初创企业也常常面对种类繁多的数据库和千变万化的市场趋势，陷入选择困难症。我认为这是行业进入瓶颈期的一个体现，市场正需要一个新的技术和产品来完成突破。

"地利"是指有利的大环境，国家大力推动产业升级，出台各种政策鼓励技术创新和产业的信息化智能化转型，资本投入也非常充裕。

“人和”是指我在行业积累了二十多年，身边聚集的志同道合的伙伴们，大家都有充足的激情和热情去为共同的目标而努力。

三者同时具备的时候，创业也是水到渠成的事情。

AI科技评论：MatrixOne跟TiDB、OceanBase处于同一赛道吗？

王龙：从广义上说我们都在数据库管理系统（DBMS）这个领域里，DB-Engines网站上已经列有几百种数据库系统，国内的墨天轮上也有超过两百个数据库公司，TiDB、OceanBase和我们都是其中之一。

但我不是特别想说赛道这个词，因为赛道常常意味着边界清晰、内容固化和内卷，意味着你走在一个已经非常成熟的道路上了。我们想做拓宽这个赛道，甚至利用技术创新去找到一个新赛道，这也是MatrixOne和大多数数据库的差异点之一。

AI科技评论：怎么拓宽、突破呢？这是MatrixOne的产品目标吗？

王龙：数据库是一个偏基础的软件平台，它的核心无非是数据的存储和计算。而数据的存储和计算所依赖的IT基础设施，例如CPU、Storage、Network的技术能力、架构和调度管理方式都和十年前有很大的差别。与此同时，从互联网到移动互联网，再到物联网和人工智能，数据的来源和使用方式也发生了很大变化。在IT基础设施层和应用层之间承上启下的数据库架构，也必定面临一个革新的机会。在深入分析了基础设施层，和数据源头及应用方的变化趋势之后，我们找到了突破的方向，那就是做一个超融合异构云原生数据库MatrixOne。

用大家都能理解的一句话来表示，我们想要做数据库领域的iPhone。

AI科技评论：你怎么定义数据库领域的iPhone？

王龙：当前的数据库领域，有很多情况和iPhone诞生之前类似。从用户数量来看，当时手机用户的数量高速增长了十几年达到数十亿；现在，程序员和数据库用户的数量也同样高速增长了十多年达到数亿。从产品数量来看，当时的手机设计、开模、制造和营销流程已经非常成熟，使得市面上最多的时候有上千款手机，各有各的卖点，例如音乐手机、照相手机、游戏手机等等；现在，开源的流行使得开发或者修改并商业化一个数据库的门槛也变得很低，市场上也已经出现了数百款数据库，专门服务于TP、AP、AI等各种负载。再从相关上下游来看，当年的电池技术、芯片能力、触摸屏、摄像头等各种元器件的飞速发展，使得制造一个简单易用涵盖最主要功能的智能手机变得可能；而现在，支持数据库的底层基础设施发展到了云原生、容器化、无服务计算等，数据库使用者也开始同时关注易用性、弹性、性能、性价比以及数据管理的统一和融合。

根据当前的市场和技术发展状况，打造全新的简单易用的融合性数据库时机已到，用一个数据库同时支持TP、AP、Streaming、TS和AI等主流工作负载，这就是数据库领域的iPhone，我们有时也简写为HSTAP。

AI科技评论：意思是理想中的MatrixOne同时拥有市面上所有数据库的优点，并且能解决现有用户的所有痛点？

王龙：“所有”那是不现实的，毕竟iPhone也没有成为世界上唯一的一款手机。MatrixOne的目标是同时具备最主流数据库的优点，满足最主流用户的需求，用一个极简的产品服务，将用户从复杂的数据架构和高成本的数据底座投入中解放出来。如果说的直接一点，无论在不同规模，还是不同数据类型，还是不同软件应用中，我们希望帮助用户克服选择困难症，使用MatrixOne一款数据库就能满足大部分场景下的需求。

2 MatrixOne遇到的技术挑战

AI科技评论：要做成数据库领域的iPhone，MatrixOne用到了哪些新技术？

王龙：数据库本身的架构当然是经过精心设计，我们从之前成熟稳定的数据库技术中吸取了很多经验，同时又和国内外顶尖实验室合作，包括Dewitt领导下的威斯康星数据库实验室和Xiangyao Yu教授，在理论上做了很多探索和实践。

在我看来，MatrixOne最重要的设计理念是有效考虑当前最新的基础架构技术，例如支持和利用了容器技术、无服务计算和异构云原生的各种内存及存储能力，包括便宜的对象存储、HDD、SSD甚至还有相当前沿的CXL技术。这使得MatrixOne能更加灵活、稳定地管理和使用各种硬件资源，得心应手地进行数据存储和计算调度，从而数倍提升硬件的利用率。

AI科技评论：当说到要支持多个数据应用的时候很多人会想到数据中台，MatrixOne跟数据中台有什么区别呢？

王龙：作为智慧城市、智能制造、智慧金融等各种智慧行业解决方案的核心，数据中台概念提出也有七八年了，最近两三年的争论和争议也很多。耗资巨大但灰头土脸的中台项目，也被开玩笑称为CIO杀手。我在腾讯云时也有两个数据中台产品，也落地过不少项目，但在项目中遇到的困难和争论也是一直存在的。

大量的数据中台项目为什么会失败？本质是因为数据中台并没有真正实现它的设计目标，其中最主要的就是数据的割裂问题没有真正解决。 统一的数据存储、管理和使用，是实现数据中台项目目标和支撑业务价值的前提。当前主要的数据中台架构，无论是仓上建湖还是湖上建仓，都是采用多个数据库或者大数据系统组件搭建的，这样至少可以从逻辑上将多个业务系统的数据整合在一起。然而首先面临的大挑战，就是客户的业务系统组合往往是千变万化的，同时又是属于不同部门的，遇到的困难和实际需求往往又不同。这使得数据中台的产品复用非常困难，给A客户研发的中台系统，在B客户那里是很难平滑使用的。这大量的定制化过程，会消耗大量的人力资源，带来巨大的成本，造成业务需求响应非常缓慢等结果。数据中台的重要价值之一就是灵活应对业务变化，但由于大量定制化的存在，使其无法避免的笨拙反而成了业务的阻碍。

认真调研和思考过这些问题后，我们认为打造数据中台需要一个简单易用、架构简洁、灵活弹性、支持异构资源和负载的数据库，这也成了MatrixOne的第一个设计目标。换句话说，MatrixOne想成为数据中台的底座，帮助每个数据中台项目获得成功，帮助客户最大化地获得中台的价值。

AI科技评论：用MatrixOne建设数据中台还有哪些优点？

王龙：MatrixOne使用一套数据存储来支持多种应用系统，这对中台项目的成功也至关重要。之前也说过，现在的数据中台架构中，数据只是逻辑上放在了一起，通过ETL在不同模块之间流转，这更像是用不牢固的胶水粘在一起的玩具。除了开发ETL本身带来的成本，这还会造成两个业务问题，第一是数据流转过程的完整性和一致性需要额外的机制来保障，例如数据治理、数据清洗、血缘管理等等，即便投入大量资源，还是会常常发现不一致的数据。假如金额对不上，订单信息对不上，物联网状态数据对不上，这对业务系统本身的可靠性和可信度都是巨大的伤害。

现有数据中台的架构还有另一个明显的问题，就是数据处理的实时性。新的数据需在多个系统或模块之间流转，才能到达最后的目标业务系统，这使得对数据实时性要求很高的业务，例如金融风控、精益生产和品控、实时电力调度等都难以得到足够的支持。

使用MatrixOne建设数据中台，可在一个可靠数据库系统中确保数据的完整性、一致性和实时性，同时MatrixOne创新的资源调度框架，又能确保各个系统负载可以互不影响地使用细颗粒度的数据，解决了不同业务团队之间的资源和安全方面的担心，这对于中台项目的落地价值有巨大帮助的。

AI科技评论：刚开始创业就想好了这些点吗？

王龙：并没有。刚开始我们只是知道用户痛点，但怎么解决也是在黑暗中摸索了很长时间。第一年基本上就是在做各种探索、各种研究，跟客户做调研，跟大学机构做合作，把最先进的技术理念、最可靠的成熟架构、最简单易用的交互方式都融合在一起。我们的技术架构基本确定并正式进入开发阶段，其实是在2021年初。

AI科技评论：最近大模型概念很热，也将热度传导到向量数据库，那么MatrixOne在AI领域的支持有哪些？

王龙：向量在数据库内的支持并不复杂，这是几乎所有主流数据库已经具备、正在做或者计划要做的，我们也不例外。MatrixOne中AI的支持是多个方面和层次的，由于涉及一些商业机密，我在这里不能说太多细节，可以后续关注我们官方发布的信息。

3 真正做到“按使用量付费”

AI科技评论：对于中小企业来讲，他们可能不像大公司那样同时使用多种数据库，使用MatrixOne 是否有点“杀鸡焉用牛刀”呢？

王龙：这部分就是MatrixOne Cloud云服务的主要目标用户群。对于中小企业，他们不会同时用很多数据库（其实大部分也会有两到三种）。他们的主要痛点有两个，一是在数据库上的人才和技术储备不足，架构选型时容易出错，需要付出较高的成本来提高业务系统的可靠性和扩展性。二是他们的业务变化快，一个本周爆款业务下个月可能就偃旗息鼓，而另一个业务又可能获得十倍百倍的增长，这种情况下要准确地估算所需数据库的类型和规模，是非常困难的。

很多企业的常规做法是按之前经验来购买资源，预算多的时候就提前购买多一些，防止业务爆发时资源跟不上，但会造成很多浪费；预算少的时候就少买一些，紧急情况再临时购买，但可能承担系统随时崩溃的风险。

这两种痛点也并非最近才出现，20年前中小企业在PC服务器上也遇到采购流程长、IT资源浪费大、运维成本高的问题，AWS提供了服务器的自服务、免运维、高弹性和按使用时间付费等能力，这些都精准命中了客户的痛点，因此AWS的公有云当年大获成功。如今随着IaaS市场的成熟，这两个痛点已经上移到了数据库这一层。

AI科技评论：如果AWS和其他公有云已经做到“按使用时间付费”的话，MatrixOne Cloud和他们有什么不同呢？

王龙：在虚拟服务器这一层，公有云厂商大都做得很成熟了。但随着公有云的大规模使用，各种技术的不断成熟，很多人在思考一个问题，云没有出现之前，为了将计算、内存和存储资源交付给客户使用，才会有物理服务器这样一个包装实体；现在的公有云，是通过网络实时或者准实时分配交付各种资源的，那么是不是还需要服务器这个实体？或者说是不是有更好的方式给用户分配交付各种资源？这就是从2014年前后一直持续到现在的云原生（Cloud Native）和无服务器计算（Serverless Computing）的技术演进动力。

这里的两个代表性技术，一个就是K8s容器，另一个就是以S3为代表的云存储，二者本质上都是将计算、内存和存储资源通过更轻更优的方式提供给用户使用。明星数据仓库厂商Snowflake基于这样的资源分配方式，彻底抛弃了服务器这个概念，将数据分析的能力以“按使用时间付费“的方式交付给客户，这样一方面少了相对较重的服务器层，资源利用更加实时、高效和充分；另一方面，用户的业务敏捷度要求也得到了充分满足。也正因为Snowflake采用了这样先进的架构，使得他们在面对AWS亲生的数据仓库Redshift时也丝毫不落下风。

MatrixOne Cloud在计费和定价上的理念与Snowflake接近但又更进了一步。另外，MatrixOne Cloud采用了最近的资源分配和调度架构，使得MatrixOne Cloud可以支持更多的公有云厂商（目前已支持AWS和阿里云），支持更多的业务负载类型（目前已支持TP、AP），并能实现资源利用的最大化。

AI科技评论：“按使用时间付费”和“按使用量付费”有什么不同？

王龙：“按使用时间付费“，不管是按年、按月、按天、还是按秒，本质是将资源以时间为单位切片然后分配给用户，用户依然需要预测某个时间段自己需要多少资源。“按使用量付费”，用户无须提前预测，系统会实时根据用户的需求来分配资源。这对服务提供方提出了更高的要求，资源的分配和回收都要更加细颗粒度、更加实时和迅速，同时成本也要非常低廉，要做到这一点是很有挑战的。各大云厂商的基于传统架构的数据库，资源的分配和回收（配置变更Scale Up/Down和集群扩缩容 Scale Out/In）都是耗时较久需要提前规划的。作为从零开始自研的云原生数据库，MatrixOne Cloud从第一天开始就具备不同以往的能力。

AI科技评论：“按使用量付费”既然这么好，为什么这样的云服务依然很少？

王龙：一方面，这需要很多技术储备，也有较高的技术门槛；另一方面，这也是个市场教育的过程。在Snowflake历经7年成功上市以前，很多人对云原生的理念和技术的成熟程度，尤其是在数据库领域，是持怀疑态度的。“按使用量计费”，本质上是使用更成熟的云原生技术，实现更高效率的资源利用，这对服务提供者和使用者是双赢的选择，将来一定会看到越来越多的这样的服务。

4 选择开源，机会才会更多

AI科技评论：什么时候决定开源？

王龙：从第一天开始就决定开源，开源一直是公司战略的一部分，也在我们的商业化路径里。

AI科技评论：为什么选择开源？

王龙：开源生态和环境已经非常成熟，大家普遍地接受和拥抱开源这个理念。

开源社区首先是技术人员的一种社交模式，MatrixOne的主要服务对象都是技术人员，开源社区能够帮助我们更快地打磨产品和找到需要的人才。开源还能够降低沟通和信任成本，合作伙伴和客户可避免厂商绑定。

对于基础软件厂商来说，开源几乎是必然的选择，因为基础软件的成功非常依赖生态的建立，而生态合作是要以产品核心能力和彼此信任为基础的。也就是说，合作方都能看到彼此的产品价值，同时也相信不会被单方绑定和制约，这样就可以更加专注于自身核心能力的打造，一起面对市场竞争和客户需求。

选择开源对我们的帮助很大，我们的一些核心工程师，一些种子客户和用户，都是从开源社区了解到我们才开始接触的。

AI科技评论：所以现在很多客户会优先考虑开源软件吗？

王龙：是的，很多人眼里开源相当于免费，至少是一个免费试用。用的好了付费，或者说遇到问题需要支持了再付费，这也是很多开源社区背后的商业化公司主要的收入来源，我们也看到接受这一模式的客户不断增多。当然也有不少已经踩过很多坑有很多经验的客户，直接跳过试用阶段采购商业化产品。

AI科技评论：你刚才说生态很重要，但作为创业企业，又是一个全新的软件，怎么能让上下游的厂商相信你并和你合作呢？

王龙：这个问题对于基础软件初创企业确实很重要。一般来说，从种子客户，到标杆客户，再到规模扩张是一个新产品的必经之路，过程中辅以市场宣传、品牌打造和市场营销各种手段。对于我们这样一个必须重视生态的基础软件来说，产品能力和信任感也必须贯穿始终，毕竟上游厂商要投入资源和MatrixOne合作，而MatrixOne又是下游厂商产品的重要地基。

所以我们一方面聚焦于产品核心竞争力的构建，让合作伙伴从产品技术上体会到MatrixOne的巨大价值；另一方面在面对市场、行业和客户时，多了解合作伙伴的产品和价值主张，打造更多的端到端解决方案进行对外宣传和输出。

AI科技评论：开源软件什么时候可以商业化？MatrixOne的商业化进展如何？

王龙：开源软件和开源社区背后一般都有一家或者几家主要的商业化公司，这些公司会各自决定产品的商业化时机。MatrixOne的基本原则就是商业化程度要和产品研发的进度和状态相匹配。

MatrixOne其实早在几个月前就具备了一定的客户交付能力，但我们认为谨慎的商业化步伐有助于聚焦产品长远核心能力的建设，因此目前只有数十个种子客户。

好消息是经过几个月的艰苦努力，MatrixOne 企业版1.0马上就要正式发布（General Available）了，这标志着我们在商业化上可以适当加速。

AI科技评论：MatrixOne未来会聚焦于哪些行业？

王龙：我们的最终目标是成为通用的数据底座，但在现阶段一定是聚焦在能够从产品中能获取最大价值的行业。

互联网、SaaS、小程序、游戏和电商开发者看重使用体验、多租户、性价比、实时扩缩容等能力，他们会更喜欢MatrixOne Cloud的免费或按量付费云数据库（HTAP）服务；而广泛使用智能物联网发展迅猛的新能源、工业和制造等企业IT部门或者他们的合作方，会更喜欢融合多种能力的MatrixOne企业版，因为可以大幅降低数据平台（中台）的硬件投入和TCO（Total Cost of Ownership），并提高企业的业务敏捷度和他们的客户满意度；看重国产替代又追求稳定可靠性能优异的金融客户，他们可以将MatrixOne当作实时数据仓库使用，不但性能卓越而且具备极高的数据新鲜度。

AI科技评论：MatrixOne的商业化主要依赖卖增值服务？

王龙：对。虽然用户完全可以下载开源版本免费使用，但我们依然能够给用户提供巨大的额外价值。第一是通过MatrxiOne Cloud提供统一的公有云平台，聚合更多的负载，所以我们能够提高总体资源利用率，从而提供更具性价比、更有弹性的云数据库服务。第二是通过MatrixOne企业版提供更智能的运维和性能优化工具、技术支持、培训等等。同时，我们也会和合作伙伴打造多个端到端的行业解决方案，帮助企业最大化投资回报，触达到行业最好的产品和技术。

AI科技评论：MatrixOne是完全原创还是基于哪个开源软件来做的？

王龙：完全原创。我们是近几年全球范围内为数不多的，无论从架构设计还是代码实现，都是完全创新的一个数据库。比例如我们基于存算分离、冷热分离、读写分离的松耦合强内聚的三层架构设计；再例如我们的代码大部分都是用go语言实现的，这在数据库领域中也是不多见的。

5 长期价值or短期捷径

AI科技评论：创业差不多三年，这个过程中让您觉得最困难的是什么？

王龙：创业最大的挑战是应对各种不确定性，当然有时这也是成就的来源。作为CEO，创业就像一个船长驾船在危机四伏波涛汹涌的海面上前进，到底该向左还是向右，减速还是加速，升帆还是降帆，每一个决策都会影响船的方向、速度和安全。国际环境、行业环境、市场环境、投资人、客户、团队、产品和技术等等各种信息，瞬息万变扑面而来，每天都要做出许多主动的和被动的决策。

AI科技评论：最近有做过什么印象深刻的决策？最后又是如何做选择的？

王龙：每天要做的决策很多，印象最深的决策应该是早期关于存储系统的架构设计。当时争论了很久到底是用一套存储还是有两套存储，业内的多模数据库一般都是两套甚至多套存储格式，用来满足不同负载的技术特性要求，比如TiDB的TiKV和TiFlash、OceanBase和SAP HANA的行列混存等等。混合存储相对成熟开发速度快，但缺点是比较冗余且无法实现各种资源利用的最大化，对综合性能也有影响。一套存储需要使用创新的技术架构，开发难度和风险都很高，但好处也是显而易见的，除了节约存储相关硬件外，由于减少了存储副本，使得对数据的管理能够更精细化，对各种硬件资源的调度也能更精细化，这对实现产品最终的功能和客户收益至关重要。

在长达一个多月的学习、讨论、实践、再学习、再讨论、再实践之后，我们最终决定采用一套存储的方案。作为一个创新驱动的公司，我们追求的是产品性价比和性能的卓越表现，以及客户那里几何级数的价值体现。好在后续的开发和测试结果，证明了这一选择的正确性。客户不但能节约多达50%的硬件成本，还能看到更精细的数据在创新的存储和计算调度框架下达到更优的处理性能。

AI科技评论：还有别的让你难以决定的事情吗？

王龙：决策的难度随着时间的推移也来越高，MatrixOne的商业化时机就让我思考了很久。

就像芯片和新能源产业一样，创新型的产品往往需要投入资金长期打磨，这是一个客观规律。投入的资金或者来自于VC风险投资，或者来自于产品自身的商业化。而这两年的投资环境，至少数据库领域的投资环境不如以往，是人尽皆知的。那么，如果想要减轻自己的现金流压力，尽快将产品商业化成为了另一个资金来源。

这里就有一个巨大的矛盾之处，就像数据中台成熟度不高的时候，提供的价值也比较难达到预期目标，要让用户、客户满意就必须付出额外的成本。比如产品尚未达到最佳状态时，很难达到公有云资源利用率的最大化，利润空间就有限甚至有时还要补贴客户；企业私有化部署时也很难做到简单易用、零运维和高性能，必须在客户现场投入额外的人力。曾经看到很多友商为了追求收益，使用宝贵的内核工程师去做一些低价值的工作，甚至交付一些类似总集的项目。这些对公司的长期价值都是有损害的，但我能理解这是为了生存下去不得不做的短期妥协。

半年前MatrixOne就已经能够适配和满足一部分客户的需求，尽快卖给客户就能获得一些短期收益，然而考虑再三我们还是没有立刻大规模商业化，而是选择寻找更多客户继续论证和打磨产品。这是因为我们认为长期价值比短期利益更重要，即使短期内我们不得不面对更多的不确定性和更高风险。

6 产品核心能力和商业化进程要匹配

AI科技评论：商业化不是很好吗？

王龙：一般来说，商业化都是先投入后见结果的。过高估计自己的产品核心能力，会导致赚钱的路上事倍功半，也就是说投入回报会很差并且常常看到负毛利甚至大亏损，这不但和长期价值不符，也未必真的存在短期利益。

AI科技评论：常常说欧美市场付费意愿高，MatrixOne准备出海吗？

王龙：我们从一开始就决定国内和国外一起做。因此，我们在美国也有团队，种子客户名单里也包含了几个海外客户。

AI科技评论：为什么国内国外一起做，不等国内市场稳了再开始海外？

王龙：两个原因，技术人才和需求验证。国外在数据库学术研究的投入还是非常高的，顶尖的数据库内核人才在国内依然稀缺。就像我的合伙人CTO田丰博士，他上世纪九十年代年起就开始在顶级数据库实验室和数据库公司从事内核研究开发工作，这在国内是非常少见的。另一个就是需求验证的问题，欧美市场相对比较成熟，数据库市场规模大客户多，上下游和生态也比较稳定，我们去做产品验证和迭代的时候杂音会更小。

当然，以后规模化扩张的时候，出于资源的限制可能必须要做出一些选择。

7 国内外企服软件市场的差异

AI科技评论：有一种说法是国内企业服务领域付费意愿比较低，导致软件从业者生存困难？您有过丰富的国内外To B工作经历，在您看来国内外在这个领域的趋势和发展上有哪些不同？

王龙：这也是我常常观察和思考的问题。

咱们还是以数据库举例。在欧美的服务业是支柱产业，软件信息技术是服务业占比很大的一部分，而数据库在信息技术行业中占比10%-20%，这也是为什么美国的数据库独角兽和超级独角兽公司如此之多的原因之一。我没有翻阅最新的具体数据，但我相信国内的数据库市场虽然增长很快，但总体规模上依然远远落后于欧美市场。然而中国市场的数据库种类，却几乎和国外在一个数量级上，这充分说明了当前中国数据库市场的割裂和碎片化。数据库这么基础的软件都是这种情况，可以想象其他软件的碎片化有多严重。碎片化有时意味着正在高速增长，有时又意味着已经卷到极致，有时又意味着社会效率的低下。总体来说行业、领域、地区的不平衡在软件服务领域体现甚至成倍放大了，借用我们合作伙伴的一句话：“我们整个国家的信息化水平，从工业0.1到工业4.0，从纯手工到半自动化、从自动化到智能化，几乎是无序分布的”，这使得软件产品的规模化非常地困难。

我们也都知道，产品的价值之一在于规模化的边际成本降低。如果软件产品无法规模化或者规模化程度不高，意味着它能创造的社会总价值相对受限。创造价值低了，收益也不会高，生存也变得很辛苦。

AI科技评论：有人说还有一个重要的原因是人力成本便宜，导致企业更多愿意使用人工而不是软件，你怎么看？

王龙：国内企业采购产品时的ROI计算公式确实也是另外一个挑战。软件服务的最核心价值是降本、增效、降低风险和支持创新。以前我在德国和美国做企业软件的时候，ROI计算里人工成本的节约常常占到了收益的30%到50%，降低合规风险也能占据很大一部分。而在国内，很长的时间里企业几乎不考虑人工的节约，也只有金融等几个行业重视合规和规避风险的价值。这些差异让中国的企业主付费意愿大幅低于欧美。

在我看来，软件企业创造的价值不够高，能让客户认可的价值再打个折，这都是企服软件行业这么多年一直发展不够快的原因。

AI科技评论：有什么办法能解决这些问题吗？

王龙：这些问题已经都在持续改善了。产业升级会产生大规模的统一成熟市场；人力成本不用多说，制造业招工都越来越难；合规和风控，也在金融以外的行业中推广；而创新也成为越来越多人认可“打破内卷”的重要武器，这些正向的趋势，也是我在十二年后在企服软件领域再次创业的动力和信心来源。

AI科技评论：近两年国内外企业服务在资本市场遇冷，对我们有哪些影响？未来还有融资计划吗？

王龙：对我们的总体发展速度和进度肯定是有影响的。过去的创业经验帮我做了不少正确的决策，我们的现金流和团队稳定都维持得很好。作为一个创新产品，我们需要的赛道很长，投入很大，但不管是融资还是产品商业化，我们都会选择合适的时机，避免揠苗助长损害长期价值。

AI科技评论：所以矩阵起源当前的核心工作依然是打造产品核心能力，然后用产品力来推进商业化？

王龙：是的。我们产品能力建设和商业化推广会迭代前进。我们先投入资源提高产品能力，然后在市场端推广获取反馈，接着增加资源提高产品力来处理这些反馈，循环往复。当输出大于输入并能自动运行，形成正反馈系统的时候，在我眼里矩阵起源和MatrixOne就成功了。