Snowflake CEO谈企业AI真问题：不是模型多强，而是能否99%可靠

在这次访谈中，Snowflake CEO Sridhar Ramaswamy反复强调：企业AI真正的门槛不在模型能力，而在可靠性。即便是GPT-4级别的大模型，在“和数据对话”这种企业核心场景中，默认可靠性只有约45%。Snowflake的核心机会，正是把AI问题变成一个可工程化、可交付的可靠系统问题。

为什么“和数据对话”是企业AI最难的一关

这一段之所以重要，是因为它直接戳破了企业AI最常见的幻觉：只要接上最强的大模型，问题自然会被解决。Sridhar Ramaswamy在访谈中给出了一个非常具体、也很残酷的数字——即便你“有GPT‑4，有一整支软件工程师大军”，做一个可靠的“Talk to Your Data（和数据对话）”应用，默认可靠性也只有大约45%。换句话说，一半的问题，模型会答错。

他用非常直白的话描述这个现实：“the thing that even they struggle with is things like a reliable talk to your data application。”这并不是资源问题，而是范式问题。企业数据复杂、口径多、权限杂、上下文高度依赖，一旦模型开始“猜”，错误就会被放大。

Snowflake内部的目标并不是从45%提升到60%，而是“well in the '90s”，并且“racing to get to like 99% reliability”。这个数字选择本身就很企业化：在业务决策、财务、合规场景中，90%都不够，必须接近确定性。

这里一个关键转折是，Snowflake刻意“restrict the domain”，也就是限制问题范围，把它从一个开放式的AI生成问题，转化为一个更偏软件工程的问题。这种思路，恰恰解释了为什么很多AI创业公司在Demo阶段很惊艳，却很难真正进入企业核心系统。

Snowflake的“正确打法”：我们不是AI研究公司

理解Snowflake在AI时代的定位，为什么重要？因为这决定了它不会和OpenAI、Anthropic走同一条路。Ramaswamy在访谈中非常明确地说：Snowflake“are not in the business of doing research with AI”。这句话几乎可以当作他们的AI宣言。

Snowflake的“right to win”，并不在于训练基础模型，而在于它已经处在企业数据的中心位置。主持人在开场就点出：Snowflake是“the default cloud data platform”，拥有大约一万名客户。AI浪潮到来时，这些客户并不是来问“你们有没有大模型”，而是问“我能不能安全、稳定地用AI理解我自己的数据”。

这也解释了Snowflake反复强调的一点：他们解决的不是“technology for the sake of technology”。AI在这里不是炫技，而是一种新的接口，一种更自然的数据访问方式。

当你已经托管了企业最核心的数据资产，下一步并不是再造一个ChatGPT，而是确保任何AI能力都符合企业对安全、权限、口径一致性的硬要求。这种克制，反而构成了Snowflake在AI时代最清晰的边界。

把AI问题变成工程问题：可靠性来自“大量软件工程”

这一部分的洞见，几乎是整场访谈最有启发性的地方。Ramaswamy总结Snowflake做企业AI的方式时，用了一句看似平淡、但非常真实的话：“it’s a lot of software engineering。”

在大众叙事中，AI的进步往往被描述为模型参数、训练规模、推理能力的跃迁。但在企业场景里，决定成败的往往是一些“无聊”的工程细节：数据血缘、指标定义、访问控制、查询可解释性、错误兜底机制。

Snowflake的策略，是通过限制问题空间、强约束数据来源、明确语义边界，来减少模型“自由发挥”的空间。这样做的结果是，AI系统不再追求看起来聪明，而是追求“always correct or safely say I don’t know”。

这也是为什么他说，哪怕是那些“有钱、有资源、有工程团队”的公司，也会很快意识到，这是“一堵他们很难自己突破的墙”。AI在企业里的真正护城河，并不是模型API，而是多年积累的数据工程体系。

关于误解、搜索与未来：企业AI不会走消费级路径

在访谈后半段，话题被拉得更远：关于Snowflake和AI的误解、关于搜索、关于通用聊天机器人的边界。一个隐含但清晰的判断是——企业AI不会简单复刻消费级AI的成功路径。

当被问到外界是否低估或误解Snowflake的AI角色时，Ramaswamy选择“zoom out”。在他看来，企业客户最终关心的只有一件事：能否持续、稳定地“deliver value”。这和“Chat是否足够聪明”是两套评价体系。

在谈到搜索和聊天式交互时，他也暗示了一个现实：在企业环境中，零错误（zeros）极其重要，而“they don’t come easy”。这再次回到可靠性这个母题——只要错误成本足够高，AI就必须被严格约束。

从这层意义上说，Snowflake并不是在追逐AI浪潮，而是在用AI强化它原本最擅长的事情：让企业放心地使用数据。这条路不性感，但极其现实。

总结

这场访谈最大的价值，不在于Snowflake推出了什么新AI功能，而在于它重新定义了“企业级AI”的成功标准。Sridhar Ramaswamy反复强调的99%可靠性，揭示了一个事实：真正有价值的AI，不是最会生成，而是最不容易出错。对企业而言，AI的未来更像软件工程的进化，而不是一次模型能力的赌博。

关键词： Snowflake， 企业AI， 数据平台， GPT-4， 可靠性

事实核查备注： Sridhar Ramaswamy 为 Snowflake CEO；提到的模型为 GPT-4；“Talk to Your Data”应用默认可靠性约45%；Snowflake 目标可靠性在90%以上并趋近99%；Snowflake 表示不从事 AI 基础研究，而是工程化应用。