Snowflake 放棄自訓模型，改做有主見的 agent

139 · Snowflake 放棄自訓模型，改做有主見的 agent

42:11YouTube 上架 2025-11-06Sridhar Ramaswamy（Snowflake CEO）

No Priors Ep. 139 | With Snowflake CEO Sridhar Ramaswamy

Sridhar 回顧接任 Snowflake CEO 的 18 個月：怎麼改組織、為何放棄自訓基礎模型、Snowflake Intelligence 的定位，以及對雲端大廠、模型公司與廣告的看法。

139 講了什麼

先改問責，再談速度Sridhar 接手後前六個月以戰術調整為主。公司原本專業分工太細，工程師到客戶之間隔著七到十層團隊，於是改成按產品領域組織，並讓專責團隊直通 go to market。
放棄自訓模型，找到 AI data cloudSnowflake 前一年初做出一個可信的模型，但發現資本不夠，很難和 OpenAI、Anthropic 競爭，轉而把 AI 用在客戶已存在 Snowflake 的資料上。
有主見的 agent 平台Snowflake Intelligence 不是什麼都能做的 agent，而是專注從結構化與非結構化資料取得價值，目標是讓公司每個人都用，不只會寫 SQL 的人。Sridhar 強調每個新功能都要有 eval。
推動變革靠上下夾攻領導層與問責先動，產品、工程與 go to market 的 pod 模式從小團隊試起；coding agents 則靠創辦人帶頭，由下而上擴散。
護城河要天天蓋Sridhar 認為模型公司像還沒碰到海岸的帝國，會往 coding agents 這類明顯的方向擴張；沒有軟體公司能覺得自己的位置安全。
小步迭代勝過大賭注Sridhar 給客戶的建議是一次花一千美元，有明確價值再放大；另外也談到廣告在聊天介面裡不會消失，以及搜尋為何仍是 AI 系統該用的工具。

從哪一段開始看17 段

00:05開場與接任 18 個月Sarah Guo 介紹 Sridhar 與議題，兩人是老朋友。Sridhar 說公司對機器學習與 AI 的反應稍慢，前任 Frank 因此主動推動換上產品優先的人。
03:17前六個月的調整專業分工拉出七到十層團隊，不適合 AI 時代，改按產品領域組織並設明確負責人，強調 speed wins。
05:19定位與放棄自訓模型Snowflake 不是 CSP 也不是 foundation lab，前一年初做了模型，但資本不足，轉向加速客戶既有資料的價值。
07:08Snowflake Intelligence 與 Raven這是有主見的 agent 平台。內部先做出銷售資料助手 Raven，再與 Cisco、Fanatics、美國雪車隊等早期客戶合作，目標是取代只有二維視角的 dashboard。
09:16給每個員工用、信任與計價介面互動、預設問題，不要求會寫 SQL；每個新功能都要有 eval，採用量計價以避免訂閱疲乏。
11:52資料、agent 與應用的界線Sarah 問這和應用程式有什麼不同。Sridhar 說 Snowflake 不是 SAP 或 Salesforce，但 agent 與軟體的界線會變模糊。
13:26怎麼推動組織變革先動領導層與問責，再推 pod 模式；coding agents 靠創辦人與熱衷的人帶動，解決方案工程師用它做出客製 demo。
16:17投資人、創業者與 GoogleSridhar 說博士訓練教會自己把想法講精簡；Neeva 是人生最心碎的經驗之一，也讓自己不再把 Google 等級的曝光與規模當成理所當然。
18:56在大廠與模型公司旁生存Snowflake 與 Databricks 的存在靠 product market fit；模型公司什麼都想做，coding agents 是它們必爭之地。
23:27三到五年的資料優先願景從資料誕生到取得 insight 都陪著客戶；對照 Google 與 Meta 的資料團隊，認為 AI 讓 CEO 看見資料的價值。
27:19與 Microsoft、SAP 的合作談與 Microsoft 的關係從普通走向整合 Fabric，以及和 SAP 做雙向資料分享、在其資料上做 agent。
30:23最容易有報酬的 AI 用例Sridhar 把 coding agents 列為最容易算出報酬的用例，其次是客服與讓資料更易取得。
32:17多射門、少押注太早追 ROI 不好；Raven 之前有三個版本一路累積而成。Sridhar 建議一次花一千美元。
35:11聊天世界的廣告Sarah 問聊天介面普及後廣告會怎樣。Sridhar 認為廣告會換形式留下來，希望別變得更難分辨是不是廣告。
36:32引用與查證Sarah 說很高興看到模型回答附上來源變得普遍；Sridhar 提到 Neeva 在 2023 年初就推出引用，也稱讚 deep research 讓人人都能拿到一篇專家級報告。
38:10傳統檢索還重要嗎Sarah 問索引與檢索會不會越來越不重要。Sridhar 說 PageRank 大約六年就沒力了，後來撐起 Google 的是點擊回饋；AI 系統的 eval 迴圈也是同一回事，是產品越變越好的關鍵。
40:00搜尋是 AI 的工具就像 LLM 不必自己算數學、寫兩行 Python 就好，AI 系統也該把搜尋當工具；search API 普及，正說明模型需要這些外部資訊。

值得記的話5 句

Ability to iterate always trumps carefully laid out strategies.反覆迭代的能力，永遠勝過精心擬好的策略04:49
A dashboard is a 2D view of a complex surface.dashboard 只是複雜曲面的一張 2D 視圖08:12
these are like empires that have not met their oceans just yet.這些就像還沒碰到海洋的帝國。Sridhar 指的是模型公司20:17
I place a lot of emphasis on how many shots do you take on goal.我很看重你射門的次數32:48
the ad model is here to stay. It will just come in different forms.廣告模式會留下來，只是換個形式出現36:16

名詞與人物9 個

Snowflake Intelligence: Snowflake 的 agent 產品（簡稱 SI），聚焦從結構化與非結構化資料取得價值，按用量計價。
Raven: Snowflake 內部的銷售資料助手，彙整客戶關係、合約、用量與近期對話。
Cortex Analyst: Snowflake 的 text to SQL 類產品，Sridhar 說客戶自己做會發現比想像中難。
AI data cloud: Snowflake 給自己的新定位，有別於過去的 data cloud。
CSP: 雲端服務供應商，也就是三大 hyperscaler。
eval: 評測。Sridhar 要求每個新功能上線、更換底層模型前都要有。
Fabric: Microsoft 的資料產品，Snowflake 與 Microsoft 的合作包含與它的整合。
Databricks: Sridhar 提到的資料平台對手，也是 Microsoft 的合作對象。
Neeva: Sridhar 之前創辦的搜尋新創，2023 年初就在回答裡附上引用。

提到但沒有展開

Sridhar 談到 Snowflake 與 AWS、GCP 的關係：與 AWS 同樣是競爭又合作的態度，和 GCP 也在談類似安排。
Sridhar 把 Google 搜尋廣告的成功歸因於使用者行為能在幾分鐘內回饋進系統，並說自己當時的資料團隊和產品團隊一樣大。

在 YouTube 看原片 ↗

Snowflake