原文連結： 與 Snowflake CEO Sridhar Ramaswamy 關於數據與 AI 的訪談
與 Snowflake CEO Sridhar Ramaswamy 關於數據與 AI 的訪談
Sridhar Ramaswamy，歡迎來到 Stratechery。
Sridhar Ramaswamy：嘿，Ben。很高興能聊天。
很高興有機會能和你正式談話。我們之前在你還在 Neeva 的時候聊過，我確實想問你關於那方面的事情，但我總是喜歡從你的背景開始這些訪談。你在哪裡長大？你是如何開始接觸科技的？
SR：我在南印度各地長大，在一個叫做 Tamil Nadu 的邦，然後我 10 歲時搬到了 Bangalore。我許多成長的記憶都在那座城市，當然，它現在叫做 Bengaluru，和我成長時的城市已經大不相同了。
是啊，事物變化很大。
SR：變化真的很大。我從 IIT Madras（現在叫 Chennai）獲得學士學位，然後我拿到了資料庫的博士學位。在很多方面，IIT Madras 塑造了我對計算的思考方式。我有一群很棒的同學一起學習，教授們本可以在世界任何地方，但選擇留在印度教像我們這樣的學生。Brown University 對於培養我的批判性思維、更非結構化的工作也很有幫助。如你所知，攻讀博士學位完全是關於找到有趣的問題，這和修課非常不同。然後在 Bell Labs 待了幾年。我想說這三個地方，可能是我早期在計算領域最大的影響，然後我搬到了西岸。
你在 Bell Labs 做什麼？
SR：我在資料庫研究組。我跟人開玩笑說，這是在 Murray Hill 發明電晶體的那棟建築，我是一個相當平庸的資料庫研究員。我告訴人們我的成名之處是我隔壁是一位發明了量子計算大部分理論方面的科學家，但那是一個了不起的地方。從那裡我來到矽谷，2003 年初加入了 Google，進入了一個非常不同的計算世界，你必須重新學習你所知道的軟體和計算知識。
資料庫方面，你在 Snowflake 算是繞了一圈又回來了。
SR：百分之百。
但 Google 很不一樣。告訴我關於 Google 的事，告訴我你在那裡的時光。就像我說的，你在那裡待了很長一段時間，經歷了公司一個非常有趣的時期，有著非常傑出的職業生涯。帶我了解一下。
SR：我 2003 年加入，我實際上為一家只有 100 多人、營收 1 億美元的小型新創公司管理一個相當大的軟體團隊。但當我加入 Google 時，我決定回去做一個獨立貢獻者，因為我說這是一家正在重新思考、重新定義我們如何看待計算和分散式程式設計的公司，我想從頭學起。我很幸運地被意外安排，請注意，進入了搜尋廣告服務團隊。當時我們誰也不知道這會成為有史以來最好的生意之一，如果不是最好的話。
在做傳統資料庫方面有什麼相關性嗎？當現在，我的意思是顯然到頭來你可以說一切都是資料庫，但在 Google 的規模下，這幾乎是完全不同的東西。
SR：嗯，是也不是。早期 Google 的計算方法很大程度上是由於早期 Google 主要處理唯讀問題這一事實所驅動的。例如，網頁搜尋主要是唯讀的。有一些關於你的偏好設定之類的小快取，但大部分是唯讀的，所以有一些分發資訊、分散負載的方法，與你思考資料庫規模的方式非常不同。請注意，我們在 Google 的廣告團隊確實有 MySQL 資料庫，我曾經兼職做過那些資料庫的系統管理員一段時間。
那聽起來是個壓力很大的工作。
SR：但學習計算真是太棒了。我們也建構了一些有史以來最了不起的資料處理系統，行星級規模的日誌連接 (log joining)。你有來自世界上每個看到廣告的用戶的日誌。你需要將它們與點擊連接起來，我本應準時完成。
我正要問這個。你提到搜尋主要是唯讀的，但對於廣告，存在寫入問題。
SR：再次強調，是也不是，在統計處理是延遲處理的意義上，你並不是試圖即時完成。當然，廣告商的更新確實進入了 MySQL 資料庫，但那只是整體廣告數據的一小部分，像是日誌、日誌處理、大規模彙總處理。地球上早期建構的最大邏輯回歸系統之一是一個叫做 Smart Ass 的系統。有很多分散式系統程式設計，當然，還有規模極大、極其龐大的服務系統，所以你真的學到了分散式計算的精髓。
那也是我重新發現自己熱愛實際領導的時候，而 Google 讓你可以用任何你想要的方式領導。在很長一段時間裡，我是一個非常親力親為的技術領導者。我喜歡管理團隊、幫助他們交付偉大產品，同時也保持超級技術性、超級親力親為的混合模式，而且為一個技術要求極高的產品工作很有幫助。隨著時間的推移，我開始管理更多的搜尋廣告團隊，然後是更多的廣告團隊，我做了五、六年，廣告和商務。這包括一些有趣的事情，比如向世界推出 Google Pay，這本身就是一個漫長的故事，還有你曾在其他地方報導過的 Google 商務的各種歷程。那是一個迷人的地方，是我生命和職業生涯中 15 年精彩且回報豐厚的時光。
所以後來你決定離開，而且不只是決定離開，而是決定「我想打造一個沒有廣告的產品」，指的是 Neeva，一個訂閱制的搜尋引擎。我們稍後可以談談 Neeva，但動機是什麼？是「我做這個已經很久了，我真的很想做點不一樣的，Google 變了」，這些原因在哪裡？
SR：都不是那些。我做廣告做了 15 年半左右，我覺得「做一種產品這麼長時間了」。顯然，為 YouTube 提供廣告服務——我和我在 Neeva 的共同創辦人都做過——與做搜尋廣告非常不同，不同的問題，不同的廣告商，不同的目標。但我內心有一部分想要一個重置按鈕，我想重新開始，我也知道我能在創辦公司之前擁有的時間有限。即使在那時我也不年輕了，而且主要是我只是決定重置並重新開始。
我離開 Google 後實際上加入了一家創投公司 Greylock，而新創公司 Neeva 是稍後才出現的。正如我所說，在 Google 工作是一種難以置信的榮幸，但同時我內心也有一部分說，我不希望那成為我職業生涯的句點，所以 Neeva 是一個重新開始，有時候你就是得開始新的旅程，它們會帶你去有趣的地方，而我就在這裡。
你現在從遠處看 Google 的看法是什麼？我想已經過去足夠多年了，你可以給些評論。搜尋沒問題嗎？沒有人需要擔心它？還是他們行動太慢了？你的觀點是什麼？
SR：看，這裡是矽谷，只有偏執狂才能生存。這句話在今天和 5 年、10 年或更久以前一樣適用。這是一個技術變革極其迅速的時代，我們可以詳細探討不同公司是如何應對的。
我個人覺得，公司會有整合階段，當事情進展順利時，你會希望提高效率。有些時候，你真的需要徹底的改變，因為外部正在發生徹底的改變。讓我們面對現實吧，越來越多的問題，像 ChatGPT 這樣使用網頁搜尋的產品，就是比在 Google 上搜尋提供了更好的體驗。當然我也在 Google 上搜尋，它是我 Safari 上的預設搜尋引擎，但我也有 ChatGPT 應用程式，我付費使用它。我想你現在可以說，對於許多搜尋的常見用例，更具對話性的體驗是更好的體驗。
然後另一方面，對於像瀏覽複雜空間這樣你真的不想要對話體驗的事情，試圖在對話體驗中弄清楚到底該買哪雙鞋，你可以想像，那簡直是煩人。
但另一方面，我認為你開始擁有能夠執行比你對搜尋引擎所能期望的複雜得多的工作流程的 agentic 系統。所以我會說搜尋正受到來自兩方面的圍攻，既有來自你想要簡單答案的常見問題，也有來自你可以應用與以往截然不同的技術的複雜問題。
這是個非常有趣的觀察角度。就像一個鉗形攻勢，你有最複雜的和最不複雜的。是的，這是個很好的框架。
SR：而且它們都有非常非常不同的解決方案。老實說，在我看來，這就是數據和 Snowflake 的故事，是的，我們從一端開始，但我認為我們前進的方向是產品和服務之間日益模糊，例如。我認為這是一個快速變化的世界，是的，人們總是要擔心搜尋變化的速度不夠快。
我是 Google 從桌面公司轉型為行動公司的行動轉型中的關鍵參與者之一。我們曾經有一個叫做 RPM [每千次展示收入] 差距的詞，基本上是行動 RPM 相對於桌面 RPM 的百分比。我們開始時這個比例是 8% 或 10%，然後花了令人恐懼的五年時間試圖讓它接近 100%。
試圖縮小那個差距，是的。
SR：正如我所說，那真是令人恐懼。我認為現在就是那樣的時刻之一，這需要 3、4、5 年才能展開，但很難想像我們五年後消費資訊或產品的方式會和三年前一樣。
這次訪談大部分內容將關於 Snowflake，但在談到那之前，我確實想問一下關於 Neeva 的事。我認為高層次的宣傳是，「一個無廣告的搜尋引擎，僅限訂閱」。這個總結夠好嗎？你試圖做什麼？你在那裡學到了什麼教訓？
SR：Neeva 的智識基礎基本上是，廣告支持的搜尋模型在能夠提供的效用方面已經達到了極限，需要重新開始。我在 2019 年能做的最好的就是說，「一個無廣告的私人搜尋引擎」，那些是我能找到的描述它的最好概念。
你是否覺得你在對的地方但時間不對？
SR：我們絕對是在處理正確的問題，可能早了兩到三年。到我們在 2023 年初推出第一個真正的基於網頁索引 RAG [檢索增強生成] 的搜尋引擎時，我們已經存在了大約四年。我的團隊累了，我們決定將我們所知的應用到一個新的領域，在那裡我們可以發揮更大的槓桿作用，而不是繼續下去。你知道新創公司是怎樣的，你必須在對的時間出現在對的地方。
是的。
SR：我認為想法沒問題，但它需要一到兩個我們開始時不存在的關鍵技術。
新的產品範式，也就是聊天介面。我上週剛和 Sam Altman 談過，他相當反對廣告，他想嘗試讓一切都透過訂閱來運作，這與 Neeva 正在做的事情一致，只是他們是從聊天介面開始的，那可能是一個更好的起點。
SR：沒錯，還有 7 億用戶，這也很有幫助。
我正要問這個。你在 Neeva 工作時是否對 Google 更加欣賞，或者可能更加鄙視？這兩種情況都有可能。
SR：Google 是一家了不起的公司，我以前說過。Google 早期很多用戶業務不僅僅是靠著偉大的產品，也靠著與 AOL 和 Yahoo 等公司達成的極其精明的商業交易。我對 Google 所做的事情非常尊重。
而這延續到了與 Apple 的交易以及 Android 等等。
SR：百分之百，與 Apple 的交易，與 Firefox 的交易，我認為還有許多在 Microsoft 還在沉睡時與 PC 製造商達成的交易。
是的。
SR：所有這些造就了 Google 如今驚人的業務。但商業模式也有保質期，有時候，當你靠著某個模式賺取 2000 億美元時，很難用一個可能根本不賺錢的模式來顛覆自己。這根本不是一個能計算的事情，而這就是我們所處的狀況。
接管 Snowflake Snowflake 在 2023 年 5 月收購了 Neeva，就在你最終弄清楚了 AI RAG 搜尋的想法之後，八個月後你成了 CEO，這一直都是計劃嗎？
SR：這不是計劃。
Snowflake 收購 Neeva 是因為我們在搜尋和早期 AI 方面的專業知識。我們曾經微調，現在聽起來像個笑話，七個 90 億參數的模型來做非常好的摘要，以便能夠寫出我們現在認為理所當然的引用答案。我們必須在極其有限的預算下完成所有這些，因為我們在為網路規模的流量提供服務，並且當然擁有網路規模的索引，達到六十、八十億頁面之大。
這就是 Snowflake 認為有吸引力的專業知識。關於 Snowflake 和 Neeva，我們都非常清楚我們不會繼續做消費者搜尋引擎。事實上，我們甚至在收購完成之前就關閉了它，然後我們開始著手在 Snowflake 內部創建一個偉大的搜尋產品。它現在叫做 Cortex Search，然後在 Snowflake 內部開創像基於 RAG 的搜尋這樣的東西，但也接著研究結構化數據的技術。
我最初與當時的 CEO Frank Slootman 的協議是，我會在 Snowflake 待六個月，從事 AI 工作，幫助制定 Snowflake 的 AI 路線圖，然後弄清楚我自己想做什麼。到了年底，我開始進行一些對話。
“Frank，我想要你的工作，那就是我想做的。”
SR：（笑）老實說，事情並沒有發展到那一步。到了十月，我正試圖弄清楚該做什麼，這時候我們開始就可能存在的不同未來進行了一些對話。顯然，這些事情很複雜，轉變也很困難，但幾個月後的二月份，一切都水到渠成了。
嗯，當 Frank Slootman 退休時，股價一夜之間下跌了 20%。至今仍未恢復到相同水平。你是否知道自己將要面臨什麼？直接被丟進火坑，參加財報電話會議，人們都很緊張？
SR：是的，即使回顧過去，我認為認識到我們去年將年度指引定為 22%，而市場普遍預期為 30% 也很重要。
對，當時發生了很多事情。
SR：當時確實發生了很多事情，而且傳奇人物 Frank 的退休以及我的上任並沒有幫助。我認為這真的是變革和期望大幅降低、指引的雙重打擊，真正讓大家陷入了混亂。
另一方面，是的，我花了更多時間與我們的投資者、關注我們的分析師，顯然還有團隊溝通。看，Frank 一直是個直率的人，他推動這次轉變是因為他和董事會強烈認為，在這個劇變的時代，由一個以產品為導向的人，一個長期呼吸和生活在產品中的人來擔任 CEO 非常重要。我必須給他們很多肯定，我必須給 Frank 很多肯定，因為他沒有把這拖成一個三年的過渡期，我相信你在許多其他公司都見過很多這樣的情況，他覺得乾淨利落的交接是正確的方式。
是的，對於關注這家公司的人來說，這有點令人震驚。這是一家了不起的公司，在我成為 CEO 之前，我與很多 Snowflake 的客戶交談過，僅僅在過去的兩、三個季度裡，你已經看到公司復甦的速度有多快，而且我們推出新事物的速度也很快。
所以在這個意義上，我對我們現在的狀況感到很滿意。顯然我們正在經歷一系列宏觀變化，這些變化正在壓低整個股市，但我對 Snowflake 作為一個數據平台，更重要的是作為一個 AI 數據平台的現狀，以及我們對未來的展望感覺良好。這是一場火的試煉嗎？是的，但我們會變得更強大。
好吧，讓我們把剩下的時間花在 Snowflake 上。退一步說，作為一個相對較晚接觸 Snowflake 的人，我想你的 Twitter 個人資料或 LinkedIn 的某處寫著，你的工作是學習 Snowflake。你學到了什麼？你如何描述今天的 Snowflake 是什麼？它解決了什麼問題？為什麼它是更好的解決方案？對於一個不知道 Snowflake 是什麼的人，你的推銷是什麼？
SR：你當然知道「學習」(learning) 這個形容詞有多重含義。一個是我確實是在學習 Snowflake，就像你把它當作動詞使用，但還有另一種解釋，我是處於一種學習的、現在進行時的狀態，一直在學習，這有點半開玩笑的意思。
Snowflake 作為一個極其靈活的分析平台而成熟起來，可以說是雲端資料倉儲，和其他技術產品一樣，它的誕生源於一個觀察，即每當你我想要計算時——這仍然適用於我們買手機的時候——人們總是購買盒子，它們總是帶有固定參數，比如記憶體、儲存和運算，如果你想做更多，嗯，那太糟糕了，你需要等待新盒子出現。所以我們這樣做了，我們的創辦人在雲端創建了 Snowflake，使其成為一個可以在多個維度上擴展的平台，而且它是一個效率極高的平台。
對。將數據和運算分開。
SR：沒錯，將儲存和運算分開。所以如果你想在你的數據集上做超級花哨的機器學習分析，你在傳統系統中會很難做到。如果它佔用了太多運算資源，因為你有生產任務在上面運行，在這裡，沒問題。
或者如果你有兩個人想同時分析某樣東西，運氣不好。
SR：運氣不好，拿號等著吧。Snowflake 讓所有這些事情變得容易了。
Snowflake 的第二部分則是一個協作平台，我們基本上觀察到企業之間相互合作、互動、建立夥伴關係。如你所知，許多這些互動是透過像夜間傳輸 FTP 文件這樣的方式完成的。直到今天，我仍然覺得難以置信的是，在 2025 年 ACH 交易需要數天才能結算，那是因為銀行之間在互相發送文件。
我在準備這次訪談並了解這些數據流如何運作時，也有同樣的反應。我想，“我在 1998 年是個 FTP 的重度用戶，那時在 Napster 出現之前，你就是那樣獲取 MP3 文件的”，你是公司間數據共享的 Napster 嗎？可以這麼說嗎？
SR：不，更像是我們是企業界的循環系統。所以像 Fidelity 這樣的公司，例如，強制要求他們所有的合作夥伴透過 Snowflake 共享將數據提供給他們。我們是即時的，我們是跨雲的，數據就出現在你希望它出現的地方，而且不涉及程式設計。過去需要一個 IT 專案的事情，現在只需要某人在螢幕上配置一下，並邀請另一方的用戶來獲取它。
數量驚人的數據公司，那些基本上以銷售數據產品為生的公司，無論是紐約證券交易所、S&P Global 還是 State Street，他們都透過 Snowflake 分發他們的產品。所以這一直是 Snowflake 極其重要的一部分。
Snowflake 整合 我認為這其實很有趣。在你任內發生的第一個重大變化之一是支援 Apache Iceberg，並讓你的客戶利用 Snowflake 之外的儲存。所以你一開始是，我們要將儲存和運算分開，這與你的競爭對手有很大的區別，但同時也是，“哦太好了，我們有兩個收入來源”。嗯，結果證明你有兩個獨立的收入來源，你現在面臨壓力，實際上要放棄其中一個收入來源，這有點像已經發生的情況。
SR：你知道我的想法，我認為將儲存視為收入來源是個錯誤。我認為我們應該一直以成本價出售它，並鼓勵人們盡可能多地將數據放入 Snowflake。
但撇開這點不談，我認為開放格式標準將會持續存在。這是因為那些先進的客戶，那些企業，在某種程度上不希望再次經歷更多的遷移，他們希望將數據以他們可以直接在其上運行運算格式儲存。順便說一句，這也將給 SaaS 公司帶來很大壓力，要求他們將數據提供給客戶。這些人都有理由說，“至少，我想要一份我的數據副本”，而在 Snowflake 我們擁抱了這一點。
在過去一年裡，顯然是和團隊一起，我做了兩個大的產品變革。一個是全面擁抱開放格式。當然，一種看法是我們過去獲得的儲存收入，現在我們得不到了，因為它存放在雲端儲存的開放儲存格式中。另一種看法是，大多數大型企業存放在雲端儲存中的數據量是他們 Snowflake 內部數據量的數百倍，有時甚至數千倍，突然之間，我們驚人的運算引擎現在可以用於數據工程，可以用於數據導入。
所以它顯著擴大了我們能為客戶帶來的價值，這是我們已經擁抱的變化。Iceberg 是目前最流行的格式，但我們正在超越 Iceberg。我們發布了一個叫做 Apache Polaris 的東西，它是一個開放的目錄格式，因為我們想讓人們更容易地發現數據集。當然，這之後的第二部分是 AI，我們很快就會談到。
然而，讓我印象深刻的是，你提到了 Snowflake 擁有的網路效應，我感覺到的一點是，公司在堅持太多整合點時會陷入困境，所以你曾經有，“我們要賣給你儲存和運算”，然後，耶，兩個收入來源。但正如你所指出的，這實際上限制了更具鎖定性的東西。鎖定性是描述你平台吸引力的一種花哨說法，也就是這個數據共享層，這就像你需要成為其中之一。如果你要成為一個網路，那麼圍繞它的其他一切都需要是免費的。
SR：我完全同意這一點。我認為 Snowflake 的核心價值在於作為一個用於大規模數據計算的驚人數據平台。我們已成功地將機器學習 AI 的元素融入其中，所以在某種程度上，對於人們想要在其上運行的許多不同種類的計算來說，它是一個一站式商店，以及我們擁有的客戶網路以及他們如何相互合作，這才是 Snowflake 的持久價值。是的，我們最初是一家專有格式公司，這需要一些時間來發展，但我認為在開放數據領域也有巨大的機會。
嗯，這也有點風險，因為如果你只能獲得運算，如果你的數據是獨立的，你可以很容易地去使用競爭對手，因為數據就放在中間，任何人都可以接入。
SR：運算遠不止運行一個 SQL 查詢那麼簡單。它涉及到所有事情，比如，“你提供什麼樣的治理支持？你提供什麼樣的驚人協作設施？”。我們為我們最大的客戶提供災難復原。有些客戶被監管機構要求在一個雲端供應商運行主系統，並在另一個雲端供應商運行備份系統，順便說一句，備份系統的成本僅為原始系統的 10% 到 15%，而所有這些都整合在一個緊密、易於使用的產品中。所以 Snowflake 遠不止是，“這是一個你可以運行的 SQL 查詢”。這是否意味著我們必須不斷競爭，不斷做得更好？嗯，歡迎來到競爭。
商業模式與市場推廣 (GTM) 是的。Snowflake 的模式，我們稍微提到過一點，一直是基於使用量的。就像我們談到的，它是儲存使用量和運算使用量，在當時將這兩者分開並以不同方式處理是一件大事。回想起來，你是否感到非常幸運，再次強調，基於使用量的模式在當時是新事物，你不是基於席位的？有沒有可能 Snowflake 會是基於席位的，或者在這一點上你已經認為這是理所當然的了？
SR：對於其中一些問題沒有簡單的答案，有些改變很難做出。消費模式絕對能使雙方的價值創造保持一致。換句話說，只有當我們的客戶實際使用了他們從我們這裡購買的運算時，我們才確認收入，所以我們，類似於超大規模雲端服務商，我們現在有一個精心發展的市場推廣 (go-to-market) 模式，關於“我們如何與客戶合作？我們如何創建我們稱之為用例 (use cases) 的東西，為他們帶來價值，然後在這個過程中以創造價值的方式增加消費？” 我認為這是一個非常一致的模式。
偶爾我會遇到一些客戶說，“我喜歡 Snowflake，我用它來優化我應該如何定價的某個關鍵方面，而這個定價算法每年運行成本是一百萬美元，我每年節省了大約 3 億美元”。然後你會想，哎呀，這時候你就會希望你做了像基於價值的定價 (value-based pricing) 這樣的事情，但我認為核心模式非常強大。
不過，你在激勵機制上是否曾感到任何緊張？比如，有一些關於未優化運行導致 Snowflake 帳單爆增的可怕故事，所以顯然你想幫助客戶避免這些，你不希望有負面新聞，可以這麼說。另一方面，這對利潤是有好處的。你如何平衡這些激勵？
SR：關於這一點，我對我們的客戶和銷售團隊非常非常明確。我告訴他們，客戶運行的任何低效計算都是一顆定時炸彈，因為他們最終不可避免地會發現並對此感到非常不滿。
你能把這個納入你團隊的激勵結構中嗎？比如，“如果我們因為客戶帳單爆增而失去一個客戶，我們將收回部分佣金”，或者類似的方式。除了拍桌子對人大喊大叫之外，你甚至如何處理這個問題？
SR：我們有一整套流程，關於如何創建用例，如何將它們推向生產環境，我們的客戶應該關注哪些指標。我們幫助客戶建立治理方案，關於“你如何啟動一個新專案？”。我告訴我們的客戶，你需要一個輕量級的流程。它可以像一個 Google 表單一樣簡單，讓想要實驗的人可以去 Snowflake 上花費 100 美元或 1000 美元。你可以用它做很多事情，但如果他們想運行一個真正的生產用例，將要花費，我不知道，10萬到20萬美元，他們真的需要評估專案規模並獲得財務人員的批准才能進行，我們很多最好的客戶都這樣做。我們將此作為一個流程來教導，我們的解決方案工程師和客戶都採用它，我的優先事項之一就是將這些內建到核心 Snowflake 平台本身。所以像生命週期管理 (lifecycle management) 這樣的東西是作為 Snowflake 的一部分內建的，這樣你談論的那種情況就不會發生。
沿著這個思路，從你的角度來看，學習如何領導一個以銷售為導向的組織是否一直是一個挑戰？這與 Google 的運作方式有很大不同。Google，特別是廣告，市場的最大部分是自助服務 (self-serve)，顯然你有團隊，你有銷售組織，但這與企業界的運作方式有很大不同。
SR：我認為我們沒有給 Google 業務團隊足夠的肯定。我認為他們培養了一些地球上最了不起的商業領袖，他們後來做了不起的事情，比如我的朋友 [Palo Alto Networks 董事長兼 CEO] Nikesh [Arora]，甚至 [Google CBO] Philipp [Schindler]，他已經在那裡經營業務很長時間了。這是一個非常優秀的團隊，我還必須說，他們在內部銷售組織的激勵結構等方面開創了許多技術。
Google 擁有所有可能的銷售模式。絕對的，自助服務是大事，它略低於 50%，但仍然是一個非常大的數字的 50% 是自助服務。我們也有內部銷售團隊，他們會做一些事情，比如打電話給客戶或給他們發電子郵件，介紹他們可以運行的潛在新廣告活動，他們可以獲得的新流量、新轉換，還有指定客戶的銷售團隊，他們會做季度規劃，關於如何增加業務，他們的目標是什麼。所以 Google 做了一切，而且做得非常好。
你覺得那是可以轉移的嗎？還是你仍然需要學習一些東西？
SR：每家公司都不同。在過去一年裡，關於企業銷售如何運作，我學到了一些東西。事實上，Snowflake 有點獨特，因為它既是一個以交易為導向的團隊——我們的客戶簽訂合同，因為作為保證支出的交換，他們在我們如何定價底層運算方面獲得了更好的交易——但也有透過用例推動消費和創造價值的藝術。所以 Snowflake 總是消費和交易的陰陽兩面。所以這裡有新的技術。
Google 的計費總是在 30 天后結算的那種計費方式，總是開具發票，這與 Snowflake 的運作方式不太一樣，但我學到的許多技術，無論是在優化 Google 搜尋還是在與銷售團隊合作方面，都是我在這裡採用的技術。我非常喜歡像布林指標 (Boolean metrics) 這樣衡量效率的方法，即不是測量平均值，如果你有一個 300 人的團隊，你想知道你的團隊中有多少比例超過了你設定的卓越基線。所以有一些技術可以轉移過來，還有其他我必須學習的新事物，但這就是生活，這很有趣。
Snowflake 與 AI 是的。嗯，你說這就是為什麼你的簡介裡有「學習」這個詞。Snowflake 的 AI 角度的宣傳非常明顯，理想情況下，你有所有的數據，或者至少是一些對業務很重要的數據。但有一件事讓我感興趣，僅僅思考 Snowflake，我的意思是 Snowflake 是一件大事，它在 AI 之前就成長、壯大，並且在很多方面以易於使用而聞名，它是一個用於直接數據操作和分析的平台。這是否幾乎讓 AI 在某種奇怪的方式下成為了一個更大的挑戰，僅僅因為你正在賦能那些知道自己在做什麼的人類，所以比較起來，這不像，“哦，你有一堆隨機的數據一直放在那裡，現在你可以利用它了”，而是，“你有很多數據，我們和你一起努力把它結構化得很好”，這樣知道自己在做什麼的人可以進去並獲得很好的結果，現在 AI 幾乎要達到一個更高的標準。這樣想公平嗎？
SR：這是一種思考方式，但請記住，Snowflake 的數據通常是透過一群人和工具來消費的，通常是透過像 BI 工具或筆記本這樣的東西。
在我看來，AI 為像 Snowflake 這樣的公司帶來了兩個大的變化。一是它讓數據變得更加可互換 (fungible)，意味著你分析一個 PDF 文件，比如說，並從中提取結構化數據的能力，僅僅因為像多模態模型 (multimodal models) 這樣的東西就變得容易多了。資訊比以前更容易互換了，所以我們引入 AI 層時所做的一部分工作就是讓使用者只需編寫 SQL 查詢就能超級容易地訪問模型。所以那些在 Snowflake 上分析數據的分析師基本上變成了具備 AI 能力的分析師。
他們的工作方式相同，只是獲得了更多的數據。
SR：他們獲得了更多的數據。但另一方面，我們看到一個非常大的機會在於這些通常介於 Snowflake 和最終業務用戶之間的 BI 工具，我認為 AI 可以帶來非常不同的消費體驗，你不需要透過特定的 BI 工具。例如，我的看法是，歸根結底，一個 BI 工具是一個試圖表示一個非常複雜的多維世界的二維結構，如果你能想像一個只有 10 或 12 個維度的數據集，相信我，沒有簡單的儀表板可以表示它。但你現在可以創建一種方式，讓人們可以輕鬆地查詢該數據集，如果他們想要的話，可以獲得他們想要的聚合結果，或者能夠進行後續分析。
所以我認為它極大地擴展了能夠從 Snowflake 數據中獲取價值的人群，但有一個很大的前提條件，這在我的人生中甚至從 Neeva 時期就一直存在。我們在 Neeva 做 AI 時的一件大事是我們說我們需要引用的答案 (cited answers)，我們不希望搜尋像我們看到 ChatGPT 那樣產生幻覺 (hallucinate)。我們基本上採取了相同的技術，我們說 Cortex Search 將使人們更容易地對非結構化數據提問，但要給出引文。同樣，我們開發了一個可以編寫 SQL 查詢、可以提取結構化數據的產品，但我們加入了像反饋循環 (feedback loop) 這樣的東西，以便人們可以可靠地獲得答案。事實上，我們在 Snowflake 上 AI 的口號是“簡單、高效、可信賴”。對我來說，這是在我們擁有的結構化和非結構化數據之上讓 AI 真正有用的巨大需求，這正是我們迄今為止採用的視角。
這種角度的好處在於它是建立在優勢之上的。換句話說，如果你有強大穩定的運算元可以獲取結構化或非結構化資訊，現在你可以在將它們串聯成事物的平台上工作。你可以稱它們為 agentic 工作流程 (agentic workflows)，但我們一直非常審慎地在 Snowflake 採取一種有節制的 AI 方法，並建立在我們的優勢之上，而不是隨機地試圖將自己重塑為一家基礎模型公司或讓我們做廉價推理即服務 (cheap-inference-as-a-service) 之類的公司。我們一直忠於我們的使命，即幫助人們調動他們的數據，而 AI 是這方面的加速器。
作為一個行業，我們是否需要一些更好的指標？如果你看看很多模型的衡量標準，你的老東家剛剛發布了 Gemini 2.5，它在指標上得分很高，而這些指標都是增量指標，因為它們的分數比之前的分數更高。但是我們是否需要一個負面指標，其中 100% 是人類進去執行 SQL 查詢並且你知道數據是正確的，而 AI，我們能否衡量如果 AI 去做，相對於人類，它是 89 分還是 91 分？那個指標在哪裡？
SR：我認為這正是我們需要的東西。我們已經發布了關於 Cortex Analyst 的指標，這是我們用於非結構化數據的產品。事實上，在我深度參與的 Cortex Analyst 的設計方面，我告訴團隊我們需要思考的一部分是精確率與召回率 (precision-to-recall) 的權衡。如你所知，搜尋是以一種假裝它擁有無限召回率的模式運作的，不管你問什麼問題，Google 都會說，“是的，我有答案”，而且它永遠不會告訴你答案有多好，以及你是否應該相信它。
這就是十個藍色連結 (ten blue links) 的美妙之處，歸根結底，你這個人類必須做出關於答案是什麼的最終決定。
SR：你是人類，你是做決定的人。儘管我確實發現，如果你輸入像愚蠢的東西，Google 會告訴你這個查詢沒有好的結果的情況越來越多，這在過去幾年裡算是一個小小的變化，我實際上認為這是一個好的變化。但是是的，早期版本的 ChatGPT 肯定會回答你問的任何問題，即使它們對此並沒有真正的信息或任何信心。
所以我們非常強調內建，我們稱之為 Cortex Analyst 的已驗證查詢庫 (verified query repository)，包含正面和負面範例，這樣你就可以模式匹配，既匹配分析師審查過、該產品應該有信心回答的正面範例，也匹配我們不應該回答的一系列問題。
因為粗略地說，如果你在一個人面前放一個聊天機器人，他們首先會問的問題之一是，“15 年後我的收入會是多少？”，沒有任何模型有資格回答這個問題。所以我認為擁有這樣的指標，並在何時可以帶來價值方面做出明確的權衡，是任何 AI 驅動產品的一個非常重要的方面，而這一點根本沒有得到足夠的關注。
你認為哪個更有價值？也許我可能是在引導你回答，但是擁有一個比如說 GPT-3 級別、可靠性為 99% 的模型，還是一個 GPT-4.5 級別、可靠性為 95% 的模型？
SR：我的意思是，我會給你同樣的答案。當人們讓我在速度或質量之間做出選擇時，我的答案是，“都要”。
（笑）不，你必須選一個。
模型與產品 我的意思是，你不是在建立或發布大型基礎模型，而你實際上在一年前的一些公開評論中曾擔憂，“天哪，如果需要數十億美元才能製造一個模型，而我們淪落到只有幾家模型提供商，那就不太好了”。從你的角度來看，今年是否是一個非常令人興奮的一年？這些能力如此強大的開源模型不斷湧現，這些模型對你未來的業務是否至關重要？
SR：我們與開源模型提供商有很多合作。我們與 Meta 和 Llama 團隊有著極好的合作夥伴關係。我認為在模型世界取得的進展量，我認為是相當顯著的，我認為這也基本上阻止了模型變成寡頭壟斷。我認為一個只有一兩個或三個大型模型提供商的世界，並不是一個那麼好的結果。我認為去年從這個角度來看相當不錯。
那麼你預計你將如何利用這一點？你認為從長遠來看，客戶會隨意地切換這些模型嗎？你是否需要在每個客戶的基礎上進行相當密集的後訓練 (post-training)？你有一個競爭對手擁有自己的模型，他們的承諾是為客戶訓練一個模型，或者這最終只會是帶有驗證系統的花哨 RAG (fancy RAG)？我的意思是，你如何看待利用你的地位但在長期內保持競爭力？
SR：我將 AI 視為我們作為一家數據公司所做工作的自然補充，這就是為什麼我們構建能夠補充我們工作的產品。例如，用於非結構化數據的搜尋產品，以及擁抱像開放格式這樣的事物。我們在連接器方面投入了大量資金，以便更多應用程式的更多數據可以被帶入雲端儲存或 Snowflake，從而可以隨時用於查詢。同樣，當涉及到結構化數據時，我們希望讓使用者透過提出自然語言問題就能超級容易地獲取結構化數據，同時也能夠在數據之上創建像儀表板這樣的東西。
我們前進的方向現在是如何組合這些不同的數據元素，這些所謂的 agentic 運算元 (agentic operators)，來構建更複雜的工作流程，這是我之前提到的關於產品如何進入公司的觀點。如你所知，有一個非常龐大的系統整合商 (system integrators) 生態系統，他們接收產品，然後處理每個公司都存在的細節和混亂，創造真正的效用。我看到一個世界，越來越多你我所做的真實用例可以直接在一個平台上解決，這正是我們非常看好 Snowflake 推進的角度，它是在數據之上驅動工作流程。我認為由於 AI 和 agentic 能力，我們正在重新定義產品和服務之間的界線。
順便回答你關於我會選擇哪個模型的問題，我試圖不讓它成為非此即彼的選擇的方式是，對於你真正想要精確量化答案的情況，你需要一個為最大精確率調整的系統。另一方面，如果你處理的是稍微更具分析性的任務，沒有固定答案，你需要一個更強大的思考模型，它會犯更多錯誤，但也會提出更好的計劃。問題在於讓你的基礎事物可靠。所以我認為 Snowflake 是建立在數據平台、Snowflake 擁有的數據資產 (data estates) 之上，並利用它為我們的客戶更快地帶來價值。
你剛才所說的，對我來說是思考 Snowflake 時的一個重要收穫。Frank Slootman 是個傳奇人物，接替他很難。他有一些公理，其中之一是，我認為他以“縮小你的焦點”而聞名。然而，我想到的一件事是，如果 Snowflake 的整體主張是我們讓你的數據更容易訪問和使用，你可以從中獲得更多效用。這裡面有一個用戶體驗的組成部分，而提供更好用戶體驗的一種方式通常是更加整合，做更多的產品。有時候，如果你在使用 Snowflake，你會碰壁，“抱歉，你需要去找別人來滿足這個產品需求”，而你會想，“我喜歡 Snowflake，你就不能幫我做嗎？”。
聽起來你在這方面指的就是這個，產品本身應該能夠做更多的事情，而不是需要外求。你是否覺得你需要做的一件事實際上是 Snowflake 需要稍微擴大它的焦點？它需要更廣泛，需要——你需要不像以前那樣經常碰壁？
SR：當然在基礎層面要更廣泛。Snowflake 將自己限制在基本上所謂的黃金分析層 (gold analytic layer)，即那些已經被清理、處理過的數據，你可以在其上運行分析和機器學習。我認為我們透過擁抱開放格式、擁抱連接器所做的，絕對是這種在更大量數據上採取行動的能力。我們讓底層變得更加強大，這再次發揮了我們的核心優勢。
真的是這樣嗎？我的意思是，你有其他從一開始就——你有資料倉儲 (Warehouse) 與湖倉一體 (Lakehouse) 的對比，所有各種——而且你在開頭提到不同的競爭對手從不同的角度切入。所以你有一個競爭對手一開始就非常廣泛，結果證明這對 AI 很有利，因為它能很好地處理非結構化數據，Snowflake 則更狹窄，但更容易使用。在這種情況下，你真的覺得你的優勢在於變得更廣泛嗎？還是你在不熟悉的領域作戰，你必須把你的數據從 Snowflake 中取出來才能讓它更容易訪問，而這一直是你必須打的一場仗？
SR：這不是非此即彼。我認為，首先，重要的是要理解我們正處於從幾代傳統系統向雲端遷移的長期轉型之中。
所以你的競爭對手實際上是那些還在本地資料中心的數據。
SR：有大量的這種情況，這是一個快速擴張的業務，所以還有很多空間。例如，在遷移等領域，你會對其中一些遷移的困難程度和耗時感到震驚。我們非常興奮的一部分是，“如何應用類似的技術？”，基本上是 AI 輔助的人類迴圈 (AI-assisted human loops)，來讓像遷移這樣的事情更快完成。
但回到你的主要觀點。我確實認為 AI 的世界，互動式資訊消費的世界，確實為那些不與 Tableau 之類的公司競爭的產品創造了有趣的新機會，因為那是一個全新的類別。
但回到你在其他播客中提出的關於創新的觀點，我認為 AI 驅動的消費將會非常廣泛，並且一開始會有些膚淺。它永遠不會擁有某人花了六個月創建的儀表板那樣的複雜性。另一方面，許許多多更多的用戶可以比需要等待分析師更快地獲取數據。
隨著時間的推移，我們絕對會有「與我的樞紐分析圖對話」的小工具 (talk to my pivot chart widgets)，你可以透過簡單地說，“嘿，把這個屬性作為 X 軸屬性”，或者，“像這樣計算一個度量”，來操縱樞紐分析表，而無需真正懂得程式設計，你更多的是在輔助性地創建這樣的東西。這些是我認為 Snowflake 正在創造的機會。再次強調，這與我們作為數據平台的優勢超級一致且互補，我們不是試圖將自己重塑成其他某個新公司。
企業級軟體堆疊 (The Enterprise Stack) 你幾次提到產品和服務的結合，有趣的是你提到了系統遷移。在某些方面，我們是否正在回到過去的日子，實際上需要發生的是人們將經歷這個蜜月期，“是的，只要把 AI 模型丟給它就好”，但實際上必要的是 6 個月、12 個月、18 個月的遷移，重新塑造你的數據，然後 AI 才有用？這實際上是在做了大量前期工作之後的下游環節，而每個人都以為我們已經做完了。但現在又回到了 70 年代、80 年代，可以這麼說。
SR：沒有哪個企業人士會告訴你他們已經完成了從本地系統的企業遷移。我向你挑戰，你可以去和任何一家大銀行談談，他們都會告訴你還有大量那樣的工作。今天的不同之處在於，我認為我們有潛力大幅縮短這類遷移的時間線。我們正在為一家非常大的銀行進行一次遷移，這是一個為期 18 個月的遷移。這無疑是他們擁有的最重要的數據集，他們非常害怕，我們也是，在這次遷移中犯任何錯誤。
不過，難道沒有一點是，如果我們最終進入一個遷移需要很長時間的世界，而這是“我們剛剛意識到數據需要結構化得非常好”的下游結果，並且這是過程中的一個重要部分。這難道不是一個對 Snowflake 有利的世界嗎？因為你們已經處於更偏向結構化良好數據的那一邊了？
SR：沒錯。就是這樣。
所以遷移是王道。
SR：遷移百分之百是王道。更快的遷移是王道。我甚至遇到過有人告訴我，“我會讓你從我們擁有的一個這種傳統資料庫的實例開始，快速做好工作，你可以擁有 50 個這樣的實例”，有時候這最終需要三個月，聽起來時間不長，但 50 乘以 3 是很長的時間。
那麼，未來你是否需要一個更大的服務組織？
SR：我不認為這是人的問題，我認為這是技術好得多的問題，我從根本上相信人機協作的 AI 迴圈 (human-assisted AI loop)，AI 可以解決容易解決的問題類別，而困難的問題可以用更具輔助性的方式解決。我認為這可以在這些棘手且確實有很多邊緣案例的領域推動很多進展。
從長遠來看，你如何看待這種情況的發展？顯然你會對 Snowflake 持樂觀態度，但你如何克服這一點？你迄今為止的賣點一直是相對易於使用但完全可預測，並將此作為優勢，而對手則是相當非結構化，但實際上這是一件好事，因為，就像那句老話，在人們對 Netflix 不那麼看好時，“Netflix 能在 HBO 變成 Netflix 之前變成 HBO 嗎？”，結果兩者在某些方面都相當錯誤，但在某種程度上，Snowflake 能在非結構化和基礎廣泛的解決方案變得精確、有用和可預測以製作你漂亮的儀表板之前，變得非結構化和基礎廣泛嗎？這樣思考競爭公平嗎？
SR：嗯，我們是其中的積極參與者，我們和其他人一樣有權書寫歷史。我們不是這段歷史的接受者，我會辯稱，讓 Snowflake 偉大的特徵，即一個簡單易用、緊密整合的產品，不是你可以在事後附加到事物上的東西。
我喜歡我們合作的超大規模雲端服務商，但我告訴人們，他們實際上是 300 個總經理，都在競爭讓自己的產品線成功。沒有人在思考，“創建一個統一、緊密的數據平台需要什麼？”，這從第一天起就是我們的執念，這也是我們認為我們能夠獲勝的地方。顯然，超大規模雲端服務商在計算的許多其他方面會很出色，但是，類似於世界上只有兩三個偉大的模型製造者，儘管超大規模雲端服務商，再次強調，顯然比上帝還有錢，我認為創建一個緊密統一的數據平台是困難的。
我有偏見，但我隨時都會把賭注押在 Snowflake 透過一個緊密的產品在非結構化數據方面做得更好，而不是一個建立在非結構化數據上的龐雜產品在所有數據上變得驚人地好、緊密且易於使用。
所以如果你有超大規模雲端服務商，他們在基礎設施方面更擅長，他們在那裡有優勢，他們最終會停留在那里，實際上向上進入平台層更難，而你在平台層——這就留下了 SaaS 層。你之前提到，人們想把他們的數據從 SaaS 應用中取出來。同時，如果你是一個 SaaS 應用，出於類似的原因，這相當令人恐懼，因為失去對你所擁有的數據的控制對你來說有點可怕。
你是否看到 SaaS 公司的市場壓力導致了這一點，他們會建立與 Snowflake 的整合，更容易地將他們的數據導入那裡？或者你將不得不更積極地施加那種市場壓力，擁有你自己的應用程式，你自己的垂直方法，說，“看，直接切換過來吧，因為他們會很慢，他們在囤積數據。如果你想要整合，我們有更好的解決方案，而且它更好，因為它與其他一切都相關聯”。
SR：首先，我們相信合作夥伴關係。我們與許多 SaaS 提供商合作，我們經常與他們進行雙向數據整合，我們的客戶可以將數據從 SaaS 平台帶入 Snowflake，但如果他們想將一個數據集放入那個 SaaS 平台用於分析目的，我們絕對會提供便利。
我實際上會說，當涉及到 SaaS 玩家，無論是 ServiceNow、Salesforce 還是 SAP，行動已經轉移到，“agentic 工作流程對那些產品意味著什麼？”——他們都在強調那部分是有原因的，因為我認為 agentic AI，agentic 工作流程為那些在這些平台上工作的人提供了一種替代方案。這也是為什麼他們更加傾向於這類解決方案的部分原因。我們積極與他們合作，這是一個巨大的市場。我們有一些客戶將數據從 Snowflake 轉移到那些平台，我們還有許多其他客戶將他們的數據從那些平台帶到 Snowflake 進行集中分析和後續行動，就像我們做的那樣。
但還有另一層行動和互動正在進行。如你所知，agentic AI 的世界非常混亂，很難找到一個關於什麼是 agent 或什麼是 agent 的組成部分的確切定義，但有一些努力在使這些東西具有互操作性，所以我確實認為我們正在走向一個世界，例如，一家公司製造了一個 agent，使得查詢某個數據集或對其採取行動變得容易，而這個 agent 可以與另一個位於 Snowflake 中數據之上的 agent 互操作。
事實上，我們想幫助人們創建這類複合工作流程。Snowflake 一個了不起的產品叫做原生應用程式 (Native Application)，提供商，比如說 S&P Global，不僅可以傳輸數據，還可以將代碼作為這個原生應用程式傳輸到客戶部署中。現在這個代碼除了客戶說這個應用程式應該看到的內容之外，不能查看客戶部署中的任何其他東西，但客戶也看不到 S&P 的任何數據，現在你有了一個應用程式。
要做到這一點，那個客戶，它可以查看他們擁有的數據——那些數據必須在 Snowflake 上嗎？
SR：那必須在 Snowflake 上。但是客戶在安裝這個應用程式時必須授予權限。
但這種模式的美妙之處在於，這個應用程式現在可以根據 S&P 自己的專有數據和來自客戶的數據來採取行動並提供見解。所以想想 S&P Global 擁有關於所有股票的極好信息，假設你的投資組合由某個資產管理公司管理。現在這個應用程式可以提供一個關於，“你的投資組合的重要指標是什麼？”的視圖，這現在是只有資產管理公司擁有的數據和 S&P 擁有的數據的混合體。
現在想想這個模型在一個 agentic 設置中是如何運作的。你現在可以擁有來自客戶方和應用程式提供商方的 agent，它們可以結合起來進行有意義的編排，所以我確實認為將會在那個層級上進行整合。事實上，我們正在與 Microsoft 合作，讓 Snowflake Intelligence 組件可以作為他們 Copilot 和 Power BI 等的一部分可用，所以這是一個快速變化的世界。是的，SaaS 玩家必須積極投入，因為我認為 agentic AI 為作為他們支柱的人員和產品的組合提供了選擇。
那麼成功看起來像什麼？如果我們五年後再次交談，人們會說，“看，向 Frank 致敬，他把公司帶上市了，但是哇，Sridhar 真的把 Snowflake 轉變成更大、更好、更偉大的公司”，那樣的 Snowflake 會是什麼樣子？
SR：正如我所說，我認為我們正處於一個前所未有的變革和機遇時代。我們去年營收 35 億美元，增長 30%，如果我們履行我們的使命，真正幫助企業調動數據，我們在未來 10 年左右應該以比這更快的速度增長。我曾是 Google 搜尋從 15 億美元增長到我離開那年接近 1000 億美元的一部分。如果你問我一個大膽的十年目標，那將是一個大膽的十年目標。
頭條新聞：Snowflake 將成為下一個 Google。這聽起來是個偉大、偉大的計劃。
SR：（笑）顯然是雄心勃勃的，但這也是一路走來的旅程，Ben。我認為創建一個珍視卓越、真正擅長其工作、能夠應對變革本身並幫助客戶在這個充滿機遇和炒作的時代駕馭變革的團隊，也是一個相當強大的使命，每次我與我們的客戶、我們客戶內部的支持者交談時，我都會想起這一點，他們給予我們很多信任，成為他們所做事情的數據臂膀，我認為這才是真正的榮幸。
我告訴人們的是，21 世紀最受讚譽的公司，像 Google、像 Meta，對待數據幾乎和對待他們的主要產品一樣認真。事實上，正是那些反饋迴圈創造了偉大，我告訴我們的客戶，我們的願景和我的夢想是 Snowflake 成為他們的數據合作夥伴，讓他們在數據方面變得像這些偉大公司一樣高效和富有洞察力。對我來說，與越來越多的客戶一起實現這個使命，我認為，就是回報。但是是的，在金錢上或僅僅在增長方面，追求像十年內 30% 中段增長這樣的目標，那是會複利增長的。
Sridhar Ramaswamy，很高興與你交談，我期待很快能再次與你交談。
SR：謝謝你，Ben。保重。
本次每日更新訪談也可作為播客收聽。要在您的播客播放器中接收它，請訪問 Stratechery。
每日更新僅供單一收件人使用，但偶爾轉發完全可以！如果您想為您的團隊訂購多個訂閱並享受團體折扣（最少 5 個），請直接與我聯繫。
感謝您的支持，祝您有美好的一天！