Databricks 銷售成長逾 80%，但利潤率因人工智慧代理集群而縮水

Databricks 公布的銷售成長率超過 80%，如此驚人的速度足以讓多數企業軟體公司豔羨。但在營收飆升的背後，利潤率卻持續縮水，因為該公司正面臨大量人工智慧代理以驚人速度消耗運算資源的問題。此問題並非 Databricks 獨有：整個產業中，繪圖處理器使用率始終低迷，許多部署環境中甚至低於 30%，即便人工智慧推論需求急遽攀升。原始硬體產能與實際吞吐量之間的落差，迫使 Databricks 等公司大舉投資於編排層，只為避免代理閒置昂貴的叢集。此一動態形成悖論：人工智慧代理越成功，就越侵蝕託管它們的平台之利潤率。此事之所以當下至關重要，在於人工智慧基礎設施的轉變正從單一晶片效能移向叢集規模的協調，而能解決使用率問題的公司將掌握下一波價值。

80% 成長率從何而來

Databricks 的營收加速成長，源於企業將人工智慧工作負載從實驗性試點移入生產環境。該公司的湖倉架構已成為組織訓練大型語言模型及大規模部署人工智慧代理的預設資料平台。客戶購買的不只是儲存與運算資源，他們還為資料工程管線、模型登入庫及治理工具付費，這些都是讓人工智慧得以營運的關鍵。80% 的成長率反映的是圈地階段，Databricks 在此階段正從 Snowflake 及傳統資料倉儲供應商手中搶下訂單。然而，營收結構正在轉變：推論工作負載所占比重日益增加，而非傳統的 ETL 與分析。推論更吃運算資源且更難預測，這對成本結構構成壓力。Databricks 實際上是在販售人工智慧淘金熱的鏟子與十字鎬，但這些鏟子的維護成本正日益高昂。

Anthropic 關閉 Fable 專案又增添一層變數。當大型人工智慧研究實驗室關閉內部專案，這意味著開源動能正壓縮專屬客製化專案的利潤空間。先前鎖定 Anthropic API 的企業如今正重新評估其資料堆疊，而 Databricks 有機會承接此波遷移，前提是其定價能維持競爭力。該公司能否維繫此成長，取決於能否防止客戶轉投更便宜的替代方案，例如開源模型中心或專業推論平台。Phancy ModelHub 在 Frost & Sullivan 的獨立模型管理平台評比中獲得最高總分，其提供更低成本的管理層，繞過 Databricks 的運算定價。來自下方的這股壓力，正是成長數字無法呈現全貌的原因。

人工智慧代理如何壓縮利潤率

利潤率壓縮源自於人工智慧代理與 Databricks 定價模式之間的架構錯配。每次代理觸發都會引發一連串的模型呼叫、資料查詢及上下文視窗操作，其消耗的繪圖處理器運算週期遠超一般查詢。Databricks 按運算資源單位計費，但代理的設計目標是最大化效用，而非效率。單一代理可同時啟動數十個平行推論請求，每個請求都需要完整的模型前向傳遞。結果是每位客戶的運算成本增速快於每位客戶的營收增速。Databricks 必須配置足夠的繪圖處理器產能以應付代理尖峰負載，但整體機群的平均使用率仍低於 30%。公司被迫在漲價（冒著客戶流失風險）與吸收無效率（壓縮毛利率）之間做選擇。此情況與超大規模雲端業者在無伺服器運算早期階段的經歷如出一轍，當時爆發性的工作負載造成難以預測的成本結構。差異在於無伺服器函式是無狀態且以毫秒為尺度；人工智慧代理則維持可執行數分鐘的上下文視窗，在推論步驟之間持續佔用繪圖處理器記憶體配置。這種有狀態特性打破了上一代分散式運算中維繫雲端利潤率健康的裝箱演算法。Databricks 目前正大舉投資於代理感知的排程與批次處理以提升使用率，但這些最佳化仍處於萌芽階段。公司毛利率在過去兩季持續下滑，高層直接將此趨勢歸因於代理驅動的運算資源浪費。在 Databricks 解決有狀態問題之前，業務團隊每爭取到一位新的代理客戶，其對成本基礎的推升速度都將快於對營收的貢獻。

編排層的競爭重組

Databricks 的利潤率壓力為專業編排平台創造了切入空間。Frost & Sullivan 近期將 Phancy Group 的 Rise vGPU 評選為異質繪圖處理器編排領域的 Tier 1 領先平台，凸顯業界正從單一晶片效能轉向叢集規模系統協調的趨勢。Phancy ModelHub 在模型管理平台評測中獲得整體最高分，顯示企業正在尋求 monolithic 資料平台的替代方案。這些平台同樣針對侵蝕 Databricks 利潤率的繪圖處理器使用率問題，但切入點是位於資料湖倉之上而非內部的協調層。

在硬體方面，英特爾已開始生產其最先進的晶片，距離與蘋果達成合作協議更近一步。若該合作成真，蘋果將取得領先級矽晶圓技術，用於其裝置端人工智慧的布局，而這正是 Tether 已積極推進的領域。Tether 在 iPhone 16 上成功執行 130 億引數的 BitNet b1.58 大型語言模型，是此規模模型首度在消費級手持硬體上完成訓練。Tether 基於 Vulkan 的全新繪圖處理器後端，推論速度較 CPU 快達 8 倍，使邊緣部署在延遲敏感的工作負載上，真正具備與雲端推論競爭的實力。這些發展對 Databricks 的價值主張構成威脅：若企業將推論工作轉向邊緣裝置或更便宜的編排層，將繞過 Databricks 的高溢價運算資源層級。微軟既是 Databricks 的投資者，也是透過 Azure AI 與其競爭的對手，正密切關注利潤率走勢；而隨著專業業者從多個方向切入產能利用率缺口，競爭格局正日益碎片化。

對超大規模雲端業者與硬體供應鏈的下游影響

Databricks 的利潤率壓縮，在整個人工智慧基礎設施堆疊中引發連鎖效應。微軟與亞馬遜網路服務等超大規模雲端業者正面臨類似動態：其繪圖處理器實例利用率偏低，卻仍需持續擴充產能以滿足需求。英特爾近期開始生產其最先進的晶片，距離與蘋果達成合作協議更近一步，顯示硬體層面也在同步調整。Databricks 的利潤率故事與英特爾—蘋果合作案，屬於同一個結構性敘事：運算資源正從集中式雲端機櫃，分散至橫跨資料中心、邊緣伺服器與消費裝置的異質機群。若邊緣裝置能以 8 倍於 CPU 的推論速度處理 130 億引數模型，雲端推論的需求曲線將從指數成長轉為線性成長，壓縮超大規模雲端業者繪圖處理器資本支出的報酬。這將重塑資本支出計畫，尤其是輝達 H100 後繼產品的更新週期，而超大規模雲端業者正是該產品線的主要買家。HBM 記憶體與先進封裝的供應鏈同樣面臨平行風險：訓練叢集仍需要高階 HBM，但推論節點日益轉向標準 GDDR 或行動裝置 LPDDR，對供應商而言是利潤率遠為單薄的產品。企業買家也受到影響：他們面臨二選一的抉擇，要嘛支付 Databricks 的受管推論溢價，要嘛使用 Phancy ModelHub 等開源工具自行建置技術堆疊。監管層面的議題也開始浮現，政策制定者質疑人工智慧運算資源集中在少數雲端業者手中，是否會在基礎設施層面構成系統性風險。

利潤率壓縮所傳遞的政策與策略訊號

Databricks 的利潤率壓力釋放出關於人工智慧市場方向的明確訊號：輕鬆成長的時代已結束，效率正成為決戰點。該公司將資料管理與 AI 推論綁定的策略正承受壓力，因為代理式應用的基礎經濟模式與傳統軟體利潤率並不一致。這令人聯想到從大型主機轉向客戶端 - 伺服器運算的轉變，集中式架構讓位給分散式架構。邊緣 AI 與消費級硬體用於大型模型訓練與推論的崛起，驗證了運算資源將走向去中心化的論點。

從策略面來看，Databricks 面臨三個選擇。第一，收購編排層：Phancy Group 的 Rise vGPU 獲得 Frost & Sullivan 認可，使其成為明顯的收購目標，此收購將把利用率問題內部化，而非將該技術堆疊拱手讓給獨立廠商。第二，與邊緣推論供應商合作，可能授權 Tether 的 Vulkan 後端，在 Unity Catalog 的治理架構內提供混合雲端 - 邊緣部署。第三，調降推論價格，同時擴大資料管理的利潤率，接受運算資源是大宗商品的事實，並加倍押注專有的湖倉護城河。每條路徑都有風險。收購在利潤率壓縮已衝擊損益表的時刻燒錢。合作則放棄差異化。降價加速價格戰。投資人正將利潤率軌跡視為管理層選擇哪條路徑的領先指標，而答案將定義本十年剩餘時間內企業 AI 基礎設施的輪廓。

未來 12 個月將決定 Databricks 能否以足夠快的速度重構成本結構，在維持 80% 成長的同時保住利潤率。時間窗口狹窄：GPU 編排平台正趨成熟，邊緣推論漸具可行性，開源動能持續加速。該公司很可能收購編排新創以強化其代理管理能力，遵循「買效率而非自建」的策略。若 GPU 利用率持續低於 30%，整個產業將面臨清算時刻：目前的基礎設施建置建立在需求之上，而此需求無法支撐足以合理化資本支出的定價水準。勝出者將是那些把運算資源與消費脫鉤的公司，讓 AI 代理能在最便宜的可用硬體上執行，而非預設使用最強大、最昂貴的集中式選項。Databricks 擁有資料護城河與客戶關係來度過此轉型，但利潤率數據顯示時鐘已在倒數。市場正從原始效能轉向系統級效率，率先內化此轉變的公司將定義 AI 基礎設施的下一個階段。