身份不明的发言人
Ash Kulkarni（首席执行官）
Navam Welihinda（首席财务官）
身份不明的参会者
Kasthuri Rangan（高盛集团）
大家好吗？这只是会议的第一天，对吧？我的意思是，这是一个为期四天的会议，你们会听到很多关于科技、软件、人工智能的内容。顺便说一下，软件并没有消亡。我们会谈到这个话题。Ash担任Elastic首席执行官已有几年时间了。我大约三年前有幸见过他。我们的高管团队还有一位新成员Navam，你们很多人可能认识他，他来自Hashicorp，是一位经验丰富的高管。所以Ash，很高兴再次见到你。谢谢你能来。
这是我们一起参加的第四届Communopia科技会议。非常高兴你能来，我知道你已经参加过几次会议了，人们问我，对于那些不熟悉Elastic的人，你能讲讲你们的故事吗？我不会问你这个问题。我要问的是我在22年、23年、24年一直在问的同一个问题。你对公司的愿景是什么？四到五年后的成功是什么样子的？
好的，当我想到Elastic时，对我来说最重要的是我们最擅长的是搜索。这是我们的核心业务。当涉及到非结构化信息、任何类型的非结构化数据时。数据越混乱，我们就越擅长处理它，帮助你从这些数据中找到恰好相关的信息。随着非结构化数据本身的增长，以及非结构化数据用例的增长，我们也在不断发展。其中最令人兴奋的显然是人工智能。我们所扮演的角色是人工智能的搜索，特别是当人们进行上下文工程，或为大型语言模型提供相关的、准确的上下文，以便它能够实际完成工作时，无论是用于某种智能体工作流还是你可能正在构建的对话应用程序。
大型语言模型本身对你的私有专有信息一无所知。这就是Elastic的用武之地。所以我们是使用最广泛的向量数据库之一，但我们所做的远不止这些，这一切都是为了提供正确的上下文。所以我的愿景是，随着人们构建人工智能应用程序，Elastic成为数据检索和上下文工程的数据平台，并且我们融入到企业、中端市场、政府机构在全球范围内新兴的这种新的人工智能技术栈中。
明白了。我本来想把这个环节命名为“Cash问Ash”。所以这应该放在最前面。不管你想叫它“Cash问Ash”还是“Cash vs Ash”之类的。我们会找到一种双赢的方式。会实现的，相信我。太好了。所以当我们深入探讨人工智能时，你谈到了技术栈的各个部分。向量数据库、向量搜索、向量嵌入、搜索，核心的Elasticsearch概念。我知道你是一名工程师。你能把这些整合起来吗？最终的人工智能应用技术栈是什么样子的？为什么我们需要这些不同的元素来完成嵌入、搜索、数据库这些功能，以及你在技术栈的每一层扮演什么角色？你是怎么理解的？
当然。以任何大型语言模型为例。首先，我们不依赖于你使用的大型语言模型。我们几乎与每一个大型语言模型都有集成。但是如果你正在构建任何类型的智能体，你需要两样东西。第一件是大型语言模型，因为它知道如何对信息进行推理。它知道如何进行推断，所以它能够生成经过推理和思考的完整句子，并给出详细的答案。
或者它可以采取行动，等等。它需要的另一件事是你的信息的一些上下文，否则所有的大型语言模型只能基于它们训练时的数据来回答问题，而它们训练的数据是公开可用的信息。所以当你在业务环境中使用大型语言模型时，它不了解你的库存、零件、产品、客户工单，等等，你的政策、内部知识库，它对这些都没有上下文。唯一能实时为它提供这些信息的方法。
因为，顺便说一下，你的所有数据也在不断变化。所以你需要将数据连接到语言模型，并且这种连接需要实时完成。你需要传递给语言模型的文档数量要尽可能少。因为你传递的信息越多，语言模型产生幻觉的可能性就越大。所以你想减少这个数量。
我原以为信息越多，产生的幻觉应该越少，对吧？
并非如此，因为在狭窄的上下文中提供的信息越多，它往往会，好吧，我有各种选择，但没有意识到，由于你可能了解的客户之间的各种关系，存在的细分市场等等，尽管这五个文档都与一般主题相关，但只有这三个文档与该客户相关。所以如果你不提供这些信息，语言模型可能会假设你给它的所有文档都具有同等价值。这就是训练的意义所在。
还有检索增强生成（RAG），三年前的RAG已经不是我们今天看到的RAG了。检索增强生成已经变得非常、非常复杂。现在人们会考虑已知的关系等因素。所以人们经常以图的形式对其进行建模。人们会考虑你对偏好和偏见的了解。人们会考虑根据偏好、地理位置、客户可能放弃的其他选择等其他参数来过滤集合。
所以这种学习排序或重排序的过程已经变得非常强大和成熟。这就是我所说的上下文工程。上下文工程不仅仅是向量数据库。它首先是正确组织和分块你正在处理的数据。然后是使用正确的嵌入模型将其转换为向量。然后是向量搜索过程本身，以及你可以应用的所有额外的方面和搜索方面。然后是混合搜索，可能是，我已经通过向量搜索得到了答案，但我也想看看文本搜索给我的结果，特别是如果数据是文本的话。
然后基于我谈到的这种学习排序技术对所有这些进行重排序。最终，经过所有这些步骤后得到的理想结果是传递给语言模型的最准确的信息片段。然后语言模型就能给出正确的答案。所以这个过程很复杂，如果你非常快地给出错误的答案，那是没有帮助的。所以上下文的准确性是客户最关心的。这确实是我们在市场上看到的演变，客户在这方面变得越来越成熟。
所有这些都发挥了我们的优势。这个不断发展的技术栈还有其他内容。比如你会看到，人们已经开始谈论大型语言模型的可观测性。人们已经开始谈论synops，以了解往返于这些大型语言模型的令牌数量，因为这也会增加成本。你会看到人们谈论大型语言模型的安全性。所以整个人工智能技术栈将继续发展。但我们的角色处于检索和上下文工程的核心。这是我们打算重点关注的领域，最终我们将从那里扩展。
但如果我们占据了这个核心领域，我认为Elastic的机会是巨大的。
说到这里，我知道你们最近一个季度的情况，我们很快会请Navam加入讨论。你谈到了一些用例。哪个是最好的用例，最有影响力的用例，在这个完整的技术栈中，嵌入、耦合向量搜索、向量数据库和上下文工程产生了最大的效果。
有很多我认为非常有趣的例子。我们有一个政府机构，他们使用我们来解决人口 trafficking问题，他们将电话信息、音频信息与闭路电视信息结合起来，使用这些向量搜索技术来快速确定感兴趣的人可能去了哪里。这些用例非常了不起，有助于解决真正的人类问题。还有人工智能音乐公司在幕后使用我们，作为向量数据库，他们在做什么呢。
检测专有音乐的非法使用。我不会深入讨论专有与否的问题，但他们在幕后使用完整的向量数据库。所以当你搜索音乐片段并试图创作自己的作品时，Elastic是幕后的技术。一些DevSecOps平台在幕后使用我们作为向量数据库，用于他们的代码生成智能体。所以从这些人工智能原生功能到更传统的用例，我们有银行已经使用我们，并将我们纳入他们的核心智能体开发框架，已经在我们之上构建了智能体，作为财富管理团队使用的对话聊天应用程序，为高净值客户提供服务，还有汽车公司已经构建了智能体来与他们的合作伙伴网络打交道。
所以应用范围非常广泛，从客户支持、代码生成等人工智能原生用例到一些我谈到的人工智能原生功能，独立软件开发商将我们嵌入他们正在推向市场的人工智能应用程序中。令人兴奋的是，在我看来，所有这些都还只是冰山一角，因为今天大多数组织只推出了少数几个这样的人工智能应用程序，而他们的明确目标是为行业内的各种自动化构建数百个这样的应用程序。我认为随着每个客户添加越来越多的人工智能应用程序，我们的使用量自然会增长。
所以我们今天的重点是尽可能多地嵌入这些用例中。这就是为什么我们在上个季度统计了2200个使用Elastic Cloud的客户。这些不是试用版。不是免费试用之类的，而是实际的客户和实际的用例。
明白了，明白了。我想稍后再和你谈谈你如何参与人工智能技术栈的经济模式。但是Navam，如果你还记得的话，你是一名工程师，对吧？前工程师。我的意思是，是的，恢复一下。好的。
是的，我长期以来一直是财务人员，我已经忘记（自己曾是工程师）了。
不，我理解，但我是一名工程师。我曾经是工程师，但我也是财务人员。我问这个问题的原因是，这是你聘请Navam的原因吗，你的能力如此之高？多才多艺。首先必须是工程师，然后才是财务方面的东西，比如MBA等等。
我的意思是，看，我会告诉你一个有趣的事情。说真的？我知道，我不会像回答一个严肃的问题那样回答，但对我来说真正重要的一件事是理解在开源模式下运营意味着什么。对吧。Nawam在Hashicorp的时间带来了大量的专业知识。所以工程背景可能在列表上的某个位置，但绝对不是首要原因之一。
太好了。那么现在，欢迎来到我们的第一次。很高兴来到这里。我们应该称之为播客吗？我觉得比播客好。我的意思是，我们在向真实的人提出一些真实的问题。但是到目前为止感觉怎么样。在Elastic的经历如何？
非常好。我的意思是，Ash提到过之前在开源公司工作过。所以我描述Elastic的方式是，有很多地方与我在Hashicorp的 previous experience相似，也有很多地方比我在Hashicorp的经历要好得多，比如我们已经实现的规模、过去四个季度看到的市场推广成功，以及销售主导的订阅收入在四个季度以上具有如此持久价值的证明，更重要的是，我们在平台上交付的大量产品创新以及人工智能的顺风。
所以在Elastic的这个机会中有很多令人兴奋的事情。真的非常好。我已经记不清了，因为我不能再打新手牌了，但我想大约有两个季度了。所以这两个季度非常棒。
你们报告的这个季度是你的第一个完整季度吗？
这是我第一个完整的实际业绩季度。
加速前的利润率扩张。我的意思是，你们做得非常好。你们是如何做到的，如果你在四个月内发现了这么多，你对未来的预测是什么？
我对上个季度的功劳很小，很小。我认为团队在过去一年多的时间里在市场推广和研发方面做了大量工作，我只是在上个季度加入，说，嘿，伙计们，这是我们上个季度的表现，这是一个很棒的季度。
他非常谦虚。多谈谈涨价的事情。人们对此有争议。哦，是的，所有的增长都是涨价带来的。大部分不是。最好的是什么？就我个人而言，我喜欢软件公司涨价，有些人看到后会说，好吧，这意味着单位销量下降了，等等。就像你想投资一家有定价权并能够通过提价来展示这种定价权的公司，这与公司提供的价值是一致的。你知道你之前参加过几次其他会议。人们在评估你的涨价质量和增长的持久性方面是否有些错误？
我认为存在一些基本的误解，但根本的误解是对消费如何运作以及涨价在消费背景下如何运作的误解。对吧。所以首先，我认为今天参加你们会议的大多数同行，特别是那些创新型公司，很可能不时地重新审视价格。我们也不例外。对吧。他们中的一些通过推出新的SKU来反映他们的创新，并为此收费。我们的做法是将大量创新集中在一个平台上，这个平台的价值随着时间的推移而增加，我们不时会考虑通过价格变化来反映其中的一些价值。
我们过去也做过。去年我们在自管理版本上做了。几年前我们在云和自管理版本上都做了。今年五月我们在云和自管理版本上都做了。考虑到我们为平台所做的大量工作实际上是为了给客户提供价值，抱歉，给客户提供价值，这可能不是我们最后一次重新审视价格。基础平台的价值越来越高。所以我们需要记住的是在这种情况下如何判断成功？我们从两个方面判断。
我们的客户如何按季度向我们做出承诺？他们有选择。我们的客户如何增加或减少与我们的消费？这是他们每天都可以选择的。对吧。当你考虑消费的增减时，背后有很多因素。首先是数据量增加，这会增加客户的消费。价格是增加客户消费的一个因素。另一方面，有一些因素会减少消费，我们的客户经常进行优化。
当他们优化时，他们增加数据，他们优化，他们增加数据，这在上升和下降的轨迹上趋势。第二，我们在平台中引入旨在提高客户效率的功能。如果我没记错的话，在涨价前一个季度，或者前一两个季度，我们推出了LogsDB，旨在提高客户存储数据的效率，从而减少消费。这是设计使然，可搜索快照是几年前推出的，旨在减少客户的消费量，提高客户的效率。
所以在消费模式中，有多种因素，其中定价只是其中之一，而且定价是有弹性的。所以客户可以优化和减少消费，或者他们可以看到平台的价值并增长。所以重要的是，在所有这些因素的影响下，我们最终客户的消费情况如何？第一季度就是证明，消费强劲，承诺强劲，更重要的是，消费强劲。这让我们有信心，我们向最终客户提供的产品最终被接受，他们决定提高消费率。
明白了。所以在成功实施涨价和第一季度业绩超出预期的背景下，人们认为26财年剩余时间的指引非常保守。作为首席财务官，你如何平衡设定审慎预期与传递信心的过程？这总是一件棘手的事情。
是的，我认为，一方面，我们有一个出色的季度。这是一个非常强劲的季度，无论是在消费还是承诺方面。没有异常值或一次性因素导致我们看到这种增长，是平衡的。你应该这样看待涨价，就像我说的，它是对底线的持久提升，就像你采用新的SKU，然后从那里增长。这就是你应该考虑涨价多年来如何变化的方式。但要回答你的问题，我们在第一季度给出了审慎的指引，我们详细说明了审慎指引背后的假设，抱歉，在第四季度，在第一季度，我们实现了该指引。
我认为关键点是结果本身说明了信心。对吧。数字会说明信心，我们将继续给出审慎的指引。但需要记住的是，我们也会在指引数字背后提供很多叙述，谈论业务的潜在实力。所以我们提供的第一季度细节在我们看来是一个非常强劲的季度，这让我们对全年充满信心，这使我们上调了四年的指引。我们打算每个季度都执行，并在适当时重新审视全年。
是的，我的意思是，坦率地说，我每个季度关注的两件事是我们的承诺趋势，因为承诺是未来收入的预测指标，你知道的。第二，消费趋势如何？第一季度这两个都非常、非常强劲，基础业务非常强劲。所以Navam在指引中加入的审慎，我认为这是一方面。但对我来说，当我考虑业务时，有很多令人兴奋的地方。
与一个季度前、两个季度前、三个季度前相比，在你进行了市场推广变革之后，你现在的定位更好了吗？
是的。想想一年多前，五个季度前，我们谈论过我们遇到的问题，我们一直对这类事情非常透明。
现在情况如何？
哦，非常好。我的意思是，过去四个季度的销售执行非常稳健。你知道，这些变化...
你进行了调整，找到了正确的模式。
你找到了正确的模式。我们的首席 revenue官Mark真正想要做好的两件事，一是关注企业和中端市场，每个销售代表负责更少的客户，因为在他做出改变之前，我们的模式自首次公开募股前就存在了，这对于我们还是一家小公司时是合适的，我们已经到了需要做些不同的事情来允许我们在客户中更深入、更广泛地发展的地步。第二件我们想要做好的事情是新领域，我们可以有专门的开拓行动，因为这也很重要，因为我们有大量的开源用户。
所以使用Elasticsearch免费版本但从未向我们付费的客户或组织是潜在客户，是很好的潜在客户。所以我们如何确保我们有专门的新领域开拓行动。所以我们通过所做的改变建立了这两个方面，随着这些变化的稳定，我们开始看到好处。我们开始看到百万美元客户数量在过去一年的增长速度比前几年更快。所以我们看到了正确的结果。这让我对未来感觉非常好。
太好了。我的市场推广实际上与此相反，从12家公司开始。我正在发展37家公司。如果首次公开募股市场继续健康，这个数字可能会增长。但一切都有极限。我想和你谈谈，我想回到你身上。你如何在公司内部部署人工智能？作为具有工程背景的首席财务官，你是不是很热衷于看到如何在财务或销售中提高运营效率。你如何部署这些东西并在内部获得优势？然后我会回到外部话题。
我认为在更广泛的业务中，有很多人工智能部署，特别是在客户成功和营销组织中。在这些组织中，我们甚至有一个内部智能体，我们可以与之交谈并从中获取情报，你叫它什么？Elastic GPT。
对于销售来说，它被称为Elastic GPT。
我们很有创意。我认为财务在人工智能的采用方面比公司其他部门落后很多。有几个原因。这与审计方面的成熟度以及审计对人工智能的接受度有关。所以自然地，我认为我们首先使用人工智能和机器学习的地方将是财务规划与分析部门，而会计部门将比财务规划与分析部门落后一点。
你如何预见在会计等领域使用人工智能？这是怎么做到的。
你知道，我认为首先需要改变的是审计公司本身必须接受人工智能作为一种可审计的形式。现在的问题是审计公司还没有完全接受这一点。但一旦接受，我们可以做很多事情，无论是准备备忘录还是对账，都可以用人工智能完成，这只会让我们的会计师比现在高效得多。
对。
例如，在支持方面，我们的支持智能体使用量非常大，案例偏转率约为40%，在这个比例下，这些工单从未到达任何人工处理，就被偏转了，这是一个巨大的优势。
你在客户支持中使用它多久了？
一年多了。嗯，一年半多了。
这个比例还会上升，我认为。
抱歉
它会更高。一定会更高。
是的。我的意思是，我们一直在推动这一点。对吧。我认为，随着我们的发展，如果我们能帮助更广泛的团队提高效率，这只会意味着更多的利润。所以我们使用。是的，我的意思是，我们是一个非常大的GitHub用户，任何了解Elastic和Elasticsearch的人都知道，我们的公共代码库都在GitHub上，所以我们是一个非常大的GitHub用户，我们使用他们的Copilot，但我们也使用多种不同的Vibe编码工具。
那么你对Vibe编码、Cursor以及你从GitHub获得的基于核心Codex的技术有什么看法。
我们使用多种这些工具，因为我们发现不同的工具各有优势。所以除了GitHub Copilot，我们还使用两种不同的Vibe编码工具。我们发现优势最大的地方是测试开发和UI开发。但除此之外，尽管你可能会说我们的代码库都是公开的，所以可以说语言模型已经受过我们整个源代码的训练，但我们仍然不知道。
我正在编写常规的人工智能生成代码。
当你看人工智能生成的代码时，对吧。我们不想将其用于核心模块。但我们看到巨大价值的地方是，在过去，我们去客户那里，他们会说，我们喜欢你们的平台，超级可扩展。太神奇了。但我需要所谓的搜索和UI。我不知道是否有人知道，有商品推销，对吧。所以当你谈论商品推销时，营销人员喜欢改变偏好。所以当你进行搜索时，这个东西会在那个东西之前弹出，你想固定某些结果。
所以这种UI被称为搜索和设计UI。你知道，从历史上看，我们一直倾向于拥有一个平台，让我们看看。
Cash和你在命名方面更好。
但是搜索和设计UI的概念在市场上已经存在很长时间了。我们没有开箱即用地构建这些。这曾经是有人会说，哦，我更喜欢，如果你们的UI更好的话，就像那家专门做这个的公司。我们基本上会说，看，我们可以帮你，但这不是我们产品精力投入的地方。我们发现，当涉及到构建这些类型的UI时，这些实时编码工具非常棒。
所以我们能够非常快速地为每个客户定制出合适的搜索和设计UI。然后就像，哦，你想要一个搜索和设计UI，让我为你创建。所以这个问题已经解决了。另一个我们发现很有价值的领域是将竞争产品的语言脚本转换为我们可能正在替代的Elastic脚本。对吧。所以，你有一个脚本语言，我们有一个脚本语言转换。你可以使用这些工具，它们会在几分钟内完成转换。
这曾经是需要几个月的工作。现在通过测试和验收测试等，一周内就能完成。节省了大量时间。所以在迁移这些领域，我们看到了很多好处。
有人想提问吗，举手就行。我知道现在是下午，快三点了，我们都需要一杯咖啡来提神。但我还有一个问题问你，Ash。你从早期部署中学到了什么？大约有两千人在你的安装基础中使用RAG。我不断听到媒体可能有偏见的说法，即这些最新模型的上下文窗口更大，无论是GPT5还是其他什么，人们宣称RAG已死。我确定不是。那么你如何看待更广泛的上下文窗口与RAG的附加值，这对你为客户增加价值至关重要？
是的，我认为人们在上下文窗口上忽略的一点是，从根本上使上下文窗口变得巨大并没有真正帮助，因为你的语言模型在其他地方运行。你允许它在上下文窗口中接收十亿个文档。你知道移动一TB数据需要多少时间吗，物理移动一TB数据？你要等几分钟才能传输数据。所以上下文窗口的增加。对于构建业务应用程序来说，上下文窗口的改进增加价值的情况并不多。
如果我现在在ChatGPT中有一个长时间运行的会话，我可以记住与某人的对话历史。我可以记住你一年前与ChatGPT的对话，因为它只是将其存储在上下文窗口中，并不断积累。所以在某些用例中，上下文窗口的增加非常有价值。它们几乎与RAG的讨论完全正交且无关。
非常清楚，非常清楚。这让我想起你解释一TB信息的方式。这里有人记得内存数据库吗。这曾经是个热门话题，这里有些人不会承认自己老了，但我看到一些面孔，内存数据库将被淘汰，因为它们有上下文窗口。它可以在内存中运行事务。但后来我们有了一个觉醒。
我们意识到数据实际上比内存能容纳的要多得多。我认为这就是问题所在，对吧。所以我认为事实是，检索增强生成（RAG），我们两年前对RAG的看法相当天真。现在当你看RAG时，它比我们两年前认为的要复杂得多。话虽如此，RAG永远不会消失。实时检索始终至关重要，因为你的数据在不断变化。如果你想让大型语言模型基于正确的信息，你必须实时进行。
所以你不能把TB级的数据发送给大型语言模型。你必须根据上下文进行，你必须找到正确的东西，准确性比速度更重要。所以当我们与正在构建这些现代应用程序的客户交谈时。嘿，看，如果这是一个ChatGPT风格的应用程序，它给了你错误的答案，你还好。如果这是一个你依赖它来预订机票的智能体，你要确保它预订的是实际存在的航空公司和航班。如果它产生幻觉并弄错了，你就惨了。
你是环球航空公司。
问题是这些语言模型非常神奇，令人惊叹。但它们的行为像人类。如果它们不知道答案，就会编造。
我不会。
工程师不会这样做。但其他人会。
在19年，我们谈了很多关于搜索的话题。给我们一个现状评估。在APM、可观测性、安全性方面，我们的重点。
是真正发挥作用，继续在非结构化数据是问题最重要部分的领域发挥作用。所以，当涉及到可观测性时，我们处理日志分析，然后从那里扩展到APM、基础设施监控等。在安全性方面，我们以SIM为先导，因为它都是非结构化日志数据，然后从那里扩展。我们的人工智能功能缓存帮助我们在这些领域形成巨大差异。所以你看我们的攻击发现功能，你看我们最近宣布的AI SoC引擎，所有这些功能都是关于我们如何使用原生人工智能技术栈来帮助你自动化SOC流程，帮助你自动化SRE流程。
基于此，我祝愿你在未来几年取得成功，并再次感谢你的支持。Navam，很高兴看到你作为团队的一员来到这里。让我们为Ash鼓掌。
谢谢。