身份不明的发言人
Dev Ittycheria（总裁兼首席执行官）
Mike Berry（首席财务官）
身份不明的参会者
Kasthuri Rangan（高盛集团）
Matthew Martino（高盛集团）
早上好，各位。Communicopia科技大会的第二天。欢迎来到第二天。但这只是第二天的开始，还有几天时间，非常高兴能与我最喜欢的公司之一和我最喜欢的首席执行官之一一起开启第二天的议程。我要稍微让他尴尬一下。我知道你看起来很年轻，但我们是在2006年认识的，当时你正在将你的第一家公司上市，那真是一段非常愉快的经历。虽然在你的职业生涯中，我并不是每年都与你合作，但我认为在你职业生涯中最重大的时刻，我们都有交集。
所以恭喜你。现在，让我们与MongoDB的首席财务官Mike Berry一起展望未来，我想，作为MongoDB的首席财务官，这是你第一次参加高盛的会议，对吗？
是的。我来过很多次。但这是第一次以Mongo的身份。
好的，太好了。当然，还有独一无二的Matt Martino，MongoDB的Matt。Matt告诉我这是他最喜欢、最酷的公司之一。能站在这里我感到非常兴奋。开场白就到这里，Dave，恭喜你。这是一段多么精彩的旅程。我的意思是，那个季度的表现令人难以置信。Mongo的未来是什么？我一直在问你同样的问题。我想这是我们连续第四年一起做这个了。未来会怎样，你对MongoDB未来四到五年的发展评估有什么变化？最终的目标是什么？
是的，所以显然我们可以从业务的多个方面深入探讨，但我想强调的第一点是，我们正在追逐一个非常大的市场。这不是一个赢家通吃的市场。而且，你知道，如果你认为市场规模大约为1000亿美元，我们的份额只有2%。如果将份额提高到5%，我们就会成为一家年收入50亿美元的公司。所以我们有巨大的目标市场机会，而且我们不需要进行任何奇怪的转型就能实现这一目标。
我认为，你知道，我们的核心业务正在良好增长。几周前我们公布的那个季度的业绩，并非由任何AI客户群或一些AI异常值驱动。所以客户们，你知道，正在使用MongoDB来日常运营和转型他们的业务。第三点我想说的是，我们感觉自己已经为即将到来的AI浪潮做好了充分准备。我在电话会议和其他会议上说过，在企业领域，AI的采用仍然处于非常早期的阶段。大多数采用要么是通过第三方独立软件开发商，主要专注于终端用户生产力，无论是开发人员使用的代码生成工具，还是业务用户使用的办公生产力工具。
但话虽如此，当你考虑到——这可能是你想引导对话的方向——我们认为我们拥有合适的架构，能够满足人们构建复杂的变革性AI应用程序或智能体应用程序（如果你愿意这么称呼它们的话）的需求，这些应用程序将真正改变业务，我们可以深入探讨数据库层在这些应用程序中扮演的角色。
是的，那本来是我的……你读懂了我的心思。那本来是下一个问题。过去10年，所有的重点都放在向云转型、大规模交易系统上，人们认为NoSQL数据库不是最优化的部分。但后来你克服了这个问题，我们符合资产要求，并且在事务处理方面，每个人都拥有与任何其他传统关系型数据库一样的容错性和可扩展性。所以下一章，你认为AI带来的机遇和风险是什么？不是每家公司，你和我都经历过几次技术周期和转型，旧周期中的公司，不仅仅是，我的意思是说它们无法生存是不公平的，但它们在不同的时间点取得了成功，比如甲骨文、SAP、微软，它们都在不同的时间点赶上了云浪潮。我说得太快了。你如何看待MongoDB在AI周期中的机遇和风险？
是的，你提到了NoSQL这个术语。这是一个我实际上已经开始厌恶的术语，我曾经喜欢它，因为它将我们与关系型数据库区分开来。但问题是，每个人都把所有NoSQL供应商归为一类，这是一种非常肤浅的市场看法。你知道，我们是唯一提供完整事务支持的现代数据库。所以我们可以支持强一致性用例，比如金融应用、交易应用、计费应用等事务密集型用例。但我们也支持最终一致性用例，比如时间序列应用，在这些应用中，你不一定关心任何单个数据点。
你更想了解的是数据随时间变化的趋势，并且你希望能够非常快速地收集和处理这些信息。大多数人认为NoSQL是最终一致性的，但他们没有意识到我们实际上可以满足最苛刻的事务密集型用例的需求。关于你提出的AI问题，当你思考数据库在AI时代的作用时，我认为我们将扮演的关键角色之一是管理状态和内存，对吧？所以如果你想想你的系统中正在发生的事情，就像把你的LLM当作大脑，你的大脑需要从身体获取反馈，对吧？如果你触摸到某个东西，比如一个热盘子，你需要知道，好吧，我需要把手拿开，因为如果不拿开我会烫伤手。
所以你需要某种反馈机制。如果你感到疲倦，你需要坐下。如果你出汗，感到热，你需要出汗。同样，你知道，现代应用程序需要某种机制来了解正在发生的事情。而你拥有关于业务实时信息的地方是你的操作型数据存储或OLTP平台。在那里你才能真正了解业务中正在发生的事情。这样你就可以对正在发生的事情做出反应和推理，并可能采取行动或改变某些事情。你需要的第二件事，本质上是需要知道事物的状态。
然后你需要决定，好吧，基于这种状态我需要做什么来实现某些结果，然后你显然需要计划，然后需要调用行动，对吧？LLM可能会告诉你做某事，但它仍然必须调用一个行动。通常这是通过在OLTP平台之上构建的某个软件层来完成的。所以我们相信，在这些新的智能体用例中，我们真的，你知道，我们将扮演重要角色。然后如果你问自己，AI世界的现代数据库是什么样的？第一，我认为，你需要支持JSON。
JSON是建模数据的混乱性、复杂性、演化性、层次性和相互依赖性的最佳方式。你不能将其叠加在表格结构上。第二，你需要有复杂的技术来非常快速地查找和检索信息。所以我们不仅支持传统查询，我们有一个词汇搜索引擎，我们有一个带向量存储的语义搜索引擎。而且我们现在拥有业内排名最佳的嵌入模型。所以这是信号的质量。因为嵌入模型是你的私有数据和LLM之间的桥梁。
人们开始意识到，我对私有数据的推理方式对于获得我想要的输出质量非常重要。举个简单的例子，“pitch”这个词有很多不同的含义。它可以是棒球的投球，也可以是足球场（在英国英语中称为pitch），可以是投资者的推介，也可以是飞机的俯仰角，也可以是屋顶的坡度，还可以是你的音调。所以如果你不理解，对不起。
板球场的场地。
是的，没错，是的。所以如果你不理解数据的上下文和含义，那么LLM对这些数据的推理质量就会变得更加困难。因此，嵌入模型的质量对LLM推理私有数据的能力有巨大影响。所以当你把这些结合起来，如果你考虑智能体，智能体不会回家吃晚饭，它们不度假，也不会午休。所以智能体的使用强度将需要一个大规模可扩展的平台。你需要一个分布式架构来支持这种环境。
当你开始分析AI时代的现代数据库是什么样子时，我认为第一，你需要支持JSON。
JSON是建模数据的混乱性、复杂性、演化性、层次性和相互依赖性的最佳方式。你不能将其强行叠加在表格结构上。第二，你需要有复杂的技术来非常快速地查找和检索信息。所以我们不仅支持传统查询，我们有一个词汇搜索引擎，我们有一个带向量存储的语义搜索引擎。而且我们现在拥有业内排名最佳的嵌入模型。所以这是信号的质量。因为嵌入模型是你的私有数据和LLM之间的桥梁。
人们开始意识到，我对私有数据的推理方式对于获得我想要的输出质量非常重要。举个简单的例子，“pitch”这个词有很多不同的含义。它可以是棒球的投球，也可以是足球场（在英国英语中称为pitch），可以是投资者的推介，也可以是飞机的俯仰角，也可以是屋顶的坡度，还可以是你的音调。所以如果你不理解，对不起。
板球场的场地。
是的，没错，是的。所以如果你不理解数据的上下文和含义，那么LLM对这些数据的推理质量就会变得更加困难。因此，嵌入模型的质量对LLM推理私有数据的能力有巨大影响。所以当你把这些结合起来，如果你考虑智能体，智能体不会回家吃晚饭，它们不度假，也不会午休。所以智能体的使用强度将需要一个大规模可扩展的平台。你需要一个分布式架构来支持这种环境。
当你开始分析AI时代的现代数据库是什么样子时，我认为第一，你需要支持JSON。
JSON是建模数据的混乱性、复杂性、演化性、层次性和相互依赖性的最佳方式。你不能将其强行叠加在表格结构上。第二，你需要有复杂的技术来非常快速地查找和检索信息。所以我们不仅支持传统查询，我们有一个词汇搜索引擎，我们有一个带向量存储的语义搜索引擎。而且我们现在拥有业内排名最佳的嵌入模型。所以这是信号的质量。因为嵌入模型是你的私有数据和LLM之间的桥梁。
人们开始意识到，我对私有数据的推理方式对于获得我想要的输出质量非常重要。举个简单的例子，“pitch”这个词有很多不同的含义。它可以是棒球的投球，也可以是足球场（在英国英语中称为pitch），可以是投资者的推介，也可以是飞机的俯仰角，也可以是屋顶的坡度，还可以是你的音调。所以如果你不理解，对不起。
板球场的场地。
是的，没错，是的。所以如果你不理解数据的上下文和含义，那么LLM对这些数据的推理质量就会变得更加困难。因此，嵌入模型的质量对LLM推理私有数据的能力有巨大影响。所以当你把这些结合起来，如果你考虑智能体，智能体不会回家吃晚饭，它们不度假，也不会午休。所以智能体的使用强度将需要一个大规模可扩展的平台。你需要一个分布式架构来支持这种环境。
当你开始分析AI时代的现代数据库是什么样子时，我认为第一，你需要支持JSON。JSON是建模数据的混乱性、复杂性、演化性、层次性和相互依赖性的最佳方式。你不能将其强行叠加在表格结构上。第二，你需要有复杂的技术来非常快速地查找和检索信息。所以我们不仅支持传统查询，我们有一个词汇搜索引擎，我们有一个带向量存储的语义搜索引擎。而且我们现在拥有业内排名最佳的嵌入模型。所以这是信号的质量。因为嵌入模型是你的私有数据和LLM之间的桥梁。
人们开始意识到，我对私有数据的推理方式对于获得我想要的输出质量非常重要。举个简单的例子，“pitch”这个词有很多不同的含义。它可以是棒球的投球，也可以是足球场（在英国英语中称为pitch），可以是投资者的推介，也可以是飞机的俯仰角，也可以是屋顶的坡度，还可以是你的音调。所以如果你不理解数据的上下文和含义，那么LLM对这些数据的推理质量就会变得更加困难。
板球场的场地。
是的，没错，是的。所以如果你不理解数据的上下文和含义，那么LLM对这些数据的推理质量就会变得更加困难。因此，嵌入模型的质量对LLM推理私有数据的能力有巨大影响。所以当你把这些结合起来，如果你考虑智能体，智能体不会回家吃晚饭，它们不度假，也不会午休。所以智能体的使用强度将需要一个大规模可扩展的平台。你需要一个分布式架构来支持这种环境。
当你开始分析AI时代的现代数据库是什么样子时，我认为第一，你需要支持JSON。JSON是建模数据的混乱性、复杂性、演化性、层次性和相互依赖性的最佳方式。你不能将其强行叠加在表格结构上。第二，你需要有复杂的技术来非常快速地查找和检索信息。所以我们不仅支持传统查询，我们有一个词汇搜索引擎，我们有一个带向量存储的语义搜索引擎。而且我们现在拥有业内排名最佳的嵌入模型。所以这是信号的质量。因为嵌入模型是你的私有数据和LLM之间的桥梁。
人们开始意识到，我对私有数据的推理方式对于获得我想要的输出质量非常重要。举个简单的例子，“pitch”这个词有很多不同的含义。它可以是棒球的投球，也可以是足球场（在英国英语中称为pitch），可以是投资者的推介，也可以是飞机的俯仰角，也可以是屋顶的坡度，还可以是你的音调。所以如果你不理解数据的上下文和含义，那么LLM对这些数据的推理质量就会变得更加困难。
因此，嵌入模型的质量对LLM推理私有数据的能力有巨大影响。所以，当你将所有这些功能整合到一个平台中，一个统一的开发界面，所有数据都保存在一个地方。所有数据都可以在一个地方备份。你不必将多个东西拼接在一起。很多人将我们与Postgres进行比较，但实际上这是一种错误的比较，因为实际上Postgres与Pinecone（顺便说一下，Pinecone最初试图自我推销，最近更换了领导层）、Elastic以及Cohere或其他公司的嵌入模型拼接在一起，对人们来说是非常痛苦的，而我们的优势在于，MongoDB开箱即用地提供了所有这些功能。
是的，你稍微提到了Postgres。与Postgres、 hyperscalers的竞争。这对MongoDB来说并不新鲜，但经常被提及。关于MongoDB，最常见的误解是什么？你认为平台相对于这些竞争对手的持久架构优势是什么？
是的，我认为在座的很多人。当我们的增长开始放缓时，在座的很多人，你知道，做出了因果联系，认为嘿，Postgres一定在夺取更多份额，因为，你知道，这最终有点像两匹马的比赛。有一些 niche 数据库，但实际上主要是Postgres和我们。我想提出几点。第一，我认为，你知道，虽然我们显然一直在应对你所概述的竞争，你知道，从第一天起，我们认为很多增长放缓是我们自己的执行问题，希望我们不会过早宣布胜利，但我们感觉我们已经取得了很大的进展。
第二，我认为有趣的是，Postgres，大家要明白，Postgres的名字来源于“post ingress”。所以它建立在一个，你知道，旧技术之上，显然人们正试图，你知道，继续改进它。但有趣的是，Postgres现在支持JSON B。所以很多其他的，你知道，反对意见说，Postgres是否足够好，以至于他们可能不需要像MongoDB这样的“法拉利”？好吧，当你深入了解时，JSON B是Postgres非常基本的支持。任何超过两KB大小的文档都会开始产生性能开销。所以Postgres必须做的是所谓的离页存储。有一个术语叫做TOAST（超大属性存储技术），Postgres必须通过这种技术来处理这些JSON blob。再说一次，它为什么支持JSON？因为这是一种默认的承认，你不能将这种非常有序的表格架构强加于一个混乱、复杂的世界，这个世界有多种数据模式。这根本没有意义。所以这就是Postgres支持JSON的原因。所以Postgres的第二个问题是数据模型非常脆弱。
因此，在一个速度不断加快的世界里，人们需要响应新的机会、新的威胁、构建新的能力等等，进行更改是非常非常困难的。你需要一个能够支持非常快速地进行大量更改的平台。你知道，在MongoDB上进行更改非常容易。第三件事是，Postgres被设计为单节点系统。你听到很多人说，他们正在重新架构PostgreSQL，以使其更具可扩展性。我的工程师们称之为，在扩展方面“不那么糟糕”。但本质上，我们从第一天起就建立在分布式数据架构之上。所以，MongoDB最基本的配置是所谓的三节点副本集。意味着你有三份数据副本，如果出现任何网络系统故障，你的应用程序始终保持运行。所以从架构上讲，我们相信我们处于有利地位。但话虽如此，Postgres并不需要消亡。如果你有传统的用例，数据模型不会改变。它是非常基础的、新的数字信息。你需要运行MongoDB吗？不，你不需要。
我们有很多客户都在使用Postgres处理这类用例。但这并不是说，如果你不使用MongoDB，世界就会终结。所以市场非常大。Postgres不需要消亡，我们也能获胜。显然，你知道，我们认为，即使只是增加几个百分点的份额，对我们来说也可能是非常具有变革性的。
我喜欢这次谈话的走向，因为我们正在深入探讨在云周期和下一个AI周期之间的这个时间点的细节，我们在这里进行的这些问题和深入讨论，我们几乎只问了三四个问题，但如果你要描绘一个未来七八年可持续增长的公司的情况，这些问题至关重要。如果你在周期的前端做对了某些事情，那么未来几年的问题将是消费模式、季度环比净扩张等。但如果你在这个时间点把握好了关键，我认为这是一个非常好的故事。所以我想，我想稍微幽默一点。也许Postgres应该被称为prejson。好的，我想回到你之前提到的关于这家医疗保健公司的观点，他们有自己的词汇和术语，这强化了企业数据的价值非常高。如果我接受这个观点，那么对于LLM基础模型（这里不点名，因为我们会议接下来会有几位他们的高管）来说，他们在SaaS领域取得成功会非常困难。我很抱歉，他们为什么，投资者为什么应该相信基础模型在SaaS领域会大获成功？因为你说过，数据的价值，对吧。它是非常私有的，不应该被外部的公共世界访问。
是的。所以我尝试采用第一性原理的方法。当我与客户会面时，我经常问的一个问题是：你们在AI方面做了什么？结果总是一些终端用户生产力计划，然后可能他们开始尝试一些基于智能体的方法，通常首先在后台办公室。然后我会问金融服务高管，你们是否正在实施任何面向客户或公开的AI用例？他们说绝对没有。为什么？因为存在幻觉风险。我们仍然不确定我们能否保证输出的质量。
所以，天哪，万一有客户根据AI系统的某些建议做出买卖决策，那可能是灾难性的。医疗保健公司也是如此。所以人们仍然，你知道，对AI系统的概率性质感到非常紧张。所以你不能保证输出。而且，你知道，你看到一些数据点。GPT5并没有像人们预期的那样带来神奇的突破，让我们更接近AGI。你知道，Dario，我和他谈过很多次，六个月前他说90%的编码将由编码智能体完成，我的意思是云代码很棒，但9%的代码不是由AI完成的。
所以我认为我们再次处于AI采用的非常非常早期阶段。我认为他们在研究突破方面所做的确实令人印象深刻。但我认为我们仍然需要算法突破来获得下一层级的智能。我认为Alex Karp，当我听他说话时，我有点同意他的观点，即把AI视为一种原材料，你需要围绕它构建某种本体架构，你需要理解实体、关系、概念和规则，为这种原材料搭建脚手架，设置护栏，以产生你可以生成的输出。
我认为，当人们开始部署智能体时，你会开始看到这些智能体平台周围有很多护栏。想想智能体。你必须控制它们有什么权限。你知道，我不希望智能体看到它们不应该看到的东西。你还必须理解治理。我不希望一个智能体与另一个智能体的行为相矛盾。我想了解我的智能体总体上在做什么。比如，它们是否在生成我真正想要的输出？所以整个治理脚手架基础设施，我们仍然处于非常非常早期的阶段，我认为在你真正看到人们用AI改变业务之前，所有这些都必须到位。
明白了。Matt？
是的，Dave，两家大型分析平台最近收购了Postgres公司。在上次电话会议上，你指出这强化了OLTP作为AI的战略高地。我认为这是一个有趣的评论。是的。你认为AI未来会将更多价值转移到像MongoDB这样的数据库平台吗？
是的。所以我想明确的是，AI有两件事：训练和推理，对吧？OLAP技术非常适合训练和数据准备，并且已经内置了数据的权限结构。所以LLM知道它们可以访问哪些数据，谁应该看到什么，等等。所以这一切都很棒。显然Snowflake和Databricks都是很棒的公司，但他们必须在OLTP领域进行收购，这再次承认了他们的一部分观点，即OLAP不是推理的战略高地。
要进行推理，我之前提到的所有要点，你需要访问实时信息。什么产品发货了，我的供应链情况如何，我可能想要购买或出售的X、Y、Z商品的价格是多少。你不能从OLAP系统中获得这些信息。你需要实时访问该系统才能做出，你知道，关于它的基本决策。所以他们进行这些收购的事实，我认为基本上表明了几件事。我记得当Flying Superman运营Snowflake时，我非常尊重他，但他说我们有这个unistore架构，我们将推出下一代OLTP平台。
显然，收购Crunchy Data的事实表明，这并没有取得任何进展。然后Ali也说他拥有世界上最好的数据工程师，他将推出下一代OLTP平台。他收购Neon（基本上是一个面向业余爱好者的 vibe 编码平台，顺便说一句，他们遭遇了大的中断）的事实，说明了构建一个经过实战测试、企业级的OLTP引擎，满足高盛或大型电信公司或大型工业制造公司等客户的安全、耐用性、可用性和性能要求，是多么不容易。
我的意思是，我们仍然认为自己在这个数据库市场中像青少年一样，我们已经18岁了，对吧，我们已经与近60,000名客户一起经历了风雨。我们几乎在每个地区、每个客户群体中都看到了几乎所有的用例，所以经验是没有压缩算法的。所以我认为这表明，我们相信我们不仅在经验方面，而且在企业级基础设施以及架构方面都处于有利地位，因为我们是原生JSON数据库，自然嵌入了词汇和向量搜索以及嵌入模型。
David，我想转向关系型数据库的机会。取代 legacy 关系型系统一直是MongoDB一个有吸引力的机会。但我曾经听说，当世界末日来临时，唯一能屹立不倒的两样东西将是关系型数据库和塑料。所以，你知道，你能和我们谈谈关系型迁移工具吗？因为它旨在让这种迁移更容易一些。你通过AI推动的一些进展是什么？
是的，下周计划参加我们在纽约投资者日的各位，我们将对此进行讨论。但本质上，当我在2017年带领公司上市时，我们在S1中指出，30%的新业务是从关系型数据库迁移到MongoDB的，我认为这是一个重要的数据点，因为大多数人认为我们只是在追逐新奇的用例。显然，我们的云业务飙升，而且主要是新业务，但我们仍然看到了很多关系型数据库迁移。我不断地问我的工程师，为什么我们不能做更多来赢得更多这样的业务？我的团队不断告诉我，嘿，重新映射 schema 并不难。
移动数据并不难。重写应用代码很难、很痛苦、耗时且成本高昂。因此，除非客户承受很大的痛苦，否则没有人愿意开始重写他们的应用程序。所以快进八年，或者坦率地说，当OpenAI宣布ChatGPT时，突然现在说，等等，我们现在可以使用AI来重构这段代码。这本质上就是我们正在做的，即构建一个工具平台来自动化从关系型数据库到MongoDB的迁移过程。我们下周将详细说明原因。
但只是解释一下，客户为什么关心？第一，这些平台上有大量的技术债务。例如，如果你想让这些 legacy 应用程序支持AI，比如，我想将元数据（即关于数据的数据）与这些数据结合起来，这样我就可以推理我拥有什么数据，从而做出明智的决策。你可以用那个类比平台，数据模型非常脆弱。你有生命周期结束问题。Ibase即将结束生命周期。你有监管风险。如果你是金融服务或医疗保健公司，监管机构会说你将你的核心业务运行在一个非常旧的平台上，你必须离开这些平台。
哦，顺便说一下，在这些平台上运行的成本非常非常高。因此，出于多种原因，人们说我必须做点什么，所以我们有很多需求。那么显而易见的问题是，你知道，我们试图弄清楚的是，构建的最佳方式是什么。我们希望采取产品化的方法，而不是服务或系统集成的方法。所以会有产品和服务的某种组合，因为有很多可变性。但我们下周会详细讨论这个问题。
还有问题吗？是的，Bijan。好的。在麦克风递给你之前，请大声说。
当我们开始考虑智能体应用程序时，它们倾向于尝试将你的物理足迹更多地数字化。对吧。这就是它们自然地侵蚀劳动力预算的方式。这是多模态的，就像我们交互的方式。因此，这些应用程序的复杂性开始呈指数级增长，用一个更好的词来说就是“爆发”。我很好奇你的想法，关于何时以及哪些用例你真的认为像SQL这样的方法会失败，而多模态必须与世界的各个部分交互。因为在我看来，这是最好的验证，嘿，展望未来，你不能再像大约90天前那样思考Postgres和Mongo之间的争论了。我想说，
是的，所以我想用三种方式回答这个问题。为什么客户选择MongoDB而不是Postgres？一是数据模型的灵活性。根据你的观点，在MongoDB中处理多模态数据比在表格架构中容易得多。二是数据模型的敏捷性。我需要能够随着数据的不断演变而更改数据，比如数据之间的相互依赖关系和关系。这在AI中会经常发生，所以我需要能够在需要时快速更改schema。很多人认为我们是无schema的。事实并非如此。我们有灵活的schema。我们可以围绕该schema进行治理，但我们也可以在需要时快速更改schema。第三个原因是能够支持这些非常复杂的、我称之为混合搜索技术的能力，你需要能够同时进行词汇和语义搜索，以非常快速地找到信息。
第四个原因是平台的可扩展性。正确地进行大规模横向扩展是我提出的观点。智能体不会回家睡觉，智能体不断地工作，它们不喝咖啡休息，也不会停下来吃午饭。所以你需要一个能够扩展的平台，因为强度……
但它们需要比咖啡更贵的GPU。
它们需要计算能力。这绝对是真的。但当你用智能体取代潜在的人类时，使用强度会高得多，因为本质上它们可以更努力、更长久地工作。
时间可能还剩一个问题，一个非常好的问题。是的，有一个好问题。
哦，对不起，我们已经……嗨，大家好。很高兴见到你，Dave。也许对Mike来说，就CFO的理念而言，我会将MongoDB公开历史的第一阶段从利润率角度描述为非常渐进式的，比如优先增长，爆炸性增长。以及渐进式的利润率扩张。当公司上市时，非GAAP运营利润率为深度负值。你现在的理念是什么？比如，我们应该认为利润率会逐步提高，还是有机会让GAAP运营利润率更大幅度地提升到更正常的水平？
是的，这是个很好的问题，我会回答这个问题，但下周我们会给你更多信息。所以我的观点是，当Mongo在增长时，公司做得很好，当时一切都围绕增长。当你以30%、40%、50%的速度增长时，你应该投资并推动这种增长。现在，我们拥有规模化的业务，能够产生大量毛利，我们可以两者兼顾。所以我们的期望是，我们可以实现增长，同时保持营收的持久性。
但没有理由我们不能同时推动利润率增长。正如我之前稍微提到的，我们仍将投资于增长。我们谈到的那些事情，研发、产品、营销、开发者认知度，所有这些，产品主导的增长，我们将继续投资，但我们不需要像过去那样投资。所以我已经说得很清楚，我们可以同时实现可持续的、持久的增长，尤其是在Atlas业务中，同时也能够推动利润率增长。你问题中的第三点是，嘿，伙计们，我们是一家企业，我们也需要产生现金。
所以还有利润到现金的转换。所以你应该期待看到持续的增长。我们没有理由撤回投资，说嘿，我们不需要在这里花费，我们只会更明智地花费，重新分配资金，并能够推动增长。希望你能从我过去的做法中看到，嘿，伙计们，我们会非常透明。这是我们的目标，这是我们要做的事情，这是业务的驱动力，下周我们会更详细地向你介绍。
在这一点上，Dave，恭喜你在MAGO和数据库方面取得的伟大里程碑。当我开始从事卖方工作时，数据库曾经非常枯燥，而你让它变得令人兴奋。你是为AI世界准备的事务数据库的掌舵人。感谢你为行业、为我们的投资者所做的出色工作。很高兴见到你，让我第一个欢迎你回到2026年的Communicopia。
谢谢你，Cash。恭喜你退休，谢谢你邀请我们。谢谢。
非常感谢。
谢谢。
谢谢。