百億估值的Databricks，到底是做什么的？
[導(dǎo)讀]在Google中輸入“Databricks”，看到的前幾個(gè)建議條目很可能是“IPO”、“工作機(jī)會(huì)”和“估值”。這足以表明大家對這個(gè)大數(shù)據(jù)獨(dú)角獸的十足興趣——如同科技圈對這幾年的Robinhood、幾年前的Uber和Airbnb廣泛的熱情。在Google里輸入Databricks然...
在Google 中輸入“Databricks”，看到的前幾個(gè)建議條目很可能是“IPO”、“工作機(jī)會(huì)”和“估值”。這足以表明大家對這個(gè)大數(shù)據(jù)獨(dú)角獸的十足興趣——如同科技圈對這幾年的Robinhood、幾年前的Uber和 Airbnb廣泛的熱情。
在Google里輸入Databricks然而，與共享經(jīng)濟(jì)和金融科技不同，Databricks的產(chǎn)品和核心業(yè)務(wù)，仍然只有一小部分的VC、數(shù)據(jù)科學(xué)家和工程師有所了解。這篇文章旨在幫助更多的人——無論是不是業(yè)內(nèi)人士——理解Databricks，這個(gè)相對低調(diào)的獨(dú)角獸。因此，我不會(huì)上來對Spark和Delta之類的技術(shù)大聊特聊，而是先快速的縱覽大數(shù)據(jù)這個(gè)獨(dú)特領(lǐng)域，再解釋Databricks是如何融入其中，前景又如何。01
30秒的“大數(shù)據(jù)”概述
盡管大數(shù)據(jù)市場十分龐大，是一個(gè)千億美元、年同比增長達(dá)兩位數(shù)的吸金獸，但它最終歸結(jié)為三個(gè)關(guān)鍵問題、兩個(gè)基礎(chǔ)和一個(gè)終極目標(biāo)。三個(gè)關(guān)鍵問題
- 要處理什么數(shù)據(jù)？（系統(tǒng)生成的日志，或是商用數(shù)據(jù)集，或是用戶數(shù)據(jù)，等等）
- 如何使用數(shù)據(jù)？（商業(yè)智能BI，商業(yè)分析，機(jī)器學(xué)習(xí)，圖表，等等）
- 如何把數(shù)據(jù)從源頭向下游匯集和轉(zhuǎn)化？（ETL數(shù)據(jù)管道，以及各類變種）
兩個(gè)基礎(chǔ)
- 存儲(chǔ)（數(shù)據(jù)存放在物理磁盤上。無論是在本地的數(shù)據(jù)中心里，還是云上）
- 計(jì)算（租用一個(gè)服務(wù)器來對數(shù)據(jù)進(jìn)行計(jì)算）
終極目標(biāo)
每家擁有數(shù)據(jù)的公司，希望實(shí)現(xiàn)的一個(gè)終極目標(biāo)是：搭建一個(gè)自動(dòng)化系統(tǒng)，將原始數(shù)據(jù)集源源不斷地轉(zhuǎn)化為業(yè)務(wù)價(jià)值。換句話說，一個(gè)自動(dòng)將“數(shù)據(jù)變現(xiàn)”的系統(tǒng)。在互聯(lián)網(wǎng)風(fēng)靡之前，我們的大部分?jǐn)?shù)據(jù)還保存在 Excel 電子表格中時(shí)，這并不難：寫幾個(gè)VBScript就足夠了?，F(xiàn)在，我們的每一個(gè)YouTube視頻觀看事件——開始、暫停、跳過廣告等，都被收集、解析、聚合，最終變成某個(gè)高管屏幕前的柱狀圖。而這一切，很可能時(shí)刻都在發(fā)生。殊途同歸
雖然最終目標(biāo)類似，但有可以實(shí)現(xiàn)的方式卻十分之多。每個(gè)在大數(shù)據(jù)領(lǐng)域運(yùn)營的 SaaS 或開源公司，都致力于這條“數(shù)據(jù)流水線”的一個(gè)或多個(gè)部分。雖然云巨頭（AWS、Azure、GCP）在嘗試構(gòu)建一體化的服務(wù)和生態(tài)，但擁有創(chuàng)造性解決方案的小型供應(yīng)商仍有足夠的空間找到立足點(diǎn)，并成長并成為巨頭。Databricks、Snowflake就是典型的例子。如果想了解當(dāng)今的大數(shù)據(jù)領(lǐng)域是怎樣一個(gè)龐然大物，Matt Turck的年度大數(shù)據(jù)版圖很有參考價(jià)值。在過去的幾年里，不僅每個(gè)類別里的公司數(shù)量都有所增長，新的類別也在不斷涌現(xiàn)。02
話說回來，Databricks到底是做什么的？
如果你對Databricks官方主頁上的標(biāo)語（“一個(gè) Lakehouse 平臺(tái)，承載所有數(shù)據(jù)、分析和人工智能”）感到困惑，那你一定不是唯一一個(gè)。但有了上面的概述，讓我們看看能否從這個(gè)標(biāo)語得到一些啟發(fā)，來了解Databricks。從本質(zhì)上講，Databricks是一家計(jì)算公司，通過解決三個(gè)關(guān)鍵問題中的以下兩個(gè)，提出了一種搭建數(shù)據(jù)流水線的低代碼解決方案：
- 如何使用數(shù)據(jù)？
- 如何把數(shù)據(jù)從源頭向下游匯集和轉(zhuǎn)化？
想象一下，如果你被派了一個(gè)任務(wù)，要用一堆電子元件搭一個(gè)FM收音機(jī)——如果你和我一樣，幾乎沒有任何硬件方面的經(jīng)驗(yàn)，這聽上去根本無從下手。
用電子元件造一個(gè)FM收音機(jī)? (左: Youtube - GreatScott!, 右: Wikipedia)這種無從下手的感覺，正是許多工程師在使用低抽象工具構(gòu)建“數(shù)據(jù)流水線”時(shí)所感受到的：從AWS云服務(wù)租用虛擬機(jī)，編寫Python腳本，對數(shù)據(jù)集進(jìn)行計(jì)算。不一會(huì)兒，困難就會(huì)接踵而至：如何協(xié)調(diào)多臺(tái)機(jī)器使得計(jì)算能夠并行？一個(gè)虛擬機(jī)計(jì)算了大半，突然斷線了，怎么處理？回到Arduino，之所以它使得原型設(shè)計(jì)、構(gòu)建變得如此容易，歸根究底，是因?yàn)槠洳]有從開關(guān)、斷路器這些基礎(chǔ)元件出發(fā)，而是提供了三個(gè)重要的組件，來吸引你我一樣的非硬件工程師：1. 一種更容易調(diào)度Arduino硬件的高抽象語言。（比如，基本如“從一個(gè)數(shù)據(jù)針讀取數(shù)據(jù)”的簡單操作，用C或者C 寫，工作量不小。而在Arduino平臺(tái)上，這只用調(diào)用一個(gè)函數(shù)digitalRead(pin)就行了）。2. 一個(gè)架構(gòu)在面包板上的硬件生態(tài)。每一個(gè)模塊都可以毫不費(fèi)力地插入拔出，方便快速迭代。3. 一套可行的、從Arduino原型到可售賣版本的轉(zhuǎn)化流程。
Arduino的快速迭代組成部分假如你認(rèn)同Arduino為硬件開發(fā)帶來的革新，那么Databricks的作用很好理解——它同樣帶來了三個(gè)核心組件，只不過是針對大數(shù)據(jù)運(yùn)算：1. Apache Spark：一個(gè)開源引擎，通過高抽象語言，極大地降低了分布式計(jì)算的門檻。設(shè)想一下，現(xiàn)在我們手頭有1個(gè)PB的數(shù)據(jù)，分布在1000個(gè)機(jī)器組成的集群上，現(xiàn)在需要把每條數(shù)據(jù)里的某個(gè)值乘以2，并且處理好過程中任何機(jī)器斷線造成的結(jié)果丟失。用Spark的Python接口來寫，只需要一行：
.map(lambda x: x*2)這和在單個(gè)機(jī)器上對一個(gè)數(shù)組進(jìn)行操作完全一樣——這種便利背后，Spark封裝了所有與機(jī)器集群打交道的復(fù)雜度，讓用戶可以用他們熟悉的Python、Scala、SQL語言發(fā)布命令。Databricks的創(chuàng)始人們——用CEO Ali Ghodsi的自嘲來說，一群“伯克利嬉皮士”——是Spark框架的始作俑者。這些大數(shù)據(jù)嬉皮士們在分布式計(jì)算世界里是舉足輕重的人物。2. 數(shù)據(jù)筆記本：一個(gè)即時(shí)交互、反饋迅速的數(shù)據(jù)沙盒。把這個(gè)筆記本想象成Arduino的面包板，插上不同的組件，可以快速獲得功能上的反饋。在數(shù)據(jù)筆記本中，用戶可以在每一個(gè)“單元格”里跑幾行代碼，實(shí)現(xiàn)一個(gè)小功能，并實(shí)時(shí)給出計(jì)算結(jié)果。
?一個(gè)數(shù)據(jù)筆記本，包含三個(gè)單元格，以及相應(yīng)的運(yùn)算結(jié)果數(shù)據(jù)筆記本并不是Databricks特有的功能。事實(shí)上，這是數(shù)據(jù)科學(xué)家和分析師最常用的工具之一，Jupyter Notebook可以說是最早、最知名的提供商。然而，Spark使得Databricks的數(shù)據(jù)筆記本獲得了超能力：每一個(gè)數(shù)據(jù)筆記本都可以連接上數(shù)量巨大的服務(wù)器集群，并且通過Spark對大量數(shù)據(jù)做并行計(jì)算。這是單個(gè)機(jī)器上的數(shù)據(jù)筆記本遠(yuǎn)遠(yuǎn)無法達(dá)到的。從工程上來說，將數(shù)據(jù)筆記本對接上大量的計(jì)算資源，并不是那么容易的事。這也是Databricks的主要用戶們（數(shù)據(jù)工程師和分析師）厭于完成的繁雜工序。在許多公司里，這些人肩負(fù)著達(dá)成“最終目標(biāo)”的使命，而他們正如同Arduino的使用者一樣，在開始搭建數(shù)據(jù)流水線時(shí)，需要不斷地試錯(cuò)、迭代，無論是清洗數(shù)據(jù)，還是訓(xùn)練一個(gè)機(jī)器學(xué)習(xí)模型。Databricks在合適的時(shí)機(jī)出現(xiàn)，通過這個(gè)獲得了超能力的筆記本，讓搭建過程變得十分便捷、迅速。如果讀過我之前一篇“無代碼、低代碼”文章，你或許記得低代碼產(chǎn)品的核心價(jià)值：將工程師們從低價(jià)值的勞動(dòng)中解放出來。Databricks通過這個(gè)上手即用、高抽象的數(shù)據(jù)筆記本，很好地闡述了這樣一個(gè)低代碼故事。3. 任務(wù)集：從開發(fā)到生產(chǎn)的無縫銜接。現(xiàn)在我們有一個(gè)筆記本，其中包含一堆單元格，實(shí)現(xiàn)了一個(gè)初步的數(shù)據(jù)流水線，接下來呢？我們自然不想每次有新的數(shù)據(jù)進(jìn)來，都需要手動(dòng)地一個(gè)個(gè)單元格跑一遍。另外，在開發(fā)過程中，為了加快運(yùn)算速度和降低成本，我們一般只會(huì)采用數(shù)據(jù)集的部分（一個(gè)樣本），而非整個(gè)數(shù)據(jù)集。Databricks的解決方案，“任務(wù)集”，非常方便：每一個(gè)任務(wù)對應(yīng)著一個(gè)筆記本（實(shí)現(xiàn)著一個(gè)完整功能），用戶們可以指定運(yùn)行頻率、機(jī)器數(shù)量上限，每隔一段時(shí)間自動(dòng)運(yùn)行筆記本中的所有單元格，完成對完整數(shù)據(jù)集的計(jì)算。對已經(jīng)有一個(gè)基于筆記本的流水線來說，從開發(fā)環(huán)境到生產(chǎn)環(huán)境，幾乎只需要按幾個(gè)按鈕。這全都仰仗于Spark帶來的便利：無論是幾個(gè)機(jī)器上1GB的數(shù)據(jù)，還是幾千機(jī)器上數(shù)十PB的數(shù)據(jù)，跑的都是同樣一套代碼，幾乎無需變動(dòng)。03
Databricks如何賺錢？歸根究底，Databricks 是一家提供“計(jì)算”的公司。與該類別的其他公司一樣，它通過租出服務(wù)器的計(jì)算資源來賺錢。
值得注意的是，Databricks并不真的擁有這些服務(wù)器。相反，其整個(gè)系統(tǒng)建立在主要的云提供商的基礎(chǔ)服務(wù)上（AWS、Azure、GCP）。對Databricks用戶來說，他們的賬單主要分為兩部分：常規(guī)的服務(wù)器租用成本（由底層云提供商收?。?，以及Databricks在這些服務(wù)器上“附加”的功能費(fèi)用，如數(shù)據(jù)筆記本和任務(wù)集。這兩個(gè)成本都是按小時(shí)收費(fèi)的——常見的按用量收費(fèi)方式。Databricks并不是唯一一家站在“云巨頭”肩膀上的公司。他們的另一位知名競爭對手，Snowflake，也采用了類似的架構(gòu)。Snowflake好用的云數(shù)據(jù)倉庫，底層所依賴的基礎(chǔ)服務(wù)，與Databricks非常相似。那么，工程師們是否可以使用相同的構(gòu)建模塊（例如 AWS EC2 和 S3），來自己搭一個(gè)“內(nèi)部版本的Databricks”，來避免給Databricks交錢，降低成本？當(dāng)然可能——但很可能不值得。至少，在這家公司達(dá)到一定規(guī)模之前都不值得。回到我們關(guān)于全代碼、低代碼的討論，“可以做”不代表“應(yīng)該做”。Databricks提供的集群自動(dòng)休眠、共享和權(quán)限管理等功能，都需要很多工程資源來搭建，而這些工程資源，可以用到對一個(gè)公司更有價(jià)值、更核心的地方。
04
"一個(gè)Lakehouse平臺(tái)，承載所有數(shù)據(jù)、分析和人工智能"讀到現(xiàn)在，希望這個(gè)標(biāo)語開始變得更有意義一些（除了Lakehouse部分）。Databricks試圖提供完整的“數(shù)據(jù)流水線”方案——這意味著更多需要處理的數(shù)據(jù)、更多跑數(shù)據(jù)的機(jī)器、更多的收入。當(dāng)然，Databricks的用戶愿意為平臺(tái)的解放出來的生產(chǎn)力付費(fèi)。Databricks的產(chǎn)品規(guī)劃，很清晰地告訴我們，它不想局限于一家提供“數(shù)據(jù)筆記本”的公司（這是很多人現(xiàn)在的認(rèn)識）。這是因?yàn)?，盡管數(shù)據(jù)科學(xué)家和分析師們喜歡這些強(qiáng)大的數(shù)據(jù)筆記本，不介意為之付出“低代碼溢價(jià)”，數(shù)據(jù)工程師們卻并不總這么想。他們的工作更底層，負(fù)責(zé)數(shù)據(jù)接入、基礎(chǔ)架構(gòu)、效率提升。這些工程師們對靈活度的要求很高，并且完全不介意多寫一些代碼，或是自己搭方案。
數(shù)據(jù)流水線的人手、技術(shù)分布在“數(shù)據(jù)流水線”上，這些數(shù)據(jù)工程師們往往占據(jù)上游，也是運(yùn)算量、成本極大的一個(gè)環(huán)節(jié)（換句話說，重要的收入來源）。為了贏得他們的青睞，Databricks采用的策略是擁抱開源，尤其是即Spark之后，推出了Delta Lake——一個(gè)開源的數(shù)據(jù)存儲(chǔ)方案（這也是Lakehouse的名字來源）。開源的方案給了這些工程師們所需的自由度，使得他們能夠更可預(yù)期地掌握、挪動(dòng)數(shù)據(jù)。Delta的開源，意味著任何人都可以在其方案里使用優(yōu)秀的“.delta”存儲(chǔ)格式，但是這在Databricks的數(shù)據(jù)本里，有著最為方便的原生支持。與新的功能，比如”Live Table“一起，Databricks平臺(tái)已經(jīng)開始贏得一些硬核數(shù)據(jù)工程師的青睞。從長遠(yuǎn)來看，能讓所有與數(shù)據(jù)打交道的人們（數(shù)據(jù)工程師、數(shù)據(jù)科學(xué)家、分析師）在同一個(gè)平臺(tái)上協(xié)作，有著巨大的價(jià)值。每一方都可以有完整的視圖、上下游語境，讓開發(fā)”數(shù)據(jù)流水線“的過程快上許多。Databricks想讓這些人都住在同一幢”Lakehouse“里。任重而道遠(yuǎn)，工程仍是進(jìn)行時(shí)。但對這家八歲的公司來說，進(jìn)展迅速，未來可期。更新通知：硅谷成長攻略作者"大羊洋"的所有SaaS相關(guān)文章將同步發(fā)到《互聯(lián)》中英雙語電子周刊（interconnected.blog）。《互聯(lián)》通過分析創(chuàng)建者（企業(yè)家，工程師）、運(yùn)營者（企業(yè)經(jīng)理）、投資者（資本家）和監(jiān)管者（政客和政府官員），來分析各個(gè)行業(yè)和思考宏觀趨勢。創(chuàng)始人Kevin Xu現(xiàn)任Github國際擴(kuò)張戰(zhàn)略高級主管。
參考：
“如何對云計(jì)算征稅？”：https://interconnected.blog/how-do-we-tax-cloud-computing/年度大數(shù)據(jù)版圖：http://46eybw2v1nh52oe80d3bi91u-wpengine.netdna-ssl.com/wp-content/uploads/2020/09/2020-Data-and-AI-Landscape-Matt-Turck-at-FirstMark-v1.pdf
下載文檔
