Databricks凭什么估值1880亿：AI数据平台第二春的真相

2026年7月，Databricks估值冲到1880亿美元，TechCrunch给它贴了个标签——AI的"favorite second act"，最受欢迎的第二春。一家2013年靠Apache Spark起家的公司，熬过数据中台那波泡沫，转头成了大模型时代最贵的基础设施。它这轮卖的不是模型，是企业训练模型喂的那口"奶"——数据底座。大模型火了一两年，大家发现卡脖子的不是算力也不是算法，是干净、合规的企业数据。它正好蹲在这。

Databricks是做什么的：从Spark到AI数据平台

Databricks起家是Apache Spark的商业化公司，后来把数据湖、数仓、ML训练全揉进一个平台，现在定位是"AI数据平台"——给企业搭大模型时代的数据底座。

讲个背景。Spark最早是UC Berkeley的AMPLab出来的开源项目，Databricks创始团队就是Spark核心作者。2013年公司成立，靠把Spark包装成托管服务卖钱，那时对手是Hadoop那套老古董。后来转向和Snowflake抢"分析型数据平台"的地盘。再往后——这轮AI起来——它干脆把定位往AI偏：不只存数据、跑SQL，还把训练流水线、特征工程、模型管理（MLflow）、向量检索全包了，官方叫这套为Data Intelligence Platform。

我前年拿Databricks社区版跑过几个PySpark任务，免费额度小到可怜但够练手。最直观感受：从Notebook写Python到提交任务到看结果，全在浏览器里，不用配环境，省运维——不用维护Spark集群那堆破事。所以"它是做什么的"答案一直在变，从"卖Spark托管"到"卖AI数据底座"，底子始终是分布式计算引擎。

为什么这一轮能冲到1880亿：算笔账

按市场传闻约100亿美元ARR算，1880亿估值对应约18倍，处在Snowflake巅峰倍数和当下倍数之间。核心是企业要把私有数据喂给大模型，发现数据底座比模型更难搞，Databricks卡住这个刚需。

光说"AI火所以它涨"太敷衍。估值1880亿美元，对应年经常性收入（ARR）市场传闻在100亿美元上下——这数字Databricks没公开确认，但多家财经媒体引用过。1880亿÷100亿≈18.8倍。

这倍数什么水平？对比一下。Snowflake在2021年巅峰市值约1100亿美元，当时ARR约12亿美元，倍数接近90倍——那是SaaS泡沫最猛的时候。现在它市值回落到约600亿美元，ARR约40多亿，倍数12到15倍。也就是说，Databricks现在的18倍，比Snowflake巅峰那会冷静很多，比它当下略高。

考虑AI数据平台这赛道确实有增量，这估值不算离谱，也谈不上便宜。我的判断：合理偏热，不是泡沫。据Bloomberg在2026年7月关于这轮融资的报道，Databricks企业客户AI工作负载支出同比翻倍，ARR增速跑在行业高位——这是18倍能站住的底气。

Lakehouse到底是什么：护城河在哪

Lakehouse=数据湖的便宜存储+数据仓库的查询性能+AI训练能力，三合一。Databricks靠Delta Lake这个开放格式把三者粘起来，这是它最硬的护城河。

Lakehouse这词听着玄，拆开就清楚。数据湖：把啥都往里扔，便宜，但查询慢、数据质量差。数据仓库：结构化、查询快、贵，Snowflake、Redshift走这条。两套东西长期分裂，湖里存原始数据，仓里放清洗好的，中间靠ETL倒来倒去——传统大数据架构最大的痛。Lakehouse想干的事就是：别倒了，一套存储搞定。底层用开放格式（Databricks主推Delta Lake，开源），既能跑快查询，又能直接喂给ML训练，还便宜。

我拿它和传统数仓的真实取舍说下感受。在Databricks上做训练，训练数据直接就是存储里的同一份湖表，不用先ETL到数仓再导出来，这对ML团队是省命的事——以前光数据搬运和版本对齐能吃一周。

护城河不是技术多独家。Delta Lake开源，Apache Iceberg也能干类似的事，Snowflake现在也支持。真正值钱的是它最早把整套体验打磨成"开箱即用"。企业一旦把数据和ML流水线搬上去，迁移成本极高——这才是1880亿里真正值钱的部分：用户黏性。想自己搭类似方案练手，看这篇本地部署开源大模型的进阶教程。

Databricks vs Snowflake：AI时代谁更受宠

Snowflake强在结构化SQL分析和BI，Databricks强在非结构化数据加ML/AI训练。大模型时代重心从"分析"转向"训练"，所以Databricks这一轮更受企业AI客户偏爱。

这两家是数据圈最常被拿来对比的对手。区别说直白点。Snowflake根是云数据仓库，强项是让分析师写SQL跑报表，性能稳、好用、贵。它这几年也在补AI能力（收购Neeva、推Cortex），但底子依然是"分析型"，Snowflake官网定位语至今写着AI Data Cloud。Databricks根是Spark分布式计算，强项是处理大吞吐、非结构化数据、跑机器学习训练，Notebook对数据科学家更顺手。

大模型这波起来重心变了。以前数据团队最大的活是出报表、做BI；现在最大的活是把公司文档、代码、日志、客服记录清洗成训练语料，喂给模型做微调或RAG，这活需要计算引擎+数据湖+ML工具链——正好是Databricks主场。

我主观说一句：做分析选Snowflake，做AI训练选Databricks，这条线未来两三年会更分明。Snowflake不会死，BI需求一直在，但"AI时代宠儿"这位置，这轮确实让给了Databricks。这就是媒体叫它"第二春"的原因——不是第一次火，是第二次被推上来。做可视化是另一条路子，看AI数据可视化工具。

谁在为这1880亿买单

买单的是金融、医疗、零售、科技等行业的大企业，它们要的不是模型，是把私有数据安全地接到AI上。客户数过万，财富500强里超过六成是它的客户。

具体客户名单。Block（Square母公司）、康卡斯特、AT&T、壳牌、Regeneron都在用Databricks跑AI和分析。截至2026年公开数据，客户数过万，财富500强里超60%是它的客户。它们买的不是模型——这些公司有的是钱买OpenAI或Anthropic的API。它们买的是"把我自家数据安全地接到AI上的那条管道"。金融和医疗尤其在意合规，不能把客户数据直接扔公网模型，得在自己可控环境训练和RAG——Databricks提供的就是这受控环境。平台每天GPU训练任务数以万计，是去年同期的两到三倍，这是ARR冲到100亿美元的底气。

1880亿是不是泡沫：对AI行业意味着什么

不算泡沫，偏热。它意味着AI这轮的价值正从"模型层"下沉到"数据层"，谁卡住企业数据入口，谁就拿走最大一块。

泡沫不泡沫，看一个东西就行：收入是不是真在涨。Databricks的ARR从几十亿冲到百亿美元，是实打实的增长，跟2021年那波靠叙事撑起来的SaaS高估值不一样。但"偏热"是真的——18倍ARR对增长已过最猛阶段的公司，给得不算保守。若AI落地企业支出不及预期，短期有回调压力。我的判断：短期震荡，中长期看AI数据底座这需求是结构性的，不会消失。

对AI行业意味着什么？一句话——价值正从模型层下沉到数据层。模型在商品化，真正能持续收钱的，是卡在企业数据入口上那批人。Databricks、Snowflake和云厂商的数据服务，这三股势力未来几年的争夺才是AI基础设施主战场。跑题说一句：这波跟当年云计算抢"上云"入口的逻辑一样——谁在企业最核心的数据上扎根，谁就有十年护城河。拉回来。做数据分析的话，看AI数据分析工具盘点。

常见问题

Databricks到底是做什么的？

起家是Apache Spark的商业化公司，现在定位是AI数据平台，给企业提供数据湖、数仓、ML训练一体化底座——企业训练模型前先把数据准备好、管起来的那个平台。

Databricks估值为什么能到1880亿美元？

大模型落地卡在数据上，企业要把私有数据安全合规地喂给模型，Databricks正好卡住这刚需。按市场传闻约100亿美元ARR算，1880亿对应约18倍，在Snowflake巅峰和当下倍数之间。

Databricks和Snowflake有什么区别？

Snowflake根是云数据仓库，强在结构化SQL分析和BI；Databricks根是Spark分布式计算，强在非结构化数据处理和ML训练。重心从分析转向训练，这轮Databricks更受偏爱。

Lakehouse架构到底是什么？

把数据湖的便宜存储、数据仓库的查询性能、AI训练能力三合一，靠开放格式（如Delta Lake）粘起来。同一份数据既能跑分析也能喂给模型训练，不用在湖和仓间来回倒。

1880亿估值是不是泡沫？

不算泡沫，偏热。ARR实打实在涨，跟2021年靠叙事撑起来的SaaS高估值不同。但18倍ARR给得不算保守，若AI落地企业支出不及预期，短期有回调压力。