Databricks于周四宣布完成新一轮融资，此轮融资对该公司的估值达到1880亿美元，由Coatue领投。
Databricks并未披露具体融资金额，表示资金尚未到位，本轮融资将于今年夏季晚些时候完成交割。（其他媒体随后报道，本轮融资规模约为30亿美元。）尽管在资金到账前便对外宣布并不寻常，但有风险投资人向TechCrunch透露，这笔交易相当稳健，众多机构争相入局，公司也没有理由对这一亮眼的新估值保密。
事实上，过去一年半里，Databricks一直保持着密集的融资节奏，并成功将自身形象从昔日的SaaS明星企业转型为一家AI提供商——"昔日"指的正是ChatGPT出现之前的时代。
就在五个月前的今年二月，Databricks刚以1340亿美元估值完成了50亿美元的L轮融资。再往前五个月，即2025年9月，公司以1000亿美元估值融资10亿美元。大约再早九个月，即2024年12月，公司以620亿美元估值完成了当时创纪录的100亿美元融资。
多年来，Databricks融资轮次之多，甚至引发了关于"字母表快要用完"的段子。"我已经设好提醒，等着看AA轮了，"有人在网上调侃道。
不过，该公司的形象重塑确实货真价实。Databricks成立于2013年，最初在大数据时代凭借帮助企业在云端存储海量数据、同时提供高速分析能力的软件崛起。
由于公司本身已积累了大量企业数据，当企业开始希望AI能够达到传统企业软件所具备的安全性与治理标准时，Databricks便处于极为有利的位置。此后，公司相继推出多款AI产品，包括专为AI智能体构建的数据库Lakebase、AI网关Unity，以及用于管理多个智能体的"元框架"Omnigent。
Databricks还日益成为企业采用低成本中国开源权重模型（即底层代码公开、任何人均可使用和修改的模型）以控制成本的典型案例之一，这也是2026年的重要趋势之一。公司尤其推崇Z.ai旗下的GLM 5.2模型，将其用于编程任务。
上周，Databricks首席执行官阿里·戈德西分享了公司内部针对3000名软件工程师进行AI成本管理的基准测试结果。
公司以程序员实际执行的任务为标准对各AI模型进行比较。不出意料，Databricks在博客中披露，"开源模型，尤其是GLM 5.2，现已能够应对最高难度的编程任务"，且综合成本低于Anthropic和OpenAI的专有模型。
然而，测试结果也带来了意想不到的发现：智能体编程工具（即套在模型外层、负责管理上下文和指令的框架，如Codex或Claude Code）的选择对成本的影响同样不可忽视。测试发现，开源框架Pi在管理每次提示词的上下文方面表现出色，在不牺牲质量的前提下，成本也是最低的选择之一。
"这里的经验并不是说某个框架永远更便宜，或原生框架更差，"博文如此写道，"真正的启示是，模型选择只是问题的一部分。"
上述种种举措，进一步巩固了Databricks作为AI公司的形象，尽管它并非以AI实验室的身份起家。这一形象反过来为其融资和估值跃升提供了强大的"AI光环"加持。正如我们此前报道的，如今AI的光环效应之强，就连三明治连锁品牌Jersey Mike's也在其IPO招股说明书中提及了22次AI。
Q&A
Q1：Databricks的估值为什么能在短短一年半内从620亿美元飙升到1880亿美元？
A：Databricks估值的快速增长，主要源于其成功完成从大数据SaaS企业向AI提供商的形象转型。公司依托原有的海量企业数据基础，持续推出面向AI智能体的产品，如Lakebase、Unity和Omnigent，同时凭借对低成本开源模型的实际应用和内部基准测试成果，进一步强化了市场对其AI能力的认可，从而享受到资本市场给予的"AI溢价"。
Q2：Databricks内部测试GLM 5.2的结果如何？
A：Databricks首席执行官阿里·戈德西公布的内部测试显示，GLM 5.2在公司程序员实际使用的编程任务中，能够应对最高难度级别，且综合成本低于Anthropic和OpenAI的专有模型。此外，测试还发现，智能体编程框架的选择对成本同样影响显著，开源框架Pi被认为是在保证质量的前提下成本最优的选项之一。
Q3：Databricks主要推出了哪些AI产品？
A：Databricks近期推出了多款AI产品：Lakebase是专为AI智能体构建的数据库；Unity是AI网关产品；Omnigent则是一个"元框架"，用于统一管理多个AI智能体。此外，公司还积极推动企业采用开源权重模型（尤其是Z.ai的GLM 5.2）进行编程任务，以实现更低的AI使用成本。
