阿里云周文超：放棄“終身教職”，站在技術與商業的交匯處丨“浙里”青年科學家

周文超覺得，AI離實現真正的變革很近了，但還差一層窗戶紙。

這個判斷來自于他在行業一線的觀察和經驗。周文超在阿里云負責數據庫和AI搜索兩條線，每天在技術和商業之間來回切換。作為浙江省青年高層次人才協會的副理事長，他也是少數同時站在技術前沿和商業一線的人。

在他的視野中，數據庫正在從一個傳統的基礎設施，變成AI時代最關鍵的底座之一。

而他要做的，是讓這個底座真正為AI而生。

放棄終身教職的人

周文超是上海人，高中畢業后保送清華，讀的是計算機。他在中學時就是計算機競賽的國家隊成員。清華畢業后赴美讀博，博士畢業后留在美國做教授，一待就是十幾年。2018年，他拿到了終身教職，那一年他34歲。

圖丨2015年周文超在美國喬治城大學（Georgetown University）任教時期（來源：受訪者提供）

在美國大學的體制里，拿到終身教職之后可以申請一年的學術休假，當時擺在周文超面前的選項很多，Berkeley、Princeton都有靠譜的合作者，微軟研究院也拋出了橄欖枝，但他想去一個“最不一樣的地方”，從學術到工業，從美國到中國，兩個維度同時切換。

他環顧了當時的中國工業界，覺得真正在做研究的地方不多，比較突出的有兩個：華為和阿里。

權衡之下，2019年下半年，周文超帶著兩個年幼的孩子回到上海，加入達摩院做訪問學者。他給自己定的比例是50%做研究、50%做商業化。

在他看來，如果在工業界只做研究，“缺點意思”，也沒有把這個平臺最值得學的東西學到。

然后疫情來了。各種意想不到的事情接踵而至，中美之間的頻繁往返變得不可能。他開始面對一個選擇：留在中國，還是回美國？

這很艱難，放棄終身教職，意味著放棄十幾年積累起來的學術聲譽、研究資源和生活方式。他猶豫了。

就在這時，他那位在耶魯做教授的朋友說了一番話，朋友的意思很明確：終身教職是你上了一個臺階，但不應該因為這個臺階就把自己鎖死。很多人拿到終身教職之后，反而把它當成去看更大機會的起點。

“如果對自己還有信心，在哪里做得好，都是通向更大舞臺的機會。”周文超被說服了，他辭掉了美國的教職，正式留在阿里。

從老師到管理者

在阿里，周文超經歷了兩次跨越。

第一次是看技術的視角變了。在學術界，評價一項研究的核心標準是創新性，“前無古人”是寫論文的基本門檻。但真正困擾他的是另一個問題：為什么要做這個技術？這項創新到底解決了什么實際問題？在學術界，這個問題有時候并不容易回答。

來到工業界之后，周文超發現衡量尺度完全不同。一項技術的價值不看它有多新，而看它的影響力有多大。

他最初設定的比例是50%研究、50%商業化，后來重心逐漸往商業化傾斜，事業部的團隊規模也在不斷擴大，幾年里增長了好幾倍。他自己也在商業化方面獲得了巨大的成長。

圖丨周文超（來源：受訪者提供）

第二次跨越更大。在很多公司，像他這樣的角色做的是CTO的事情，管好技術團隊，把產品做到極致。但在阿里的事業部，周文超要管的遠不止技術，產品的戰略規劃、銷售策略、資源投入、客戶拜訪，全部都在他的職責范圍內。他做的，是產品一號位該做的事。

轉型過程并不輕松。周文超反復提到的一個挑戰，是老師與管理者之間的根本差異。

做教授時，他的角色是幫助每一個學生成功，基于個體的特點因材施教，不會放棄任何一個人。做管理者則不同，管理者首先要對集體負責。如果一個人不適合當前的位置，為了整體利益必須做出選擇，“哪怕這意味著分開”。“這個差別非常大。”周文超說。

另一個顯著的不同是節奏。學術界的邏輯像孵化，寫一份申請書，基金會給你三年時間慢慢做。商業化不存在這個過程，客戶有一個當下的痛點，需要三個月內解決。帶出去的必須是成熟的產品，沒有緩沖，直接落地。

周文超用一個樸素的說法來形容這種差別：以前的KPI是論文和項目，那些東西總有辦法完成。但營收是錢，“沒有辦法糊弄”。

但也正是因為要對結果負責，他被迫去想清楚一個問題：自己手里的技術，到底能在哪里產生最大的價值？這個問題把他引向了一個新的方向。

數據庫的新使命：為AI而生

在任何行業，AI帶來的第一個問題都是一樣的：AI能為我做什么？我又能為AI做什么？

在數據庫領域，這兩個問題對應著兩條不同的路線。

圖丨Data+AI（來源：受訪者提供）

第一條叫“AI for DB”，用 AI讓數據庫變得更好，比如讓查詢優化器更智能、讓運維更自動化。學術界在這個方向上探索多年，CMU、MIT、清華都有團隊投入其中。

方向沒有錯，但周文超看到的問題是：場景太小了。這些功能在沒有AI之前已經運轉了三十年，改進的空間和對應的市場都有限。

第二條路線是“DB for AI”，讓數據庫的能力服務于AI，使AI變得更有效。這條路打開的空間顯然大得多。

周文超的分析邏輯很清晰：大模型在訓練階段和數據庫的關系并不大，但光有模型沒有價值，AI要產生真實的效益，必須在推理端落地。

而一旦到了推理端，大模型就暴露出兩個關鍵缺口。

一是私有數據，企業不會把核心數據交給大模型訓練。

二是實時數據，大模型的訓練周期以月計算，它不知道今天發生了什么。

這兩類數據，往往存放在數據庫中。當公共數據被反復使用，其邊際價值不斷下降，私有數據和實時數據的戰略價值則持續上升。數據庫在AI時代的位置，正在被重新定義。

周文超提到李飛飛近期提出的一個概念：“AI-Native DB”，即從設計之初就為AI而生的數據庫。衡量標準是兩個“50%”：控制面上，50%的數據庫實例由Agent創建和管理；數據面上，50%的輸出以Token形式被AI消費。

當數據庫的用戶不再只是人，而有一半是AI，整個產品邏輯都需要重構。

在此基礎上，周文超負責的工作也從傳統數據庫延伸到了“泛搜索”。聯網搜索、RAG、Deep Research，這些產品的底層能力是相似的：在大模型之外，從不同維度獲取更多信息并加以整合。區別只在于對響應速度的要求。

Deep Research可以等十分鐘輸出一份深度報告，聯網搜索則需要在一兩秒內給出結果。這是從數據庫到搜索的自然延伸，也是“DB for AI”邏輯的具體展開。

在所有這些技術判斷背后，周文超反復回到一個認知：一項技術有沒有價值，最終要看它為社會創造了多大的效益。“你不能幫助客戶賺錢的話，你憑什么從客戶那里賺錢？”

技術人容易把創新本身當作價值，但在工業界，創新只是手段，社會效益才是衡量標準。一項技術如果產生了真實的社會效益，它一定能以某種形式轉化為經濟回報。

還差一層窗戶紙

周文超對AI的判斷，和許多人不太一樣。他認為AI已經很成功，但還離完成變革還差一層窗戶紙。

“還缺一點。”缺的是一個真正的、沒有AI就無法實現的落地場景。

他用飛機來打比方。飛機剛問世時做的事情很簡單，縮短從A到B的時間。如果僅僅如此，它的價值有限，只是一個很好的效率工具。但正是這個效率的躍升，后來催生了商業航空、全球貿易和跨國供應鏈，這些全新的商業形態在飛機出現之前根本不可能存在。

AI正處在類似的階段。它在提升效率方面已經展現出巨大的能力，但還需要催生出一個全新的、此前不可能存在的業態。那層從“效率提升”到“范式變革”的窗戶紙，尚未完全被捅破。

周文超覺得那個臨界點已經不遠了。而在此之前，他給年輕人的建議很直接：保持開放度，保持好奇心，保持創造力。

“按部就班地做事情，AI做得比人好，24小時不累。”在他看來，知識積累本身的價值正在下降。他自己是計算機競賽出身，但那些題目交給 AI，AI都能做。真正重要的不是一個人已經知道多少，而是能不能問對問題，快速學習，跟上變化。

“單純的執行已經沒那么重了，”周文超說，“這個時代需要的，是能做判斷、做選擇的人。”

回看過去這些年，周文超的每一次轉折都是主動選擇的結果。

他的導師是一位馬來西亞人。很早之前周文超問他，你更看好中國還是美國？導師說，中國。原因很簡單：中國人不比任何人笨，但比所有人都勤奮。

周文超覺得這話有道理。在美國，華人在技術領域拿著很高的薪水，但絕大多數人擔任的始終是技術專家的角色。真正負責整個商業決策的華人很少，有些圈子始終進不去。

而在中國，他可以完整地經歷從技術到商業的全部過程。

他選擇了杭州。在他看來，杭州自身是帶有創業和創新氣質的城市。年輕人多，對新事物的接受度高，政府愿意支持創新，從政策到人才到產業生態形成了一個正向循環。“六小龍”都出現在杭州，不是偶然的。

而他自己，正站在數據庫與AI交匯的地方，等著那層窗戶紙被捅破。他不著急。他相信它很快會到來。

來源：省青年高層次人才協會

責編：葉　揚

美編：陳路漫

一審：何百岳

二審：方佳佳

三審：王陸軍