Databricks Mosaic AI 深度頁

1. 投資摘要

[[Databricks]] 是全球領先的資料智慧平台提供商，其核心價值主張在於通過統一的 [[Lakehouse]]（湖倉一體）架構，將資料倉儲的管理性與資料湖的靈活性相結合，為企業在單一平台上完成從資料工程、商業智慧（BI）到人工智慧/機器學習（AI/ML）全鏈路工作提供可能。面對生成式AI浪潮，公司通過整合 [[Mosaic AI]] 品牌，將AI開發全生命週期（包括模型訓練、微調、評估、部署及應用建置）深度嵌入其資料平台，旨在成為企業建置和運營AI原生應用的首選“資料+AI”一體化雲端平台。

公司商業模式以基於計算消耗量的訂閱制（Databricks Units）為核心，其營收增長直接與企業客戶的雲端資料平台採用深度及AI資本支出規模掛鉤。根據2023年公司管理層公開表態，其年化營收（ARR）已超過20億美元（口徑：管理層宣告；來源：2023年6月，TechCrunch、VentureBeat等科技媒體對CEO Ali Ghodsi公開訪談的報道）。在2023年9月完成的H輪融資中，公司估值達到 430億美元（口徑：投後估值；來源：2023年9月，公司官方融資公告及Bloomberg、Reuters等財經媒體報道）。作為未上市公司，其詳細財務資料（如淨利、自由現金流量）公開資料未見，投資價值評估需主要基於營收增長、客戶擴張、產品競爭力及市場地位等非財務指標進行分析。

公司的核心增長動力源於企業數字化程序中“資料資產化”與“業務AI化”的雙重趨勢。其關鍵投資邏輯在於：1）[[Lakehouse]]架構作為替代傳統資料倉儲和資料湖的下一代架構，市場滲透率仍有提升空間；2）在資料平台上原生整合AI/ML能力（Mosaic AI）的策略，能有效捕獲企業AI投資中流向平台與工具層的預算，並建立更高的客戶粘性。主要風險則來自與三大公有雲端廠商（[[AWS]], [[Azure]], [[GCP]]）既合作又競爭的複雜關係，以及與[[Snowflake]]等競爭對手在“資料+AI”賽道上的激烈角逐。

2. 產業鏈位置

在“雲端基礎設施（IaaS） → 資料與AI平台（PaaS） → AI應用（SaaS）”的產業價值鏈中，[[Databricks]] 精準定位於核心的 資料與AI平台（PaaS）層。

向上看，它執行在客戶自由選擇的三大公有雲端（[[AWS]], [[Azure]], [[GCP]]）之上。它不自建物理資料中心，而是通過“Bring Your Own Cloud”或市場合作模式，將雲端廠商提供的底層計算（如虛擬機器、容器服務）、儲存（如物件儲存）和網路資源，抽象、最佳化並封裝成面向資料與AI工作負載的平台服務。這種模式使其資產較輕，並能快速利用雲端廠商的全球基礎設施和最新硬體（如GPU例項），但其效能與成本亦受制於雲端廠商的底層服務定價與可用性。

向下看，它為其客戶——包括資料工程師、資料科學家、分析師和應用開發者——提供建置上層應用的統一環境。這些應用涵蓋傳統BI報表、即時資料分析、機器學習模型開發、生成式AI應用（如基於[[檢索增強生成]]（RAG）的智慧問答系統）等。因此，[[Databricks]] 是連線底層通用雲端運算資源與上層具體業務智慧應用的關鍵賦能層和效率層。

從產業鏈控制力角度看，[[Databricks]] 對上游雲端廠商的議價能力有限，其價值主張在於為下游使用者提供比直接使用雲端廠商原生服務或其它點狀工具更高的開發效率與更低的總體擁有成本（TCO）。它的成功，本質上取決於其平台能否持續為企業創造超越其訂閱成本的資料與AI價值。

3. AI 營收拆解

[[Databricks]] 未上市，未按產品線揭露詳細營收構成。其營收模型是 基於計算消耗量（DBU， Databricks Units）的訂閱制服務。客戶在平台上執行任何工作負載（資料處理、BI查詢、模型訓練、模型推論等）都會消耗DBU，並據此產生費用。

在此統一計量模型下，Mosaic AI 作為平台內的增值模組，其使用量（如GPU訓練小時數、模型服務端點呼叫量）會直接貢獻並計入整體平台消耗。因此，無法從公開資料中剝離出純粹的“AI營收”絕對值。然而，從驅動因素看，平台營收的增長可由以下與AI相關的活動推動：

1. 模型訓練與微調消耗： 客戶使用平台進行大語言模型（LLM）或傳統ML模型的訓練、微調，這類任務計算密集，是重要的DBU消耗來源，尤其是在使用高效能GPU叢集時。
2. 模型服務消耗： 將訓練好的模型部署為端點（Model Serving）進行即時推論，其呼叫量和計算資源消耗會產生持續性營收。
3. 特徵工程與資料準備消耗： 為AI/ML工作流準備高質量資料（如通過Feature Store）所消耗的計算資源。
4. AI應用建置工具消耗： 使用Vector Search（向量檢索，用於RAG應用）等工具的計算開銷。

根據行業分析及公司產品釋出重點（來源：2023-2024年公司Data+AI Summit大會資料、產品部落格），AI/ML相關工作負載正在成為其平台增長最快的消耗類別之一。具體的AI相關營收佔比或增速，公開資料未見。投資者需通過公司偶爾揭露的整體ARR增速、客戶案例及產品採納率等間接指標來推斷AI業務的貢獻度。

4. 產品與業務

[[Databricks]] 的產品體系以統一的 [[Lakehouse]] 架構為基石，圍繞資料、分析和AI三大支柱展開，並通過 Mosaic AI 品牌統合其AI能力。

資料層產品（資料工程與治理）：

• Delta Lake： 開源儲存層，為資料湖提供ACID事務、模式演化、資料版本管理等關鍵能力，是湖倉一體架構的技術核心。
• Unity Catalog： 統一的資料和AI治理解決方案，提供跨工作區和雲端的資料資產發現、訪問控制、血緣追蹤和審計功能，是平台安全與合規的基石。

分析層產品（商業智慧）：

• Databricks SQL： 提供高效能的SQL查詢引擎，相容標準SQL和主流BI工具（如Tableau, Power BI），讓分析師能直接在資料湖上執行互動式查詢和生成報表。
• Delta Live Tables： 用於建置可靠、可維護的資料管道（ETL/ELT）的宣告式架構。

AI層產品（Mosaic AI 品牌下）：

• Mosaic AI 模型訓練： 提供分散式訓練架構，支援對主流開源大型模型（如 [[Llama]], [[Mistral]], [[DBRX]]）進行高效、可擴充套件的預訓練與微調。
• Mosaic AI 模型服務： 提供高可用、低延遲的模型線上推論和批處理推論服務，支援GPU部署。
• Mosaic AI Vector Search： 高效的向量相似度檢索服務，是建置[[RAG]]類生成式AI應用的核心元件。
• MLflow： 開源的機器學習生命週期管理平台，集成於Databricks中，用於追蹤實驗、打包程式碼、部署和管理模型。
• Feature Store： 用於儲存、管理和提供機器學習特徵（特徵值）的中央倉庫，確保訓練與推論時特徵的一致性。

業務模式： 核心業務模式是 多雲端PaaS訂閱服務。客戶無需自己管理底層叢集，通過平台介面或API提交工作負載，平台自動管理資源排程和擴縮容。收費直接與DBU消耗掛鉤，實現了營收與客戶使用深度的強關聯。此外，公司也提供專業服務、培訓和認證。

5. 上下游

上游（供應商）：

1. 公有雲端基礎設施提供商： [[Amazon Web Services (AWS)]]、[[Microsoft Azure]]、[[Google Cloud Platform (GCP)]]。[[Databricks]] 的平台執行在這些雲端上，上游為其提供計算（虛擬機器、容器、GPU）、儲存（物件儲存）和網路資源。雙方關係複雜，既是合作（聯合銷售、產品整合），也是競爭（雲端廠商自身提供競品平台服務）。
2. 硬體供應商： 包括提供伺服器、GPU（如 [[NVIDIA]]）、網路和儲存硬體的廠商。[[Databricks]] 不直接採購硬體，但其平台效能與雲端廠商選擇的硬體緊密相關。
3. 開源社群： [[Databricks]] 的商業模式深度受益於並反哺開源生態（如 [[Apache Spark]], [[Delta Lake]], [[MLflow]]）。開源社群是其技術靈感、人才和使用者基礎的重要來源。

下游（客戶與渠道）：

1. 終端企業客戶： 覆蓋金融、醫療健康、零售、製造、科技、媒體等行業的全球大中型企業。典型使用者角色包括資料工程師、資料科學家、機器學習工程師和分析師。這些客戶將平台用於資料整合、分析、AI應用開發等核心業務場景。
2. 合作伙伴生態： 包括全球和區域性的系統整合商（SI）、諮詢公司、獨立軟體供應商（ISV）以及技術合作夥伴。他們是[[Databricks]] 擴大市場覆蓋、實現行業解決方案落地的重要渠道。
3. 直接銷售團隊： 對於大型企業客戶，公司擁有龐大的直接銷售和客戶成功團隊。

關係本質： [[Databricks]] 在上游依賴雲端廠商，但通過提供差異化的價值（統一的體驗、開源生態、效能最佳化）來降低客戶的直接遷移和管理成本；在下游，則通過產品力和生態合作，鎖定企業客戶的關鍵資料與AI工作負載，建置高轉換成本。

6. 同業競爭

[[Databricks]] 處於一個多維交叉的競爭市場，主要競爭對手可分為以下幾類：

1. 傳統雲端廠商的自有平台服務：

   • AWS： [[Amazon SageMaker]]（AI/ML平台）、Amazon Redshift（資料倉儲）、AWS Glue（資料整合）。AWS通過深度整合和龐大的雲端客戶基礎進行競爭。
   • Microsoft Azure： Azure Machine Learning、Azure Synapse Analytics（資料整合與分析）。Azure的優勢在於與微軟生態系統（如Office 365, Dynamics 365）的協同。
   • Google Cloud： Vertex AI（AI平台）、BigQuery（資料倉儲）。GCP以其在資料分析和AI（如TensorFlow）領域的技術聲譽競爭。
   • 競爭焦點： 雲端廠商提供“一站式”體驗，且擁有底層算力成本優勢。[[Databricks]] 的差異化在於其開放的、多雲端的架構，以及深厚的開源社群和資料湖倉技術傳統。

2. 資料倉儲與資料分析平台：

   • Snowflake： 是[[Databricks]] 最直接、最常被比較的競爭對手。Snowflake以雲端原生資料倉儲起家，強調簡潔易用和高效能的SQL查詢體驗，並正通過Snowpark、Snowflake Cortex等向AI/ML領域擴充套件。競爭實質是“以資料倉儲為中心” vs “以資料湖和AI為中心”的兩種平台哲學之爭。（來源：行業分析、Gartner/Forrester評估報告， 2023-2024年）
   • Teradata、Cloudera/Hortonworks（現屬Cloudera） 等傳統大數據廠商：面臨向雲端和湖倉架構轉型的壓力。

3. 專注AI/ML的平台與工具：

   • Anyscale： 基於開源Ray專案建置的分散式計算平台，專注於AI和Python工作負載的規模化，是[[Databricks]] 在ML工程化領域的直接競爭者。
   • Hugging Face： 作為模型中心和開發者社群，在AI模型供應鏈和開發者心智上具有強大影響力，其與雲端廠商的合作也構成了潛在競爭。
   • Domino Data Lab、DataRobot 等MLOps平台。

競爭格局總結： 市場遠未定型。[[Databricks]] 憑藉其開源根基、湖倉一體架構和統一的資料+AI平台願景，在開發者和技術領導者中建立了強大品牌。其挑戰在於持續證明在生成式AI時代，其平台相比雲端廠商的原生服務和專注於某一領域的競爭對手（如Snowflake在BI，Anyscale在分散式計算）具有更優的綜合價值和效率。

7. 護城河

[[Databricks]] 的護城河由多重因素構成，但其深度和永續性仍面臨市場檢驗：

1. 生態與社群護城河： 成功地將全球最大的分散式計算架構 Apache Spark 的龐大開發者社群，轉化為其商業平台的使用者和擁護者。圍繞Spark、Delta Lake、MLflow等建立的活躍開源社群，不僅貢獻了程式碼，更形成了強大的開發者心智份額和人才管道。（來源：GitHub專案星標、貢獻者數量、年度峰會參與規模等可觀測指標）
2. 技術架構粘性： 其 [[Lakehouse]] 架構一旦被企業採納，便成為企業核心資料資產的儲存和加工地。資料遷移的成本（包括技術複雜度、時間、風險）極高，且業務邏輯（如ETL管道、特徵工程、模型訓練流水線）與平台深度耦合，導致客戶轉換成本很高。
3. 統一治理的鎖定效應： Unity Catalog 提供的統一資料和AI治理能力，使其平台成為企業資料資產管理的“單一事實來源”。這種管控層面的整合，比單純的技術棧粘性更具組織粘性。
4. 品牌與標準制定者地位： 通過定義“湖倉一體”並推動相關開源標準，[[Databricks]] 在某種程度上佔據了架構演進的話語權，形成了技術影響力護城河。

⚠️ 護城河的侵蝕風險：

• 雲端廠商的侵蝕： 雲端廠商有能力在其龐大的基礎設施上建置類似的整合體驗，並通過捆綁銷售和定價策略削弱獨立平台的吸引力。
• 開源解耦風險： 如果出現更受歡迎的開源替代方案，或企業客戶轉向更模組化、“最優組合”的採購方式，平台整體性帶來的粘性可能下降。
• AI範式轉移風險： 如果未來AI應用的開發範式發生根本性變化，使得當前以資料湖為中心的架構變得不再必要，其護城河將面臨挑戰。

8. 財務質量

作為未上市公司，[[Databricks]] 未公開經審計的詳細財務報表（如獲利表、資產負債表、現金流量量表）。因此，無法進行傳統的財務質量定量分析（如毛利率、淨利率、現金流量轉換率等）。

基於有限的公開資訊，可觀察以下定性及間接指標：

• 營收質量： 營收模型（基於消耗的訂閱）通常能帶來高經常性營收佔比和較好的營收可見性。其ARR規模（>20億美元， 2023年H1）及揭露的增長率（公司曾表示保持快速增長，具體數字公開資料未見持續更新）是市場關注的核心。
• 資本效率： 公司進行了多輪大規模融資（H輪430億美元估值，2023年9月），表明其處於高投入、高增長階段。這意味著其自由現金流量可能為負，主要用於產品研發和市場擴張。其資本效率（營收增長 vs 燒錢速度）的細節公開資料未見。
• 盈利前景： 公司管理層在非公開場合或個別報道中曾提及接近盈利或關注盈利路徑，但公開資料未見明確的盈利時間表或獲利率目標。
• 風險點： 主要財務風險在於，在激烈競爭和追求增長的背景下，其盈利能力可能長期受到擠壓。此外，對上游雲端廠商的算力採購成本是其主要的營收成本項，毛利率水平可能受雲端廠商定價策略影響。

結論： 對[[Databricks]]財務質量的評估，目前嚴重依賴其營收規模、增長趨勢及融資估值所隱含的市場預期。全面財務質量分析需待其上市或揭露更多財務細節後方可進行。

9. 業績傳導

[[Databricks]] 的業績增長與宏觀經濟及特定行業景氣度存在間接關聯，其傳導鏈條如下：

宏觀層面：

1. 企業IT支出與數字化預算： 全球企業資本支出（CapEx）和運營開支（OpEx）中用於數字化轉型、雲端遷移和資料基礎設施的預算是[[Databricks]]增長的根本來源。宏觀經濟放緩可能導致企業縮減IT預算，從而影響其新客戶獲取和現有客戶擴產。
2. AI資本支出週期： 當前，企業對生成式AI的探索和投資是驅動其平台需求增長的重要因素。如果企業AI投資整體回報不及預期，導致AI預算收縮，將直接影響Mosaic AI相關的消耗增長。

行業層面：

1. 資料密集型行業景氣度： 金融、零售、科技、醫療等核心客戶所在行業的盈利狀況和創新投入，直接影響其在資料和AI平台上的消費意願。
2. 競爭環境： 雲端廠商的促銷活動、競爭對手（尤其是[[Snowflake]]）的產品釋出和定價策略，會直接影響市場份額和定價能力，進而傳導至營收增速。

公司內部傳導：

• 產品創新 → 客戶採納 → 營收增長： Mosaic AI等新產品的成功，能吸引新客戶並推動老客戶在平台上執行更多AI工作負載，直接提升DBU消耗。
• 客戶成功 → 擴張（Net Revenue Retention）： 幫助現有客戶取得業務成功，是驅動其消費額度增長（擴大現有客戶營收）的關鍵。其淨營收留存率（NRR）是衡量平台粘性和擴張能力的重要指標，但具體數字公開資料未見。

10. SOTP或可比估值架構

由於[[Databricks]]是非上市公司，且商業模式獨特，對其估值通常採用可比公司分析法或結合營收倍數的特殊估值架構。

可比公司分析法（部分重疊的公開市場可比公司）：

• Snowflake (SNOW)： 最直接的競爭對手，同屬雲端資料平台領域。可比指標包括：企業價值/遠期營收（EV/Revenue）、自由現金流量倍數。需注意兩者業務重點（資料倉儲 vs 湖倉一體）和增長階段的差異。
• 雲端廠商的AI/資料業務部門： 如AWS、Azure、GCP的相關業務線，但通常不獨立估值。
• 其他高增長SaaS/PaaS公司： 如Datadog、MongoDB等，可作為增長速度和商業模式的參考。

營收倍數架構： 在私募市場和IPO定價中，對於高增長的未盈利科技公司，企業價值/未來十二個月營收（EV/NTM Revenue） 是最常用的估值錨。基於2023年9月H輪融資：

• 估值： 430億美元
• 當時營收參考： ARR超20億美元（2023年H1）
• 隱含估值倍數： EV/ARR 約 21.5倍（基於2023年資料）。
  • 此倍數反映了當時市場對其增長率、市場地位和未來潛力的樂觀預期。後續倍數可能隨市場情緒、利率環境及公司自身增長情況波動。公開資料未見2024年基於最新營收的更新倍數。

重要提示： 任何估值分析均基於公開資訊和假設，存在高度不確定性。其真實價值最終由私募市場投資者或IPO時的市場供需決定。本分析僅為架構性思考，不構成任何投資建議。

11. 風險

1. 競爭加劇風險： 三大公有雲端廠商持續強化其原生資料與AI平台服務，可能通過深度整合、激進定價和龐大的銷售資源，蠶食[[Databricks]]的市場空間。與[[Snowflake]]的競爭亦可能演變為全面的價格戰，侵蝕行業整體盈利水平。
2. 技術路線與迭代風險： AI技術棧快速演進，新一代的模型架構（如狀態空間模型）、訓練範式或計算範式可能出現，對以[[Spark]]和當前[[Lakehouse]]架構為核心的技術棧形成挑戰。公司需持續大規模研發投入以保持技術領先。
3. 宏觀經濟與IT預算風險： 全球經濟增長放緩或衰退可能導致企業大幅縮減IT和雲端支出，影響其客戶擴張和營收增長。
4. 客戶集中度風險： 儘管客戶超萬家，但營收可能高度集中於少數大型企業客戶。失去關鍵客戶或其大幅削減用量，將對營收產生顯著影響。具體集中度資料公開資料未見。
5. 開源治理與商業衝突風險： 公司商業化其支援的開源專案（如Spark、Delta Lake）時，需精心平衡社群利益。若社群認為公司過度攫取商業價值，可能引發專案分叉或開發者流失，損害其生態系統。
6. 上市時機與估值波動風險： 作為一級市場明星公司，其未來IPO的估值可能受當時二級市場科技股整體估值水平影響巨大。若市場環境轉差，可能面臨估值下調的風險。
7. 人才競爭風險： 頂尖的AI和資料工程人才稀缺，面臨來自雲端巨頭、其他初創公司和學術界的人才爭奪壓力。

12. 誤讀糾偏

• 誤讀： “Databricks只是一個數據分析工具，和Tableau、Power BI差不多。”
  • 糾偏： Databricks的定位遠超出傳統BI工具。它是一個完整的PaaS平台，底層是統一的資料湖倉，上層不僅支援互動式分析（BI），更核心的是支援大規模資料處理（ETL）、資料工程、機器學習及AI應用開發。它與BI工具是互補關係，BI工具可在其上執行。
• 誤讀： “Databricks和Snowflake是直接競品，功能完全重疊。”
  • 糾偏： 兩者雖在資料儲存和分析層面有競爭，但哲學和長處不同。Snowflake 起源於雲端原生資料倉儲，優勢在於SQL工作負載的簡潔性、效能和易用性。Databricks 起源於資料湖和Spark，優勢在於對非結構化資料、資料工程和機器學習/人工智慧工作負載的原生支援。客戶選擇常取決於其核心工作負載是偏向分析還是AI/ML。
• 誤讀： “Mosaic AI是一個獨立的、可以直接購買的產品。”
  • 糾偏： Mosaic AI是Databricks平台內的一個品牌和能力集合，並非獨立售賣的產品。它的各項功能（如模型訓練、服務、向量搜尋）是作為平台服務的一部分，通過消耗DBU來使用。
• 誤讀： “因為依賴AWS/Azure/GCP，Databricks沒有自己的核心技術。”
  • 糾偏： Databricks的核心技術在於其軟體層：湖倉一體架構、分散式計算最佳化、統一治理架構以及Mosaic AI的AI工具鏈。它利用雲端廠商的基礎設施（“自帶雲端”），但在此之上建置了獨特且具有高度粘性的價值，這是其區別於雲端廠商原生服務的根本。

13. 最新事件

• 2024年6月：Data + AI Summit 2024 大會： 公司釋出一系列更新，重點包括：
  • Mosaic AI 模型訓練的增強： 進一步優化了對開源大型模型的分散式訓練效率和經濟性。
  • Mosaic AI 預測最佳化（Predictive Optimization）： 通過AI自動最佳化查詢和資料版面配置，提升平台效能。
  • Unity Catalog 生態擴充套件： 宣佈與更多合作伙伴整合，強化其作為跨雲端資料和AI治理標準的地位。
  • 與 NVIDIA 加深合作： 整合NVIDIA的NIM和NeMo架構，以加速在Databricks平台上部署和最佳化生成式AI模型。 （來源：公司2024年6月官方新聞稿、大會主題演講及技術部落格）
• 2023年9月：完成H輪融資： 籌集超過5億美元，投後估值達430億美元。此輪融資由現有投資者領投，表明資本市場對其持續的信心。（來源：2023年9月公司官方公告）
• 產品定價模式調整： 2023-2024年間，公司對某些服務（如Serverless SQL）進行了定價最佳化，旨在簡化客戶賬單並提升競爭力。這反映了市場競爭的動態。（來源：公司產品文件更新、客戶溝通）

14. 追蹤指標

對於未上市公司[[Databricks]]，外部觀察者應關注以下可公開獲取的指標和訊號：

1. 客戶增長與規模： 付費客戶總數（上次揭露為>10， 000家，2023年）、超百萬美元年消費額的大客戶數量。
2. 營收與增長指標： 年化營收（ARR）及增長率（上次為>20億美元，2023H1）、淨營收留存率（NRR）。留意管理層在公開場合或第三方報道中更新的數字。
3. 產品採納率： Mosaic AI相關功能（如模型服務端點數量、向量搜尋使用量）的客戶採納率和使用增長情況。可通過客戶案例、合作伙伴反饋和行業報告間接觀察。
4. 技術領導力與社群指標： 開源專案（Spark, Delta Lake, MLflow）在GitHub上的活躍度（貢獻者、版本釋出）、年度Data+AI Summit的參與規模和行業反響。
5. 競爭動態： Snowflake的財務報告（增速、NRR）可作為參照系；雲端廠商在AI/資料平台領域的新產品釋出和定價策略。
6. 融資與估值訊號： 任何新一輪融資的傳聞或公告、二級市場股權交易估值。
7. 人才動態： 關鍵高管變動、核心技術人員流向。

15. 來源

• 來源：公司官方資訊： Databricks 官網、產品文件、部落格、官方新聞稿、Data+AI Summit 主題演講與釋出資料
• 來源：權威財經媒體： Bloomberg, Reuters, The Wall Street Journal, TechCrunch, VentureBeat 等對公司融資、業務發展的報道
• 來源：行業研究機構： Gartner, Forrester 等釋出的相關市場報告（如魔力象限）
• 來源：技術社群與開源平台： GitHub 專案頁面、技術會議記錄
• 來源：高管公開訪談與演講： CEO Ali Ghodsi 及其他高管在公開場合的發言
• 來源：Databricks Mosaic AI 官方網站/投資者關係入口 — databricks.com
• 來源：Databricks Mosaic AI 公開揭露與交易標識 未上市
• 來源：15. 來源
• 來源：本文資訊綜合自以下型別來源，具體資料點已在正文中註明
• 來源：倉內歷史研究歸檔：Databricks Mosaic AI · Archive/incident-2026-06-20-凍結現狀-20260620-225855/content company/chain-cloud/databricks-mosaic-ai.mdx — _Archive/incident-2026-06-20-凍結現狀-20260620-225855/content_company/chain-cloud/databricks-mosaic-ai.mdx