作者：蒋步星

来源：数据蒋堂

本文共1100字，建议阅读8分钟。
看起来还真是，似乎还要再加大投入才行？

现在有个说法，国家对基础软硬件的投入太少，经常会说微软、Oracle、Intel这些巨头每年的研发费有多少多少，我们的投入连个零头都不到，当然做不出什么象样的东西了。

看起来还真是，似乎还要再加大投入才行？

我不懂芯片的事，不知道是不是需要花很多钱才能建出基本的实验生产环境，但软件的研发成本还是比较熟悉的。在我的意识中，国家在这方面投入的钱并不是太少了，已经足够多了。

和国外巨头比研发费，你不能拿微软现在花了多少钱来算，而要拿当年它做DOS时花掉的钱来比。基础软件要做到全面普及，确实需要持续的投入完善，长时间来看，这个成本也确实很高。但是，把产品做到能用、做到用户愿意来买单、做到可以养活自己，可能也需要较长的时间，但并不需要太多的钱，后期完善的成本可以也必须用利润来支付。

我没统计过Linux做到用户愿意用投入了多少人月成本，MySQL又用了多少？但无论如何，我想这个成本都会远远小于国家对基础软件的投资额度。

那么，为什么国家支持的基础软件都做不成，花了这么多钱也还是做不好？

这个原因已说过多次了，因为做这些事情的基本战略是抄，而从来没敢想过超。

抄，你当然要花很多钱才能做出个类似的，因为人家已经花了很多钱，你又没有三头六臂，凭啥比人花的钱能少很多？

抄，只能抄出表面的东西，抄不到产品背后的商业逻辑，不知道为什么要做这个产品，只是为了做这个产品而做。这样做出来的东西在市场上毫无竞争力，于是还得持续地花钱，结果当然你会觉得钱总是不够，而这种情况下，投入再多也是无济于事的。

但是，我为什么要做得和人家一样呢？

有人说，国外产品的用户体验已经非常好了，你做得不如人家怎么竞争呢？

其实，在创新技术面前，用户体验根本就不是个事。刚做出来的汽车跑得没有马车快、坐着也没马车舒服，用户体验在很多方面都明显要更恶劣。但是，它不用吃草喝水、不会生病受惊，就会有那么一些用户愿意为这些特性忍受其它恶劣，然后，逐渐地，速度也提上去了，舒适度也好起来了，….。

类似地，经常被拿来说的生态问题也不是个事。只要你有过人之处，解决了用户的痛点，自然有用户会接受你。生态不是一天两天建成的，但也不是没希望的。去抄才没什么希望，只是人家的生态下混混日子。当然，你要能抄到前几名（象AMD之于Intel）那也行，市场总容得下几个竞争者，但我们这些一向处于十名开外的选手，你抄什么抄啊，你只能去超！

创新不容易，因为过程中试错的反复很多，所以周期会很长，风险也会比较大，但是真不需要花很多钱。十几个人能做的软件已经相当复杂了，在迭代试错的阶段，人再多也没什么意义。

润乾做报表工具，耗了近5年时间才做到赢利，时间是不算短，但投入了多少呢？研发队伍不过10人，一年不到100万（15年前）。现在我们做数据计算和数据库，这个难度更大，已经耗了10年了，但研发队伍也不过25人（前几年更少），就算再扩一倍，成本顶天也就是每年千万级别，肯定没有人家的零头多，但你看我能不能做出一个敲打Oracle的东西出来！

专栏作者简介

润乾软件创始人、首席科学家

清华大学计算机硕士，中国大数据产业生态联盟专家委员，著有《非线性报表模型原理》等，1989年，中国首个国际奥林匹克数学竞赛团体冠军成员，个人金牌；2000年，创立润乾公司；2004年，首次在润乾报表中提出非线性报表模型，完美解决了中国式复杂报表制表难题，目前该模型已经成为报表行业的标准；2014年，经过7年开发，润乾软件发布不依赖关系代数模型的计算引擎——集算器，有效地提高了复杂结构化大数据计算的开发和运算效率；2015年，润乾软件被福布斯中文网站评为“2015福布斯中国非上市潜力企业100强”；2016、2017年，荣获中国电子信息产业发展研究院评选的“中国软件和信息服务业十大领军人物”；2017年度中国数据大工匠、数据领域专业技术讲堂《数据蒋堂》创办者。

数据蒋堂

《数据蒋堂》的作者蒋步星，从事信息系统建设和数据处理长达20多年的时间。他丰富的工程经验与深厚的理论功底相互融合、创新思想与传统观念的相互碰撞，虚拟与现实的相互交织，产生出了一篇篇的沥血之作。此连载的内容涉及从数据呈现、采集到加工计算再到存储以及挖掘等各个方面。大可观数据世界之远景、小可看技术疑难之细节。针对数据领域一些技术难点，站在研发人员的角度从浅入深，进行全方位、360度无死角深度剖析；对于一些业内观点，站在技术人员角度阐述自己的思考和理解。蒋步星还会对大数据的发展，站在业内专家角度给予预测和推断。静下心来认真研读你会发现，《数据蒋堂》的文章，有的会让用户避免重复前人走过的弯路，有的会让攻城狮面对扎心的难题茅塞顿开，有的会为初入行业的读者提供一把开启数据世界的钥匙，有的甚至会让业内专家大跌眼镜，产生思想交锋。

数据蒋堂第二年往期回顾：

数据蒋堂 | 莫非我就是被时代呼唤的数学人

数据蒋堂 | SQL是描述性语言？

数据蒋堂 | 存储和计算技术的选择

数据蒋堂 | 人工智能中的“人工”

数据蒋堂 | 中国报表漫谈

数据蒋堂 | 内存数据集产生的隐性成本

数据蒋堂 | 多维分析预汇总的功能盲区

数据蒋堂 | 多维分析预汇总的存储容量

数据蒋堂 | 多维分析预汇总的方案探讨

数据蒋堂 | 数据库的封闭性

数据蒋堂 | 内存数据集产生的隐性成本

数据蒋堂 | 前半有序的大数据排序

数据蒋堂 | “后半”有序的分组

数据蒋堂 | 时序数据从分表到分库

数据蒋堂 | BI系统的前置计算

数据蒋堂 | 性能优化是个手艺活

数据蒋堂 | 数据分布背后的逻辑

数据蒋堂 | 从一道招聘考题谈起

数据蒋堂 | 为什么我们需要C程序员

数据蒋堂 | 报表工具的SQL植入风险

数据蒋堂 | 内置的数据无法实现高性能

数据蒋堂 | 怎样生成有关联的测试数据

数据蒋堂 | 遍历复用

数据蒋堂 | 数据压缩手段

数据蒋堂 | 用HBase做高性能键值查询？

数据蒋堂 | 最简单的大数据性能估算方法

数据蒋堂 | 这个产品能支持多大数据量？

数据蒋堂 | 大清单报表应当怎么做？

数据蒋堂 | 大清单报表的打印？

数据蒋堂 | 大数据技术的4个E

编辑：黄继彦