編者按：本文內容整理自紅杉資本（Sequoia Capital）AI Ascent 2026 大會的主旨開場演講（Keynote）。這場大會只對全美最頂級的 AI 創業者、技術 leader、投資人開放，OpenAI 總裁 Greg Brockman 、AI 大神 Karpathy 等矽谷大佬也在同一場大會上做了分享。 發表這場主旨演講的是紅杉資本三位重量級合夥人： Pat Grady——紅杉合夥人，他主導投資了 Snowflake、ServiceNow、Zoom、HubSpot、Notion 等公司，被認為是當今矽谷「最懂軟體商業模式」的人之一。 Sonya Huang（黃宋儀）——紅杉 AI 投資主管合夥人，她在 2022 年寫出的《生成式 AI 第一幕》系列文章，是全球 AI 投資人公認的「這個時代最重要的認知地圖」。

紅杉資本AI Ascent 20252025年5月2日，矽谷頂級風投機構紅杉資本（Sequoia Capital）在舊金山舉辦了第三屆 AI Ascent 峰會，集結了150餘位全球頂尖的AI創業者與研究者。與會嘉賓包括OpenAI的Sam Altman、NVIDIA的黃仁勳、DeepMind的Jeff Dean等重量級人物，場面座無虛席，盛況空前。本次大會圍繞一個核心議題展開：AI已經不是未來，而是現在。它不僅是技術範式的演進，更是推動整個商業社會進入“利潤即產品”的新時代。本文將圍繞紅杉資本三位合夥人——Pat Grady（市場與戰略）、Sonya Huang（產品與使用者）、Konstantine Buhler（前沿趨勢）——的主旨演講，提煉核心觀點，幫助讀者理解AI在2025年所面臨的機遇與挑戰。Pat Grady這是一個跑起來的時代1. AI市場規模是歷史等級的機會AI的市場規模遠超當年的雲端運算起步階段。Grady指出，AI市場在一開始就比當年的軟體市場大10倍。它同時切入“軟體價值鏈”和“服務利潤池”，意味著未來10-20年內，AI是絕對的增量市場。“軟體與服務都在被重構，市場已然開啟，誰先跑誰吃肉。”2. 不是“AI註定會來”，而是“AI現在就來”過去的技術浪潮往往需要使用者教育、管道建設，但AI不同：5.6億網際網路使用者、社交分發管道、豐富資料與計算基礎已經就緒。“這一次，發令槍一響，沒有任何 adoption barrier。”3. 真正的價值將沉澱在應用層Grady明確表示：基礎模型雖重要，但真正的價值與護城河會在應用層體現。誰能理解行業流程、誰能將AI嵌入真實場景，誰就能贏得這場比賽。“你要從使用者需求反推，而不是圍繞模型做產品demo。”4. “Go at Maximum Velocity”：以最快速度進入市場Grady援引紅杉創始人Don Valentine的名言“what now”，給出的答案是：以最大速度奔跑。他鼓勵AI創業者立即上線、迅速迭代，在競爭者之前打出使用者心智：“Run like heck。”“市場上現在有一個巨大的真空，如果你不填上它，別人就會。”5. 如何建構真正可持續的AI公司？收入 vs 真實使用：客戶是因熱度而買單，還是因為它確實改變了流程？關鍵指標是留存與粘性。從工具到結果定價：工具價值有限，但如果你賣的是“結果”，溢價能力將極高。資料飛輪：你的使用資料能否反哺模型，形成性能正反饋？總結：速度要快，基本面不能丟。只有真正解決問題的AI產品，才有可能穿越周期。Sonya HuangAI正在成為“日常剛需”1. AI進入使用者高頻行為2023年很多AI產品DAU/MAU極低（使用者只玩一次），而到了2024年，ChatGPT等產品的粘性已接近Reddit這種平台級應用。“AI不再是demo，而是日常習慣。”她分享了一個輕鬆的案例：自己在用AI生成跳舞GIF（Jib）刷爆GPU額度，而另一面，是AI在廣告、教育、醫療等行業帶來顯著效率提升。2. AI的“殺手級應用”正在浮現語音技術：Huang稱2024是AI語音的“Her時刻”（致敬電影《她》），聲音已經幾乎難以分辨人機。AI程式設計助手：無論是10x工程師還是小白，AI Code Assist工具正快速普及，並成為“日常生產力工具”。“AI程式設計工具已經實現了令人驚喜的‘PMF’（Product-Market Fit）。”3. 預訓練見頂，技術路線多元化Huang指出，大模型“繼續堆參數”的路徑已經邊際效益遞減，更多創新發生在：推理能力提升（Reasoning）AI工具鏈組合（Tool Use / Agent呼叫外部系統）AI結構搭建（如Anthropic的多Agent協同協議MCP）這些都表明，AI正在從單模型系統進化為“多模組協作系統”，產品形態也越來越複雜精細。4. 應用層仍是價值窪地Huang呼應Grady的判斷：未來10倍公司仍然會誕生在“AI賦能應用”層，不是底層模型本身。她特別提到：教育、企業服務等領域已經湧現出AI killer app，誰能打磨好AI UX，誰就能贏得未來。Konstantine BuhlerAgent Economy1. 從Agent到Agent Swarm，再到Agent Economy過去大家談AI Agent，如今很多公司已經部署了“Agent Swarm”（群體協作的AI代理）。下一階段將是：“Agent們將不再只是輔助人類，而是自主互動、交易、協作，形成類經濟網路。”但Buhler也強調：AI代理經濟必須是“以人為本的共生系統”，人類將繼續負責戰略、判斷與倫理，而Agent是效率執行器。2. 三大技術挑戰亟待解決持續身份（Identity & Memory）：Agent要具備持久的記憶與行為一致性。通訊協議（Agent Protocols）：Agent之間需要像TCP/IP一樣的通用協議，才能協作。信任與安全體系（Trustworthy）：Agent具備執行力後，如何防止濫用？必須有“信任評級、安全審計”機制建立起來。這些問題決定了“AI能否真正成為可靠的系統組成部分”。3. 人類認知也需要更新Buhler提出：未來人類與AI共存，不只是技術問題，更是認知問題。Stochastic mindset：AI不是規則引擎，是機率分佈。管理者需要接受AI的“不確定性”。AI管理能力：如何制定目標、反饋機制、協作流程，幫助AI做出更好決策。高槓桿 × 高不確定性：未來小團隊+AI可以創造巨大的槓桿，但結果難以預測。“我們將迎來一人管理百Agent的時代，這需要組織結構與思維方式的重構。”4. 公司形態或將重新定義當AI Agent大規模參與決策、執行與流程管理時，企業不再是“人+流程”的集合，而可能變成“人類×AI網路”的系統。“真正的未來，不是人被AI取代，而是組織形態發生範式轉移。” (TDXII時差十二)

在AI的浪潮滾滾向前的時代，紅杉資本再次站上浪潮之巔，洞察未來。這是紅杉合夥人在AI Ascent大會上的一場重量級演講，聚焦當下最核心的問題。從市場邏輯到技術演進，從語音到程式碼智能體的爆發，從智能體協作到智能體經濟的藍圖，紅杉用極具穿透力的洞察，勾勒出AI時代最重要的趨勢、機會與挑戰。圖片源於紅杉資本官網無論你是創業者、投資人還是產品人，這都是一場值得全程閱讀的思維盛宴。01. 建構可持續增長的商業基石這張圖代表的是過去幾十年不斷疊加的技術浪潮，最終引領我們走到了現在這個AI時刻。圖中有兩個要點：1、AI不是也許會來，而是已經到門口了。我們該有的東西幾乎都已經準備好了：海量算力、完善的網路基礎設施、密集的資料流、人才儲備。我們準備好了2、這波浪潮和過去不同，是乘法式的。也就是說，這一波的機會比之前的任何一波都大。同時，它也來得更快。但大多數人都停留在快的表面，沒人去真正想過：為什麼會變快？紅杉資本的合夥人Pat Grady提到了一個不太常被提起的話題--廣泛分發的底層邏輯。就是說如果一個東西想要被廣泛分發，有三個東西是必須的：1、人們需要知道它的存在2、人們想要它3、人們得買得到它2022年11月30日，ChatGPT橫空出世，全世界的注意力都被拉了過來。中間這列柱狀圖顯示的是reddit和X的月活使用者總量。在雲端運算那個年代，它們甚至還沒出生；在移動網際網路初期，也還只是新生兒，但現在，這兩個平台的使用者總和已經飆升到12億-18億。它們不是唯一的資訊分發管道，但是它們足夠吵，這個世界對吵的東西反應很快。什麼意思？鐵軌已經鋪好，你一槍打響，火車就能跑得飛快，幾乎沒有阻力。這不僅是AI的機會，而是整個時代的底層變了。分發的底層邏輯被改寫了。這張圖核心的兩個資訊：1、機會仍然遍地都是。雖然空白地帶比去年少了一點，但整體來看，大部分市場還沒人動，空間依然遼闊。2、圖中代表的是在上一輪技術浪潮中年營收破10億美金的公司我們不在乎什麼獨角獸估值，關注的是實打實的收入和現金流。你會發現，它們大多數紮根在應用層。過去我們堅信，價值最終沉澱在應用上，現在依舊是。時代帶給我們的是你現在要面對的是更激烈的競爭。基礎模型正在向上侵蝕應用層的空間。推理、工具鏈、智能體協同等等，模型正在逐漸承擔原本屬於應用的工作。由此出現了第二條擴展定律：基礎能力不斷往上吃，甚至吃到了應用的核心。那怎麼辦？如果你是一家AI初創公司，不打算做一個從晶片到終端全鏈的重型選手，那你的策略應該是--往後思考，從客戶視角出發。選準一個行業，抓住一個功能，解決一個棘手問題。那怕這個問題需要人機協作也不影響。這是唯一靠譜的賽道，也是你應該優先聚焦的地方。關於AI創業者Pat Grady還提到了以下三個需要注意的點：收入vs氛圍收入很多團隊特別喜歡氛圍收入，什麼是氛圍收入？就是：啊！我們這個月收入太猛了！大家幹得漂亮！聽上去很棒，但你得停下來問一句：這是真正的收入，還是只是氣氛？這些收入，是否伴隨著使用者行為的根本性變化？還是說，他們只是試了試你的產品。就再也沒回來？有些團隊會說：我們沒有使用者行為的資料。其實你是有的，你只是還沒認真看過。以下這三件事，是最起碼的起點：1、他們有沒有真正開始用？2、用的深不深？用的頻率高不高？3、還會不會回來？你要弄清楚你賣出去的是解法還是新鮮感。當然好氛圍本身也是資產，它可以激發關注、吸引人才、加快融資。只是別把它誤當作產品動力。說到底，這一輪AI的節奏不光是拼技術，還拼信任感。只要客戶相信你能讓產品不斷變好，你就有主場優勢。如果他們覺得你不行，你就出局了！毛利率過去一年半里，每個token的成本降了99%。未來這個成本還會繼續走低--儘管推理成本在漲，在整體趨勢依然向下。更重要的是，如果你能從工具提供者向成果交付者轉型，往價值鏈更高的位置走，那你能要的價格也會更高。所以問一句自己：你有沒有一條清晰的路徑，能把這家公司帶到健康的毛利率水平？如果沒有，那你現在就得去想清楚了。資料飛輪資料飛輪的核心不是有沒有資料，而是這些資料有沒有喂回產品，反過來驅動增長或提升體驗？如果沒有，那就不是飛輪。它只是儲存空間裡的死資料。為什麼這個很重要？因為資料飛輪可能是你唯一能夠建構的護城河。02. AI應用領域部分客戶視角ChatGPT的日活和月活大幅攀升，已經接近reddit的水平，這說明越來越多的人正在從AI中獲得真實價值。那些更深層的用法，我們才剛剛觸及表面。廣告：用AI生成讓人滿意的廣告文案教育：用AI意見可視化一些概念醫療：用AI實現更精準的診斷......我們只是剛剛觸摸到這些領域的可能性，隨著模型能力的持續增強，我們能做的事情也會越來越多，越來越深刻。從語音生成到《Her》2024年帶來了Her的時刻，尤其是在語音與語音生成方面。已經可以說是從幾乎可以接受一躍成為真正穿越恐怖谷了。科幻與現實之間的鴻溝，正在飛快縮小。圖靈測試的靈界點，就這樣悄無聲息地被跨越了。程式碼生成Anthropic的claude 3.5 sonnet在去年10月發佈，引發了程式碼領域的快速氛圍轉向。現在，已經開始用AI寫出極具深度的程序。例如有人用AI搭建了一個docsend替代品。這意味著什麼？無論你是10倍工程師，還是完全不會程式設計的人，AI都在徹底改變軟體創作的門檻、速度與經濟性。技術演進壞消息是：預訓練的增量收益正在放緩。所以現在正在努力尋找新的突破方式，最重要的突破當屬推理能力了。但不僅僅是推理，還有合成資料、工具呼叫、AI編排框架。所有這些都正在結合，打造出更強的智能擴展路徑。Anthropic的MCP建構了強大的生態網路，我們也對它如何加速智能體的工具使用充滿期待。所以，我們可以看到：更大的基礎模型更複雜的推理工具能力的提升智能體協作的興起......這些都在共同推動AI執行更高複雜度任務的能力。應用層將是最終的價值沉澱當年ChatGPT的wrappers出來時，很多人其實都懷疑過這有價值嗎？現在看來，它是對的，因為真正的價值會沉澱在應用層。但與此同時，這層的競爭也在加劇，因為基礎模型本身也開始進入應用領域。但我們大家都輸給了真正的堆疊之王：輝達的黃仁勳！很多AI新公司正在快速崛起，這些公司將會是Agent-first。我們能看到兩條技術路徑：1、編排+測試評估驅動路徑2、端到端任務微調路徑垂直智能體這類公司對某一垂直領域有極深的理解，這些智能體將通過端到端訓練，在特定工作流中有出色的表現，強化訓練、合成資料訓練以及使用者行為資料微調也將幫助AI在特定系統上達到極高水平。垂直智能體在特定任務上，確實有潛力超越人類。03. 智能體經濟什麼是智能體經濟？按照合夥人Konstantine的說法：就是一個智能體之間不僅交換資訊，還轉移資源；能夠互相完成交易、建立信任、理解彼此的可靠性；擁有自己的經濟體系。但這不是一個無人的世界，相反，這一切都以人為核心。為了實現這個大浪潮，還有很多技術障礙需要解決。以下三個方向至關重要：1、持續性身份智能體自身要有持續性：就像你不能每天都和變臉的人做生意智能體對你的理解要有持續性：如果一個合作夥伴連你名字都記不住，怎麼建立信任？目前大家都在用RAG、向量資料庫、超長上下文窗口......但真正的記憶和自我學習仍是巨大挑戰！2、無縫通訊協議我們才剛剛開始建構智能體時代的協議層。MCP是個激動人心的開端，大廠們正在合作，共同推進這個標準。這將是一個協議序列，支援資訊傳遞、價值轉移和信任傳遞。3、安全性你無法和智能體面對面接觸，無法握手達成協議。這就讓安全與信任顯得尤為重要。智能體經濟對我們意味著什麼1、改變我們的思維方式我們稱之為隨機性思維模式，這是對確定性邏輯的重大偏離。我們很多人熱愛電腦科學，因為它是確定的，但未來的計算方式，將充滿不確定性。當你問電腦記住某個東西，它能夠一直記得，但問人類或者AI，那就充滿了不確定性了。2、管理思維的轉變你要理解你的智能體能做什麼，不能做什麼。一個好的工程師和一個好的管理者是兩個截然不同的角色。整個經濟正在邁入下一個階段：你不再是那個寫程式碼的人，你變成了調度者、管理者。3、槓桿更大，確定性更小這是一個高槓桿、低確定性的時代。你能做很多事情，但必須具備不確定性管理與風險控制的能力。我們相信，未來整個經濟將達到前所未有的槓桿高點，最終各類流程將融合、智能體將巢狀進更大的神經網路、公司將變成由神經網路組成的神經網路、整個經濟將被重塑！ (人工世界Artificial World)

AI浪潮正以前所未有的速度席捲全球，而紅杉資本在年度AI Ascent大會上，為我們揭示了這場技術革命背後的深層機遇與制勝策略。對於創業者和投資者來說，這是一份不可多得的行動指南。觀點一：紅杉資本認為，AI市場的規模將遠超雲端運算，未來可能發展成雲端運算初期十倍的龐大產業。觀點二：AI不僅衝擊服務市場，同時也在蠶食軟體市場。從銷售工具到銷售成果，AI正在重塑商業模式，搶占人力資源預算。當前，技術分發的新現實讓AI普及速度驚人，全球網際網路使用者已達56億，覆蓋幾乎每個家庭和企業。觀點三：市場規模巨大，普及速度飛快，宏觀經濟的噪音已然被技術採用的上升趨勢淹沒。現在，是全力以赴投入AI浪潮的關鍵時刻。觀點四：歷史經驗表明，重大技術革命的價值多在應用層爆發。AI領域也不例外，但隨著大模型的進步，其已能深入應用層。初創公司要想在AI領域制勝，需從客戶需求出發，專注特定垂直領域和功能，解決複雜問題。建構AI公司，95%的內容與普通公司無異，要解決重要問題、吸引人才等。而AI特有的5%內容，包括警惕“氛圍營收”、關注毛利率、建構資料飛輪等。警惕“氛圍營收”尤為重要，需仔細檢查使用者的採用率、參與度和留存率，確保營收的真實性和可持續性。同時，資料飛輪是創業公司建構強大護城河的關鍵，必須與具體業務指標掛鉤。觀點五：2023年，原生AI應用的DAU/MAU比例較低，2024年情況發生逆轉，如ChatGPT的DAU/MAU比例接近Reddit水平，表明越來越多的人從AI中獲得真實價值。觀點六：AI技術在語音生成和程式設計領域取得關鍵突破。語音生成技術跨越“恐怖谷”，達到接近以假亂真的水平。觀點七：程式設計領域達到“尖叫級”產品市場契合度，AI正在從根本上改變軟體創造的可及性、速度和經濟效益。觀點八：紅杉資本預測，AI將進入“智能體經濟”階段，智能體將成為AI技術堆疊的關鍵部分。在這個經濟體系中，智能體與人合作，共同構成智能體經濟。建構智能體經濟面臨三大技術挑戰：持久身份、無縫通訊協議、安全。持久身份要求智能體保持自身個性和理解力，同時記住並理解使用者；無縫通訊協議是實現智能體之間資訊、價值和信任傳遞的關鍵；安全和信任則比當前經濟更為重要，將催生圍繞信任和安全的完整產業。智能體經濟將帶來思維方式的轉變，從確定性到隨機性，管理思維模式也要相應改變。同時，槓桿效應將得到極致發揮，重塑個體工作、公司結構和整個經濟。紅杉資本的分享為我們揭示了AI從當前發展到未來可能演變的清晰路徑。對於創業者而言，抓住應用層的價值，建構真實而非“氛圍”的營收，建立資料飛輪，為即將到來的智能體經濟做好準備，是搶佔AI兆級市場風口的關鍵。現在，是時候全力以赴，保持最大速度前進了！（跑步進入Ai商潮）

近日，備受矚目的紅杉資本AI峰會AI Ascent 2025在舊金山落下帷幕。150位全球AI領域的頂尖創始人與大咖們齊聚一堂，共同探討人工智慧的未來走向。一個核心共識在內部討論中逐漸清晰：下一輪AI，賣的不是工具，而是收益。 這不僅是紅杉資本合夥人Pat Grady口中的“兆美元機會”，更是獲得了OpenAI CEO Sam Altman、Google首席科學家Jeff Dean乃至輝達具身智能研究主管Jim Fan高度認同的行業判斷。這意味著，AI正在驅動一場深刻的商業邏輯變革：SaaS邏輯迭代：客戶的關注點從“能用的工具”轉向“能寫入利潤表的實際結果”。定價錨點轉移：KPI，如開發提速、GPU成本最佳化、落地的GMV，將直接影響產品定價。競爭窗口縮小：率先將“收益”成功商品化的企業，將有機會攫取下一個十倍級市場。本文將深入剖析此次峰會傳遞的核心訊號，逐一解讀八場關鍵演講，為你呈現一幅面向未來三年的AI定點陣圖、估值模型與發展策略路線圖。第一章｜紅杉資本的戰略洞察：AI的兆美元棋局——押注成果，全速前進，迎接智能體經濟主講人：帕特·卡拉迪 (Pat Grady)、索尼婭 (Sonya)、康斯坦丁 (Konstantine) - 紅杉資本合夥人作為峰會的開篇，紅杉資本的合夥人們以其敏銳的行業嗅覺和戰略思考，為AI的未來發展定下了基調。🔹 重新校準：AI的市場版圖與“迫在眉睫”的變革“我們認為人工智慧領域正在發生什麼？”帕特·卡拉迪拋出這個問題，並迅速給出了紅杉的框架：AI所瞄準的市場，已從單一的服務市場，擴展到服務與軟體兩者兼具。這意味著，“這兩個利潤池都受到了衝擊。”企業應用AI的模式，正經歷從“在軟體預算中銷售工具”，到“銷售結果”，再到“在勞動力預算中銷售工作”的深刻轉變。帕特強調，這個新市場的起點，“至少要大一個數量級”。更重要的是，這場變革“人工智慧實際上迫在眉睫，而不僅僅是不可避免。”帕特指出，計算能力、網路、資料、分發管道和人才等所有先決條件均已成熟。與雲端運算轉型初期的緩慢滲透不同，ChatGPT的問世讓“整個世界都在關注人工智慧。”技術的“分配的物理學”已經改變，56億網際網路使用者意味著“當發令槍響時，沒有任何採用的障礙。”這導向一個核心結論：“事情發生的越來越快，比以往任何時候都快。”因此，帕特的行動指令是：“現在是始終以最大速度前進的時候。”🔹 價值歸屬：應用層為王，信任與資料飛輪建構核心壁壘儘管基礎模型的能力日新月異，紅杉依舊堅信“價值在於應用層”。對於初創企業，除了95%的通用創業法則，那“5%是人工智慧特有的”要素至關重要：1. 警惕“氛圍收入”：“氛圍收入會害死你。”帕特直言。關注真實的採納率、參與度和留存率，是檢驗商業模式可持續性的試金石。2. 信任是基石：“在目前這個周期階段，信任比你的產品更重要。”產品可以迭代，但客戶的信任一旦失去，便難以挽回。3. 端到端的解決方案：“你的客戶不確定他們希望從人工智慧中獲得什麼，你可以有你的觀點，你可以為他們提供一個端到端的解決方案，直接解決問題，而不是把工具拋過去就算了。”4. 健康的毛利率路徑：儘管Token成本在“過去12到18個月裡下降了99%”，但企業更應關注通過銷售成果捕獲更高價值，從而提升價格點，走向長期健康的毛利率。5. 與業務指標掛鉤的資料飛輪：“它需要與一項業務指標掛鉤，否則就毫無意義。”這是建構可持續競爭優勢的關鍵。🔹 使用者行為演變：AI從嘗鮮到依賴，融入日常工作流索尼婭的回顧指出，AI應用的參與度已發生質變。“例如，ChatGPT的日活躍使用者與月活躍使用者比例攀升並接近Reddit的水平，這令人印象深刻。”這標誌著AI正從“資料層面上炒作超過了現實”轉向“越來越多的人正在從人工智慧中獲得價值”。語音技術的“‘她’時刻”以及程式設計領域“達到了極佳的產品市場契合度”，都是AI深度融入日常工作與生活的明證。🔹 智能體經濟的曙光：新物種、新規則與新大陸紅杉合夥人康斯坦丁則將視野投向了正在萌芽的“智能體經濟”。這不再僅僅是輔助工具，而是“智能體不僅僅交流資訊的經濟形態。它們轉移資源，可以進行交易，跟蹤彼此，理解信任和可靠性，並且它們實際上擁有自己的經濟體系。”康斯坦丁強調，這個經濟體系“並沒有排除人類，它完全是為了人類”，是一個人與代理深度協作的新生態。要實現這一願景，三大技術支柱不可或缺：康斯坦丁預見，這將帶來個體思維模式的深刻轉變：從確定性思維轉向擁抱“隨機性思維”，從個人貢獻者思維轉向“管理思維”（有效管理和調度AI代理），最終實現“以顯著降低的確定性換取更大的槓桿作用”。紅杉甚至大膽預測，我們將見證“這個經濟體中前所未有的最高槓桿水平”，乃至“首個單人獨角獸企業”的誕生。紅杉的開篇演講，為整個峰會定下了“價值重估”與“加速行動”的基調。第二章｜OpenAI Isa Fulford：“深度研究”產品解密——AI如何化身超級研究分析師主講人：伊薩·富爾福德 (Isa Fulford) - OpenAI Deep Research團隊負責人伊薩·富爾福德詳細解讀了OpenAI的“深度研究 (Deep Research)”功能，展示了頂級AI模型如何在複雜的線上研究任務中，展現出媲美人類專家的能力。🔹 核心定位：分鐘級完成小時級研究，媲美專業分析師“深度研究是ChatGPC中的一種代理能力，它可以在網上進行多步驟研究，以解決非常複雜的任務。”伊薩如此定義。使用者只需給出一個提示，該功能便能在5到30分鐘內，自主瀏覽大量線上網路資源，進行深度推理，並最終“返回一份內容詳實、全面的報告，其水平大約相當於一名研究分析師。”這標誌著AI在資訊獲取與整合能力上的重大突破。🔹 建構路徑：從激發興趣的演示到嚴謹的模型訓練Deep Research的誕生，始於一個“通過提示模型，拼湊了一個演示”，以此“讓人們對此感到興奮”。隨後，團隊投入到實質性的模型訓練中，這包括：建立針對性的強化學習任務，以“實際教導模型我們希望它學習的瀏覽能力和資料分析能力”。為模型配備必要的工具，如賦予其“訪問瀏覽器的權限，以便它可以搜尋、點選和滾動瀏覽內容”，以及“一種執行程式碼的方式，以進行資料分析和繪製圖表等”。🔹 互動智能：“澄清問題”機制，確保輸出質量與使用者意圖一致Deep Research的一個顯著特點是，在正式開始研究前，它會“反饋一些澄清問題”。伊薩解釋道：“我們這樣設計的原因是，我們認為如果模型要為你工作相當長的時間，你肯定想確保獲得的輸出正是你想要的，並且我們希望使用者儘可能地提前提供詳細資訊。”這種互動設計，體現了在追求AI代理自主性的同時，對人機協同效率和最終成果質量的高度重視。🔹 廣泛的應用場景：覆蓋專業研究與個人生活需求伊薩通過具體案例，展示了Deep Research的廣泛適用性：專業研究：例如，分析“人工智慧公司風險投資的最新趨勢”，並能根據要求“繪製一張圖”來直觀呈現關鍵趨勢。個人生活輔助：例如，在韓國根據多重約束條件（距離、參考特定評論網站、閱讀非母語資訊）尋找推薦的夜市及店舖。伊薩提到：“使用普通的搜尋，很難一次性進行具有所有這些約束條件的搜尋。”垂直領域知識獲取：例如，查詢“美國有那些已獲得監管批准的、用於治療血友病的特定基因療法，並提供相關資訊”。🔹 未來展望：整合私有資料，並從“資訊綜合”邁向“採取行動”對於Deep Research的未來，伊薩展望了兩個重要方向：整合私有上下文：“例如您內部的公司知識、付費牆資源。”這將極大拓展其應用深度和商業價值。超越資訊綜合，實現行動能力：“下一個重要的方向將不僅僅是綜合現有資訊，而是實際採取行動。”伊薩·富爾福德的演講展示了OpenAI如何將前沿的AI模型能力，封裝成一個強大且具實用價值的研究代理產品。Deep Research不僅是技術實力的體現，更是對AI未來應用形態的一次重要探索。第三章｜OpenAI Dan Roberts：“推理”的魔力與AGI的九年之約主講人：丹·羅伯茨 (Dan Roberts) - OpenAI研究員丹·羅伯茨的演講是關於通用人工智慧（AGI）探索的核心地帶——“推理”。他以其物理學背景，深入淺出地闡述了OpenAI在提升模型推理能力方面的革命性進展，並給出了一個引人深思的時間表。🔹 “測試時計算”：賦予模型“思考時間”，實現性能躍遷丹首先揭示了OpenAI在模型訓練和評估上的一個重要突破：“測試時計算”。“當我們訓練模型時，隨著訓練時間的增加，模型得到了改進。這是每個訓練人工智慧模型的人都熟悉的事情。真正令人興奮的是右邊的這張圖表，它表明模型也隨著測試時間的增加而得到了改進。”這意味著，模型被賦予了“思考”的時間，“它會花一些時間思考，而且它思考的時間越長，改進就越大。”這為模型性能的提升開闢了一個全新的、非線性的維度，其重要性使得OpenAI甚至“把它印在了T恤上”。🔹 愛因斯坦的思想實驗：衡量當前AI推理能力的標尺為了更直觀地展示當前模型的推理水平，丹設計了一個巧妙的思想實驗：讓1907年（廣義相對論提出前）的阿爾伯特·愛因斯坦嘗試解答一道關於廣義相對論的期末考試題。結果顯示，O3模型已經能夠在一分鐘內解決複雜的教科書級物理計算。而愛因斯坦本人，則需要大約8年的時間才能“發現這個問題”。丹強調：“現在的模型可以思考一分鐘，並重現教科書上的計算及其擾動。但我們的目標是，它們能對人類知識和科學的現狀做出重大貢獻。”🔹 強化學習的規模化：通往AGI的引擎如何才能讓AI模型做出真正的、原創性的科學貢獻？丹給出的答案是：“我們希望擴大強化學習的規模。”他引用了Yann LeCun將強化學習比作蛋糕頂部的“小櫻桃”的觀點，並風趣地表示OpenAI的策略是：“我們只想用一個巨大的強化學習櫻桃來碾碎它。”這意味著，在強大的預訓練模型基礎上，投入規模空前的強化學習計算資源，將是OpenAI未來的核心戰略之一。🔹 AGI的九年之約：一個基於趨勢的大膽預測丹指出，OpenAI不僅在“擴大我們的計算規模”（他甚至開玩笑說“我們將籌集 5000 億美元……建造一些建築物，並在裡面放置一些電腦”），同時也在“發展規模化科學”，不斷探索和重新定義AI能力的擴展定律。對於當前模型仍未能做出重大科學發現（被播客主Dwarkesh Patel形容為“白痴天才”）的現狀，丹認為可能是因為“我們可能只是在提出錯誤的類型的問題”，或者是訓練資料的問題。但他堅信，“當我們這樣做（進一步擴大規模）時，將會非常棒。”最後，基於紅杉康斯坦丁展示的“人工智慧可以完成的任務長度的指數增長”（每7個月翻一番）的圖表，丹進行了一個大膽的推斷：從當前模型能處理約1小時任務的水平，到達到愛因斯坦思考廣義相對論所需的8年時間（大約需要16個翻倍周期），這意味著“在9年內，我們將擁有一個能夠發現廣義相對論的模型。”丹·羅伯茨的演講，充滿對AGI未來的展望和實現路徑思考。它揭示了OpenAI在“推理”這一核心智能維度上的雄心和戰略重點，也為我們理解AI能力邊界的拓展提供了新的視角。第四章｜Anthropic Mike Krieger：AI產品建構的“非常規”心法與智能體協同的未來主講人：邁克·克里格 (Mike Krieger) - Anthropic首席產品官，Instagram聯合創始人作為Instagram的聯合創始人，邁克·克里格擁有豐富的產品建構經驗。在Anthropic，他正面臨著將這些經驗應用於快速迭代、能力邊界不斷拓展的AI領域的挑戰。他的分享，為我們揭示了AI時代產品哲學的新思考。🔹 顛覆傳統規劃：擁抱“自下而上”的湧現式創新“我不得不摒棄的一個教訓是，在 Instagram，我們做了更多自上而下的，3到6個月時間框架的規劃。”邁克坦言。在AI領域，尤其是在Anthropic這樣處於技術前沿的公司，“你必須允許更多自下而上的創造力。因為我認為，大多數最好的產品都是那些非常接近模型建構的，而且你只能在過程的後期才能知道它們的能力。”他以研究原型（Artifacts）最終演化為正式產品為例，強調了這種靈活、貼近模型能力的產品開發模式的重要性。🔹 MCP的誕生與演進：從解決內部痛點到建構開放生態模型間通訊協議（MCP）的起源，並非源於宏大的頂層設計，而是為瞭解決內部不同整合（如Google Drive、GitHub）之間缺乏共通性、重複開發的實際問題。“做事情三次，第三次你可以嘗試弄清楚抽象概念是什麼。”從最初的內部工具，逐步演化為開放協議，Anthropic希望MCP能成為行業標準，促進更廣泛、更高效的智能體互動。“當MCP以及更普遍的智能體之間相互互動時……什麼時候你的代理會僱傭其他的代理，以及這種經濟體，事物的經濟體看起來會是什麼樣子。”這與紅杉康斯坦丁提出的“智能體經濟”願景高度契合。🔹 編碼模型：AI應用的“零號病人”，暴露組織與流程瓶頸Anthropic在AI輔助編碼方面投入巨大，其內部超過70%的Pull Request已由Claude程式碼生成。邁克將編碼模型視為某些AI應用趨勢的“零號病人”，它不僅極大地提升了工程效率，也反過來暴露了現有組織流程和協作模式的瓶頸。例如，傳統的程式碼審查機制如何適應AI生成的大量程式碼？當工程交付速度極大提升後，組織內部的“對齊會議”等協調成本是否會顯得更加突出和痛苦？“它們（AI模型）還沒有達到在組織上驅動決策制定的程度。”這些都是AI深入應用後，企業需要面對的新問題。🔹 AI產品的易用性挑戰與“AI原生”的追求邁克坦誠地指出了當前AI產品在易用性方面面臨的挑戰：“這些產品對於大多數初次接觸的人來說，要想有效使用，確實非常困難……它仍然感覺我們離你第一次打開Instagram時的狀態還很遠。”他認為，許多所謂的AI原生產品，其問題在於“沒有充分地向模型暴露應用程式的原語”，或者僅僅是將AI功能置於“側邊欄”，未能從核心架構和互動上實現真正的“AI原生”設計。Anthropic的未來目標之一，是讓模型能夠“更長時間地自主工作”，這需要模型具備記憶、高級工具使用和有機融入複雜工作流的能力。邁克·克里格的分享強調了在AI時代，產品建構需要更加靈活、更貼近模型能力的動態演進，並坦誠地指出了當前AI產品在使用者體驗和深度整合方面尚待解決的挑戰。第五章｜LangChain Harrison Chase：“環境代理”與“代理收件箱”——重塑人機協作新介面主講人：哈里森·蔡斯 (Harrison Chase) - LangChain聯合創始人兼CEO作為廣受歡迎的開發者工具LangChain的掌舵人，哈里森·蔡斯致力於降低建構AI應用的門檻。他的演講揭示了AI代理從被動的“聊天機器人”向更主動、更融入環境的“環境代理”演進的趨勢。🔹 超越“聊天代理”：“環境代理”的興起與核心特徵“到目前為止，我們看到建構的很多智能體都是我所說的聊天智能體，”哈里森首先點明了當前AI代理應用的主流形態。但他認為，更具潛力的是“環境代理 (Ambient Agents)”——這種代理的核心特徵是“監聽事件流，並據此採取行動，有可能同時對多個事件採取行動。”與傳統的聊天代理相比，“環境代理”展現出顯著的不同哈里森以一個“電子郵件代理”為例，它可以自動監聽收到的郵件，並相應地採取行動，如起草回覆、安排會議或提醒相關人員。🔹 “人在環路”的必要性：環境代理並非完全自主儘管環境代理更具主動性，但哈里森強調，“環境感知並不意味著完全自主。”人的有效參與和監督，對於環境代理的成功運作至關重要。其原因包括：確保更優結果：通過澄清問題、提供反饋等方式，引導代理產生更符合期望的輸出。建立和維持信任：特別是在執行關鍵操作（如財務支付、客戶退款）時，人的批準是建立信任的必要環節。助力代理記憶與學習：“如果沒有使用者與代理互動，就沒有使用者互動可以學習。”使用者的反饋是代理持續改進和個性化的重要資料來源。🔹 “代理收件箱”：人與眾多環境代理協作的樞紐鑑於“人在環路”的重要性，如何設計一個高效的人機互動介面，成為關鍵問題。LangChain為此建構了一個名為“代理收件箱 (Agent Inbox)”的原型。這“是一個供你的代理髮送東西的收件箱”，人類使用者可以在此清晰地看到那些代理需要人工干預（例如，需要批准某個行動、編輯某個建議或回答某個問題）。更進一步，LangChain的代理編排框架LangGraff，正致力於支援這種複雜的、持久化的人機互動模式。它允許代理在任何時間點暫停，保存其完整狀態，等待使用者介入（無論是一秒、一天還是一小時），使用者可以查看狀態、修改狀態，甚至進行“時間旅行”——回溯到代理執行的早期步驟進行干預和修正。🔹 LangChain的實踐探索：開源郵件代理的啟示哈里森還分享了他個人建構的一個開源郵件代理的經驗，該代理能夠起草郵件回覆、傳送日曆邀請，並通過“代理收件箱”與他進行協作。“我認為它非常酷和獨特，並希望它能讓你一窺未來。”哈里森·蔡斯的演講勾勒出AI代理未來互動形態的清晰圖景。從被動響應到主動感知與行動，AI以更深層次、更無縫的方式融入我們的數字工作與生活。第六章｜Sierra Bret Taylor：AI驅動的商業模式革命——從銷售工具到為“成果”付費主講人：佈雷特·泰勒 (Bret Taylor) - Sierra聯合創始人，前Facebook CTO，前Salesforce聯席CEO佈雷特·泰勒，這位在Google地圖重寫、Facebook技術領導以及Salesforce聯合掌舵等多個重要節點都留下印記的矽谷重量級人物，如今攜其新創企業Sierra，他的演講，核心觀點是AI正在從根本上顛覆傳統軟體的銷售邏輯和價值主張。🔹 AI代理即新型SaaS：孕育兆美元企業軟體公司的潛力佈雷特將AI市場劃分為三個主要層面：基礎模型、AI開發工具（如同淘金熱中的“鎬和鏟”），以及他最為看好的“應用人工智慧市場”。他斷言：“我認為它會以代理的形式展現出來。”這意味著，“公司購買人工智慧的形式將是購買一個執行特定工作的代理。”例如，法律行業的Harvey、客戶體驗領域的CIRA（Sierra自身定位）等。這不僅僅是技術的升級換代，更是價值創造方式的躍遷。“你正在從銷售生產力提升，轉向銷售成果，而成果是有價值的，一些結果極具價值。”基於這一判斷，佈雷特大膽預測：“在這個智能代理的新世界裡，你可能會想，我們是否會看到第一家兆美元等級的應用型企業軟體公司？我認為答案是肯定的。”🔹 “基於結果的定價”：與客戶商業價值的深度對齊Sierra的商業模式創新，集中體現為其“基於結果的定價 (outcome-based pricing)”策略。具體而言，“當AI代理自主解決客戶的問題時，會有一個預先協商好的價格。如果我們必須升級到人工處理，那是免費的。”佈雷特認為，這並非刻意求新，而是軟體商業模式發展的自然演進。“如果你銷售的軟體可以完成一項工作，那麼最符合發展趨勢的商業模式是什麼？我們覺得，應該為完成的出色工作付費。”銷售人員可以獲得銷售佣金，AI代理為何不可？這種模式徹底改變了傳統軟體供應商與客戶之間往往存在的“若即若離的關係”，迫使供應商與其客戶的實際業務成果深度繫結，形成真正的利益共同體。🔹 初創企業的核心優勢：商業模式的顛覆力“彌合你產品中的技術差距很難，但並非不可能。改變你的商業模式真的非常困難。”佈雷特一語道破了初創企業在AI浪潮中的獨特優勢。他認為，AI帶來的不僅僅是技術和交付模式的革新，更是“新的商業模式”的機遇。初創公司由於沒有歷史包袱，能夠更靈活、更徹底地擁抱這種以“成果”為核心的經濟模型。🔹 企業銷售的藝術：共情、深度研究與解決真實痛點對於如何將AI產品成功銷售給大型企業，佈雷特分享了他的經驗之談：“用你客戶的語言交流，並且擁有同理心……在與客戶會面之前，對他們進行深入的研究，指的是實際的功能、深入的調研……你花在研究客戶和理解他們的需求上的時間越多，而花在思考下一個要發佈的功能上的時間越少，對話就會進行得越順利。”他強調，要真正從合作夥伴的角度出發，幫助客戶解決他們最緊迫的業務問題，將技術價值與具體的商業場景緊密結合。佈雷特·泰勒以其實戰經驗和行業洞察指出：AI的真正顛覆力，在於它能直接創造和交付可度量的商業成果，而那些能夠率先抓住並實踐這一點的企業，將有機會重新定義軟體行業的未來格局。第七章｜NVIDIA Jim Fan：具身智能的終極征途——從高級模擬到“物理圖靈測試”與“原子級API”主講人：Jim Fan - NVIDIA AI總監，傑出研究科學家NVIDIA的Jim Fan為我們展開了一幅具身智能（Embodied AI）發展的畫卷。其核心目標是讓AI不僅能“思考”，更能“行動”，最終通過嚴苛的“物理圖靈測試”，無縫融入並智能地改造我們身處的物理世界。🔹 “物理圖靈測試”：定義具身智能的終極目標“你在周日晚上舉辦了一個駭客馬拉松派對……周一早上，我想讓別人來清理這個爛攤子，然後為我準備一頓非常棒的燭光晚餐……而且你無法分辨這出自人類之手還是機器之手。夠簡單明了，物理圖靈測試。”Jim Fan用這樣一個生動而極具挑戰性的場景，清晰地定義了具身智能的終極追求。他坦言，當前的機器人技術距離這一目標尚遠，其核心瓶頸在於高品質、大規模物理世界互動資料的極度稀缺——“真實機器人資料是人類燃料，比化石燃料更糟糕。”🔹 模擬技術：機器人的“核能源”，打破資料獲取瓶頸如何克服物理資料的困境？Jim Fan給出的答案是模擬。“我們必須離開物理世界，然後在模擬環境中做一些事情。”他詳細闡述了NVIDIA在模擬技術上循序漸進的兩個關鍵階段：Sim 1.0 (數字孿生範式 - Digital Twin Paradigm)：* 核心思想：精確建構機器人和其操作環境的數字複製品。* 訓練方式：在經典的向量化物理引擎中，以遠超即時的速度（每秒1萬到1百萬幀）進行大規模平行訓練。* 關鍵技術：引入“領域隨機化 (Domain Randomization)”——在模擬中調整重力、摩擦力、物體重量等參數，以增強模型對真實世界變化的魯棒性和泛化能力。* 成果展示：人形機器人通過相當於10年的訓練（僅用2小時模擬時間）即可學會行走，並能模仿人類複雜的全身姿態，實現“零樣本遷移到真實機器人”，且驅動這種複雜行為的神經網路僅需“1.5百萬個參數”。Sim 2.0 (生成式物理 / 數字表親 / 數字游民範式 - Generative Physics / Digital Cousin / Digital Nomad Paradigm)：* 核心思想：利用生成式AI的能力，進一步提升模擬的多樣性和逼真度，甚至直接生成互動式的物理場景。* 技術路徑：* 資產生成：使用3D生成模型建立場景中的3D資產。* 紋理生成：利用Stable Diffusion等擴散模型生成逼真的物體紋理。* 佈局生成：通過提示LLM編寫XML來程序化生成多樣化的場景佈局。* 視訊生成：採用通用的視訊生成模型，並用真實機器人實驗室收集的領域資料進行微調，使其能夠根據語言提示“想像不同的未來”，模擬反事實情況，甚至處理流體、軟體等複雜物理現象。Jim Fan展示了完全由定製模型生成的機器人互動視訊，證明了其潛力。* 優勢與挑戰：極大地提升了場景多樣性，但目前運行速度相對較慢。Jim Fan將經典模擬的規模化能力（Sim 1.X系列）與神經世界模型（Sim 2.0）的指數級多樣性潛力相結合，稱之為“我們擴展下一代機器人系統的核動力”。🔹 Groot N1模型與“物理API”的未來願景基於強大的模擬資料和訓練能力，NVIDIA已經開源了Groot N1模型，使其能夠在真實機器人上執行諸如抓取香檳酒杯、進行多機器人協作等複雜任務。而展望更遠的未來，Jim Fan提出了“物理應用程式程式設計介面 (Physical API)”的構想。“物理API移動大量的原子。你基本上賦予你的軟體一個物理驅動器來改變物理世界。”在這個物理API之上，將會誕生一種全新的“技能經濟”，例如，米其林星級廚師不再需要親臨廚房，而是可以通過教導機器人，“提供米其林晚餐即服務。”最終，當“所有運動的事物都將是自主的”，當機器人無縫融入我們的生活，幫助我們處理日常瑣事，實現物理圖靈測試的那一天，“只會像平常的周二一樣被記住。”Jim Fan以其豐富的技術細節和有感染力的願景，清晰地展示了NVIDIA在攻克具身智能的決心與實力。通過建構日益逼真和多樣化的高級模擬環境，NVIDIA從數字世界走向物理世界，鋪設一條AI的堅實技術路徑。第八章｜Crusoe Chase Lochmiller：AI基礎設施的“工業革命”——能源、特種資料中心與“電腦即資料中心”主講人：Chase Lochmiller - Crusoe首席執行官在演算法與模型的光環之下，是支撐AI的龐大物理基礎設施。Crusoe的CEO Chase Lochmiller 深度剖析了這場AI革命背後真正的“工業”基石——伺服器的物理形態、鋼鐵的供應鏈、電力的巨大需求與特種資料中心的設計。🔹 資料中心的進化：從傳統機房到AI的“工業級工廠”“把20年前的、用於提供網頁服務的資料中心，和今天管理著擁有10萬以上GPU叢集的高性能人工智慧資料中心，稱為同一種東西，這就像把卡丁車和路虎攬勝都稱為車輛一樣。”Chase Lochmiller用這個生動的比喻，點明了AI對資料中心定義的根本性重塑。建構為AI最佳化的資料中心，是一個“高度工業化的過程”。他以北弗吉尼亞州（全球資料中心重鎮）約4.5吉瓦的總容量為例，對比Crusoe一家初創公司目前正在建設的約2吉瓦容量和規劃中的20吉瓦容量，強調“僅僅為了使人工智慧成為現實，它就正在徹底改變能源格局和資料中心格局”。🔹 瓶頸的轉移與垂直整合的戰略價值：速度就是生命線AI發展的瓶頸，已經從曾經的晶片短缺，顯著轉移到了“電力、鋼鐵、資料中心空間”這些更為基礎和複雜的領域。面對這些“不容易加速”的供應鏈挑戰，Crusoe採取了“第一性原理的垂直整合方法”。一個典型的例子是，為解決低壓開關裝置長達100周的交付周期，他們果斷“建立了一家工廠，開始自己製造開關裝置，現在我們22周就能完成。”Chase強調：“速度對我們來說是一個關鍵優勢。”對於大型科技公司和AI實驗室而言，Crusoe的核心價值主張正在於能夠大規模、快速地交付專門建構的AI基礎設施。🔹 資料中心選址的新邏輯：能源優先與主權AI的驅動Crusoe的資料中心選址策略，體現了AI時代的新考量：能源優先：將計算基礎設施建在“可以獲得低成本、清潔和豐富能源的地區”。例如，他們選擇在風能資源豐富且存在大規模過度建設（導致負電價頻現）的西德克薩斯州阿比林建設資料中心。主權AI驅動：地緣政治和資料本地化的需求，催生了“主權AI”戰略，推動了資料中心在全球範圍內的地域性分散。🔹 能源挑戰即是機遇：AI熱潮助推下一代能源技術發展AI對電力需求的“階躍函數變化”，給傳統電力行業帶來了巨大壓力。但Chase Lochmiller從中看到了機遇：“我們認為人工智慧是一個巨大的機會，可以真正加速下一代能源技術的發展。”他透露，Crusoe已與三家小型模組化反應堆（SMR）公司達成交易，希望推動核能成為未來資料中心供電的關鍵組成部分。他認為，這是人類歷史上第一次能夠“用矽製造智能”，而這場繁榮將引領我們進入一個“智能和能源都非常充足的未來”。🔹 “資料中心即電腦”：叢集級設計的核心理念與實踐在AI工廠的設計哲學上，Chase Lochmiller提出了一個核心觀點：“資料中心是新的計算單元。”這意味著設計和建構不再是孤立伺服器的堆砌，而是將整個資料中心（甚至跨建築叢集）視為一台統一的、超大規模的電腦。為此，Crusoe在資料中心設計中融入了諸多創新：極致的功率密度：傳統機架功率僅為2-4千瓦，而NVL72（GB200）機架約為120-130千瓦，未來的Vero Rubin Ultra機架更是高達600千瓦。這種數量級的提升，從根本上改變了資料中心的熱力學。先進的冷卻架構：Crusoe的資料中心看起來像“自來水廠”，巨大的管道輸送數百萬加侖的水，通過直接晶片冷卻架構為GPU降溫，再通過冷卻器將熱量排放到外部。叢集級網路互聯：在阿比林的項目中，他們計畫通過直徑44英吋的導管連接8個獨立的建築物，將每個網路核心互聯，以支援一個超大規模的、連貫的GB200叢集，目標是建成“世界上最大的叢集”。Chase Lochmiller的演講，揭示了AI光鮮亮麗的應用背後，龐大而堅實的物理基礎設施底座。在演算法與模型飛速迭代的同時，能源供應的創新、特種資料中心的工程突破以及供應鏈的垂直整合，共同構成了這場“AI工業革命”不可或缺的關鍵要素。【峰會總結與展望】AI新範式確立：從數字智能到物理實體，價值鏈的全面重構紅杉資本AI Ascent 2025峰會的八場主題演講，從不同維度共同勾勒出人工智慧技術發展與產業變革的核心脈絡。綜合來看，本次峰會傳遞出以下幾個關鍵訊號和趨勢判斷：1. 商業模式的根本性轉變：從“工具付費”到“成果付費”的價值重塑。無論是紅杉資本的戰略定調，還是以Sierra為代表的應用層探索，都清晰地指向AI商業模式的核心將從傳統的軟體授權或席位訂閱，轉向基於AI所創造的可度量商業成果（如KPI提升、成本節約、營收增長）進行定價和付費。這要求AI產品和服務必須深度嵌入客戶的業務流程，並直接對業務結果負責。2. 智能體（Agents）的崛起與普及：AI從被動響應走向主動執行與協同。從OpenAI的Deep Research、Anthropic的編碼代理與MCP協議，到LangChain的“環境代理”和“代理收件箱”，各種形態的AI智能體正成為研發和應用的熱點。這些智能體具備更強的自主性、環境感知能力、工具使用能力和協作潛力，預示著“智能體經濟”的雛形正在形成，未來可能出現由AI代理深度參與甚至主導的複雜工作流。3. 物理世界與AI的加速融合：具身智能與底層基礎設施的突破是關鍵。以NVIDIA的“物理圖靈測試”和高級模擬技術為代表，AI正努力突破數字世界的邊界，進入並改造物理世界。這不僅需要演算法和模型的進步，更對能源供應（如Crusoe探索的清潔能源與SMR）、特種資料中心設計（高功率密度、先進冷卻、叢集互聯）以及機器人硬體等底層基礎設施提出了全新的、極高的要求。4. 模型核心能力的持續進化：“推理”能力與強化學習規模化是通往更高級智能的引擎。OpenAI對模型“推理”能力的強調，以及通過“測試時計算”和大規模強化學習來提升模型性能的策略，表明業界對模型深層智能的追求仍在繼續。對AGI（通用人工智慧）的探索，雖然路徑尚不完全清晰，但以“推理”為核心的認知能力的提升，被普遍認為是關鍵方向。5. 人機協同與組織適應的極端重要性：技術變革呼喚認知與流程的同步進化。無論是AI代理需要“人在環路”進行監督與反饋，還是AI工具對現有組織流程和管理模式帶來的衝擊，都表明AI的成功落地，不僅僅是技術問題，更是人、組織與技術的協同進化過程。擁抱不確定性、培養與AI協作的思維和技能、重構工作流程，將是未來個體和組織的核心競爭力。紅杉AI Ascent 2025峰會所呈現的圖景是：AI技術正從單一的技術突破，演變為一場波及整個經濟社會體系的深刻變革。其核心驅動力在於AI能夠以前所未有的方式創造和交付“成果”。這不僅要求技術本身的持續創新，更呼喚商業模式、基礎設施、組織結構乃至個體思維方式的全面重構。對於所有參與者而言，理解並適應這一新範式，將是在未來AI驅動的價值鏈中佔據有利位置的關鍵。 (Web3天空之城)

在近日紅杉資本舉辦的 AI Ascent 2025 演講中，紅杉資本的三位合夥人概述了為什麼人工智慧代表的市場機遇至少是雲端運算的10倍大，初創公司應該在那裡集中精力以取得成功，以及AI代理的崛起將如何創造一個全新的經濟範式。我們針對其演講內容進行了梳理，並進行了編譯：Packer Radio：大家好，我是紅杉資本的合夥人Packer Radio，今天我和紅杉資本的所有合夥人Sonya、Konstantine一起為大家主持我們的主題演講。在進入今天的核心內容之前，我和Sonia、Konstantine想先分享一些我們在過去一年裡的心得體會。昨天，我收到一位與我合作的創始人發來的郵件，他說：“嘿，夥計，我這場活動可能會遲到一會兒，大概 9 點 35 分才能到。”我當時就想，這時間卡得真奇怪，那剛好是黃仁勳出場的時間。所以，我們理解大家的心情，但還是想先分享一些想法，然後再進入正題，沒問題吧？首先，來校準一下認知，我們怎麼看AI領域當下的情況呢？我們過去常用來分析市場的簡單框架是什麼樣的？這就涉及到Don Valentine提出的幾個問題：AI是什麼？他出現了又怎麼樣？我們現在該怎麼辦？我們如何利用它？我們要如何才能勝出？過去幾年我們都討論過這些問題，接下來幾分鐘，我們會更新一下我們的一些想法。說實話，關於 “AI是什麼” 我本來準備了一段精彩的發言，但Konstantine委婉地提醒我，對著一屋子AI領域的人解釋什麼是AI可不是個好主意。所以，我們直接跳到 “那又怎樣” 這個話題。為了活躍下氣氛，有誰還記得去年的這張 PPT嗎？謝謝。太棒了。第一行是雲轉型，第二行是AI轉型，頁面左邊是過去，中間是現在，右邊是未來。這說明了什麼呢？雲轉型開始時，其 4000 億美元的收入規模比全球軟體市場還要大。以此類推，我們在AI服務領域所瞄準的市場，起點規模至少要大一個數量級，從現在起 10 到 20 年後的終點規模，有望變得極其龐大，這一點很關鍵。實際上，我們最近改變了想法。AI所涉足的不只是服務市場，還有軟體市場，這意味著這兩個收益領域都受到了衝擊。我們看到很多公司，一開始做軟體，而隨著功能逐漸智能，軟體變成了某種輔助工具，再進一步發展，成為了能自行處理的全自動化工具。它們實際上已經從依靠軟體預算銷售工具，轉變為按勞動預算銷售成果或服務。這兩個領域都充滿了機遇。還有誰記得去年的這張PPT嗎？哎呀，有點小失落，才 34 個人舉手。好吧，又多了一個。好的，謝謝大家。別害羞，大家都可以舉手。這張分層蛋糕圖展示了過去幾十年裡層層堆疊，將我們帶到當下的技術浪潮。這張圖有兩個要點：第一，投入AI領域不僅是不可避免的，而且迫在眉睫。前提條件已經具備，計算能力、網路、資料、分發管道、人才，我們所需的所有要素都已齊全，萬事俱備。第二，這些技術浪潮往往具有疊加效應。與之前的浪潮相比，這次的機遇要大得多，而且到來的速度也快得多。我不太喜歡這張圖，橫軸是時間，縱軸是某個虛榮指標，人們常用它來為各種觀點找依據。不過觀察到的現像是正確的，事情的發展速度比以往任何時候都要快得多，但沒多少人深入探究過原因，我們來簡單分析一下。從傳播的物理原理來看，只需要三個條件：人們得知道你的產品，得想要你的產品，還得有能力購買你的產品，就這麼簡單。雲轉型剛開始的時候，根本沒人關注。Benioff不得不採用瘋狂的游擊行銷策略，才能吸引到別人的注意。AI則大不相同。2022 年 11 月 30 日，ChatGPT 發佈，全世界都開始關注AI。中間這欄資料顯示的是 Reddit 和前身為推特（Twitter）平台的月活躍使用者總數之和。雲轉型開始的時候，這些平台還不存在，移動網際網路轉型開始的時候，它們也才剛剛起步，如今這些平台的使用者總數在 12 億到 18 億之間。這雖然不是發現新鮮事物的唯一途徑，但卻是個不錯的管道。再看頁面右邊，想想當初貝尼奧夫推廣業務的時候，全球網際網路使用者只有 2 億人，如今已經達到 56 億人，幾乎涵蓋了世界上的每個家庭和企業。這一切意味著什麼呢？意味著基礎條件已經具備。一旦起跑槍響，推廣過程中將不再有障礙。這並非AI特有的現象，而是技術傳播的新現實。傳播機制已經改變，軌道已經鋪好。這是去年的另一張PPT。面對這種情況，我們該怎麼做？該在那些領域發力才能取勝呢？這張PPT有兩個要點：第一，還有很大的發展空間。同樣，這是去年的PPT，現在的空白區域已經少了一些。一些公司開始嶄露頭角，但總體而言，機會仍然很多。第二，這些標識代表收入達到 10 億美元以上的公司。我們關注的不是獨角獸企業，而是收入和自由現金流，收入達到 10 億美元以上才是我們看重的。在之前的技術轉型中，大多數這樣的公司都處於行業頂端，大多集中在應用層。我們一直認為，並且現在依然堅信，AI領域也是如此，價值就存在於應用層。但你猜怎麼著？競爭也很激烈。我們有了第二條縮放定律，即測試時計算。還有結合工具使用和智能體間通訊進行推理的技術，這使得基礎模型在應用層有了很大的發展空間。如果你是一家初創公司，又不打算打造垂直整合的業務，那就從客戶需求出發，專注於特定的垂直領域和功能，去解決複雜的問題。這可能需要人為介入，但這就是競爭所在，也是價值所在。這一點大家一定要牢記於心。我們該如何在競爭中取勝呢？來吧，大家笑一笑，這是個很有趣的話題。我們該如何在競爭中取勝呢？去年我們展示過這部分內容，所以我猜你們沒笑是因為去年看過了。在AI領域創辦一家公司，95% 的工作和創辦其他公司沒什麼兩樣，都是用獨特且有吸引力的方式解決重要問題，吸引優秀人才追隨你，都是這些大家熟知的事情。另外 5% 則是AI領域特有的。在競爭應用層的過程中，有幾個方面需要考慮。這是我們的合夥人Doug Leone打造的行銷周期圖，這位業界傳奇花了 40 年精心打造了這個內容。它展示了你如何把腦海中的想法轉化為客戶手中的產品。首先，想法要變成產品，這需要工程團隊進行開發，然後推向市場，進行銷售和後續支援，這就是完整的價值鏈。頁面底部是從技術出發的視角，頂部是從客戶需求出發的視角。通過這種方式，你可以在整個價值鏈上建立起競爭壁壘。如果你的客戶不確定他們想從AI中獲得什麼，你要有自己的見解。你可以為他們提供端到端的解決方案，直接解決問題，而不是只扔給他們一個工具。你還可以利用自己產品的使用資料建構資料飛輪，這是別人沒有的優勢。你可以深入某個行業，為這個行業服務，就像 Open Evidence 為醫療行業所做的那樣。你要能說行業內的 “行話”，比如 Harvey 會派律師團隊與律師事務所溝通。說實話，我們不太建議派工程師去做這種事，雖然這種方式比較艱難，但也不是不行。你可以用基礎模型可能做不到的方式緊緊 “擁抱” 你的客戶。順便說一句，我們也很喜歡基礎模型，但我們假設在座的大多數人都不是在打造基礎模型，而是在開發應用程式。好了，我還有兩張PPT，講完就交給下一位。我們經常被問到一個問題：在評估AI公司時，你們看重什麼？同樣，95% 的評估標準和評估其他公司是一樣的。下面是AI公司特有的 5% 的標準。第一是收入。收入的 “感覺” 很重要，收入可能會 “迷惑” 你。大家都喜歡高收入，感覺很棒，“我們收入好多啊，快看看”。但這是真正的業務增長，還是僅僅是短期的 “嘗鮮” 行為呢？我沒有具體的衡量指標，這需要你們自己去考察產品的採用率、使用者參與度、留存率。人們到底用你們的產品做什麼？不要在只有表面收入的時候，就誤以為自己有了真正的營收，這會給你帶來麻煩的。另外，“感覺” 良好也很重要。說起來，Andrew Reid在這兒嗎？來做個氛圍檢查。大家感覺怎麼樣？我不是問你個人，我是問大家整體感覺如何？我聽到有人說 “感覺絕佳”，很好。你需要讓客戶也有這種良好的感覺。這意味著什麼呢？意味著客戶必須信任你，而你要努力贏得這份信任。在當前這個發展階段，信任比產品更重要。產品會不斷改進，如果客戶信任你能把產品做得更好，那你就處於有利地位。如果客戶不信任你，那你可就麻煩了。第二點是利潤率。我們不一定關心你現在的毛利率是多少，因為成本中商品銷售成本（COGS）這部分可能會持續下降。在過去 12 到 18 個月裡，每個Token的成本下降了 99%，而且這一成本曲線還會繼續下降。雖然測試時計算等成本會增加，但最終也會下降。如果你能成功從銷售工具轉向銷售成果，沿著價值鏈向上攀升，就能獲取更多價值。你的定價可能也會提高，所以即使你現在的毛利率可能不高，但從長遠來看，你應該有一條實現健康毛利率的清晰路徑。第三點是資料飛輪。資料飛輪能推動那些業務指標增長呢？我看大家不太確定。我有個好消息和一個壞消息。好消息是，如果你回答不上這個問題，我依然支援你。壞消息是，你的資料飛輪可能沒什麼用。要麼你根本就沒有真正的資料飛輪，要麼它與業務指標無關，也就沒有價值。這一點非常重要，因為這是你能建立的最好的競爭壁壘之一。最後一張PPT，有誰能告訴我這兩者是如何關聯的嗎？如果有人能回答出來，我會非常佩服。目前市場對AI有著巨大的需求，所有那些宏觀經濟因素，比如關稅、利率，但這些都是雜音，無關緊要。技術採用率的上升趨勢完全蓋過了市場的任何波動，忽略那些雜音就好。市場上有著巨大的需求，如果你們不搶佔先機，別人就會。因為自然厭惡真空。所以，儘管我們剛剛討論了競爭壁壘、評估指標等內容，但現在你們要做的就是拚命往前衝，以最快的速度前進。好，接下來我將話筒交給Sonya。Sonya Huang：接下來我將重點介紹AI目前的發展情況。我們先從客戶需求和技術發展兩個角度進行快速的年度回顧。先回顧一下 2023 年，我們當時展示了這張圖表，對比了原生AI應用和傳統移動應用的日活躍使用者與月活躍使用者的比例。當時的結論是，AI應用的使用者參與度較低，資料顯示市場的熱度超過了實際情況。現在我們很高興地告訴大家，情況有了巨大的變化。比如，ChatGPT 的日活躍使用者與月活躍使用者比例大幅上升，現在已經接近 Reddit 的水平，這真是個好消息。這意味著越來越多的人從AI中獲得了價值，我們都在共同探索如何將AI融入日常生活。有時候，使用AI的體驗既有趣又有益。我自己就花了大量時間使用 GPT，試圖簡化各種事情，次數多得都有點不好意思說。雖然那些像 “吉卜力時刻”這樣的應用很有趣，也在網路上走紅，但更令人興奮的是，我們才剛剛觸及表面的深層次應用。比如在廣告領域，AI能夠創作出極其精準、精美的廣告文案；在教育領域，能一鍵可視化新的概念；在醫療領域，能更好地診斷病人。以 Open Evidence 這樣的應用為例，我們才剛剛探索到AI的潛力。隨著AI模型的能力越來越強，通過它們我們能實現的事情也越來越意義深遠。在座有誰看過電影《她》（Her）嗎？今天現場也有看過這部電影的觀眾。雖然我們還沒有像電影裡那樣的AI “斯嘉麗・約翰遜”，但 2024 年迎來了我所說的 “《她》時刻”。語音和語音生成技術取得了巨大進步，已經跨越了 “恐怖谷” 效應（uncanny valley，指當機器人或虛擬角色與人類相似度達到一定程度時，人類對其的好感度會突然下降）。有不少人都這麼評價，先不展開細說了。讓我來震撼一下你們的思維。你們看過電影《她》吧，華金・菲尼克斯（Joaquin Phoenix）在裡面把愛上作業系統的情節演繹得非常精彩，這不禁讓人暢想未來會是什麼樣。Sesame 的語音演示太驚豔了，我很期待看到後續的發展。科幻與現實之間的差距正在以驚人的速度縮小，感覺圖靈測試突然就來到了我們身邊。這裡要感謝Jim Fan，我在推特上看到他的觀點，借用過來用於這次演講。最後，去年最熱門的應用領域是程式設計，AI程式設計已經達到了極佳的產品市場契合度。去年秋天，Anthropic 的 Claude 3.5 和 Sonnet 發佈，迅速改變了程式設計領域的格局。現在人們用AI程式設計實現了很多令人驚嘆的事情。比如，有人用AI編寫了自己的軟體，不管你是經驗豐富的高級工程師，還是完全不懂程式設計的新手，都能借助AI程式設計實現很多功能。我們認為，AI正在從根本上改變軟體開發的可及性、速度和經濟性。從技術發展的角度來看，也有壞消息。預訓練的發展似乎在放緩。從 AlexNet 時代以來，我們已經將預訓練的規模擴大了 9 到 10 個數量級，這意味著很多容易實現的成果已經取得。不過，研究界正在尋找新的突破方向。最重要的突破來自 OpenAI 的推理技術。去年，我們很榮幸邀請到了Strawberry team的Noam Brown，在 AI Summit 上為我們提前介紹推理技術的發展趨勢。今年，我們很高興Dan Roberts也來到了現場，他稍後會分享關於 O3 和推理技術的最新進展。除了推理技術，還有合成資料、工具使用、遺傳架構等技術。這些技術相互結合，為我們提升AI的智能水平提供了新途徑。Anthropic 的 MCP建構了強大的生態系統和網路，我們也很期待它如何加速遺傳工具的使用。所有這些，更大的基礎模型、推理時的推理能力、工具使用等，共同推動AI能夠完成越來越複雜的任務。Meter 基準測試是衡量這一發展的一個量化指標，但我認為更有意義的是，和大家交流那些只有借助 O3、Operator、Deep Research 或 Sonnet 等技術才能實現的應用。目前，AI領域很多令人興奮的技術創新都發生在研究和產品的模糊邊界地帶。過去一年裡，有兩個突破性的例子，分別是 Deep Research 和 Notebook LM。今天，這兩個產品的創造者也來到了現場，我們感到非常興奮。Notebook 的Riser和Jason正在創辦一家名為 Hux 的新公司，OpenAI 的Issa Fulford也會探討AI堆疊中價值的產生點。我還記得和紅杉資本的優秀夥伴們討論過這個問題。當時，我在這個問題上還猶豫不決，我不太確定像 GPT 這樣的應用前景，而我的夥伴 Packer 卻堅信價值最終會集中在應用層。我當時還心想，Packer，祝你好運吧。但看看過去幾年的發展，我覺得你是對的，Packer，你眼光真準。從那些創造價值的公司，比如 Harvey 和 Open Evidence 身上，我們看到它們真正從客戶需求出發創造價值。我們堅信，應用層才是價值最終的匯聚地，隨著基礎模型越來越多地在這一層展開競爭，應用層的競爭也日益激烈。順便說一句，其實我們都看走眼了，真正在這個領域賺得盆滿缽滿的是輝達的黃仁勳，我們也很期待馬上聽到他的分享。回到應用層的話題。我們現在認為，第一批AI的殺手級應用已經出現，比如 ChatGPT、Harvey、Glean、Sierra、Cursor、Abridge 等。而且，在眾多豐富多樣的終端市場上，有一大批新公司正在崛起，包括 Listen Labs、Open Evidence，還有 WorkOS 等，今天在座的很多人可能都有所瞭解。我們還有一個預測，未來很多這樣的新公司會以智能體為先，而且這些公司所推出的智能體將從現在拼湊而成的雛形，發展為真正強大的產品。我們看到公司在建構智能體方面主要有兩條路徑：第一條路徑是通過嚴格的測試和評估進行編排；第二條路徑是針對端到端的任務對智能體進行最佳化。今天，我們也很期待 Harrison、Blank Chain 和 OpenAI 的Issa分享更多相關內容。關於 2025 年AI公司的發展形態，我們的下一個預測是垂直領域智能體。對於那些深入瞭解特定領域的初創公司創始人來說，垂直領域智能體是一個絕佳的機會。我們看到一些公司正在打造專門針對特定工作流程進行訓練並表現出色的智能體。它們採用包括在合成資料和使用者資料上進行強化學習等技術，讓AI系統在特定任務上表現得非常出色。目前的一些證據讓我們對這個領域充滿信心，比如 Expo 展示的智能體，其表現已經超越了人類滲透測試人員。在開發維運領域，Traversal 開發的AI故障排查工具比最優秀的人類專家還要厲害。在網路領域，Meter 和網路工程師的相關成果也說明了這一點。雖然這些資料還處於早期階段，但它們讓我們非常樂觀地認為，專註解決特定問題的垂直領域智能體如今能夠超越最優秀的人類。關於 2025 年智能體的最後一個預測是，我們正在進入一個 富足的時代。程式設計領域作為率先發生變革的市場類別，將讓我們初步瞭解這個 富足時代”的真正含義。當勞動力變得廉價且充足時會發生什麼？我們會得到一堆質量參差不齊的AI成果嗎？當審美品味成為稀缺資源時又會怎樣？我們期待看到程式設計智能體的持續進步，以及它對技術格局的影響，同時也把它視為AI將如何改變其他行業的一個預兆。接下來我把時間交給Konstantine。Konstantine Buhler：大家早上好。感謝Sonya，也感謝Paker。我們剛剛討論了非常重大且重要的話題。那麼，為什麼這一切如此重要呢？如今世界局勢如何，AI當下的發展狀況以及它的短期未來走向又是怎樣的呢？現在我們退一步，思考一下對AI中期和長期發展的預測。在這部分內容中，我們將從三個方面展開。我們會先探討下一波主要的發展浪潮，接著研究實現這一浪潮所需的技術，最後談談這對我們每個人的日常生活意味著什麼。一年前，在AI峰會上，我們主要討論的是智能體。那時我們就在探討智能體，而它們才剛剛開始形成商業應用。當時的話題主要圍繞這些機器助手展開，我們曾預測它們最終會形成機器網路。如今，這些機器網路被廣泛稱為智能體叢集。它們在許多公司中發揮著作用，並且正逐漸成為AI體系中至關重要的一部分。智能體之間相互協作、競爭，彼此進行推理交流。在未來幾年，我們認為這一趨勢會進一步成熟，發展成為一個智能體經濟。在智能體經濟中，智能體之間不僅會交流資訊，還會轉移資源、進行交易、相互監督。它們能夠理解信任和可靠性的概念，並且擁有自己的經濟體系。這個經濟體系並非將人類排除在外，而是與人類緊密相關。在智能體經濟中，智能體與人類相互協作。但是，為了實現這一重大且重要的下一波發展浪潮，也就是進入智能體經濟時代，我們面臨著許多重要的技術挑戰，接下來我們將討論其中的三個方面。坦率地說，在座各位在開展業務的過程中都需要應對這三個挑戰。第一個是持久身份問題。當我們談到持久身份時，實際上包含兩個層面。首先，智能體自身需要具備持久性。如果你和某人做生意，對方每天都像是換了個人，你可能不會和他們長期合作。這種巨大的差異會產生負面影響。智能體必須能夠保持自身的個性和認知。第二種持久性是對使用者的理解。同樣地，如果你和一個人做生意，對方卻完全不記得關於你的任何事情，甚至連你的名字都記不住，這也會對信任和可靠性構成巨大挑戰。目前，我們嘗試了各種方法，從基於檢索增強生成（RAG）和向量資料庫，到使用超長的上下文窗口。但在座的各位都清楚，在真正的記憶和自我學習方面，仍然存在重大挑戰。要實現真正的記憶功能，並且讓智能體在關鍵方面保持一致，僅在必要的地方有所差異，這是非常困難的。第二個重大技術變革是我們需要無縫的通訊協議。如今，令人欣喜的是，似乎每個人都在關注這個問題。想像一下，如果個人電腦沒有無縫的通訊協議，沒有 TCP/IP 協議，沒有網際網路，那會是怎樣的情景。我們現在才剛剛開始建構這一協議層。圍繞 MCP（可能是某種通訊協議相關的技術）有很多令人興奮的進展。看到各大企業相互合作，共同推出一系列協議，這真的很棒。這些協議將實現資訊、價值和信任的傳遞。最後一個是安全問題。這是一個關注度日益上升的話題，肯定也在大家的重點關注範圍內。如果你無法與合作夥伴面對面、掌心相對地進行交易，那麼安全和信任的重要性就會進一步提升。在與智能體互動的過程中就是這種情況。圍繞信任和安全，將會形成一整個產業。在智能體經濟中，安全的重要性甚至會比在我們當前的經濟體系中更高。我們討論了實現智能體經濟這一重大發展浪潮所需的技術。現在，我們來談談這對我們每個人意味著什麼。首先，它將改變我們的思維模式。坦率地說，在座各位已經具備了我們所說的 “隨機思維模式”，這與傳統的確定性思維模式截然不同。我們很多人喜歡電腦科學，就是因為它具有確定性。對吧？你給電腦編寫一個程序，它就會按照程序執行任務，即使可能會出現系統錯誤。但現在，我們正進入一個隨機計算的時代。如果你讓電腦記住數字 73，明天、下周、下個月它都能記住。但如果你讓一個人或者AI記住 73，它可能會記住 73，也可能記住 37、72、74、下一個質數 79，甚至什麼都不記得。關鍵在於，這種思維方式與我們過去幾十年的習慣有著本質的區別。第二個改變是管理思維模式。這種管理思維模式要求我們瞭解智能體能夠為我們做什麼，不能做什麼。大家都知道，成為一名優秀的積體電路工程師和成為一名出色的工程經理是有很大差異的。這將是大多數經濟體需要進行的轉變，即做出更複雜的管理決策，比如規劃流程和給予反饋。我真心希望不要發展到對智能體進行年終考核的地步，大家儘量避免這種情況吧。對我們每個人來說，第三個重大改變是前兩者的結合，即我們能夠獲得更多的助力，但同時也要面對更大的不確定性。我們正在進入一個新世界，在這個世界裡，你可以完成更多的事情，但你必須學會應對不確定性和管理風險。在這個世界中，在座的各位都有能力蓬勃發展。一年前在AI峰會上，我們討論過這張圖表，當時談到了助力作用。我們認為組織內部的各個職能部門將開始引入AI智能體。然後我們預測這些職能會逐漸融合、聚集，整項流程都將由AI智能體完成。我們甚至預測會出現第一個 “一人獨角獸” 企業（指由單人創辦且估值達到十億美元的企業）。雖然目前這還沒有成為現實，但我們已經看到一些公司以比以往更快的速度發展壯大，而且所需的人力比以往任何時候都少。我們相信，最終我們將見證經濟發展達到前所未有的高效水平。這些流程和智能體最終會融合。在非常龐大、複雜的神經網路內部會存在子神經網路，進而形成一個神經網路的網路。這將改變一切。它將重塑個人工作模式，重新建構公司架構，並且徹底改變經濟格局。感謝大家的參與。今天的AI峰會一定會非常精彩，我們也很感激大家的到來。 (矽星GenAI)