這周，全球投資圈經歷了一場重大變動。紅杉資本的最高領導人發生變動。Roelof Botha 將卸任全球領導人（Senior Steward）一職，由合夥人 Alfred Lin、Pat Grady 接替，成為新一任聯合領導人。Botha 將繼續擔任該公司的普通合夥人，擔任合夥企業的顧問角色。Alfred Lin、Pat Grady，分別為紅杉資本早期投資和成長期投資團隊的負責人。Alfred Lin 因為 Airbnb、DoorDash 等消費者領域的早期投資被熟知，Pat Grady 則是專注企業服務和 AI 領域，投資了 Snowflake、OpenAI 等公司。Roelof Botha 於 2017 年在 Jim Goetz 手中接管了紅杉的美國業務，並在 2022 年升任至紅杉最高領導人位置。算起來，Botha 的任期很短，僅有三年多時間。01 Botha：上任僅三年，將領導權交給「新一代」據統計，自 Botha 接任以來，紅杉已經向其投資者返還了超過 500 億美元的利潤。Botha 在紅杉工作的二十多年裡，主導了對 YouTube、Instagram 被收購前的早期投資，同時投資了支付公司 Square（現為 Block）。在此之前，Botha 曾作為 PayPal 的首席財務官，幫助其成功上市。圖：Roelof BothaBotha 此次在上任僅三年多的時間，就匆匆將領導權交給「新一代」，引發了外界的諸多猜測。據 The Information 引用知情人士資訊稱，紅杉資本的部分合夥人曾對 Botha 的管理風格表示擔憂，但具體情況尚不清楚。在 Botha 負責公司美國業務期間，紅杉資本錯失了一些重大的 AI 領域投資機會，包括：沒能在 OpenAI 的早期階段進行投資、放棄了對 Anysphere（Cursor 的母公司）的投資、在種子輪跳過了對 Mercor 的投資等等。據兩位熟悉 Botha 想法的知情人士透露，在最初的幾年裡，Botha 並沒有非常重視對 AI 領域的投資。圖源自 The Information紅杉此次任命的公告信：唐·瓦倫丁（Don Valentine）在創立紅杉時就著眼於未來。他為公司注入了一種獨特的文化核心——「守護精神」。我們將「守護」理解為：讓公司在我們手中變得比我們接手時更好。這一信念促成了紅杉在代際間的平穩傳承，也確保我們始終聘請那些願意建立超越個人生命周期的夥伴關係的人。守護精神讓我們的文化建立在高績效、卓越、團隊協作和持續創新的理念之上。這種精神也延伸至我們投資的公司。儘管我們被稱為投資公司，但我們認為自己是真正的「公司建設者」。自 1972 年以來，紅杉的「守護者」們一直在團隊準備就緒時，將合作夥伴關係從一代傳遞到下一代。每一次交接，都讓新一代能夠站在前輩的肩膀上，繼續建設並強化紅杉的合作體系。現在，這一刻也來臨了。今天我宣佈，Alfred Lin 和 Pat Grady 將成為紅杉資本的新一代守護者。Alfred 和 Pat 體現了紅杉過去 53 年所定義的文化特質。他們在業績上卓越非凡，合作過的公司包括 DoorDash、ServiceNow、Airbnb、Snowflake、Citadel Securities、Zoom、Kalshi、OpenAI、OpenEvidence 和 Harvey。他們是領袖：自 2017 年起，Alfred 一直共同領導紅杉的早期投資業務；自 2015 年起，Pat 負責成長階段投資。他們堅守紅杉的「學徒制」傳統，具備贏得事業所需的勇氣與韌性。他們不迴避艱難的對話，總是親力親為地建設公司——無論是在創業者身邊，還是在紅杉內部。他們二人是真正的團隊夥伴——對創業者、對同事、也對彼此。他們是最合適的一對人選，來接過紅杉守護的重任。像之前的守護者一樣，我將過渡到新的角色，為合夥關係提供諮詢，並繼續代表紅杉出任多家董事會成員。我堅信，在 Pat 和 Alfred 的領導下，紅杉的精神將得以延續，而紅杉深厚的人才陣容也會繼續蓬勃發展。致意，Roelof Botha02 Alfred Lin：投資 OpenAIAlfred Lin，2010 年加入紅杉，期間主導了多個重大的投資項目，包括 Airbnb、DoorDash、Uber Technologies、Instacart、Reddit 等。在成為聯合領導人之前，Lin 與 Luciana Lixandru 一起擔任紅杉早期投資業務的負責人。在加入紅杉前，Lin 有過多段創業經歷，且公司營運能力非常強。Lin 與其哈佛時期的好友 Tony Hsieh 共同創辦的線上零售公司 Zappos，Lin 擔任首席營運官和首席財務官，全面負責了 Zappos 的財務、行政和倉儲營運。2009 年，公司被亞馬遜收購。圖：左 Tony Hsieh，右 Alfred LinLin 與紅杉結緣，也是在 Zappos 時期。矽谷知名投資人、前紅杉合夥人 Michael Moritz 是 Zappos 的投資人和董事會成員。Lin 的投資理念非常有意思，他認為，商業和人生都不是一場有終點的「有限遊戲」，而是一場規則不斷變化、目標是持續玩下去的「無限遊戲」。關注「一家公司的持久影響力」。Lin 認為，投資的最終目標是尋找擁有清晰價值觀、致力於創造持久影響力、並且能在漫長賽程中不斷進化的公司和創始人。Lin 更傾向投資能夠實現複利的公司，並儘可能長時間地持有，實現持續增長。過往投資案例：投資觀點創始人-市場契合度（FMF）：對傳統「產品-市場契合度」的獨特演繹。Lin 更專注於創始人的特殊品質、他們新穎獨特的見解、他們創立故事中的「尤里卡時刻」（eureka moment），以及他們為所服務的客戶創造同理心的親身經歷。在創始人篩選上，「剝離所有這些之後，對我來說只有一個標準：我是否願意為這些創始人工作（would I love to work for the founders），幫助他們發揮自己和公司的全部潛力？」技術周期早期「3 個月一變」，今天熱的論題三個月後可能不相關，但創業必須立在能在十年後仍成立的命題之上，用高頻試驗擁抱不確定、用願景穩住方向。03 Pat Grady：專注 B2B 和雲設施Pat Grady，2007 年 3 月加入紅杉資本，在紅杉工作了近 19 年的時間。在此之前，他是紅杉成長型投資團隊的負責人，專注投資處於「成長期」的 B2B 企業，同時也是紅杉在 AI 領域的主要投資人。Pat GradyGrady 可以說是一位非常「高產」的投資人。在 B2B 企業軟體、雲服務領域，Grady 投出了 Snowflake、Zoom、Okta、HubSpot 等知名公司。其中，Snowflake、Zoom 兩家，均是在其「成長期」投資，最後成功實現 IPO。與此同時，Grady 在 AI 領域的投資成績也格外突出。2021 年，Grady 與 Alfred Lin、Sonya Huang 一起主導了紅杉對 OpenAI 的投資。Grady 在 AI 領域的投資佈局，幾乎覆蓋了全端：基模層，投資了 OpenAI；平台/社區層，投資了 Hugging Face；垂直應用層，投資了 AI 法律公司 Harvey 和 AI 醫療 OpenEvidence；水平應用層，投資了 Notion。在 Grady 個人的投資風格中，有三點特別鮮明：專注投人，評估創始人的「增長斜率」；注重文化。「文化就是一切，是一家公司所能擁有的最具有可擴展性的系統」；在 AI 領域，更關注能夠建立起真正信任的垂直領域應用（這點在紅杉去年發佈的文章《Generative AI』s Act Two》有詳細介紹，Grady 是文章作者之一。)過往投資企業：04 動盪期的新一代紅杉資本作為矽谷最具實力的風險投資公司之一，管理資產規模達到 560 億美元，投資的初創公司包括 OpenAI、SpaceX、Stripe、Ramp 和 Chainguard 等。上周，紅杉宣佈推出了兩隻新基金，分別為專注於 A 輪初創企業的早期基金，規模為 7.5 億美元，和 2 億美元的種子基金。近兩年來，紅杉資本「動盪不安」，包括 FTX 投資失敗、合夥人 Shaun Maguire 的不當言論，中國業務拆分以及多位知名投資人離職等等。或許，這次的調整，能讓紅杉提起氣來。紅杉最近翻新了辦公室，並設定了一面牆，每位投資者都在上面手寫一句話：「我們的優秀程度取決於我們的下一筆投資。」 (Founder Park)

矽谷投資巨頭紅杉，近期宣佈了換帥聲明。幾個月前，關於“誰來接棒”“誰退居幕後”“誰被邊緣化”“下一代掌門究竟是誰”的低語，早已在紅杉資本的合夥人圈層內悄然流轉。如今，以一紙宣告告別了那位曾在全球投資版圖上揮斥千里的掌門人博塔，迎來兩位新任接棒者：林君睿和帕特·格雷迪。作為矽谷最具實力的風險投資公司之一，紅杉目前管理規模約為560億美元（約合人民幣4000億），如今隨著一紙公告，掌門人正式更換。儘管外界看到的是“平穩交接”，但在這家管理數千億美元資產、見證矽谷風雲變換的老牌風投機構內，這卻更像是一場“宮斗”。“宮斗”的導火索來自一條社交媒體上的衝突。夏季，一位合夥人在公開平台對紐約市長候選人Zohran Mamdani發表攻擊性言論，引發了內部牴觸與外界信任的雙重危機。作為當時的全球營運掌舵人，博塔選擇站在言論自由的一方，而非代表公司鄭重道歉。他的選擇讓高管團隊震怒，首席營運官因此辭職，機構聲譽也開始動搖。有人說：他的智商或許無人能及，但情商卻被認為遠低於預期。與此同時，在科技邏輯高速重構的當下，博塔在人工智慧投資的謹慎姿態也逐漸成為“機會流失”的代名詞。Open AI估值飆升之時，曾擁有先機的紅杉卻因出手的謹慎僅獲微弱份額。從紅杉資本治理結構來看，合夥人擁有隨時對領導層發起投票的權力。而當帕特·格雷迪和林君睿與另一位高級合夥人聯合起來，並得到上一任管理合夥人Doug Leone的支援，紅杉的這場“政變”亦由此落下帷幕。由於“情商不足”導致的一場宮斗事情的序幕，其實遠早於公開公告那一刻。關於“誰來接棒”“誰退居幕後”“誰被邊緣化”“下一代掌門人究竟是誰”的討論，早已在紅杉合夥人圈內低聲流。2025年11月初，紅杉正式宣佈：自2003年加入、曾擔任全球管理合夥人的Roelof Botha將卸任日常管理職務，轉任顧問；由長期合夥人Alfred Lin 與 Pat Grady共同接任，負責全球營運與戰略方向。表面上，這是一次平穩交接；但在這家管理著上千億美元、見證矽谷五十年榮枯的老牌機構內部，這場換帥更像是一場關於方向與治理的“靜默宮斗”。導火索是今年夏天，紅杉資本合夥人肖恩·馬圭爾在社交媒體平台X上，對紐約市長候選人佐蘭·馬姆達尼（Zohran Mamdani）發表了攻擊性言論。作為紅杉資本的全球領導人，羅洛夫·博塔選擇捍衛馬圭爾的“言論自由”，而沒有代表公司進行正式道歉。博塔的處理方式引發了內部強烈不滿。其中，首席營運官蘇邁婭·巴爾巴萊因此憤而辭職。這一事件迅速動搖了外部投資者對紅杉資本的信心。甚至，海灣地區的投資者也開始質疑紅杉資本的價值觀和企業文化。他們認為，能夠容忍“如此偏見”的公司，違背了他們遵循的道德的投資框架。於是把羅洛夫·博塔推到了風口浪尖。博塔的智商的確高得離譜，但他的情商與智力並不匹配。這是外界對於這位紅杉掌門人的最多評價。同時，博塔在AI領域的出手過於謹慎，這讓紅杉錯失了不少機會。最典型的例子是，紅杉資本曾在2021年向當時估值約200億美元的OpenAI僅投資了約2000萬美元，導致在後來OpenAI估值達2600億美元的融資中，紅杉資本僅獲得了不及預期的股份。雖然在後續又在多輪融資中增加了一些股權。不過在今年早些時候，OpenAI那一輪估值2600億美元的融資中，紅杉曾提出出資10億美元，最終只獲得“遠小於”該數額的股份。根據紅杉資本獨特的治理結構，合夥人可以在任何時候對領導層發起投票。這次，林君叡、帕特·格雷迪與安德魯·裡德三位高級合夥人聯手，得到了更廣泛內部成員以及上一任管理合夥人道格·萊昂內的支援。在這場接力中，最受矚目的，是新任掌門人之一林君叡（Alfred Lin）——一位擁有華人背景的矽谷投資人。林君叡出生於台灣，少年隨家人移民美國，本科畢業於哈佛大學應用數學專業，後獲史丹佛大學統計學碩士學位。他曾在LinkExchange任職，後加入Tellme Networks，再到Zappos擔任首席營運官、首席財務官與董事長。2009年，他協助Zappos以12億美元被Amazon收購，完成矽谷史上經典併購之一。2010年，林君叡加入紅杉，專注早期投資。他主導或深度參與了Airbnb、DoorDash、Stitch Fix、Open AI等一系列明星項目，從天使輪一路陪伴到上市，成為紅杉內部極具代表性的“從營運走向投資”的人物。他的風格低調但極為系統，強調“從現金流到組織節奏的可持續成長”，常被創業者形容為“最懂創始人”的投資人之一。2017年後，林君叡開始主導紅杉的早期投資類股，並與帕特·格雷迪分別負責早期與成長業務。二人“合掌”紅杉，既是平衡權力的選擇，也意味著紅杉未來將更加結構化與分層化運作。值得一提的是，2021年，林君睿參與OpenAI融資時推動紅杉資本增加投資額，最終在該企業估值達2600億美元的融資中獲得股份。相較之下，帕特·格雷迪更專注中後期成長投資。他在2015年加入紅杉後，代表公司押中了Snowflake、Zoom、Okta等企業級科技明星項目，是紅杉在SaaS與B2B領域的中堅力量。二人的組合，被外界解讀為“紅杉的下一代答卷”——在激烈變化的科技周期中，用雙引擎維繫機構韌性。此前，10月底，紅杉資本宣佈募集完成了一支7.5億美元的早期基金和一支2億美元的種子基金，並明確表示將加注人工智慧賽道。這一舉動被視為新領導層的就任宣言。其實，從側面來看，紅杉資本的政變，也反映了全球資本對AI時代的焦慮與渴望。新接棒，新故事矽谷風投之王，全球最具影響力的投資機構之一，被查理·芒格稱讚是最佳投資公司，這就是紅杉資本。它的故事始於1972年的加州，英特爾剛成立不久，蘋果、Google都還不存在。Don Valentine——一位出身晶片行業的前市場經理人——在門洛帕克的一間小辦公室裡成立了一家風險投資公司，取名“Sequoia Capital”，意為“紅杉樹”，象徵穩健與長青。Valentine的理念很簡單：“去尋找那些能改變產業結構的企業。”他相信真正的創新往往從實驗室或車庫裡萌芽，於是決定為這些創業者提供第一筆資金。1975年，紅杉投了電子遊戲公司Atari；三年後，又押中了Apple。那是紅杉第一次真正意義上的成功——不僅獲得投資回報，更重要的是，它與矽谷創業浪潮緊緊綁在一起。從此，“早期押注、長期陪伴”的投資風格成為紅杉的底色。1980年代到1990年代，紅杉迎來了第二階段的擴張。它投資了Cisco Systems、Oracle和Yahoo!，幾乎參與了資訊技術基礎設施的每一次浪潮。那時候的紅杉仍然規模不大，卻已建立了一套內部準則：基金規模適度、合夥人直接參與決策、不依賴明星個人。Don Valentine後來回憶說：“我們不是找聰明的財務工程師，而是找能識別創業者的人。”這種文化也影響了之後所有的接班人。進入21世紀，矽谷迎來了網際網路與移動網際網路的黃金十年。紅杉在此期間完成了幾筆足以載入投資史的項目：Google、YouTube、LinkedIn、WhatsApp——幾乎每一個都代表著網際網路生態的關鍵節點。2006年，紅杉以約800萬美元投資YouTube，僅一年後Google以16.5億美元收購，回報數十倍。2014年，Facebook以190億美元收購WhatsApp，紅杉是唯一機構投資方。這兩筆交易讓紅杉聲名大噪，也在全球LP圈確立了“矽谷最成功風險投資機構之一”的地位。2000年後，紅杉開始從一家美國本土基金轉向全球佈局。2005年在中國設立團隊，2006年進入印度市場，隨後延伸至東南亞、以色列與歐洲。紅杉中國的模式與總部保持相對獨立，本地團隊擁有投資決策權，這在當時是罕見的做法。事實證明，這一選擇幫助紅杉捕捉到了新興市場的增長紅利，也成為其後“多中心化治理”的雛形。從投資邏輯看，紅杉並不拘泥於“科技”這一標籤。它早期押注半導體與網路裝置，中期押注網際網路與消費平台，後來又涉足醫療科技、企業軟體與金融科技。以Stripe、Snowflake、DoorDash為代表的一批公司，正是紅杉在“雲端運算＋SaaS”時代的代表作。如果說2000年代是紅杉的擴張期，那麼2010年代以後，它則進入了體系化階段。機構開始設計更複雜的基金架構，覆蓋從種子輪、早期到成長期的全鏈條投資；同時設立Scout計畫，通過創業者與前員工網路挖掘新項目。這種“生態式佈局”讓紅杉形成了一個自循環系統：老公司退出後貢獻資本，新公司獲得支援，再培養新一代創業者。2023年，紅杉宣佈將美國/歐洲、中國、印度/東南亞三大業務實體完全獨立營運——這一分拆決定，被視為其全球化戰略的重新定位。它承認了“紅杉”這一品牌在不同市場環境中需要不同的節奏和語言，也意味著總部不再是唯一的指揮中心。紅杉的故事，也因此進入一個新的階段。一方面，它仍是矽谷乃至全球創投生態的核心參與者，旗下基金管理規模超過850億美元，遍佈上千家被投企業；另一方面，它也在不斷應對周期切換、市場波動、地緣政治等多重考驗。半個世紀，紅杉經歷過幾代人的接力：從Don Valentine到Mike Moritz，再到Roelof Botha，如今交棒給現在的林君叡、帕特·格雷迪。新掌門人接過權杖，紅杉這棵半世紀的“紅杉樹”，也在重新生長出新的枝丫。站在矽谷投資圈的華人們事實上，除了林君睿，在矽谷這片創投土壤中，華人投資者的身影逐漸清晰。既有在全球頂級美元基金掌舵的“頭部合夥人”，也有自建早期基金的專業型投資者。例如許良傑從矽谷技術主管轉型為創投機構聯合創始人，其所在基金聚焦早期美國初創公司。另一位蘭雪昭則由華人移民背景起步，擁有美國密歇根大學統計學碩士及心理學博士學位，曾在Dropbox擔任戰略併購負責人，2017年創立位於舊金山的“Basis Set Ventures”，專注人工智慧和自動化早期投資。還有如張露，出身中國內蒙古，赴美讀書，曾創辦醫療裝置公司並被收購，後在矽谷建立專注AI／健康／工業自動化的早期基金。以上這些人，均為華人背景，在矽谷及全球科技投資生態中的動作值得梳理。講到許良傑，早年他在矽谷擔任技術高管，於2015年與人共同發起Seven Seas Venture Partners（七海創投）在美國投資早期初創企業。他從工程師、研究員身份切換至投資人，這種“技術轉資本”的路徑，在華人投資者中並不少見。蘭雪昭則走出另一條路徑：學術出身、技術創業經歷、再轉為投資人，其基金早在2017年就宣佈籌集1.36億美元用於機器智能賽道。華人投資者不是僅在後期跟投或被動參與，而是主動進入美國早期科技生態。如許良傑的機構在他切入後便迅速佈局；蘭雪昭自創基金即瞄準AI/自動化賽道，並利用自身技術背景深耕之。資源連結能力方面，他們往往既具備中國背景、跨境資本視角，又紮根美國創新體系：他們不僅出資，更加入決策、創始-基金人對話、建構跨國通道。生態話語權方面，華人投資者由“資金提供者”漸向“平台搭建者”“技術洞察者”角色邁進，在矽谷初創圈中開始具有識別度。當然，這條路徑亦非一路平坦。對於許良傑所在的跨境資本平台而言，美國對外資、關鍵科技領域（如AI、自動化、晶片）投資的監管日益收緊。公開資料顯示，中國背景資本在美國科技風險投資中的審查機制增強。在這一背景下，華人投資者雖在矽谷具備優勢，但也要應對制度環境、合規流程、地緣政治風險的挑戰。截至2025年，在矽谷聚焦AI/自動化的早期投資基金中，由華人創辦或主導的機構正在增加。對比之下在中國本土科技實力迅速提升的背景下，矽谷華人投資人還處於一個“連結全球”“資源雙向流動”的位置。根據聯合國工業發展組織中國投資促進辦事處與深圳資料合作報告，在全球百大AI頂尖科學家中，65人具有中國背景，其中約50人在中國機構，15人在美國研究中心。這反映華人在全球科技生態中的“雙重角色”。從賽道上看，當下矽谷熱度最高的包括人工智慧、大模型、工業自動化、醫療健康、邊緣計算等。而華人投資者在上述賽道中活躍，這意味著，他們不僅是資本的供給端，更具“技術起點”與“創始人視角”——這正是矽谷生態中被視為“C位”的一項關鍵能力。即便如此，他們仍處於轉型中。未來若想穩固“C位”地位，華人投資者可能需要進一步：在制度環境中規避潛在風險；在賽道佈局中實現差異化、避免盲目跟風；在資源連結上建構跨文化、跨國界的橋樑，而不僅停留在“資本輸入”層面。資本全球化、技術創新國際化的趨勢為華人投資者提供機遇，但制度、政策、估值環境等也在重塑格局。當下，華人投資者在矽谷的角色已不再侷限於“資本趕來”，而更多體現為“技術連結者”“資源橋樑”“早期決策者”。他們的出現，使矽谷生態中“全球化”與“中美資本科技連結”這一話題更具實質含義。無論是許良傑、蘭雪昭，還是張露，他們正在以不同路徑進入矽谷投資圈的中樞位置。未來，在科技賽道不斷重構、資本流動不斷演變的大背景下，華人投資者的角色或將更加多元化、挑戰也更高。如果他們能夠在技術起點、資本視角、跨境網路之間保持平衡，那麼在矽谷這片極度競爭的土壤中真正站穩“C位”，就不僅是可能，而將成為趨勢。 (融中財經)

紅杉資本合夥人 David Cahn 是當下矽谷最被關注的 AI 投資人之一，他的判斷總是比市場早半步。2023 年，他在《AI 的 2000 億美元問題》中首次提出：算力的真正價值不在製造，而在消費；到了 2024 年，又在《AI 的 6000 億美元問題》中計算出——要支撐 1500 億美元的 GPU 投資，全球必須額外創造 6000 億美元的新增收入。這組推演一度被視為危言聳聽，如今卻成為投資人衡量 AI 產業現實回報的基礎公式。一年後，Cahn 重新出現，帶著更宏觀的思考。他認為，AI 已不再是“虛擬技術”的故事，而是一場徹底的“物理化革命”：電力、算力、施工、土地和能源，成了這一輪技術周期最稀缺的資源。“AI 世界的貨幣，不再是美元，而是千兆瓦。”在最新的 20VC 播客對話中，他從資料中心談到資本泡沫，從防務科技講到年輕人的原生思維。他復盤過去一年全球 AI 產業的擴張節奏，也描繪泡沫之後的倖存法則。語氣克制、邏輯鋒利，依舊延續了他那種“把科技當作經濟學”來分析的冷靜方式。“AI 泡沫不可怕，可怕的是沒有人在泡沫中進化。”▍鋼鐵與電力：AI 的物理化現實David Cahn 認為，AI 產業的真正護城河，已經從演算法和模型，轉向了“鋼鐵、電力與施工隊”。2024 年他曾提出「AI 的物理化」這一概念，當時還被視為過於冷門的判斷，如今成了產業的主旋律。回顧那一年，資本市場的討論集中在模型與算力，他卻注意到一個更原始的問題——要讓這些模型運行，必須先把電接上。他在節目中回憶，2024 年夏天自己就在前線觀察到基礎設施緊缺的徵兆：資料中心的電工被空運到德州，發電機產能被預訂到 2030 年，整個行業都在搶佔物理資源。“大家當時都在比拚算力模型，卻忘了供電和建設才是第一性問題。” 於是他提出：投資人應該從“位元視角”切換到“原子視角”，理解 AI 背後真實的物理性。事實驗證了這一判斷。過去一年，AI 產業最大的贏家並非軟體公司，而是電力、能源與基建相關企業。Cahn 稱之為“AI 電力交易（AI Power Trade）”——2025 年華爾街最成功的套利，是押注電力成為算力瓶頸。他指出，Sam Altman 現在談論的不再是“美元”，而是“吉瓦（Gigawatt）”。這意味著資本的語言正在變化，“AI 世界的貨幣單位，不再是資金，而是功率。”這種變化也對應到宏觀經濟層面。GDP 原本衡量的是“有形的產出”，而 AI 的爆發恰好重新點燃了這一部分：建築工地、鋼結構、冷卻裝置和資料中心用地的投資，都被計入統計口徑。“AI 的物理化，讓美國 GDP 再次與現實世界掛鉤。” 這不是軟體層面的增長，而是鋼鐵、混凝土與電纜的增長。他進一步指出，去年提出的“6000 億美元問題”如今已升級為“8400 億美元問題”。當時他計算：如果輝達賣出 1500 億美元的 GPU，就會帶來約 3000 億美元的資料中心投資，要支撐這筆資本回報，至少需要 6000 億美元的營收來覆蓋成本。到 2025 年夏，這個模型已膨脹到 8400 億美元。Cahn 的關鍵問題是：“客戶的客戶是否健康？” 也就是說，真正的終端需求是否存在，是否有人為這場算力狂歡買單。他用一句話概括當前階段：“2024 年我們還在談規劃，2025 年鐵鍬已經下地。” 但他也提醒，這一輪建設存在巨大差異。“建得快，反而可能輸。” 因為當所有人同時開工、同時搶供貨商，延遲與成本會迅速上升。Cahn 將建設本身視作新周期的護城河——誰能在複雜供應鏈中搶到裝置、拿到許可、按時通電，誰就能在未來算力戰爭中佔得先機。他認為，投資人和創業者普遍低估了“建造能力”的難度，也低估了其長期價值。“我們以為演算法是核心，其實混凝土才是門檻。” 在他看來，未來幾年內，AI 行業的優勝者將不是寫程式碼最快的團隊，而是能最快建成並穩定運行資料中心的團隊。▍泡沫與循環：資本的錯配時刻在談及市場氛圍時，David Cahn 的語氣依舊冷靜：“是的，我們正處在一個 AI 泡沫中。” 他說，這並非危言聳聽，而是事實的延伸。過去一年裡，AI 已從前沿創新變成全民共識，連最激進的多頭——Sam Altman、Vinod Khosla、Jeff Bezos——都公開承認市場存在泡沫成分。Cahn 借用塔勒布的比喻：“沒人能預測建築那天會倒，但每個人都能看出它已經開始搖晃。”他認為，這種“搖晃”來自兩個方向：一是循環交易的擴散，二是資本時間錯配。2024 年底到 2025 年初，微軟和亞馬遜仍是 AI 生態的支柱，它們承擔資料中心租約、提前鎖定電力容量，相當於接住了“需求的燙手山芋”。但進入 2025 年後，這兩家巨頭開始收縮投資，轉而由 Oracle 和 CoreWeave 接盤——規模更小、風險承受能力更弱。與此同時，晶片公司為了刺激出貨量，也開始主動融資建廠，把資本支出反向記作收入。“這是一種精緻的循環，買方變賣方，賣方又成了融資方。”Cahn 指出，如今行業中常見的大項目——動輒以“吉瓦”計量的算力交易——很多其實並未完成融資。“現在沒人知道 1 個吉瓦到底值多少錢。” 他的估算是，每 1 個 gigawatt 的資料中心造價約 400 億到 600 億美元。按照目前全球規劃的 800 個 gigawatt 計算，這意味著約 8 兆美元的建設需求，而這些資金遠未真正落實。“我們正生活在一個所有資本機器都朝同一方向傾斜的時代——AI——但問題是它們都集中在一個過短的周期內。”他把這一階段稱為“股權型泡沫”，區別於 2008 年的債務危機。那次是信貸鏈斷裂，而這次更多是估值層面的膨脹。“AI 的資本循環不是借來的錢，而是股東的錢。” 當市場情緒反轉，受傷的將是持有股票的人，而不是銀行。Cahn 強調，大多數 AI 項目仍以現金和股權融資為主，因此崩盤形態不會像過去那樣劇烈，卻會更普遍、更緩慢地影響每一個投資組合。在他看來，這場泡沫的核心特徵並非虛假需求，而是時間錯位。投資人押注未來十年的收益，卻在兩年內把錢花完。“這是一個被壓縮的時代。” 產業的成長周期被資本的短期邏輯推到極致——模型還沒落地，伺服器已滿負荷，項目剛開工，下一輪融資又開始。Cahn 認為，這種錯配在長期並非災難，只是需要更長的周期去消化。“AI 最終會兌現全部潛力，只是不會在 2025 年。”他把這種現象稱作“物理性遲滯”——能源、裝置、工程都有摩擦成本，資本卻假裝沒有。投資人願意為“未來的算力”買單，卻很少為“正在施工的算力”付出時間。Cahn 的結論是：AI 產業不會崩潰，但它必須經歷一次“現實回歸”的再平衡。“市場現在買的是速度，未來買的會是耐心。”▍贏家與輸家：算力消費與壟斷幻覺在這場被資本推向極限的周期中，David Cahn 給出的判斷很直接：“贏家不會是生產算力的人，而是消費算力的人。” 他將 AI 的結構分成兩類：生產端與消費端。生產端像煉油廠，負責提供統一的基礎資源；消費端則像能源使用者，利用這些資源創造更高附加值的智能應用。他的邏輯是，算力是一種“商品化資產”，生產越多價格越低。“在過度供給的市場裡，你可能是最優秀的煉油工，但油價下跌仍會吞噬利潤。” 因此，從長期回報來看，生產算力的企業註定具有周期性，估值波動劇烈；相反，那些將算力轉化為智能、內容或服務的企業——也就是“算力消費者”——將享受更穩定、更高倍的複利增長。這套框架最早出現在他 2023 年發表的《AI 的 2 億美元問題》一文中。那時他提出：算力的最終受益者是使用方而非製造方。如今，這一判斷已成為行業共識，但他指出市場行為仍然背道而馳——“儘管大家嘴上都說要投消費端，80% 的資金仍流入生產端。” 因為生產端能消耗更多資本，融資規模龐大，投資機構更容易“部署資金”。這是一種結構性偏見：資本被“吸引到最燒錢的地方”，而非最有創造力的地方。Cahn 用雲端運算的例子解釋了為什麼這種偏見令人誤判。Google、AWS 和 Azure 這些雲巨頭被視為不可撼動的壟斷者，但它們的誕生背景和當下完全不同。“當 Google 創立時，沒有人知道它會成為壟斷；當 YouTube 以 10 億美元賣掉時，也沒人認為那筆交易低估了未來。” 壟斷之所以能形成，是因為它在“無人注視的角落”成長。而 AI 不具備這樣的隱蔽性——現在所有人都知道它的重要性。因此，Cahn 提出一個警告：AI 不會再複製“大廠壟斷時代”的利潤率。“今天的創業者都在公開的戰場上競爭，任何一個突破都立刻被看見、複製、追趕。” 他稱之為“透明市場”，在這種市場裡，壟斷利潤難以形成，行業利潤率會回歸常態。他認為，這種結構性變化反而是好事。AI 行業的開放競爭將更快地推動技術擴散和價格下降，消費者將以更低成本獲得更高品質的智能服務。“我們不該害怕競爭，真正該害怕的是 AI 的壟斷。”談到企業特徵時，他再次強調對“算力消費者”的偏好——那些用 AI 改變終端體驗的公司。他提到紅杉投資的 Clay 與 Juicebox，前者在建構全球化資料關聯層，後者在重塑招聘體驗。兩者共同點是：不依賴無限融資，而依靠真實的客戶愛與需求驅動增長。“最好的公司，是那些不需要資本也能活得很好的公司。”Cahn 把這種自我造血能力視作新周期中最寶貴的資產。他總結道：“資本不會決定誰能成功，客戶才會。” 在一個競爭完全公開、供給持續擴張的市場，算力消費者才是長期的複利機器，而算力生產者，只是周期的波峰與波谷。▍防務的轉折：從戰爭到威懾當對話轉向防務科技時，David Cahn 的語氣格外篤定：“防務是下一個 AI。” 他回憶，自己在 2018 年剛開始投資 AI 時的心情，與今日投資防務時如出一轍——那是一種被忽視但不可逆的趨勢。烏克蘭戰爭在他看來，就是防務領域的“Transformer 時刻”。這場衝突讓世界意識到一個殘酷現實：“技術已經走到 2025 年，但戰爭仍停留在 1970 年。”在他看來，防務領域的技術代差來自長期和平帶來的“制度慣性”。五十年來，世界經歷了罕見的和平周期，防務體系也隨之固化。直到俄烏戰爭爆發，才暴露出傳統裝備與現代計算之間的鴻溝——衛星圖像、無人機、遠端打擊和資料決策系統的結合，使戰爭的“資料化”成為現實。Cahn 說，正如 Transformer 論文開啟了 AI 的工業革命，烏克蘭戰場也成為全球防務數位化的起點。紅杉確實錯過了防務投資的最初窗口，他並不迴避這一點。“我們的確晚了，但我們正在趕上。” 他認為，這種“補課”是必要的。就像紅杉當年重新進入移動網際網路一樣，防務領域也正處於“再創業”周期。不同的是，這次的目標不是戰爭，而是威懾——“防務的意義，從來不是打仗，而是避免戰爭。”Cahn 將這一輪的防務創新視為“數位化防禦革命”：國家不再僅僅依靠傳統軍火廠和長期合同，而是向新型科技公司開放合作，讓演算法、智能體、衛星和感測器融入軍工體系。“這其實是防務行業的 SaaS 化，只不過客戶是國家。”他用“國家冠軍”來形容未來的格局：每個主要國家只會誕生一到兩家真正的主導公司。在美國，是 Anduril；在以色列，是 Kela；在歐洲，是 Stark——這三家都是他認為的“國家級公司”。紅杉在過去兩年中，分別投資了後兩家。Cahn 解釋，這種集中化是行業屬性決定的：防務不是開放市場，而是高度集中、單一買方的產業。“防務科技的目標是服務國家安全，而不是追求使用者數。”以色列的 Kela 擁有全球頂尖的工程與安全團隊，而歐洲的 Stark 則在兩輪融資中得到紅杉支援，正成為區域防務數位化的核心平台。Cahn 形容這兩家公司是“現代版的洛克希德與雷神”，但它們的武器是演算法和資料。對於防務投資過熱的擔憂，他態度明確。“這不是一個可以容納 30 家獨角獸的行業。” 他預期未來全球範圍內僅會出現個位數的巨頭，因為客戶有限、技術門檻極高、周期漫長。投資防務，不是計算回報率，而是長期信任建設。“防務公司不靠廣告增長，也不靠爆款產品，它們靠的是五十年不出錯。”Cahn 強調，這個領域的核心指標不是利潤，而是安全。“好的防務技術讓戰爭不發生，讓人不用死。” 在他看來，這種“威懾力紅利”才是真正的複利，而防務科技的使命，是用 AI 幫人類延長和平。▍年輕的力量：AI 原住民的一代談到創業團隊的構成，David Cahn 提出了一個幾乎顛覆矽谷招聘邏輯的觀點：“在 AI 領域，沒有人有超過 5 年的經驗。” 這句話聽上去像玩笑，但在他看來卻是最重要的現實判斷。ChatGPT 發佈至今不過五年，所有人都在同一個起跑線上。那些 23 到 25 歲的年輕人——大學剛畢業的工程師、科研社群的開發者——不僅是使用者，更是新範式的原住民。Cahn 說，他每年會見兩三百位剛畢業的年輕人，大多數來自頂尖學校，他甚至親自為投資組合中的公司“挖人”。他發現，那些在 18 歲就開始使用 ChatGPT、訓練模型、寫 Prompt 的年輕人，擁有一種完全不同的直覺——他們不是在學習 AI，而是在用 AI 思考。 在他眼中，這類人才的學習速度與迭代能力，是當代創業最寶貴的資產。傳統初創公司會優先聘請資深工程師，因為他們懂架構、能獨立交付；但在 AI 創業時代，Cahn 認為“通才年輕人”反而更有價值。“我們不該低估 23 歲的工程師，他們的腦回路是原生適配 AI 的。” 他承認僱用年輕人風險更顯性——情緒不穩定、工作經驗不足、對組織流程陌生——但他寧願承擔“看得見的風險”，也不要那些隱藏在效率和惰性中的“隱性風險”。他在紅杉內部稱這種思維為“可見風險偏好”：任何決策都帶來代價，但真正危險的是你沒看見風險就做出決定。“資深員工的風險藏得深，他們可能不再學習，也可能把創新變成例行公事。” 相比之下，年輕人那怕犯錯，也能在實驗中長成新一代核心力量。當被問到如何建議剛踏入職場的年輕人時，Cahn 的回答更像一位長期研究社會心理的投資人。“年輕人擇業時常用的是模仿演算法——他們參考前一屆最優秀的人去了那裡。” 他稱這種模式為“模因演算法”：看上去是獨立選擇，實則是跟隨社會慣性。他並不全盤否定這種機制，因為在穩定周期裡它確實有效——上世紀 2000 年去 Google、2010 年去 Palantir，都是聰明的選擇。但他強調，這個演算法在 2025 年“失效”了。原因在於，上一代人的資料集中沒有 AI。那些榜樣沒有經歷生成式智能的爆發，也沒有見過 LLM 改變工作的方式。“模因演算法在面對新資料時崩潰。” 他建議年輕人保留跟隨直覺，但必須在決策中加入一個新的權重——AI 變數。“加入 AI 變數意味著，你要重新定義未來的有趣工作在那裡。”在觀察這些年輕人時，Cahn 發現一個重要分層：90% 的人選擇工作時問“我能獲得什麼”，而只有不到 10% 的人問“我能貢獻什麼”。他稱後者為“建設者（Builders）”。這些人通常是創業公司的文化中樞，他們不以職位衡量價值，而以創造衡量意義。“當你貢獻得足夠多，你自然能獲得更多。”他說，AI 創業者最需要的正是這種“貢獻型人格”。在 Clay、Juicebox 等他投資的公司裡，核心團隊成員都極年輕，卻能承擔遠超年齡的責任。Cahn 形容他們是“生於演算法時代的一代人”，也是驅動下一個十年的原動力。“未來最重要的招聘，不是再找 40 歲的專家，而是找 23 歲的天才。”▍泡沫、進化與時間的尺度在節目最後，David Cahn 重新回到了那個最常被問的問題：AI 是否是一場泡沫？他沒有迴避，也沒有修辭——只是平靜地說：“是的，但這是值得經歷的泡沫。” 在他看來，泡沫並不意味著虛假，而是新技術與資本之間的時間錯位，是進化的自然現象。“任何足夠偉大的革命，都會以泡沫的形式出現。”他回憶 2000 年的網際網路浪潮：當時無數公司破產，市值蒸發九成，但留下的 Google、Amazon、Netflix 改變了整個社會。“泡沫不會摧毀技術，只會摧毀錯誤的節奏。” 他認為，AI 也在經歷同樣的階段——一部分人太早下注，一部分人太慢行動，而真正的贏家，是那些在混亂中依然能持續建構、沉下心解決問題的人。Cahn 強調，AI 並非虛擬的未來敘事，而是當下正在重塑物理世界的力量。從電網到資料中心，從防務到教育，從內容到勞動力市場，AI 的觸角已經深入每個社會層面。它所帶來的變化，既是經濟層面的，也是文明層面的。“AI 是人類歷史級的事件，它讓我們第一次有能力複製自己的思考。”他也反對那種把 AI 視作“技術末日”的論調。“AI 不會毀滅世界，它只會暴露世界。” 它揭示了人類組織的效率、制度的惰性、教育的滯後，也揭示了創新的潛能。Cahn 認為，這種揭示本身就是一種進步，因為唯有看見真相，社會才能修正方向。對於時間，他的視角依舊寬廣。很多投資人希望在兩年內看到結果，而他看的是五十年。“AI 的處理程序不會被財報定義，它是一種長期的文明曲線。” 在他看來，AI 的每一次迭代都在延長人類的“智力壽命”，讓知識與經驗不再以個人生命為限。他用一句帶有哲學意味的話收尾：“我們可能會燒掉一些資本，但最終會得到一個更聰明的世界。” 在 Cahn 的敘述中，AI 的故事從未是關於誰更快、誰更富，而是關於人類如何更好地理解自己——以及，如何讓技術成為我們繼續進化的證據。 (有新Newin)

資訊來源：Citadel Securities《全球市場的未來 2025：AI與下一輪增長前沿》時間：2025年10月6日｜地點：紐約 Casa Cipriani一、從晶片製造到勞動力結構：不只是技術的對話2025 年 10 月初，Citadel Securities 在紐約舉辦了《全球市場的未來 2025》（Future of Global Markets 2025）論壇。在這場聚焦“AI與下一輪增長前沿”的活動中，輝達（NVIDIA）創始人兼CEO 黃仁勳（Jensen Huang）與 紅杉資本（Sequoia Capital）合夥人 Konstantine Buhler展開了長達一個多小時的對談。這場被外界視為“資本與算力的思想交匯”的對話，並沒有只停留在硬體、模型或市場規模的層面，還延伸到了一個重要的問題：AI 不僅在改變產業，也正在改變“組織與勞動力”的形態。黃仁勳在現場提出，AI 的下一輪影響將不只是演算法迭代，而是結構性地重塑整個勞動力體系。二、從資料中心到AI工廠：生產力的邏輯變化黃仁勳提出了一個正在快速取代“資料中心”的新概念——“AI工廠（AI Factory）”。這不僅是術語的變化，而是商業邏輯的根本轉向。“傳統資料中心是一個成本中心（Cost Center），它儲存和傳輸資訊；而AI工廠是一個利潤中心（Profit Center），它製造智能並創造收入。”他解釋道，一個資料中心的能耗上限是確定的——例如 1 吉瓦（gigawatt）。若你的AI基礎設施能效比競爭對手高出三倍，那麼在同樣的能源消耗下，你的公司就能產出三倍的智能與利潤。“這就是我稱之為工廠的原因，它不是資料中心。它是一個工廠，他們用它來賺錢。”他還分享了一段有趣的往事：輝達推出首台 DGX-1 超級電腦時，他親自將機器交付給當時在 OpenAI 的埃隆·馬斯克（Elon Musk），並笑稱自己沒想到第一位客戶竟然是一個“非營利組織”。這一故事象徵著AI產業的轉折點：AI不再只是算力服務，而是一種新的製造業形態——製造智能。三、AI走進勞動力市場：從工具到“數字同事”在這場對話中，黃仁勳提出——AI 將首次系統性地進入一個過去技術難以觸及的領域：全球勞動力市場。他預言，這個市場的規模高達 100兆美元，而 AI 的介入將帶來前所未有的結構性變化：“未來的企業勞動力，將由人類員工與數字員工（Digital Humans）共同組成。”他所說的“數字員工”，並不是今天常見的自動化系統或聊天機器人，而是一種能夠理解業務語境、具備決策能力、可以持續學習的智能體（Agentic AI）。他稱這種新型勞動力為 “智能體AI”，並列舉多個角色：數字軟體工程師（Digital Software Engineer）數字護士（Digital Nurse）數字行銷人員（Digital Marketer）數字法務顧問（Digital Counsel）在他看來，隨著智能體勞動力加入，企業組織結構的邊界將被重新定義：勞動力的核心不再僅是人力，而是“人類智能 + 機器智能”的組合；組織的管理體系將從“人力管理”轉向“智能協作管理”；企業文化、培訓體系、績效機制都將被重構。四、從IT部門到“AI員工的人力資源部”在對談中，黃仁勳分享了他在輝達內部的一個設想——隨著AI系統數量和複雜度的增加，未來的 IT 部門將承擔起類似“AI員工HR”的角色：“我告訴我們的 CIO，他們未來將成為 AI 員工的人力資源部。這些數字員工將與我們的生物員工一起工作，這就是未來公司的樣子。”組織內部的人力資源邊界正在擴展：招聘（Selection）：企業將從不同AI平台挑選合適的智能體（如 OpenAI、Anthropic、Harvey、Cursor 等），或訓練自研模型；入職（Onboarding）：通過微調（fine-tuning）和強化學習（RLHF）讓AI理解企業文化、價值觀與業務流程；績效管理（Evaluation）：根據AI輸出的精準率、響應速度、決策質量設定考核標準；迭代與離職（Offboarding）：像員工輪崗一樣，AI模型將持續升級或被替換。這不是“機器人取代人類”的故事，而是組織開始學會管理智能體。五、對勞動力市場與HR職能的系統衝擊黃仁勳的觀點，不只是對技術的展望，更是對整個用工生態的再定義。從他的表述中，可以歸納出AI對勞動力市場和人力資源管理的四個核心影響方向：1. 勞動力結構從“單一人類”轉向“混合智能”企業不再只依賴僱員數量，而是計算“人機混合產能”。AI代理的工作時長、響應速度和持續學習能力，使得組織邊界被大幅擴展。2. HR的職能邊界將重新劃分傳統HR關注人類生命周期管理；未來HR需要與IT部門共管“數字勞動力”。包括模型選擇、授權、訓練反饋、倫理監管、資料安全等。3. 企業文化需要數位化嵌入如果AI要與人協作，它必須“理解文化”。企業文化將從理念轉化為可學習的語料、prompt範本、反饋機制，成為演算法訓練的一部分。4. 新的信任機制與領導力形態管理者將面臨新的領導力議題：如何協調人類與AI的分工？如何建立信任？如何在演算法的確定性與人性的模糊性之間平衡？這意味著，未來的領導力不僅是“帶人”，而是在不同類型的智能之間建立合作秩序。六、現實約束與理性判斷從趨勢看，黃仁勳的觀點符合當前AI發展的方向，但從落地角度，它仍面臨多重挑戰：法律與倫理邊界尚未確立：AI不具備主體資格，責任與資料安全問題複雜。組織文化嵌入難度大：讓AI真正理解企業價值觀仍需要大量語義建模。管理認知尚未匹配：多數企業HR與IT仍在各自體系中運作，缺乏協同機制。“AI員工上班”的未來並非明天到來，但它已經在技術與制度之間，成為一種不可逆的方向。這將是一場技術與管理的雙重革命，也是人力資源體系必須正面迎接的結構性轉折。 (AI組織進化論)

在最新的這一場黃仁勳與紅杉資本——NVIDIA 30年前首位外部投資者——的深度對話中，黃仁勳系統性地剖析了公司從一家3D圖形晶片初創企業，到成為全球AI算力基石的完整戰略藍圖。本次訪談深入探討了NVIDIA從一家圖形晶片公司成長為全球人工智慧基礎設施核心的歷程。NVIDIA CEO黃仁勳與紅杉資本合夥人Konstantine Burer回顧了公司創立初期的洞察、CUDA平台的革命性意義，以及如何抓住深度學習浪潮。對話核心聚焦於“AI工廠”這一概念，闡述了其作為新一代計算基礎設施的必要性。展望未來，黃仁勳詳細描繪了由代理AI（數字勞動力）和物理AI（機器人技術）驅動的兆美元新市場，並就主權AI、AI安全以及計算範式向“生成式”的根本轉變分享了深刻見解。核心觀點摘要“我們必須同時發明技術和市場。”“它不是一個資料中心，它是一個工廠，他們（客戶）從中賺錢。”“在AI工廠的未來，你的單位能源吞吐量決定了客戶的收入。這不僅僅是選擇更好的晶片，而是決定你的收入會是多少。”“AI的下一波浪潮將是‘數字勞動力’（代理AI）和‘物理AI’（機器人技術），這將重塑全球價值百兆美元的產業。”“未來的計算將是‘生成式’的，資訊不再是被檢索，而是被即時生成，這從根本上改變了人機互動的模式。”創立NVIDIA：加速計算的先見之明故事始於1993年，一個由CPU和摩爾定律主宰的世界。當整個矽谷都在為英特爾的通用計算歡呼時，30歲的黃仁勳看到了硬幣的另一面。“我們觀察到，通用技術……往往不極其擅長解決非常困難的問題，”他回憶道。NVIDIA的創立，正是基於一個深刻的反向洞察：隨著電晶體縮小的物理極限日益臨近，世界需要一種全新的計算方法——加速計算。然而，這在當時是一個經典的“先有雞還是先有蛋”的難題。“為了建立一個新的計算架構，我們需要一個大型市場，而這個大型市場並不存在，因為該架構並不存在。” 黃仁勳深知，空有技術而無應用是行不通的。因此，NVIDIA做出了一個在當時看來機率近乎為零的決定：“我們必須同時發明技術和市場。” 這項技術，就是GPU；而這個被憑空創造出來的市場，就是現代3D圖形視訊遊戲。正是這個價值兆的娛樂產業，為NVIDIA的加速計算平台提供了最初的、也是最關鍵的“殺手級應用”。CUDA的誕生：從專用到通用之路如果說創造遊戲市場是NVIDIA的第一次偉大飛躍，那麼CUDA平台的誕生，則是其從一家硬體公司向一個生態平台演進的決定性一步。2000年代初，黃仁勳和他的團隊意識到，GPU處理圖形時所依賴的物理模擬和線性代數，其本質是一種通用的數學運算。他們開始思考，如何將這種為遊戲設計的、高度專業化的強大算力，開放給更廣闊的科學計算領域。“我們發明了這項技術，我們發明了市場，我們還發明了讓我們能夠系統地從一個非常垂直的聚焦行業發展到最終變得越來越通用的途徑。” CUDA應運而生。它像一座橋樑，讓全世界的科學家和研究人員，能夠利用GPU的平行計算能力，去解決從分子動力學到量子化學的各種複雜問題，極大地緩解了摩爾定律放緩帶來的計算瓶頸。黃仁勳坦言，發明一個能與ARM和x86並駕齊驅的全新計算平台，是一條極為艱難的道路，“在我們的例子中，這花了我們近30年。”引爆AI革命：從AlexNet到DGX-1正是CUDA這個看似“無心插柳”的佈局，讓NVIDIA精準地抓住了歷史的脈搏。2012年，深度學習領域的里程碑事件AlexNet橫空出世，其在ImageNet競賽中取得的驚人突破，正是基於NVIDIA GPU的加速。黃仁勳敏銳地意識到，這不僅僅是一次演算法的勝利。“我們得出的結論是這是一個通用的函數逼近器，” 他解釋道。如果AI能通過深度學習識別圖像，那麼它就能學習幾乎任何函數，解決任何問題。基於這一第一性原理的判斷，NVIDIA做出了公司歷史上最大膽的決定之一：將整個公司的未來，全部押注在深度學習上。“我們分解了計算問題，並且得出的結論是，每一個晶片、每一個系統、每一個軟體、計算堆疊的每一層都可以被重新發明。”2016年，在一次幾乎無人喝彩的GTC大會上，黃仁勳發佈了世界上第一台專為AI設計的超級電腦——DGX-1。他親手將第一台成品，送到了一個當時還名不見經傳的非營利組織——OpenAI。這個歷史性的交接，標誌著NVIDIA正式從AI革命的“賦能者”，成為了“核心基礎設施”的建造者。AI工廠：新時代的計算基礎設施從DGX-1開始，黃仁勳的願景不斷擴大，最終匯聚成一個極具衝擊力的概念——“AI工廠”。他反覆強調，未來的資料中心將不再是儲存資訊的倉庫，而是生產智能的工廠。“它不是一個資料中心，它是一個工廠，他們（客戶）從中賺錢。” 在這個新範式下，衡量基礎設施價值的核心指標也發生了根本性的變化。不再是單純的晶片性能，而是單位能源所能產生的計算吞-吐量。“如果你的資料中心是1吉瓦……如果我們的每瓦能效是三倍，那麼你的公司就能在該工廠中產生三倍的收入。”這套“AI工廠”的邏輯，完美解釋了Meta等巨頭為何不惜投入千億美金建構NVIDIA的基礎設施。當蘋果的隱私政策重創其廣告歸因能力時，正是基於NVIDIA GPU的AI推薦系統，幫助Meta重建了業務，並使其市值從低谷反彈超過兆美元。這證明了AI工廠並非成本中心，而是直接的收入引擎。AI的下一波浪潮：數字勞動力與物理AI在黃仁勳看來，由推薦系統和搜尋驅動的AI應用，僅僅是這場革命的開端。真正的顛覆，將發生在兩個價值百兆美元的全新市場。第一個是數字勞動力，即代理AI（Agent AI）。這將是技術第一次直接進入“勞動力”這個從未被軟體觸及的行業。未來的企業將由人類和“數字人類”共同組成。“一個數字軟體工程師……人工智慧數字護士，人工智慧會計師，人工智慧律師……未來企業中的勞動力將是人類和數字人類的結合。” 這些數字員工將在AI工廠中進行思考和生成，為企業提供源源不斷的認知服務。第二個是物理AI，即機器人技術。黃仁勳用一個簡單的思想實驗闡述了其必然性：“如果你能設計一個可以駕駛汽車的數字司機，為什麼你不能擁有一個機器人，一個物理機器人，來駕駛汽車呢？” 他認為，無論是自動駕駛汽車、機械臂還是人形機器人，其背後都是同一種智能在不同“載體”中的體現。而要實現這一未來，需要三台電腦：用於訓練的AI工廠，用於模擬和學習的虛擬世界（Omniverse），以及機器人本身搭載的“大腦”。NVIDIA正在為這所有三個環節，提供完整的計算平台。範式轉移：計算的終局是生成式在對話的最後，黃仁勳提出了他最具顛覆性的終極預測：未來計算的範式，將從根本上從“檢索式”轉變為“生成式”。他以AI搜尋應用Perplexity為例：“在Perplexity出現之前，你會輸入一些東西，然後它會給你一個列表……所有這些內容都是由某人預先編寫或建立的。” 而現在，“Perplexity或人工智慧正在生成，它去學習，它去閱讀所有內容，然後為你生成。”這種轉變的終極形態，就是我們人類自身的互動方式。“你和我剛才經歷的一切的100%都是生成的。你問我的每一個問題，我都沒有跑回辦公室，取出什麼東西，然後拿給你……我們正在根據當下發生的語境……即時生成一切。那就是未來的電腦。”在這個由AI工廠驅動的生成式未來裡，我們與電腦的互動，將不再是單向的命令與執行，而是一種共同創作。計算的終局，不是更快的檢索，而是無限的生成。而這，也正是黃仁勳堅信NVIDIA的兆帝國，僅僅是一個開始的原因。天空之城全文整理版引言：兩大巨頭的交集Konstantine: 早上好，各位。我是康斯坦丁·布勒，紅杉資本的合夥人，專注於人工智慧投資。輝達和城堡證券實際上有很多共同點。它們都是卓越的企業，營運良好，領導者非常傑出。它們的營運非常出色。它們都由計算革命驅動，並且都是各自行業中擁有技術的領導者。還有另一個鮮為人知的事實。在這兩種情況下，他們的第一個外部投資者都是紅杉資本。金額是100萬美元。黃仁勳: 他們在1993年向輝達投資了100萬美元。Konstantine: 你值這個價。黃仁勳: 整整100萬美元。完全是孤注一擲。Konstantine: 在城堡證券的投資稍微多一點。所以當被邀請在本次會議上談論人工智慧時，誰是世界上最適合發言的人選，這非常清楚。正是他為人工智慧革命建構了整個基礎設施，所有這些人工智慧都建立在其之上，也是他打造了世界上最有價值的公司。請和我一起歡迎黃仁勳。這樣醒來真好。你已經工作好幾個小時了。黃仁勳: 是的，我有。Konstantine: 那麼黃仁勳，我們這裡有一屋子的機構投資者，他們都是世界上最頂尖的。他們管理著數兆的資產管理規模（AUM），並且他們一直在尋找優勢。你是一個總是擁有優勢的人。在我們的每一次對話中，你都對未來的發展方向有著令人信服的見解。在接下來的60分鐘裡，我們有一個雄心勃勃的議程，涵蓋從輝達的最初階段到它崛起為人工智慧革命中心的優勢故事，然後我們將把大部分時間花在輝達和人工智慧的未來發展上。好的。那麼讓我們從頭開始。那是1993年。你30歲。創立NVIDIA：加速計算的先見之明Konstantine: 是什麼洞察力讓你擁有了創立輝達的優勢？黃仁勳: 我們當時正經歷著個人電腦革命和CPU的革命。這是摩爾定律的時代。那時整合微處理器，英特爾，摩爾定律，電晶體的縮放定律，是熱門話題，幾乎是矽谷和電腦行業所有投資資金的流向。我們觀察到了一些不同的東西。我們認為，CPU的優勢之一是通用性，但通用技術的一個根本問題是，它們往往不擅長，或者說不極其擅長解決非常困難的問題。因此，我們總結了兩點。第一，我們觀察到，有些問題可以通過更具領域針對性、更具目的性的加速器來解決，而解決這些問題可能很有意義。第二，我們觀察到，通用技術，即這些電晶體的縮小，最終會達到極限。你可以不斷縮小電晶體的尺寸，並使用這種技術進行擴展，這種想法是一組被稱為登納德縮放的啟髮式方法。登納德縮放以及米德和康韋提出了摩爾定律背後真正基本原則。如果你回顧那些原則，你會發現縮小電晶體的尺寸是有限度的。並且在某一天，你會得到遞減的回報。而且存在大量的計算問題。我們相信我們能夠解決的計算問題在規模上幾乎是無限的。因此總有一天，會出現一種新型的計算方法。因此，我們公司專注於利用這種被稱為加速計算的技術來增強、補充通用計算。Konstantine: 這就是我們最初的觀察。黃仁勳: 您之前說過輝達總是走在時代前沿。通常，如果你從第一性原理出發來思考問題，當前運作良好的事物，如果你能從第一性原理出發來思考它，並問問自己，這個第一性原理是建立在什麼基礎之上的，以及隨著時間的推移，它會如何變化，那麼你就有希望看到未來的發展趨勢。CUDA的誕生：從專用到通用之路Konstantine: 所以，當你們製造圖形加速器時，你們是最早入局者，但隨後湧現了數百家其他競爭對手。你們最終贏得了那個市場。在2000年代初期，你說，嘿，這項技術或許能夠實現通用化。你在說CPU的通用化。也許GPU也可以通用化，以進行更多的處理。讓我們來談談CUDA。它是如何產生的？你從那裡得到這個洞察力的？故事是說它來自研究人員。黃仁勳: 你是如何閱讀他們的工作並得出結論，認為GPU可以作為通用計算裝置的？首先，輝達之所以難以建立，是因為我們必鬚髮明一項新技術並創造一個市場。當時，在1993年，為了建立一個新的計算平台，你需要一個大型市場。當時，Silicon Graphics正在進行3D圖形處理。Konstantine: 市場太小，無法支援一個新的計算平台。黃仁勳: 因此，如果我們想建立一個新的計算架構，我們需要一個大型市場，而這個大型市場並不存在，因為該架構並不存在。Konstantine: 你遇到了先有雞還是先有蛋的問題。黃仁勳: 因此，輝達擅長的領域，以及現代3D圖形視訊遊戲市場，我們做出了巨大的貢獻。因此，當時紅杉資本對輝達的融資原則的主要問題是，我們必須同時發明技術和市場。Konstantine: 而這種情況發生的機率大約是0%。黃仁勳: 我還記得我當時闡述這個故事時說，唐·瓦倫叮噹時常說，詹森，你的應用在那裡？你的殺手級應用在那裡？我說，有一家叫藝電的公司。但我沒意識到唐剛剛投資了藝電。我說，藝電，他們將會創造，我們將幫助他們創造3D圖形遊戲，並且我們將創造這個市場。他說，你知道嗎，詹森，我想讓你知道我們投資了藝電，他們的首席技術官才14歲，而且工作非常努力，而你告訴我那是你的殺手級應用。所以無論如何，我們創造了現代3D圖形遊戲生態系統，而且正如你所知，它是世界上最大的娛樂產業之一。3D圖形學的根本問題基本上是模擬現實。如果你回到第一性原理，它所做的事情就是試圖重現現實。而重現照片般逼真的圖像和動態世界的根本，也就是其數學原理，從根本上來說是物理模擬。因此線性代數顯然非常重要，我們意識到了這個概念。所以問題是，如何將通用目的的東西引入到非常專業化的東西中？這就是我們公司偉大的發明。我們發明了這項技術，我們發明了市場，我們還發明了讓我們能夠系統地從一個非常垂直的聚焦行業發展到最終變得越來越通用的途徑。Konstantine: 這種情況很少發生，而且這條道路很難走，但我不想佔用剩下的時間來解釋它，但我認為CUDA的發明一部分是技術的發明，即對我們如何推廣我們的GPU的觀察。黃仁勳: 但很多是關於新產品的發明，如何將其推向市場，新策略的發明，如何讓市場接受它，以及發明本質上能夠最終創造飛輪效應的生態系統，從而使計算平台得以實現。所以我們發明了所有這些東西，它們都是全新的。Konstantine: 如果你回溯，退一步，問問自己，除了ARM和x86之外，世界上還有什麼幾乎每個人都在使用的計算平台？黃仁勳: 不存在。Konstantine: 因此，發明一種新的計算平台很少發生，而在我們的例子中，這花了我們近30年。所以你能夠將這種非常專業、極高性能的加速裝置通用化，以便世界各地的研究人員和學者能夠更快地運行他們的處理程序。他們所面臨的摩爾定律的限制突然得到了極大的緩解。引爆AI革命：從AlexNet到DGX-1Konstantine: 現在讓我們跳到2010年代初。當時，深度學習還算是一種學術上的退潮期。神經網路的概唸經歷了一個寒冬階段。然後在2012年，AlexNet在電腦視覺方面取得了突破，而這一切都在NVIDIA GPU上加速。那是你意識到這場人工智慧革命即將成為現實的時刻嗎？如果是這樣，你是如何利用它的？是什麼優勢讓輝達成為這場革命的中心？黃仁勳: 是的，有兩個偶然的時刻，然後還有一個是關於深度學習的絕佳的第一性原理觀察。偶然性始於我當時試圖解決電腦視覺問題，我們想出於很多不同的原因解決電腦視覺問題，無論如何，我們都想解決電腦視覺問題。而電腦視覺非常脆弱，很難推廣，是大量技巧的集合，我真的非常討厭這個行業的發展方式，並且對進展感到非常沮喪。與此同時，我們普及架構的主要策略之一是讓高等教育的科學家使用我們的平台，使用CUDA。所以我從地震處理、分子動力學、粒子物理學、量子化學入手。我帶著輝達和CUDA到處跑，實際上公司裡有一個名為CUDA Everywhere的戰略，意思是黃仁勳把CUDA帶到世界各地。我因此走訪了各地的大學，與研究人員會面，將CUDA引入高等教育和研究人員的這項舉措，促使一些研究人員在2012年、2011年與我們聯絡，當時傑夫·辛頓試圖解決電腦視覺問題，吳恩達試圖解決電腦視覺問題，楊立昆試圖解決電腦視覺問題，因為當時有一場名為ImageNet的競賽即將開始，由李飛飛負責，我也試圖解決電腦視覺問題。Konstantine: 所以當你自然而然地試圖解決一個問題時，這些有趣的人都在解決類似的問題，他們會引起你的注意，這就是機緣巧合。黃仁勳: 偉大的觀察之處在於，我們可以為他們創造一種新型的求解器，叫做CUDNN，有點像在儲存計算的續集，我們發明了CUDNN，如果可以這麼說，它就是網路內計算。這種計算方式，這個叫做CUDNN的庫，使得他們所有人都能夠成功地使用CUDA。但關鍵在於，我看到了和其他人一樣的結果，每個人都看到了電腦視覺效果的巨大飛躍。Konstantine: 但我們更進一步的地方在於，我們思考了，既然它在電腦視覺方面如此出色，為什麼，它還能擅長什麼？黃仁勳: 並且深度神經網路具有極深的能力，這意味著因為每一層都獨立於其他層進行訓練，而且你可以從損失函數反向傳播到它的輸入，你幾乎可以學習任何函數，我們得出的結論是這是一個通用的函數逼近器。如果我們能再加入狀態，也就是，你知道的，CNN有點像一個二維、多維的模式識別器，然後RNNs在其中給你一個狀態機，LSTM給你一個更好的狀態機，然後 formers給你最終的狀態機。因此，如果我們有一個能夠學習幾乎任何函數的通用函數逼近器，那麼問題是它可以解決什麼問題？現在，你反過來問這個問題，我們得出的結論是，我們想要解決的大部分問題都可以有一個深度學習元件。所以我們決定，我們該如何思考深度學習在未來10年、20年後的發展方向？我們分解了計算問題，並且得出的結論是，每一個晶片、每一個系統、每一個軟體、計算堆疊的每一層都可以被重新發明。Konstantine: 決定去追求它可能是在歷史上做出的更好的決定之一。當時我在史丹佛做人工智慧研究，而主要的限制始終是計算能力。我們擁有的叢集數量有限，無法運行這些演算法，而輝達的加入不僅緩解了計算壓力，還通過CUDA基礎設施使其成為可能。這很大程度上是你們的歷史。你們使越來越多的計算成為可能。在2016年，你們非常著名地建立了世界上第一個人工智慧工廠，DGX-1。在GTC上，你們實際上親手將其交付給OpenAI的埃隆·馬斯克。我製造了這台全新的電腦，它看起來和世界上任何東西都不一樣。黃仁勳: 它的工作方式也和世界上任何東西都不一樣。我記得在GTC上宣佈它時，觀眾的反應簡直就像這樣。沒有人知道我在說什麼。那是個玩笑。結果掌聲寥寥無幾。所以我宣佈了這件事，大家都說，嗯哼。確實在那次GTC上，我邀請了埃隆來談談，我們倆都在研究自動駕駛汽車。然後他上台，他說，黃仁勳，那是什麼電腦？我說，DGX-1。我為了這個原因製造了它。他說，我能用一個。我終於拿到了一份採購訂單。然後他說，是的，我有個非營利組織。我說，當你創造全新的東西時，你最不想聽到的就是你的第一個客戶是非營利組織。所以無論如何，我交付了，我是送電腦的傢伙。我把這台電腦送到了舊金山，那家公司是OpenAI。這是一個非常盈利的非營利組織，或者說是有收入規模的非營利組織。我們已經合作很久了。從那以後，每個模型都是基於輝達建構的，是的。Konstantine: 實際上，當黃仁勳談論電腦時，我們說的是一個龐大的裝置。輝達的GPU，當他們說我們的GPU時，人們想像的是小型的GPU。我們的GPU，一個GPU現在是機架規模的。黃仁勳: 它重2噸，12萬瓦，大約300萬美元。那是一個GPU。我們也銷售較小的GPU，比如傑夫·辛頓使用的那些。大約1000美元、500美元，可以插入你的PC。你可以用它來玩電子遊戲，或者做AI，以及諸如此類的事情。但我們也有更大的GPU。然後一個千兆瓦的AI工廠GPU大約是500億美元。那麼請跟我們說說這些AI工廠。因為你可能擁有小型版本，可能是AI混合器。但接下來你擁有真正大型的版本，這些AI工廠，你在2016年全力投入，並開始說，世界將會需要AI工廠。Konstantine:  你是如何獲得那種優勢，那種信念的？然後你又是如何調整適應的？AI工廠：新時代的計算基礎設施黃仁勳: 沒錯，你必須推理思考它。所以我們建造了第一個，DGX-1。它是世界上有史以來最昂貴的電腦，每個節點30萬美元。而且它並不成功。所以我得出的結論是，我們做得不夠大。所以我們製造了一個更大的。第二個就變得非常成功。那麼現在的問題就變成了，你把它做多大？以及你如何努力地推動計算？事情發展如此迅速的原因是輝達的產品周期以及我們創新、設計的方式，我們不是在設計一個晶片。我們是在一次性設計整個基礎設施。我們是當今世界上唯一一家你可以給它一座建築、一些電力和一張白紙，我們就可以創造其中一切的公司。所有的網路，所有的交換機，所有的CPU，所有的GPU，整個工廠內的所有技術，我們都可以建構。而且這一切都運行著來自輝達的相同的軟體堆疊。而且因為我們可以這樣整合，所以我們也可以非常快速地行動。所以我可以重新設計接下來的一年，重新設計接下來的一年，而且每一年，它們都是軟體相容的。軟體相容性的好處是速度。PC之所以能夠如此快速地發展，是因為它們都與Windows相容。因此，根據定義，如果你符合這個堆疊，你就可以隨心所欲地快速製造晶片。所以我們現在正在以我們喜歡的速度，在物理上可能實現的極限範圍內，建造人工智慧工廠。因此，並且由於我們正在以如此驚人的規模進行創新，而且我們正在進行協同設計，這意味著我們同時改變演算法、改變軟體、改變網路以及CPU和GPU。我們突破了摩爾定律的限制，正如你所知，摩爾定律正在放緩。因此，從代際上講，我們將性能水平提高了大約10倍。我們每年都向市場提供令人難以置信的性能水平。我們這樣做的原因是，我們相信在不久的將來會有一個如此巨大的問題，你需要一台更大、更快的電腦，這是一方面。另一方面，當我們在相同功率下提高性能時，我們正在降低你的成本。因此，我們正在以驚人的速度降低成本，這使得客戶能夠做更大的事情，從而使他們能夠從同一家工廠產生更多的收入。因此，輝達今天的採用率是因為我們既具有最高的性能，又具有最高的規模，因此，如果你想要巨型系統，你可以這樣做，而且我們的成本是最低的。我們的性能非常高，例如，如果你的資料中心是1吉瓦，你不會得到更多，你就是1吉瓦。因此，如果我們的每瓦能效，即每單位能源的能源性能是三倍，那麼你的公司就能在該工廠中產生三倍的收入。這就是我稱它為工廠的原因。它不是一個資料中心，它是一個工廠，他們從中賺錢。因此，這些人工智慧工廠希望不斷擴大規模，他們希望不斷提高收入，他們希望不斷提高吞吐量。這就是我們創新如此之快的原因。Konstantine: 很難跟上我們的步伐，這也解釋了為什麼我們如此成功。黃仁勳，你已經從一個元件轉變為一個完整的平台，這就是人工智慧工廠的概念，面向投資者。你能分解一下平台都包含那些內容嗎？然後也開始談談平台下一步會是什麼樣子？黃仁勳: 好吧，有CPU、GPU、網路處理器。有三種類型的交換機。有一種向上擴展交換機，可以將一個機架變成一台完整的電腦。我們發明了機架規模計算，它被稱為向上擴展。你可以通過獲取大量這些機架並將它們連接在一起來進行橫向擴展。該交換機和該網路連線具有大量的軟體，這些軟體位於所有這些東西之上。然後你建立一個像這座建築物一樣巨大的系統，這座建築物可能大約有100兆瓦。一吉瓦是幾千英畝。然後你用更多的網路連線所有這些資料中心，以便所有資料中心可以協同思考。這就是我們一起建構的，這就是我們今天建構的。基礎設施建設如此迅速有幾個原因。AI的投資回報與未來機遇Konstantine: 並且有一些關於泡沫的問題在流傳，並將其與2000年進行比較，所以只是為了進行比較。黃仁勳: 在2000年的時候，網際網路公司，別想著會有hospital.com，而是pets.com。大多數網際網路公司都不盈利，而且如果你還記得的話，整個網際網路產業的規模大約為200億、300億美元。而今天，你需要觀察的第一件事是，人工智慧不僅僅關乎全新的公司，OpenAI和Anthropic等等。Konstantine: 人工智慧正在改變超大規模企業的工作方式。黃仁勳: 例如，搜尋現在由人工智慧驅動。推薦系統，你如何看到廣告、新聞和故事，以及電影現在都由人工智慧生成。使用者生成內容，所以基本上，Google的業務、亞馬遜的業務、Meta的業務，數千億美元的收入現在都由人工智慧驅動，即使沒有OpenAI和Anthropic，整個超大規模產業也正由人工智慧驅動。因此，需要觀察的第一件事是，整個事情需要從使用經典機器學習的傳統CPU轉變為現在使用人工智慧的深度學習。僅僅是這種轉變就涉及數千億美元。明白了嗎？當然。這就是其中之一。第二件事是，我們現在有了這個新市場。這個新市場叫做人工智慧，它有一個新的產業，他們生產人工智慧。所以OpenAI、Anthropic、XAI、Google的Gemini，當然還有Meta，都將成為人工智慧的製造者。因此，整個AI模型製造者層也在建造AI工廠。這些人工智慧將為下一代的新機遇提供動力，這就是Harvey’s、OpenEvidence、Cursor的用武之地。Konstantine: 沒錯，你看到了所有這些人工智慧原生公司。黃仁勳: 它們將連接到人工智慧模型，並且在歷史上第一次，它們將追逐一個從未被觸及的行業。那就是勞動力行業。而這種被稱為能動人工智慧的數字勞動力，將補充和增強企業市場。例如，輝達，今天我們已經100%地使用了我們的軟體工程師，100%地使用了我們的晶片設計師。如今，每一位工程師都通過Cursor得到了增強。我們公司內部大量使用Cursor。因此，我們現在為所有工程師配備了人工智慧。生產力提高，我們所做的工作也變得更好。您還會看到一個新興的產業正在出現。它被稱為物理人工智慧。所以你有企業人工智慧，你有物理人工智慧。正在增強勞動力。因此，例如，無人駕駛計程車本質上就是一個數字司機，我們現在將擁有嵌入到任何移動物體中的人工智慧。因此，在無人駕駛計程車的情況下，它就是一個方向盤和輪子。但你將選擇和放置手臂，你將有一個手臂，兩個手臂，三條腿，各種不同的形態。因此，這兩個行業約佔全球經濟的100兆美元。而有史以來第一次，我們擁有能夠增強這一點的技術。Konstantine: 這就是人們對下一波人工智慧如此興奮的原因。 那麼讓我們花點時間談談前一波浪潮，因為你提到人工智慧已經提供了投資回報率。對於投資者來說，我認為Meta的例子是一個很棒的案例研究。因為在2022年第四季度，蘋果基本上從Meta移除了歸因資料。你們都看到了數千億美元的市值下降。Meta團隊說，我們該如何解決這個問題？他們通過由NVIDIA GPU驅動的人工智慧解決了這個問題。 沒錯，是的。他們讓歸因恢復到原來的水平，並收回了數千億美元。它比其最低點高出一萬多億美元。黃仁勳: 而所有這些投資回報率實際上都是由你們的GPU驅動的。Meta（元）公司，或者說不僅僅是Meta公司，最複雜的軟體系統之一被稱為推薦系統。其中包含幾種基本技術。其中一種叫做協同過濾，它是基於我正在做的事情，並觀察其他人都在做什麼。如果我們有相似的模式，它可能會向我推薦相同的電影，你購物清單中的下一個相同的商品，一本書，一段視訊，等等。另一種叫做內容過濾，它僅僅基於我是誰以及我的偏好。並且基於那本書的實際內容，你或許能夠向我推薦那本書。因此，這個推薦系統是世界上最大的軟體生態系統。Konstantine: 而且這個生態系統正非常顯著、非常快速地向人工智慧方向發展。所以你們將會需要大量的GPU。這些系統在幾十年前因Netflix挑戰賽而聞名。現在網飛，他們的所有推薦都由人工智慧驅動。正如你所說，亞馬遜當你去購買東西時，很大一部分是通過推薦系統實現的。黃仁勳: 將搜尋轉移到人工智慧。所有這些現在都由人工智慧驅動。Konstantine: TikTok也是人工智慧，黃仁勳: 是的，所有都是。Konstantine: Google短影片，人工智慧。黃仁勳: 沒有它不行，現在所有的個性化廣告都將轉向人工智慧。是的，所以人工智慧的數量簡直令人難以置信。請注意，這與任何事情都無關，我只是描述了一大堆經典的使用案例。嗯哼。定量交易也將轉向人工智慧。Konstantine: 過去由人工設計的特徵提取將轉向人工智慧。我認為這實際上是Citadel Securities在過去20多年裡率先開創的領域。所以那是經典的人工智慧。Citadel是一個偉大的客戶，謝謝。這是一個經典的例子。對於投資者而言，談論人工智慧的投資回報率，它已經以數兆美元的市值形式存在。讓我們談談下一步的支出。因此，對2025年的估計可能高達5000億美元的人工智慧投資落地。我們下一步該怎麼做？黃仁勳: 這會成為一個每年數兆美元的投資類別嗎？是的，所以人工智慧的製造，也就是代工部分，如果你願意這麼稱呼，就是模型製造者。他們有點可以把他們想像成晶圓製造商。這些的應用，以及思考人工智慧的一種方式是，大型語言模型，這可以看作是現代電腦的作業系統。你可以在這些人工智慧模型之上建構應用程式。不僅僅是一個人工智慧模型，而是一個人工智慧模型系統。好的，所以應用程式將會有一系列不同的AI連接在一起。那麼問題是，頂層的應用空間是什麼？除了我們一直在談論的，所有現有的應用程式都將通過人工智慧得到改進之外，思考頂層應用空間最明智的方式，可以用一個簡單的比喻來形容，那就是數字人類。所以，一個數字軟體工程師，對吧，人工智慧編碼。這可能會是一個數兆美元的市場機會。人工智慧數字護士，人工智慧會計師，人工智慧律師，人工智慧，所以有人工智慧行銷人員。所以我們把所有這些都稱為代理人工智慧，這項技術正在良好地發展。因此，技術第一次不再僅僅是被會計師使用的工具，被軟體工程師使用的工具，我們將成為數字軟體工程師。如果你授權一部分並僱傭一部分，我也不會感到驚訝。因此，這取決於質量和深厚的專業知識。因此，未來企業中的勞動力將是人類和數字人類的結合，其中一些將基於OpenAI，另一些將基於 Harvey、OpenEvidence、Cursor、Replit 或 Lovable。有些將是第三方提供的，有些將由你們自己培養。因此，我們自主培養了許多人工智慧，因為我們擁有大量的專有知識和資料，想要保護起來。而且我們具備開發這些人工智慧的技能。隨著時間的推移，越來越多的人將能夠培養自己的數字人工智慧，因為這會變得越來越容易。因此，企業級代理人工智慧，顯然增強了勞動力，蘊含著數兆美元的機遇。人工智慧相對於以前的軟體的獨特之處還在於，人工智慧需要思考，這意味著你不能預先編譯它，將其放入二進制檔案，下載並使用它。它必須始終進行處理。Konstantine: 它必須進行處理的原因是它必須獲取你的上下文，它必須考慮你希望它做什麼，然後生成輸出。所以它就在思考，不停地思考和生成。黃仁勳: 它需要一台機器。它需要電腦來做這件事。這就是人工智慧工廠存在的原因。所以這些人工智慧工廠將會在雲端。它們也可能在本地部署。它們將遍佈世界各地。而且它是人工智慧基礎設施的一部分，如果你願意這麼說。但是會有大量的思考來產生這些，我們稱之為Token，但基本上就是智能。物理AI的崛起：機器人技術的未來Konstantine: 所以這就是認知人工智慧，數字勞動力，如果你願意這麼說。黃仁勳: 然後第二個是機器人技術，這可是有史以來第一次。所以讓我給你們一個思想實驗，為什麼機器人技術如此接近。如你所知，你現在可以提示一個人工智慧，它可以生成“黃仁勳拿起一個瓶子，打開它，然後喝一口”的提示。好的，然後它會生成我的視訊，對吧，打開一個瓶子，喝一口。那麼，如果它可以生成所有這些，為什麼不能操縱機器人來做到這一點呢？所以你的思想實驗會表明，這很可能是非常有可能的。現在，如果你能設計一個可以駕駛汽車的數字司機，為什麼你不能擁有一個機器人，一個物理機器人，來駕駛汽車呢？所以如果一個物理機器人，如果你能讓一個物理機器人甚至駕駛一輛汽車，為什麼你不能讓一個拾取和放置手臂或任何類型的機器人呢？所以請注意，我們有能力體現幾乎任何東西。我們可以拿起刀叉，它成為我們身體的延伸，而且不知何故我們能靈活運用它。我們可以拿起棒球棍，並將其用作我們身體的延伸。Konstantine: 因此，我們將這些物理延伸物融入自身。黃仁勳: 未來的AI將能夠融入並操縱汽車、機械臂、人類或機器人、手術機器人等等。因此，我認為這兩個市場都在AI的觸及範圍之內。最後，如果我只給你一個例子，無論何時你看到對一件事的觀察，其餘的都只是工程問題，因此，我們現在已經看到了一個極好例子的證據，那就是數字和AI軟體編碼員，這就是我們如此頻繁地使用它的原因。如果你能擁有一個AI軟體編碼員，為什麼不能讓那個AI軟體編碼員也編寫軟體來開展行銷活動，或者編寫軟體來幫助你解決任何會計問題，或者做任何你想做的事情呢？因此，幾乎它的存在就說明了其餘的都是工程問題。然後我們現在有了自動駕駛計程車，你知道嗎？這是一個控制方向盤和車輪的具身機器人。如果這已經存在，為什麼你不能將其推廣呢？Konstantine: 剩下的就只是工程問題了。黃仁勳: 所以我認為，這是一個從第一性原理出發，推斷我們能夠讓這項技術在各行各業和社會中普及的可能性有多大的好方法。Konstantine: 接下來你需要思考的是，好的，那麼你如何將其規模化？你如何將這種智能傳遞給所有這些不同的應用？你需要人工智慧工廠，所以。那麼，讓我們多談談機器人技術。你們擁有一支卓越的機器人團隊，你們的一位高管今天在這裡負責機器人事務。在之前的談話中，你分享了一些關於機器人技術將如何發展的見解。它會是一個單一的類人項目嗎？它會是開放原始碼專案嗎？那些開放原始碼專案將如何聯絡起來？黃仁勳: 你認為機器人技術將如何在現實世界中展現，以及時間表如何？無人駕駛計程車現在已經出現了。它們從一個城市推廣到另一個城市的能力真的變得非常快。原因是相同的根本技術，我們經歷了相同的旅程。對於在場的所有量化交易、演算法交易人員來說，你們經歷了從人工設計的特徵、機器學習，到使用越來越多的深度學習，以及嵌入某些模態和多模態模型，到現在很大程度上是端到端的轉變。原因在於，它是多模態的。在這個過程中，我們變得越來越具有通用性。Konstantine: 你用於自動駕駛汽車的AI模型和你用於人類或機器人的AI模型非常相似。黃仁勳: 它們只是在兩種不同的體現中。我確信的原因是因為我會開車。而且我可以控制我的身體。這是同一種智能。所以，我可以拿起刀叉，然後，你知道的，假裝自己是外科醫生，你知道的，在一塊牛排上做手術，你知道的。所以，你會注意到這是在不同載體中的同一種人工智慧。Konstantine: 所以，這就是人工智慧的發展方向。黃仁勳: 機器人技術正朝著通用、越來越通用的、多載體的人工智慧方向發展。它是多模態的。它是多載體的。Konstantine: 為了創造這個未來，你需要三樣東西。黃仁勳: 你需要我之前提到的AI工廠，在那裡你必須訓練模型。而且你需要一個地方，讓AI可以學習如何成為一個AI，而無需立即進入現實世界。Konstantine: 因此，它可以嘗試在虛擬世界中進行數兆次不同的迭代。黃仁勳: 那麼，那個虛擬世界就像一個視訊遊戲。因此，AI基本上就像視訊遊戲角色一樣，在虛擬世界中玩遊戲。Konstantine: 而且它遵守物理定律。當它完成學習如何成為一個遊戲，如何成為一個偉大的視訊遊戲玩家時，因為模擬到真實的差距非常小，因為模擬器真的非常好，我們稱之為Omniverse，那個Omniverse電腦，那麼機器人就可以從那個虛擬世界中出來，而這個世界就變成了它所玩的虛擬世界的又一個版本。黃仁勳: 然後它進入物理世界。Konstantine: 當它進入物理世界時，它也需要一台電腦。黃仁勳: 所以，你需要三台電腦。你需要人工智慧電腦，訓練電腦。你需要模擬、虛擬世界電腦。然後你需要一台電腦，讓機器人實際操作大腦。因此，輝達提供了所有這三種電腦。我們與幾乎每一家機器人公司、自動駕駛汽車公司以及各種不同形態的機器人公司合作。新前沿：數字生物學與主權AIKonstantine: 這很可能成為所有市場中最大的市場之一。所以，輝達現在幾乎觸及了技術領域的方方面面。正如你過去所說，你從零十億美元的市場起步，並幫助它們變成兆美元的市場。機器人技術是下一個前沿市場之一。你對其他那些下一個前沿市場特別感興趣？你剛才提到了醫療保健。那是你熱衷的領域嗎？還有其他領域是房間裡的投資者應該關注的嗎？黃仁勳: 醫療保健所需的技術確實非常複雜。而且我們正在取得快速進展。如果你能理解單詞的含義、字元序列，你可能... 而且你可以理解虛擬世界之類的結構的含義，好嗎？就像你看到... 我們能夠生成視訊的原因是因為我們理解虛擬世界以生成圖即世界的表徵。所以，如果你能生成視訊，那一定是因為你理解這個世界。如果你能生成…… 如果你能理解世界，那麼你是否可能理解具有結構的蛋白質和化學物質？答案是肯定的。因此，我們越來越接近理解蛋白質的含義，AlphaFold及其他。我們能夠理解細胞的含義。最近，我們與Arc建立了合作關係。Evo 2是大型語言模型的一個首批範例，它是一種用於細胞表徵的基礎模型。因此，你現在可以與它對話，然後說，我希望你生成具有這些屬性的其他細胞。而且……或者你可以和細胞對話，你知道嗎？你的屬性是什麼？你能和什麼結合？你還能做什麼……你的新陳代謝，你能用什麼啟動？這樣，你就能像和聊天機器人說話一樣和細胞說話。這樣，理解蛋白質的含義，你知道的，總之，這方面有很多進展。這樣的例子還有很多。我對我們正在做的工作感到興奮，即將人工智慧引入電信領域。5G和6G將因人工智慧而徹底變革。我對我們與量子電腦的合作感到興奮。因此，通過建立量子GPU混合計算系統，我們可以將量子電腦的時間表提前大約十年。在這種系統中，我們進行糾錯，控制量子電腦，進行後處理。因此，我們有一種名為CUDA-Q的新架構，它將CUDA擴展到量子領域。這正在獲得驚人的採用。Konstantine: 所以，是的，我們現在可以解決一大堆以前難以解決的問題。讓我們來談談主權AI。我們剛剛請了馬里奧·德拉吉上台。他在談論歐盟對技術領域進行新投資的重要性，顯然包括大規模的人工智慧。這場革命在本質上是不同的，因為各國政府高度參與其中，既可能進行監管，也可能購買AI工廠。你能告訴我們，你認為前進的方向是什麼嗎？黃仁勳: 無論是對於主權AI，即各國如何擁有自己的AI系統，還是對於進出口，即我們美國應該如何與世界其他國家進行AI方面的互動？沒有那個國家能夠承擔外包所有國家資料的後果，以便……Konstantine: 然後將你自己的智能匯入回來。黃仁勳: 我只是從第一性原理出發認為，這是不明智的。然而，沒有人需要完全靠自己來建構一切。你可以購買，你可以進口，但不應該放棄生產自己的國家情報。所以，我認為今天，這項技術相當困難，但它正變得越來越容易，而且速度非常快。並且有大量的開源能力。所以，我不會放棄建構你自己的主權人工智慧。我不會放棄利用你擁有的資料，從中建立你自己的國家情報。現在，世界各國都在這樣做。所以，我認為主權人工智慧很可能... 每個國家都可能進口一些，購買一些，同時也建構一些。並且有很多能力可以做到這一點。所以，我們看到圍繞主權人工智慧的巨大勢頭。英國正在這樣做。我當時在法國。我們支援一家名為 Mistral 的公司。在英國，有一家名為 Enscale 的公司。還有一家名為 Nibius 的公司。在義大利，有好幾家公司。在西班牙，有好幾家公司。在德國，有好幾家公司。因此，世界各地都有公司。在日本，有公司。Konstantine: 在韓國，有公司。因此，主權 AI 正在世界各地湧現。AI安全與中國市場策略Konstantine: 那麼，經常被提及的一個國家是中國。在向中國出口人工智慧工廠方面，對美國來說正確的事情是什麼？黃仁勳: 人工智慧是一項新技術。Konstantine: 在我們...之前，我們必須思考一下。黃仁勳: 我們必須認真思考，最終該如何監管它。當然，美國想要贏得人工智慧競賽。Konstantine: 我認為決策者們都想做正確的事情，他們希望美國獲勝。黃仁勳: 然而，重要的是要記住，傷害中國的事情往往也會傷害美國，甚至更糟。因此，在我們採取對他人有害的政策之前，退一步，也許反思一下什麼政策對美國有益。很可能你必須回到第一性原理。就人工智慧而言，關於人工智慧以及任何計算、任何軟體行業，最重要的是開發者至關重要，正如你所知。因此，贏得開發者才能創造未來的平台。我們希望世界建立在美國技術之上。Konstantine: 輝達是一家驕傲的美國公司，我們當然希望，我們希望我們能夠創造出建立在世界之上的美國技術。黃仁勳: 很多人工智慧研究人員都在中國。中國擁有世界上大約50%的人工智慧研究人員，擁有令人難以置信的學校，對人工智慧的驚人關注，以及對人工智慧的極大熱情。而且我認為，不讓這些研究人員在美國技術上建構人工智慧是一個錯誤。從第一性原理來看，我認為這是一個錯誤。Konstantine: 所以問題是，你如何平衡獲勝、保持領先，另一方面，確保世界建立在美國技術堆疊之上？黃仁勳: 這就是平衡。為了保持平衡，你必須要有細微之處。而且這可能不是，要麼全有要麼全無。因此，一種隨著時間推移而變化的細緻入微的策略，它允許美國保持領先地位，同時我們繼續贏得世界各地的研究人員，這可能才是正確的平衡。這就是我所倡導的。Konstantine: 目前，我們100%撤出了中國。因此，中國是0%，我們從95%的市場份額降至0%。黃仁勳: 因此，我無法想像任何決策者會認為這是一個好主意。無論我們實施什麼政策，都導致美國在全球最大的市場之一損失殆盡，降至0%。但無論如何，在我們所有的預測中，如果有任何股東在場，我們所有的預測都假設中國為零。如果中國發生任何事情，我希望會發生，那將是一個額外的好處。但這是一個巨大的市場。中國是世界第二大電腦市場。這是一個充滿活力的生態系統。我認為美國不參與是一個錯誤。因此，我們希望繼續解釋和告知，並對政策的改變抱有希望。Konstantine: 黃仁勳，你最近參加了我們在辦公室舉辦的人工智慧會議，你對人工智慧安全性的未來及其重要性有一些非常精闢的見解。這有點相關。存在可能干預人工智慧的國家行為體。也存在可能不正確地使用人工智慧的個人使用者。黃仁勳: 您認為人工智慧安全的未來會是什麼樣？人工智慧安全的未來將有點像網路安全。它將要求我們所有人作為一個社群共同努力。您可能知道這一點。你們所有的網路安全人員，你們的首席安全官，我們都是一個大型社群。當有人發現入侵時，我們會與所有人分享。無論何時我們發現漏洞，我們都會與所有人分享。因此，人工智慧安全的未來很可能就像網路安全一樣。第二，如果智能的邊際成本，人工智慧的邊際成本趨於零，如果人工智慧的邊際成本趨於零，那麼為什麼以安全為中心的人工智慧的邊際成本不會也趨於零呢？這非常明顯。很有可能每個AI都會被一大堆網路安全AI所包圍和監視。因此我們將會有很多很多的AI保護者，成千上萬個，數百萬個，在公司內部，公司外部。這就是未來的方向…… 人工智慧本身必須是好的這種想法很好，但我不認為我們應該依賴它。因此，就像軟體應該正常運行一樣，我們喜歡這樣，但是考慮到可能存在漏洞或者它可能是一個病毒，或者其他任何東西，它可能是一個入侵者，我們必須假設這些情況會發生。Konstantine: 因此，我們將儘可能安全地推進人工智慧的發展，但我們也將用大量的安全人工智慧來包圍人工智慧。您分享說，物理世界的動態在這個數字世界中是分離的，在物理世界中，你可能需要1個安全人員對應100個普通人。在人工智慧世界中，這種情況可能會顛倒。範式轉移：計算的終局是生成式黃仁勳: 您還分享了這個我認為令人腦洞大開的想法。例如，像網路安全一樣。Konstantine: 是的。是的，我們的網路安全代理比公司裡從事網路安全工作的人員還要多。你還分享了一個觀點，即在未來，我們不僅會有渲染計算，而且一切都將被生成。黃仁勳: 你能解釋一下這個預測是什麼，以及這對輝達意味著什麼嗎？最好的例子，有幾個例子，比如Perplexity。當你在Perplexity上提問時，你所看到的一切都是完全生成的，100%。你所看到的一切的100%都是生成的。然而在過去，在Perplexity出現之前，你會輸入一些東西，然後它會給你一個列表，你會去點選它。所有這些內容都是由某人預先編寫或建立的。所以搜尋是基於儲存的計算。它是基於檢索的計算。它正在檢索資訊供您自行消費。Perplexity或人工智慧正在生成，它去學習，它去閱讀所有內容，然後為你生成。Konstantine: 好的，所以Perplexity是經典電腦方法的一個很好的例子。黃仁勳: 我們去檢索一個檔案並讀取它，轉變成一種生成式方法，即Perplexity，它是基於人工智慧的。 另一種，看看我們今天看到的視訊。Soras，當然，Nano Banana，當然。所有這些像素都是生成的。它是受你調節和提示的。您可能會給它一個初始種子，然後說，我希望您生成一段康斯坦丁和詹森進行爐邊談話的視訊。然後您會提示它並說，這次爐邊談話，他們要談論瘋狂的事情。Konstantine: 對於那些線上的人來說，這是真的，實際上。黃仁勳: 然後Sora會生成它。因此，每一個像素，每一個動作，每一個詞語都是生成的。Konstantine: 所以，未來計算的方式很可能是生成式的。黃仁勳: 讓我再給你最後一個想法。你和我剛才經歷的一切的100%都是生成的。你問我的每一個問題，我都沒有跑回辦公室，取出什麼東西，然後拿給你。你是這個意思嗎，康斯坦丁？然後你大聲地讀出來給大家聽。那是昨天的電腦。今天的電腦是我們只是在互動。因此，我們正在根據當下發生的語境，根據觀眾，根據世界各地正在發生的事情，即時生成一切。所以我們正在即時生成一切。那就是未來的電腦。你未來的電腦是一位在你面前的首席執行官，或者是一位藝術家，一位詩人，一位講故事的人，你與它合作，為你自己創作獨特的內容。Konstantine: 所以計算的未來是100%生成式的。黃仁勳: 在它背後，你需要一個人工智慧工廠，這就是我100%確信我們正處於這段旅程開始的原因。我們現在有幾千億美金，只是很少的一點，我們只有幾千億美金的基礎設施，而未來每年可能會有數兆美元的基礎設施被建造。快問快答：洞見與展望Konstantine: 所以這是思考這個問題的最簡單方式。這種計算範式非常像人類的思維。是的，它在思考。如果你準備好了，我們來快速回答幾個問題怎麼樣？黃仁勳: 好的。好的嗎？Konstantine: 好的。就在我們一起的最後幾分鐘裡。我確信炸雞是答案。我不知道這個問題是什麼。那麼讓我們開始吧。華爾街低估的一個關鍵績效指標是什麼？黃仁勳: 在人工智慧工廠的未來，你的單位能源吞吐量決定了客戶的收入。這不僅僅是選擇更好的晶片。而是決定你的收入會是多少。事實上，如果你回過頭看看所有的雲服務提供商（CSPs），那些選擇正確的公司看到了收入增長。而那些隨後放慢速度的人做出了正確的選擇。Konstantine: 所以你可以看到它在發揮作用，人們開始理解它。你的吞吐量，Token，它被稱為Token，你的工廠每單位能量的Token生成率就是你的收入。輝達平台最被低估的部分。黃仁勳: 大多數人談論CUDA，CUDA非常重要，但是在CUDA之上有一套庫。我今天早些時候提到過一個，它叫做CUDNN。它可能是人類歷史上建立的最重要的庫之一。Konstantine: 過去，之前的那個叫做SQL，SQL。而這個，CUDNN，還有其他的幾個。黃仁勳: CUDF，CULITHO，它將被用於半導體製造光刻。Konstantine: 我們大約有350個這樣的庫。而這些庫，就是輝達的寶藏。你認為那一項技術被嚴重低估，那一項技術可能被低估的。黃仁勳: 哇，我認為用於物理人工智慧學習成為優秀的物理人工智慧的虛擬世界，我們稱之為Omniverse，很難理解，但它被嚴重低估了。這不是因為人們使用或不使用它，而是因為他們還不知道自己需要它。但現在Omniverse正在席捲整個機器人行業，每個人都明白了。一旦你開始製造機器人，你就會開始意識到我們在大約十年前開始研究Omniverse是多麼有遠見。Konstantine: 所以Omniverse真的很重要。那本書對你的商業和領導哲學影響最大？黃仁勳: 我最喜歡的書之一是每個人第一本微積分書，當你意識到數學是運動的時候。那是一本好書。克萊的所有書，克里斯坦森的書，他已經過世了，但是好朋友，他的所有書都很棒。艾爾·雷的定位書，真的是本好書，如果你還沒機會讀的話。當然，薩皮恩斯一直都很好，但那些都是不錯的選擇。傑弗裡關於跨越鴻溝的書，那是一本好書。但是克里斯坦森的所有書，都讀一讀。Konstantine: 那麼最後一個問題，如果你是聽眾席上的一位首席資訊官，有100億美元用於未來幾年的人工智慧投資，你會投資什麼？黃仁勳: 我會立即嘗試建構你自己的AI。事實是，我們以員工入職以及你改採用的方法、你將他們帶入的文化、你公司的理念、營運方法、實踐為榮，這些造就了你的公司。你隨著時間推移所體現的資料和知識的集合，你讓他們可以訪問。這就是過去定義公司的方式。未來的公司當然包括這些，但你需要為人工智慧做這些。你需要讓數字員工入職，你需要讓人工智慧員工入職。有讓人工智慧員工入職的方法，我們稱之為微調，但基本上是教他們文化、知識、技能、評估方法，因此你的代理員工的整個飛輪是你需要去學習如何做的。我告訴我的首席資訊官，我們公司的IT部門，他們未來將成為代理人工智慧的人力資源部門。他們將成為未來數字員工的人力資源部門。這些數字員工將與我們的，當然，生物員工一起工作，這將是我們未來公司的形態。所以如果你有機會做這件事，我會立刻去做。Konstantine: 謝謝你，黃仁勳。我們聽到了一個不可思議的故事。真的，輝達的故事是一個卓越的泛化故事，從加速圖形處理器到驅動當今世界所有人工智慧的技術，從一個元件和世界上的第一個GPU，到世界上人工智慧工廠平台中的所有元件。我們討論了服務是如何成為這場新革命的基線，以及機器人技術是如何存在於我們所有的未來之中。我們談到了外交政策。我們甚至談到了炸雞。你完成了所有，黃仁勳。非常感謝你。 (Web3天空之城)

在科技投資的萬神殿中，紅杉資本（Sequoia Capital）的名字始終佔據著核心位置。當這家傳奇機構發聲時，整個矽谷乃至全球的科技界都會側耳傾聽。近期，紅杉資本合夥人康斯坦丁·布勒（Konstantine Buhler）在名為《The $10 Trillion AI Revolution》的演講中，篇拋出了一枚重磅炸彈：人工智慧（AI）並非又一個技術風口，而是一場“認知革命”（Cognitive Revolution），其規模與影響力將媲美甚至超越工業革命。這並非一句空洞的口號。紅杉為這場革命標定了一個清晰的戰場和一個驚人的“戰利品”：一個價值高達10兆美元（10trillion）的龐大市場。這個數字並非憑空預測的未來市值，而是指向一個具體的目標——美國服務業市場。紅杉認為，AI不僅將在這個市場中攻城略地，更將像SaaS（軟體即服務）重塑軟體行業一樣，徹底顛覆並極大地擴展服務業的邊界 。歷史的迴響：為何AI是一場“壓縮版”的工業革命要理解紅杉對AI革命的信心，必須先理解其核心的歷史類比。他們將AI革命與工業革命並置，但關鍵的區別在於一個詞：速度。這場變革的處理程序被極大地壓縮了。1. 從“蒸汽機”到“流水線”的驚人躍遷紅杉建構了一個清晰的對比框架，揭示了兩次革命在時間尺度上的巨大差異：工業革命的“引擎”：1712年，第一台蒸汽機問世，它是一種通用的動力技術，為後續的一切變革提供了基礎。認知革命的“引擎”：1999年，第一塊GPU（圖形處理器）誕生，它成為了這個時代的“蒸汽機”，為大規模平行計算提供了可能。工業革命的“工廠”：從蒸汽機到1779年第一個現代工廠體系的出現，歷時67年。認知革命的“工廠”：從GPU到2016年第一個整合了所有元件的“AI工廠”的出現，僅僅用了17年。工業革命的“流水線”：在工廠體系出現後，又過了144年，現代化的裝配流水線才在1923年被完善。認知革命的“流水線”：紅杉預測，高度專業化的“認知流水線”（即專用AI應用）將在“202X年”——也就是AI工廠誕生後的短短幾年內迅速到來。這種時間上的急劇壓縮，其背後隱藏著更深層次的邏輯。工業革命受制於鋼鐵與蒸汽的物理定律，工廠的建設、鐵路的鋪設都是緩慢、資本密集且受地理限制的物理過程。而認知革命建立在“位元”之上，AI模型和軟體應用的複製與分發成本幾乎為零。一個“AI工廠”可以通過雲服務在幾分鐘內擴展至全球；一條新的“認知流水線”（一個專用App）可以通過網際網路瞬間觸達數百萬使用者。這種基於數字媒介的本質區別，正是這場革命得以驚人加速的根本原因。2. “專業化勢在必行”：初創公司的歷史使命在這一加速處理程序中，紅杉提出了一個核心概念：專業化勢在必行（The specialization imperative）。正如工業革命的成熟並非依靠更強大的通用蒸汽機，而是通過將蒸汽動力“專業化”為紡織機、火車頭和水泵等專用裝置來實現價值最大化一樣，認知革命的巨大價值也將由那些將通用AI模型（如GPT-4）“專業化”為解決特定行業痛點的初創公司來釋放。這正是紅杉對初創公司寄予厚望的原因。他們認為，當下的AI創業者們，正扮演著當年將蒸汽動力應用於各個領域的發明家和企業家的角色。因此，紅杉提出了一個振聾發聵的問題：“誰將成為AI時代的約翰·洛克菲勒和安德魯·卡內基？” 。他們的答案響亮而明確：正是那些正在打造“認知流水線”的創業公司。他們將成為新一代的行業巨擘，重塑全球經濟格局。十兆美元的新大陸：AI的真正戰場如果說歷史類比為這場革命描繪了宏偉的藍圖，那麼10兆美元這個數字則為其標定了具體的戰場。這個數字並非遙不可及的未來市場總值，而是指向一個已經存在、但尚未被技術充分滲透的巨大經濟體——美國服務業市場。1. 定義獎賞：一個滲透率僅0.2%的龐大市場紅杉指出，法律、會計、醫療、諮詢等行業構成了美國價值10兆美元的服務業經濟。然而，目前AI技術在其中的滲透規模僅為約200億美元，滲透率低至0.2%。這意味著一片廣闊的、幾乎未經開墾的“新大陸”正等待著AI的征服。這種巨大的差距本身就構成了無與倫比的商業機會。傳統服務業的增長模式在很大程度上是線性的，依賴於高薪專業人士的智力勞動和時間投入。而AI的介入，將為這個古老的行業帶來非線性的增長潛力。2. SaaS類比：市場擴張，而非僅僅是份額掠奪在這裡，紅杉提出了一個至關重要的觀點：AI對服務業的影響，將類似於SaaS對軟體業的重塑——其核心在於市場擴張，而不僅僅是市場份額的重新分配。在SaaS出現之前，軟體是昂貴的、需要本地部署的套裝產品，主要服務於大型企業。SaaS通過訂閱制和雲端交付，極大地降低了使用門檻，使得中小企業甚至個人都能負擔得起強大的軟體工具，從而將整個軟體市場的規模從3500億美元擴展到了超過6500億美元。同樣，AI也將通過自動化、增強和創造全新的服務模式，讓原本昂貴或無法獲得的專業服務變得普及。例如，AI法律助手可以讓小微企業以極低成本獲得合同審查服務；AI醫療診斷工具可以為偏遠地區提供專家級的影像分析。這些新生的需求將共同推動服務業市場邊界的極大外延。3. 重塑標普500指數：新巨頭的誕生這場變革最深遠的影響之一，可能在於它將改變資本市場的基本構成。目前，標準普爾500指數（S&P 500）的成分股中，幾乎看不到傳統律師事務所或會計師事務所的身影，因為它們大多採用合夥人制度，無法上市。這背後是傳統服務業的結構性弱點。合夥人制度雖然保證了高品質、定製化的服務，但也限制了其非線性擴張的能力——公司的增長與高薪專家的數量直接掛鉤。AI技術恰恰攻擊了這一弱點。一個AI系統（如法律AI公司Harvey）可以同時賦能數千名律師，完成過去需要大量初級律師團隊才能處理的工作，實現了知識服務的規模化複製。這種根本性的商業模式變革，將催生出一批由AI驅動、可公開上市的新型服務業巨頭。紅杉預言，這些新公司將登陸資本市場，甚至可能改變我們今天所熟知的標普500指數的構成，標誌著一個新商業時代的到來。正在發生的五大範式轉移：解讀革命的脈搏如果說歷史和市場規模的分析是宏觀敘事，那麼紅杉觀察到的五個正在發生的趨勢，則是這場革命在微觀層面上的真實脈動。它們是判斷變革方向的“茶葉”，揭示了AI如何從根本上改變工作方式和價值衡量標準。趨勢一：槓桿而非確定性 (Leverage Over Certainty)知識工作的本質正在發生轉變。過去，我們追求的是“低槓桿、高確定性”的工作模式，即對任務的每一個步驟和結果都有100%的掌控。而現在，我們正邁向一個“超高槓桿、結果不確定”的新範式。一個典型的例子是銷售人員。傳統模式下，一個銷售員能維護的客戶數量有限。而在新模式下，他可以利用AI代理同時管理成百上千名客戶，其自身角色從直接執行者轉變為AI的“教練”和“修正者”，從而實現超過1000%的槓桿效應。這與布勒提出的“隨機性思維”（The Stochastic Mindset）緊密相連，即未來的工作者必須適應與機率性、非確定性的AI系統協作，從死板的執行轉向靈活的迭代與批判性思考。趨勢二：真實世界驗證而非學術基準 (Real-World Validation)衡量AI能力的黃金標準已經改變。過去，學術界的基準測試（Benchmark）是評判模型優劣的標尺。但現在，紅杉宣稱“學術AI基準已死”（Academic AI benchmarks are dead）。真正的考驗來自真實世界的競技場。AI安全公司Expo就是一個絕佳案例。它沒有選擇在論文中發佈測試分數，而是在全球頂尖的駭客平台Hacker One上，與人類頂級駭客同場競技並取得勝利，以此來證明其技術的卓越性。這種“實戰”表現，成為了比任何學術分數都更有力的價值證明。趨勢三：強化學習走向實踐 (Reinforcement Learning Goes Practical)長期以來，強化學習（Reinforcement Learning）更多地停留在理論研究和遊戲領域（如AlphaGo）。但在過去一年，它已成為許多初創公司獲取競爭優勢的實用工具，尤其是在程式設計等複雜決策領域。AI不再僅僅是模仿資料，而是能夠通過試錯和反饋來學習最優策略，從而在特定任務上超越人類。趨勢四：AI深入物理世界 (AI in the Physical World)AI的影響力遠不止於聊天機器人或人形機器人。它正在通過最佳化流程和加速硬體製造，深刻地改變著物理世界。例如，Nominal公司利用AI來加速硬體產品的生產和質量保障流程。這與輝達CEO黃仁勳關於未來“AI工廠”的願景不謀而合，即AI不僅處理資訊，還直接參與物質世界的創造過程。趨勢五：算力即新生產力 (Compute as Production Function)在新的經濟範式中，衡量生產力的一個關鍵指標將是“每位知識工作者消耗的算力”（FLOPS per knowledge worker）。紅杉預計，這一指標將至少增加10倍，樂觀情況下甚至可能達到1000倍。這意味著對計算能力的巨大且持續的需求，為算力供應商和那些用AI武裝員工的企業創造了前所未有的機遇。這五個趨勢並非孤立存在，它們共同構成了一個相互強化的閉環，解釋了“千倍槓桿員工”是如何成為可能的。首先，實現千倍槓桿（趨勢一）需要強大的AI代理，而這些代理的運行離不開海量的算力支援（趨勢五）。其次，這些AI代理的有效性不再由抽象的學術基準來衡量，而是必須在真實世界中得到驗證（趨勢二）。為了在真實世界中取勝，它們越來越多地採用強化學習等先進技術（趨勢三）。最後，這個強大的認知系統不僅侷限於數字任務，還延伸到最佳化物理世界的生產製造（趨勢四），完成了從數字認知到物理產出的完整經濟循環。紅杉的藏寶圖：未來18個月的五大投資主題如果說上述趨勢是正在發生的事實，那麼紅杉提出的五大投資主題，則是為創業者和投資者繪製的一幅“藏寶圖”。它們指出了建構“認知流水線”所必需的關鍵基礎設施和能力缺口，是未來12到18個月內最值得關注的戰場。主題一：持久化記憶 (Persistent Memory)當前AI模型的主要侷限之一是它們的“失憶症”。無論是多長的上下文窗口，本質上仍是短期記憶。為了從簡單的聊天機器人進化為能夠執行複雜、多步驟任務的真正“代理”（Agent），AI需要具備兩種能力：長期記憶（能夠記住數天、數周前的互動和上下文）和持久化身份（維持一個連貫、獨特的個性）。這是實現更高等級生產力工具的關鍵瓶頸。主題二：無縫通訊協議 (Communication Protocols)網際網路的誕生，源於TCP/IP協議的建立，它讓不同電腦之間可以順暢地“對話”。紅杉認為，AI世界也需要一個類似的協議，讓不同的AI代理能夠無縫地溝通、協作和交易。想像一下未來的場景：一個AI購物代理，能夠自主地與其他網站的AI比價代理溝通，與物流公司的AI追蹤代理協調，最終完成整個購物流程，而無需人類干預。這將催生一個龐大的“機器經濟”，而其基礎就是這個尚未被發明的通訊協議。主題三：AI語音(AI Voice)隨著AI語音在保真度和延遲方面接近甚至超越人類水平，它將成為人機互動的主流介面。鍵盤和螢幕的統治地位將被動搖，自然、流暢的語音對話將滲透到消費和企業應用的方方面面。這與其他行業觀察者的判斷一致，即語音將成為數字世界的“萬能遙控器”。主題四：端到端AI安全 (End-to-End AI Security)當AI代理被賦予越來越大的自主權，並深度融入關鍵業務流程時，其安全性就變得至關重要。這不僅包括防止外部攻擊，還包括確保AI自身的決策不會產生災難性錯誤（如“幻覺”）。紅杉預見了一個龐大的新市場：需要成百上千的AI安全代理來保護每一個人類使用者和每一個AI工作代理。像Robust Intelligence這樣的公司，正在致力於建構AI防火牆，以應對這一挑戰。主題五：開源AI (Open-Source AI)紅杉將一個強大的開源AI生態系統視為戰略必需品。他們認為，這對於防止AI的未來被少數資金雄厚的科技巨頭壟斷至關重要。一個充滿活力的開源社區能夠確保技術的開放性、促進更廣泛的創新，並為整個生態系統的健康發展提供保障。這呼應了當前業界關於開放模型與閉源模型路線之爭的核心議題。這五大主題共同勾勒出了一個實現自主AI代理所需的技術堆疊，即“代理棧”（Agent Stack）。一個自主代理需要持久化記憶（主題一）來記住目標和歷史；需要無縫通訊協議（主題二）來與外部世界互動；需要AI語音（主題三）作為與人類溝通的自然介面；整個過程需要端到端AI安全（主題四）來保障；而這一切的實現和普及，則有賴於一個健康的開源AI生態（主題五）。這個框架清晰地展示了這些投資方向之間深刻的內在聯絡。宏大敘事之外：對狂熱、現實與“第二幕”的冷靜審視紅杉的“10兆美元革命”無疑是一曲激動人心的交響樂，但任何宏大敘事都需要放在現實的聚光燈下進行審視。要真正理解這份報告的價值，我們需要將其與紅杉的另一份重要檔案《生成式AI的第二幕》（Generative AI's Act Two）以及當前市場的嚴峻現實聯絡起來。1. 從“第一幕”的狂熱到“第二幕”的價值回歸《第二幕》一文指出，生成式AI的“第一幕”是新奇體驗的爆炸式增長（如ChatGPT的病毒式傳播），但其普遍存在使用者留存率低、商業價值未經證實的問題。許多早期的AI應用更像是技術演示，而非能解決實際問題的成熟產品。而“10兆美元革命”的實現，必須依賴於“第二幕”的到來。這意味著行業焦點必須從追逐新奇的技術轉向以客戶為中心，用專業化、垂直化的應用來端到端地解決真實世界的問題。2. 現實的拷問：6000億美元的疑問與95%的失敗率市場的現實資料為這場狂熱注入了一絲冷靜。巨大的投資回報鴻溝：紅杉自己也曾提出過“6000億美元的問題”（$600B Question），指出了AI基礎設施的巨額資本支出（CapEx）與終端使用者產生的收入之間存在的巨大差距。這給整個行業帶來了巨大的投資回報壓力。驚人的失敗率：麻省理工學院（MIT）的一項研究報告揭示了一個 sobering 的事實：高達95%的企業生成式AI項目未能實現有意義的收入增長或業務影響。這與革命勢不可擋的敘事形成了鮮明對比。幻滅的低谷期：權威諮詢機構Gartner已將生成式AI置於其技術成熟度曲線的“幻滅期低谷”（Trough of Disillusionment），主要原因在於企業在證明AI價值和尋找合格人才方面面臨巨大挑戰。這場關於“AI泡沫”的討論無處不在。一方面是前所未有的投機和高企的估值，另一方面是確實存在的、顛覆性的技術突破。在這種背景下，紅杉的“10兆美元革命”報告，就不應被簡單地解讀為一份純粹樂觀的預言。它更像是一份戰略處方，旨在指導創業者如何安全穿越當前的“幻滅期低谷”。報告指出了問題的根源（“第一幕”缺乏對真實價值的關注），並開出了藥方：通過踐行“專業化勢在必行”，聚焦於建構“代理棧”的五大關鍵主題，並以五大範式轉移作為成功的先行指標。它是一張旨在穿越風暴的航海圖，而非否認風暴的存在。如何在AI時代成為下一個洛克菲勒？紅杉資本的萬字雄文為我們描繪了一個堪比工業革命的宏偉時代。其核心論點是，AI帶來的機遇是歷史性的，但通往成功的道路並非坦途。最終的勝利者，不會是那些隨波逐流、追逐短期熱點的投機者，而是那些腳踏實地，為新經濟建構關鍵基礎設施和專業化應用的建設者。對於身處其中的參與者，這份報告的啟示是清晰的：對於創業者：答案是專業化。找到一個深刻的、具體的行業痛點，用AI去解決它。忘掉虛無的學術基準，在真實世界中驗證你的價值。沿著持久化記憶、通訊協議、AI語音、安全和開源這五條戰線，去開拓屬於你的疆域。對於投資者：挑戰在於分辨“第一幕”的浮華與“第二幕”的實質。正在發生的五大趨勢是判斷項目潛力的生命體徵，而五大投資主題則是蘊藏著最高回報的寶藏之地。讓我們再次回到那個最初的問題：誰將成為AI時代的洛克菲勒與卡內基？。歷史上的工業巨頭們，不僅僅是發明家，更是體系的建構者。他們打造了驅動一個時代的石油管道、鐵路網路和鋼鐵帝國。認知革命中的傳奇公司，也必將如此。他們將通過一條條“認知流水線”，重塑價值10兆美元的服務業經濟，最終定義下一個百年。這場偉大的變革，已經拉開序幕。 (瑞塔塔觀點)

標普 500 的市值分佈紅杉美國合夥人 Konstantine Buhler 發表了一場題為 《The $10 Trillion AI Revolution》（10兆美元的人工智慧革命） 的演講。我用AI學習了下，把原文壓縮成 5 句結論 + 15 個關鍵詞。產業階段判斷工業革命花了 211 年才完成“蒸汽機→工廠→流水線”的細化；AI 革命現在只走到“GPU 蒸汽機→深度學習工廠”，下一幕是“專用流水線”——垂直場景的 AI 專用系統會替代今天的通用大模型，成為新壟斷者誕生地。市場規模重估AI 服務市場不是 200 億，而是 10 兆美元（紅杉把“被替代職業人數×年薪”直接加總）。雲時代的 SaaS 把 3500 億軟體市場撐到 6500 億；AI 時代會把今天所有“人力服務”重算一遍，邊界被整體外推。五大趨勢決定打法生產力槓桿：百倍效率換可控性下降 → 產品必須把“人-機校驗”做成默認工作流。評價標準出實驗室：真實業務指標 > 學術 benchmark，先做場景“擂台賽”。強化學習實用化：RL 不再是論文，而是核心配方，誰先調出“RL+垂類資料”誰先贏。AI 進物理世界：軟體紅利吃完，硬體製造、質檢、物流、機器人是下一個 10× 窪地。算力新生產函數：FLOPs/人×10～10 000 倍增長，推理效率與安全是隱形千億市場。紅杉當下在押的 5 條賽道① 持久記憶（長時記憶 + 身份一致）② 無縫通訊協議（AI-to-AI 的“TCP/IP”）③ AI 語音（比視訊更快落地，B2B 調度/交易場景最肥）④ AI 安全（研發-分發-終端三層防護，可做“安全代理”標準化產品）⑤ 開源競爭力（防止巨頭鎖死生態，持續投開源模型與工具鏈）給創業者的一句話行動清單Step1 選一條“年薪×人數>500 億美元”的垂直人力賽道；Step2 用 RL+專有資料訓練“小模型”，先在一個真實 KPI 上做到世界第一；Step3 把“持久記憶+多 Agent 協同”做進產品，讓使用者直接僱傭一支 AI 團隊；Step4 把節省下來的 50% 成本換成按結果計費的新商業模式；Step5 在 18 個月內把業務資料反喂模型，形成資料飛輪，達到對手 10 倍效率差——那就是你的“專用流水線”。15 個關鍵詞專業化、10 兆替代成本、RL 工程化、AI 物理化、FLOPs 生產函數、持久記憶、AI 語音入口、安全代理、開源護城河、真實 KPI 競技、資料飛輪、垂直小模型、人-機校驗工作流、按結果計費、效率差×10。 (B Impact杭派創業)

在2025年5月的AI Ascent峰會上，紅杉資本三位合夥人Pat Grady、Sonya Huang 與Konstantine Buhler罕見同台，從市場結構、產品演進、技術路徑與長期認知四個維度，系統總結了他們對當前AI浪潮的觀察與預測。仔細回顧這場峰會上三位合夥人分享的內容，他們並未停留在對大模型的能力讚歎或工具類產品的浮躁熱情上，而是從數十年技術周期與企業建構經驗出發，勾勒出一張關於AI創業的未來作戰圖：“價值將持續嚮應用層沉澱，Agent將主導下一波平台演進，信任機制與通訊協議將重構技術基礎設施，而組織能力與認知方式的升級，將成為真正的競爭力邊界”。01 應用層才是AI時代主戰場紅杉美國合夥人Pat Grady分享了他們過去一年對於AI發展趨勢的思考，並就當前市場所面臨的結構性變化、創業公司在AI應用層的破局之道，以及衡量企業真正價值的關鍵指標進行了系統性的梳理。他表示，紅杉團隊希望先提供一些框架性洞察，幫助與會者更好理解這一輪AI浪潮的全貌與底層規律。Grady從一個簡化但常用的分析結構切入，即Don Valentine提出的四個問題：“這是什麼？它為什麼重要？為什麼是現在？那我們現在該怎麼做？”這是紅杉一貫用來觀察技術周期和市場拐點的思維方式。雖然他原本打算先講“這是什麼”，但被合夥人提醒“別在AI專家面前解釋什麼是AI”，於是直接切入“那它為什麼重要”。他用兩張去年也展示過的幻燈片重新建構了紅杉對於AI市場體量的判斷：一張圖展示了“雲端運算轉型”和“AI轉型”的對比。雲端運算在啟動轉型時，其服務市場的體量為4000億美元，已經比當時全球軟體市場還大。而AI所對應的市場，起點本身就遠高於此，甚至可能是數量級上的差距，最終所能抵達的終點，將是一個“可想像範圍之外的巨大終局”。紅杉更新了他們過去一年對市場的理解：AI不再僅僅是“侵蝕服務市場”，它正在同時重塑“軟體市場”與“服務市場”兩個利潤池。很多公司起初是提供一個軟體工具，然後逐步演化為智能助手，最終轉向自動化執行，這意味著其銷售邏輯從“軟體預算”切入“人力預算”，市場邊界隨之被重新定義。兩個核心市場（TAM）正在同時開放，利潤池的爭奪正處於初期階段。他隨後回顧了去年另一張被稱作“技術波浪蛋糕圖”的幻燈片，強調了兩個觀點：第一，AI不再是一個“未來必然”，而是一個“當下已經具備現實條件”的轉折點。從計算資源、網路結構、資料分佈，到人才結構，所有核心要素都已齊備。第二，這一輪變革是疊加性的，即前幾輪技術堆疊了足夠的基礎設施，使得當前的浪潮更快、更廣，並不再遵循過去那種緩慢爬坡的路徑。Grady尖銳指出了“傳播物理學”發生的結構性變化：從“使用者必須得知你的產品”，到“使用者想要你的產品”，再到“使用者能輕鬆獲得你的產品”，這三個環節如今全部提速。他對比了Salesforce在雲端運算早期的“游擊行銷”，與ChatGPT發佈後瞬間覆蓋全球的傳播路徑，指出平台分發能力、人口滲透率、使用者連接密度的提升，意味著技術擴散的物理條件發生了根本改變。這一變化不是AI獨有，而是新技術分發的“基礎物理”已變。他展示了一張“空白地圖”，標示當前AI市場的未被佔據區間，並強調：真正能實現十億美元收入、自由現金流持續增長的企業，往往出現在“應用層”。歷史上的雲端運算與移動網際網路轉型中，最有價值的公司也都在應用層。這一輪AI轉型也不會例外。但他提醒，這一次，基礎模型本身具備“直接上沉至應用層”的能力。無論是工具呼叫、Agent協作，還是推理能力、規模優勢，基礎模型本身正越來越接近應用側價值。因此，對於創業公司來說，若不是建構端到端的基礎模型，那就必須反向從使用者需求出發，從垂直行業、特定功能切入，解決複雜問題，建立不可替代的應用閉環。這是唯一能夠在應用層與大模型抗衡並建構護城河的方式。在具體執行策略上，Grady重申了一個觀點：“95%的AI創業，跟傳統創業沒有區別”，本質仍是找到獨特問題、用非凡方式解決、吸引優秀人才。AI的那5%特別之處，集中在產品如何交付價值、如何建構資料飛輪，以及如何在整個價值鏈中建立縱深護城河。他特別提到紅杉內部流傳的一張“Leoni 商品化循環圖”，這是其合夥人Doug Leone花費數十年精心打磨的內部模型，描述了從想法生成、技術研發、產品打造、市場推廣到客戶支援的全過程。對於AI創業公司而言，思考方式不應只停留在“技術匯出”，而要從客戶需求反推建構，才能在整個價值鏈中建構防禦力。在討論“公司價值的判斷標準”時，Grady列出了三項紅杉評估AI公司時重點關注的指標：第一，收入的“質感”比總量更重要。他說，“不要被‘收入好像很多’的表象欺騙，必須搞清楚那是不是‘氣氛收入（vibe revenue）’。”他提醒初創公司認真分析自己的產品被如何使用，使用者是否真正留存、活躍，是否形成了持久的行為模式轉變。第二，毛利路徑。紅杉並不在意初期毛利是否高，因為推理成本（cost per token）已經在12～18個月內下降了99%，未來還會繼續下降；與此同時，若公司成功從“銷售工具”轉型為“銷售結果”，其定價能力也會同步提升。因此，只要有明確的成本下降與價值上移路徑，毛利問題可控。第三，資料飛輪。Grady直接向現場提問：“你有沒有一個資料飛輪？它推動的是那項業務指標？”他坦言，如果一個公司無法回答這個問題，那它要麼根本沒有資料飛輪，要麼它的資料飛輪並不重要。而這恰恰是AI創業中為數不多能建立長期壁壘的核心能力之一。最後，Grady表示，當前市場對於AI的需求正在形成巨大的“吸力”，這個趨勢的速度和規模，已足以壓倒一切宏觀變數，包括利率、地緣政治、關稅政策等。如果你不站在吸力前端，真空會由別人填補。這不是一個慢慢籌劃、謹慎前行的時代，而是一個必須全速奔跑、主動衝鋒的時刻。02 AI殺手級應用已現，Agent正在走出拼貼時代紅杉美國合夥人Sonya Huang進一步聚焦於AI當前的發展態勢、技術演進路徑與應用層面的價值積聚。她從回顧過去一年開始，系統評估了使用者行為的變化、技術突破的邊界、以及創業公司如何在AI棧的競爭中找準突圍路徑。她指出，過去一年AI原生應用的使用者粘性發生了根本性改變。2023年，紅杉曾展示一張圖表，對比AI原生應用與傳統移動應用的“日活/月活”比值，當時AI應用的留存表現普遍不佳，“熱度大於實際”。而如今，這一情況已出現顯著反轉——以ChatGPT為例，其活躍度曲線持續上升，正在逼近Reddit等級的使用者參與度。她認為，這標誌著AI正在從“可選工具”轉變為“日常必需”，使用者正在不斷學習如何將AI融入個人生活與工作流程中。她以輕鬆的方式提及自己“燒掉了令人羞愧數量的GPU”，也提到了像“Giblet E”這樣的網路熱梗，但她強調，比這些表層熱度更值得關注的是：AI正在深刻改變廣告、教育、醫療等行業的底層能力。例如，用AI自動生成高品質廣告文案、用圖像幫助學生理解抽象概念，或通過Open Evidence這樣的平台提升疾病診斷精準率，我們仍處於這些變革應用的“起點”階段，遠未觸達AI潛力的邊界。當她談到語音生成時，提到了一個文化意義上的“Her時刻”。她表示，雖然我們尚未擁有一位Scarlett Johansson配音的AI助理，但2024年確實實現了從“接近擬真”到“完全穿越恐怖谷”的躍遷。在場有嘉賓參與建構了Semma模型，其語音生成效果被她稱為“令人震驚地逼真”，這使得科幻與現實之間的界限正在迅速模糊，圖靈測試彷彿在不經意間被跨越。程式碼生成則成為這一年最具突破性的AI應用賽道之一。Anthropic推出的Claude 3.5 Sonnet模型引發了整個開發者社區的“氛圍位移”（vibe shift）。AI程式設計工具已不僅限於輔助編寫簡單函數，而是能夠完成完整應用的開發。例如，已有使用者用AI “vibe code” 出了一個DocSend替代產品。Sonya強調，不論是資深工程師還是程式設計小白，AI都正在徹底改變軟體開發的准入門檻、開發速度與成本結構。在技術層面，她指出“預訓練的收益正在邊際遞減”。自AlexNet橫空出世以來，AI模型訓練規模已擴展了9～10個數量級，意味著大部分“低垂果實”已被摘完。接下來，真正的突破將來自其他方向，例如推理能力（reasoning）、合成資料（synthetic data）、工具呼叫（tool use）與Agent架構（agentic scaffolding）。她特別提到去年在AI Ascent活動中，OpenAI的Noam Brown展示了Strawberry團隊關於推理的工作，而今年他們也邀請到了Dan Roberts，分享O3模型在這一方向上的最新進展。除了OpenAI，Anthropic通過MCP協議建構的工具生態也令人期待，正在加速Agent生態的演進。大模型、推理、工具鏈與Agent架構正在融合出一套全新的智能系統建構方式。在這一背景下，評估AI模型能力的量化基準如Meter Benchmark逐漸成熟，但她認為更具說服力的，是與在座開發者交流他們正在用O3、Operator、Deep Research或Sonnet實現的“過去根本不可能完成的任務”。她特別強調，技術與產品之間的界限正在變得模糊，而真正令人振奮的創新，往往發生在這條模糊帶上。過去一年中，Notebook LM和Deep Research就是兩個典型案例。Notebook LM的團隊Jason和Riza已組建新公司Hux，OpenAI的Esa Fulford也在現場，預計會有更多這一交叉領域的突破湧現。隨後，她切入一個關鍵話題：“AI棧中價值究竟累積在那一層？”這曾是她與紅杉內部多位合夥人反覆討論的問題。她坦承，自己過去對“GPT Wrapper”型應用持懷疑態度，而Pat Grady堅信價值會集中在應用層。從Open Evidence到Harvey等公司，真正的價值都是“從客戶視角出發”建構的，應用層成為價值沉澱的關鍵區域。她並打趣地表示，“雖然我們都在討論棧的價值分佈，但真正躺贏的是Jensen Huang——這一層統治的是算力，利潤被輝達拿走了。”她進一步指出，AI的“第一波殺手級應用”已經出現，包括ChatGPT、Harvey、Glean、Sierra、Cursor、Bridge等等。而新的公司也正快速崛起，Listen Labs、Open Evidence等團隊正逐步拓展應用場景，現場也有不少來自這些公司的嘉賓參與分享。她預測更多新一代應用公司將以Agent為核心形態。目前很多Agent產品仍是由多個零件拼湊出來的原型，但未來將通過兩條路徑實現產品化與魯棒性提升：第一是通過強化測試與評估機制（evals）進行高品質編排；第二是通過對任務端到端微調（fine-tuning）進行系統級最佳化。她特別點名將由LangChain的Harrison與OpenAI的Isa分享相關經驗。另一個趨勢是Agent公司將呈現“垂直化”形態。她強調，這一賽道非常適合深刻理解某一垂直領域的創始人，例如使用強化學習、合成資料和使用者反饋調優模型，使Agent能在特定工作流中超過人類表現。她列舉的實例包括：在安全領域，Expo開發出性能超過頂級滲透測試員的Agent；在DevOps中，Traversal建構了比最強故障排查專家還高效的AI工具；在網路維運中，Meter的AI工程師也優於人工操作。這些早期案例已讓紅杉對垂直Agent模型的潛力充滿信心。她最後一個預測則觸及AI社會影響的邊界：“2025年，AI將進入一個‘豐裕時代’（abundance era）。”這意味著，勞動力會變得極度便宜、幾乎無限。首個出現豐裕訊號的，是程式碼市場，而這也預示著更多行業的變化將接踵而至。在一個勞動不再稀缺、而“品味”成為新的稀缺資源，AI產品的設計、美感與價值主張，將變得比功能更重要。03 Agent經濟體正在成型，未來組織將被智能體重構紅杉美國合夥人Konstantine Buhler將視角進一步拉遠，著眼於AI中長期趨勢。他明確表示，接下來的討論將聚焦三個問題：AI的下一個大浪潮是什麼？實現它需要什麼關鍵技術？而這一切將如何改變我們每一個人的工作與思維方式？Konstantine回顧道，一年前的AI Ascent大會重點還是“Agent”這一概念。彼時，“Agent”更多是新興形態的“機器助手”，尚處於公司探索階段。而今天，這些“Agent”已不再是孤立存在，它們正逐漸形成網路，被稱作Agent Swarms（智能體群），它們之間能夠協作、博弈、協同完成任務，並日漸成為AI技術堆疊中不可或缺的結構性層級。他提出，未來幾年，這些Agent Swarm將進一步演化為完整的“Agent 經濟體”。在這個新型經濟系統中，智能體不再只是交換資訊，而是能夠傳遞資源、執行交易、管理信任，並擁有各自的運行邏輯和狀態。他強調，這個經濟體不會取代人類，而是高度依賴人類協作。Agent與人類之間將構成新型協作關係，圍繞任務、資料、信任進行複雜互動。要建構這樣的Agent經濟體，Buhler指出還有三項關鍵技術難題待解，而這些正是在場開發者接下來數年需要面對的核心挑戰：第一，持久化身份（Persistent Identity）的問題。他說，Agent的身份必須具備兩個維度的“持久性”：一是Agent自身的人格與理解必須持續一致；否則就像與一位每天都“變一個人”的合作者合作，信任很難建立。二是Agent必須能記住使用者、理解使用者歷史，這樣才能建構長期可信關係。儘管當前社區在使用RAG、向量資料庫、長上下文窗口等手段緩解這一問題，但真正“記得你是誰”的能力，仍未實現質變，也是下一階段技術突破的核心瓶頸之一。第二，通訊協議的缺位。Buhler強調，沒有協議的計算，就像沒有TCP/IP的個人電腦。如今，我們還處於建構Agent之間基礎通訊協議的早期階段，但MCP（Multi-agent Communication Protocol）等機制的出現，標誌著這一層正逐漸被填補。他認為，不僅是資訊，還將是價值和信任的傳遞都需通過協議來完成，這是智能體經濟成為現實的前提。第三，安全與信任問題將空前重要。在一個你無法“面對面見到交易對象”的世界裡，信任機制必須被重新建構。他預計會形成一個“圍繞Agent安全與認證的全新產業帶”，其重要性甚至將超過現實世界中現有的身份認證系統。在講完建構Agent經濟體的三大技術前提後，Konstantine將視角進一步下沉，討論這一變革將如何影響我們的認知模式與組織結構。首先，是“思維範式”的轉變——我們正在從“確定性思維”走向“機率性思維”（Stochastic Mindset）。他以一個簡單但深刻的類比說明差異：傳統電腦系統是確定性的，你輸入73，它永遠返回73；而AI系統則不同，它可能返回37、72、74、79或什麼都不返回。這是因為，我們進入了一個無法用“if/else”完全定義的計算世界。他認為，這種從“可控”到“不確定”的認知轉變，將是AI時代最深層、最普遍的思維重塑。第二，是“管理範式”的變革——人們將不再直接程式設計機器，而是“管理智能體”。他指出，一個優秀的工程師與一個優秀的工程管理者之間存在本質區別，AI 將迫使更多人進入後者的角色。未來的管理者要懂得如何評估Agent的邊界與能力，如何設計任務分配流程，甚至需要像管理團隊一樣管理一組Agent。他半開玩笑地提醒，“希望我們不要發展出‘年終績效考核Agent’的系統”。第三，是“高槓桿 + 高不確定性”的並存現實。他強調，AI能帶來極大的槓桿作用，但同時，也帶來極大的不確定性。如何在高風險中實現高產出，將成為每個人必須掌握的能力。在這個意義上，Konstantine鼓勵在場聽眾：“你們是最適合這個時代的一群人。”他最後回到去年分享過的一張圖，繼續談“槓桿”問題。他指出，2023年他們預測組織中單個職能部門將擁有Agent，然後這些Agent會“聚合”，形成整個工作流程自動化的能力，甚至預言出現“一個人創造的獨角獸公司”。雖然目前尚未有一人獨角獸，但已有公司以極少人力達成驚人的規模擴展，這標誌著“組織槓桿率”正在進入前所未有的上升階段。未來，隨著越來越多的Agent融合，神經網路本身將形成“巢狀式架構”：一個大型神經網路中包含多個異質子網路，它們協同運行，構成一個“網路中的網路”，這種系統架構將徹底重構個人工作方式、組織結構乃至整個經濟體的運行邏輯，我們正處在經濟與智能系統重塑的臨界點。 (諾亞精選)