•
紅杉AI峰會：8大演講者150創始人解讀AI範式轉移——重塑兆美元價值版圖：從工具到成果，從數字到物理
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)