Let's Make AGI Real

前不久，红杉资本合伙人Konstantine Buhler在一场主题演讲中，详细阐述了他们对AI时代投资的深刻洞察，指出我们正站在一个历史性的转折点上。

红杉资本（Sequoia Capital）给出了一个大胆的观点：人工智能（AI）正引领一场深远的“认知革命”，其变革力量足以与工业革命相媲美，甚至可能超越，并将在美国服务市场释放高达10万亿美元的巨大机遇。

一场新的“认知革命”

红杉资本认为：这次GenAI引发的“认知革命”，力度可与工业革命比肩，甚至可能超越。理解AI的未来，需要回溯历史。他们将AI革命与工业革命进行了类比，并强调了三个关键里程碑：

• 蒸汽机：作为工业革命的起点。
• 第一座工厂系统：将所有必要生产要素汇集到一处。
• 工厂流水线：实现了标准化、规模化生产。

值得注意的是，从蒸汽机发明到工厂流水线的成熟，工业革命耗时144年之久。这漫长周期的核心驱动力在于“专业化必然趋势”。通用技术和劳动力必须演变为高度专业化的组件和劳动力，才能实现前所未有的效率。

那么，谁将成为这场认知革命中的洛克菲勒和卡内基？红杉资本坚信，是当下和未来的初创公司，它们肩负着将通用AI技术“专业化”的使命。这些公司将把通用AI模型打造成“认知流水线”，解决特定行业的痛点，并构建未来的市场领导者。

从蒸汽机到“认知流水线”

工业革命的关键并不止于蒸汽机的发明，而是“第一座工厂”的组织化与“流水线”的标准化。红杉用这条时间轴映射 AI：1999 年的 GPU 是“蒸汽机”，2016 年早期 AI 系统像“第一座工厂”，而正在成形的，是能规模化产出“决策、文本、代码、审阅、问诊与合规”的认知流水线。在这条线上，新的洛克菲勒和卡内基，极可能来自把通用模型打造成行业专用工具的一代创业公司。

当通用模型被专业化、标准化并嵌入可复制的工作流时，脑力劳动将被系统性重塑——而这条新“流水线”，正指向美国服务业中高达 10 万亿美元的增量空间。

服务业的低渗透与现实转向

红杉把镜头对准服务业，因为市场既深且广，而自动化渗透率仍低得惊人——或仅约 0.2%，对应约 200 亿美元规模，这代表着一个巨大的“10的13次方”级别的机遇。就像云计算曾把软件市场从 3500 亿美元扩容到 6500 亿美元以上，AI 有望在法律、会计、医疗、客服、销售、教育和物流等领域复制甚至放大这条曲线。一批 AI 原生服务企业会随之崛起，甚至重写标普 500 的权重结构。红杉内部备忘录显示，注册护士、软件开发者、法律服务等职位的市场规模极其庞大。红杉已在这些领域进行投资，例如支持Open Evidence、Factory和Harvey等初创公司

五大当下投资趋势：AI改变世界的逻辑

AI如何改变世界** Buhler分享了红杉资本观察到的五个正在发生、揭示AI如何改变现实世界的关键趋势：

1. 杠杆优于确定性（Leverage Over Certainty）：工作模式正从“低杠杆、高确定性”转向“超高杠杆、结果不确定”。例如，销售人员可以利用AI代理管理数百甚至数千个客户互动，实现超过1000%的杠杆，而其角色转变为纠正和指导AI。
2. 真实世界验证（Real-World Validation）：衡量AI能力的黄金标准已从学术基准转向真实世界表现。例如，AI安全公司Expo通过在HackerOne平台上与全球顶级人类黑客竞争，证明了其技术卓越性。
3. 强化学习走向实践（Reinforcement Learning Moving to Practice）：长期停留在理论层面的强化学习，在过去一年已成为许多初创公司获得竞争优势的实用工具，尤其是在编程领域。
4. AI渗透物理世界（AI Penetrating the Physical World）：AI的影响力远超人形机器人，它正通过优化流程和加速硬件制造来改变物理世界。例如，Nominal公司利用AI加速硬件制造和质量保证。
5. 算力成为新的生产函数（Computing Power as New Productivity）：每位知识工作者的算力（FLOPS）消耗预计将至少增加10倍，乐观情况下甚至达到1000倍。这为计算供应商和利用AI赋能员工的公司带来了巨大机遇。

我们习惯的“低杠杆、高确定性”工作方式，正被“超高杠杆、可纠偏”的模式替代。销售、客服、研究等岗位由 AI 代理批量执行，人类角色转为设定目标、制定规则与纠错把关。评测也从学术榜单迁往真实世界：谁能在生产环境更快更稳解决问题，谁就赢。曾被视为“学院派”的强化学习开始在编程、检索路由与策略优化里展现硬优势；AI 也深入物理世界，重排制造与质检流程，带来可观的节拍提升。算力正在成为组织的“新生产函数”。人均 FLOPS 消耗可能提升一个数量级，乐观时甚至三个数量级。管理者需要重新审视投入产出：哪些任务可由算力替代劳动时长，哪些环节必须由数据治理与人类判断兜底，如何把三者编织成稳定、可迭代的产能曲线。

五大投资主题，曙光在前

• 持久记忆 是第一道门槛。若无法长期记住用户、任务与团队的“公共背景”，AI 难以承接复杂生产力场景；这一领域尚无成熟的“缩放定律”，空间巨大。
• 无缝通信协议 是第二道引信。像 TCP/IP 之于互联网，若 AI 与 AI、AI 与系统间能低摩擦互操作，自动比价—下单—支付—对账等任务链就能闭环运转。
• 第三，语音的全面爆发 正在打通双向、低时延的实时交互：从陪伴与治疗到风控与交易，语音有望成为默认入口。
• 第四，端到端 AI 安全 必须全链覆盖：从模型训练、分发、调用到用户与代理侧的落地安全，未来或许每位用户、每个代理都需要专属“安全护卫”。
• 最后，开源 AI 的十字路口 关乎生态能否长期开放与可持续创新，决定新进入者是否仍有通道对抗闭源顶模的领先优势。

对于企业，AI 不应是“插件”，而是重构工作流的中枢。把关键环节抽象为可编排的认知步骤，让数据、模型与算力共同塑形产能；先从高频、高成本、可度量的环节破题。

对于创业者，去寻找“高价值、高重复、强监管”的细分痛点，把通用能力锻造成行业“专用齿轮”，用数据壁垒与流程深耕形成复利。

对于个体，把自己定位为“AI 团队的领班”：会定目标、会拆流程、会做纠偏；你的价值，是把一个人的时间组织成十个人的效能。

看谁跑得快

红杉的结论朴素而坚决：我们仍在早期，真正的价值创造来自专业化。一旦“持久记忆、协议互通、语音交互、全栈安全与开源竞争力”等关键节点被打通，认知流水线的建设周期可能从几十年压缩到短短几年。剧变不是远方传说，它正在 KPI、流程与代码库里加速。接下来，能否生存就是速度问题——你可能并不需要跑过AI的发展速度，但你必须跑过同伴的速度😄。