紅杉資本最新判斷：專業化，才是這輪AI革命的關鍵

/ 01 /

AI的專業化之路，正孕育下一個產業巨頭

回顧工業革命，有三個關鍵節點：

• 1712年，英國工程師 托馬斯·紐科門（Thomas Newcomen） 發明了世界上第一臺實用蒸汽機。

• 1779 年，英國實業家 理查德·阿克賴特（Richard Arkwright） 建立了世界上第一個現代工廠系統（紡織廠），生產流程第一次從“家庭手工業的分散小作坊”，變成了 統一管理、流水作業的工廠模式。

• 1923 年，由福特汽車公司最早提出的流水線模式，逐漸擴展為一整套現代化的機器生產線體系，把裝配分解為多個標準化工序，每個工人只負責其中一部分，大大提升了效率。

需要注意的事，這三個節點的時間跨度非常長。

從第一臺蒸汽機到第一座工廠之間隔了 67 年，而那座工廠甚至不是靠蒸汽機驅動，而是靠水力；從第一座工廠到現代流水線之間又隔了 144 年。

問題來了，為什么會花這么久？尤其是，這 144 年之間到底在發生什么？

紅杉認為，漫長演化背后一個新興技術的趨勢：復雜系統發展到一定規模后，必須往“專業化”走。

任何復雜系統，發展到一定規模后，都得把“通用技術”和“專門工具”結合起來，才能真正落地。就像光有蒸汽機還不夠，還需要不斷拆解、細化，把它們改造成適合紡織、采礦、運輸等不同場景的機器，才能真正高效運轉。

回到 AI 革命里，其實一切都能找到對應關系。

1999 年，英偉達推出的第一塊 GPU——GeForce 256，就像當年的蒸汽機，點燃了智能計算的火種。

到了 2016 年，深度學習迎來大爆發。GPU 算力、大規模數據集，以及 TensorFlow、PyTorch 這樣的開源框架逐漸完善，AI 的訓練和應用第一次像工廠流水線一樣“有章可循”。這意味著，AI 從零散的探索真正走進了規模化生產的階段，開始能源源不斷地產生智能成果（AI Token）。

那么問題來了，AI革命里的“洛克菲勒”（石油大王）“卡內基”（鋼鐵大王）會是誰？

我們認為，不會是傳統巨頭，而會是今天這些正在把通用技術不斷“做專做深”的創業公司，以及未來還未誕生、但會用 AI 打造出一個個具體應用的新玩家。

云計算轉型之初的軟件支出是3500億美元，其中SaaS（軟件即服務）只有一小塊 60 億美元。

后來的故事是，SaaS 不僅擴大了它在本地化軟件市場的份額，還把整個市場擴大到 6500 億美元以上。

紅杉認為人工智能會發生類似的情況，而且機會更大。現在，AI自動化的市場規模只有200億美元，而未來這將是一個10億美元的市場。

下面這張圖是紅杉內部的一個數據，對服務領域各個場景的規模測算，測算邏輯是：“該職業的從業人數 × 年薪中位數”（數據來自美國人口普查局）。

通過這些數據，你能看到，AI所能取代的服務市場到底有多大。在上面的很多領域，紅杉都做了投資，比如冊護士領域的 Open Evidence 和 Freed，軟件開發領域的 Factory 和 Reflection，法律領域的 Harvey、Crosby 和 Finch。

在紅杉內部，他們一直強調市場的重要性。

這張圖展示了標普 500 的市值分布。你會注意到，只有少數幾家特別大的公司。最左邊是英偉達，市值超過 4 萬億美元，百分比顯示的是它過去一年的漲幅。

但是，你不會在上面看到 Kirkland & Ellis 這樣的律師事務所，也不會看到 Baker Tilly 這樣的會計事務所，盡管它們的營收都有數十億美元。

所以，紅杉認為，AI革命帶來的機會，不只是把現有市場分一杯羹，而是把市場的邊界整體做大。未來，很可能會誕生一批全新的公司，它們專門服務行業打造AI應用，并最后成長為獨立的上市巨頭。

第一個趨勢：AI帶來生產力杠桿，但也要學會與不確定共處。

紅杉發現，由于AI的出現，讓我們的工作方式正在變化。過去，一件任務要靠自己親力親為，雖然效率不高，但結果幾乎是可控的。未來，AI 能幫我們把效率放大幾十倍、上百倍，但也要接受結果可能沒那么完美。

比如做銷售，以前你得自己盯著所有潛在客戶，一個個跟進。而在 AI 代理的世界里，你可能會用像 Roks 這樣的工具，每個客戶都配一個 AI Agent，幫你追蹤進展、發現變化、提醒你什么時候該重新出手。

當然，這些 AI Agent 不會像你本人一樣滴水不漏，它們有時會犯錯、會漏掉細節，這時候需要人來校正。但總體上，你等于有了一整個“分身團隊”，帶來的是百倍甚至千倍的效率提升，只是要學會和一些“不確定性”共處。

第二個趨勢：AI 的標準正在走出實驗室，進入真實世界。

過去很長一段時間，AI 的能力主要靠學術基準來衡量，比如十幾年前圖像識別就靠 Imagenet 排名。可現在，如果你要證明 AI 真有實力，就必須在現實場景里見真章。

比如 ，Expo 想證明自家的 AI 是世界上最強的“黑客”，他們選擇了在 HackerOne 平臺上與和全球黑客直接比拼。HackerOne 是一個全球性的網絡安全眾測平臺，上面有成千上萬的黑客，他們會嘗試入侵系統、找漏洞，然后提交報告獲取獎金。

結果，他們真的打敗了所有人，拿下全球第一。

這說明一個趨勢：今天衡量 AI 的新金標準，不再是學術測試，而是能不能在真實世界里贏。

第三個趨勢：強化學習走到臺前。

過去幾年，強化學習一直是研究圈的熱門話題，但更多停留在概念層面。真正的轉折點，是在過去一年它開始大規模進入實用階段。

無論是頂尖的大型推理實驗室，還是紅杉投資的初創公司，都把強化學習當作核心技術。比如 Reflection，就依靠強化學習，訓練出了目前最強的開源編程模型之一。

第四個趨勢：AI 走向物理世界。

過去，我們更多看到 AI 在軟件里發揮作用，比如寫代碼、生成文本。但現在，它已經開始深入到真實的物理世界。這不僅僅是我們熟悉的類人機器人，還包括生產制造環節。

比如，Nominal用 AI 來優化硬件制造的流程，大幅提升效率；在產品部署到現場之后，還能用 AI 做質量檢測，確保運行可靠。

第五個趨勢：算力成為新的生產函數。

如果說過去的生產函數是“資本+勞動力”，那么在 AI 時代，它變成了 “算力×知識工作者”。衡量標準就是每個知識工作者所消耗的 FLOPs。

紅杉調研發現，很多創業公司都認為未來這一數字至少會增長 10 倍。因為知識工作者可能不止依賴一個 AI 助手，而是同時調用幾十、幾百甚至上千個 AI Agent 來完成工作。在最樂觀的情況下，消耗量甚至可能增長 上萬倍。

這意味著，誰能提供更高效的推理服務、更安全的推理保護，或者把這種新型算力生產方式更好地帶給更多人，誰就能抓住下一個大機會。

第一個機會：持久記憶。

它包含兩層意思：一是長時記憶：AI 能長期記住你說過的話、你的習慣和上下文，而不是“聊完就忘”。二是身份的持久性，AI Agent 能在一定時間內保持自己的個性和風格。

如果要讓 AI 真正進入生產力場景，這就是繞不開的關鍵。但和模型規模擴展不同，持久記憶還沒有出現類似“規模定律”的突破。現在大家在嘗試的方法，包括 向量數據庫、RAG、超長上下文窗口，都還沒徹底解決問題。這背后，正孕育著一個巨大的機會。

第二個機會：無縫通信協議。

最近 MCP 很熱，但如果對標互聯網革命，就會發現 TCP/IP 并不是終點，而是起跑線。未來 AI 之間要能真正無縫交流，這將催生出一大批新應用。

舉個例子：在購物場景里，今天你可能先用 AI 查信息，再自己去下單；而在未來，AI 之間能直接溝通——幫你比價、下單、完成支付，整個過程自動完成。這樣一來，那些原本靠“平臺壟斷體驗”的企業優勢，都會被削弱。

第三個機會：AI 語音。

可能有人會問，為什么不是 AI 視頻？這是刻意的選擇。視頻可能還需要一兩年才能真正普及，而語音已經準備好了：音質已經足夠自然，延遲也低到可以實時對話。

這意味著，語音將是 AI 最快落地的大入口。應用場景非常多：C端有 AI 朋友、AI 陪伴、AI 心理咨詢師；B端更有巨大潛力，比如物流調度、金融大宗交易。這些原本依賴語音溝通的場景，AI 能顯著提高效率和準確性。

第四個機會：AI 安全。

這是一個極其巨大的機會，因為無論是在研發環節、分發過程，還是最終用戶的使用場景中，安全都至關重要。

舉個例子，有的用戶可能會在 AI 的指導下運行 Terminal 命令去安裝軟件，但他并沒有意識到，這個操作可能帶來嚴重的安全漏洞。

未來，我們會進入一個 “AI 安全代理” 普及的時代。在數字世界里沒有物理限制，每個人，甚至每個 AI Agent，都能配備多個安全代理，為其提供多層次的保護。

第五個機會：開源。

就在兩年前，很多人還堅信開源模型能和最頂尖的商業模型掰手腕，甚至可能后來居上。但今天，這種信心已經明顯動搖，開源的處境變得更加脆弱。

我們認為，開源能否保持競爭力至關重要。只有開源繼續發展，更多人才能自由地去構建 AI 的未來；同時，這也能防止整個行業被少數資金雄厚的巨頭牢牢掌控。

PS：如果你對AI大模型領域有獨特的看法，歡迎掃碼加入我們的大模型交流群。