下一轮AI，卖的不是工具，而是收益_

5月3日，红杉资本美国举办了第三届年度AI Ascent峰会，峰会汇聚了全球150余位AI领域的顶尖创始人与研究者，共同探讨了AI所带来的颠覆性机遇。“下一轮AI，卖的不是工具，而是收益。”该观点得到了与会嘉宾的共同认可。

会上，红杉资本美国的三位合伙人（Packer Radio、Sonya Huang、Konstantine Buhler）分别从市场机遇与创业策略、当前进展与未来应用以及长期趋势与技术挑战这三个不同的角度分享了他们对AI行业的深刻洞见。以下是全部分享内容：

红杉资本美国合伙人 Packer Radio关于AI行业机遇与创业策略的分享

校准认知：AI浪潮的“是什么、凭什么、为什么是现在、以及怎么办？”

首先，一些认知校准。我们如何看待AI世界正在发生的一切？我们通常用一个简单的框架来审视市场，即Don Valentine常提出的问题：

1.它是什么（What is it）？

2.那又如何（So what? / Why does it matter?）它为何如此重要？

3.为何是现在（Why now?）它的到来或许不可避免，但它是否已迫在眉睫？

4.接下来该怎么办（What now? / What do we do?）我们如何抓住这个机遇？

5.如何才能制胜？

过去几年我们都探讨过这些问题，但在接下来的几分钟里，我们将更新一些我们的思考。坦白说，关于“它是什么”，我本来准备了一个非常精彩的开场，但Constantine巧妙地提醒我，在一屋子AI专家面前大谈什么是AI，可能不是个好主意。所以，我们直接跳到“那又如何”的部分。

“那又如何？”：AI的市场潜力远超想象

还记得去年的这张图吗？上面一行是云计算的转型，下面一行是AI的转型。左边是过去，中间是现在，右边是未来。

这张图告诉我们，云计算市场如今的营收已达到4000亿美元，这一数字已经超过了当初云计算转型启动时的全球软件市场总规模。以此类推，我们今天在AI服务领域所追求的市场，其起点规模至少要大一个数量级。展望未来10到20年，AI市场的最终规模将是极其巨大的，这是一个至关重要的认知。

现在，我们进一步更新了我们的看法：AI瞄准的不仅仅是服务市场，而是服务和软件两大市场。这意味着这两个利润池都面临着AI的冲击。我们已经看到很多公司，最初只是做软件，然后逐步智能化，加入“智能副驾”（co-pilot）功能，再进一步进化成“自动驾驶”（autopilot）系统。它们实际上是从销售一款工具（计入软件预算）转变为销售一种成果，甚至直接销售“劳动力”（计入人力成本预算）。这两块巨大的市场蛋糕都有待创业者们去瓜分。

“为何是现在？”：AI已兵临城下，而非仅仅不可避免

这是另一张去年的幻灯片。这个“技术层叠蛋糕”代表了过去几十年间，一代代技术浪潮的叠加累积，最终将我们带到了AI爆发的当下。

这张图传递两个核心观点：

1.AI的到来不仅不可避免，而且已迫在眉睫。所有前提条件——算力、网络、数据、分销渠道和人才——均已准备就绪。万事俱备，只欠东风。

2.这些技术浪潮往往是叠加和增强的，因此AI带来的机遇远比以往任何一次浪潮都要宏大，而且其发展速度也快得多。

我其实不喜欢这张X轴是时间、Y轴是虚荣指标（vanity metric）的图表，人们常用它来为各种“罪过”辩护。但它揭示的现象是准确的：事物发展的速度确实越来越快。然而，很少有人深入探究其背后的原因。

我们不妨花点时间思考一下分销的原理（physics of distribution）。你只需要三样东西：人们必须知道你的产品，他们必须想要你的产品，而且他们必须能够买到你的产品。就是这么简单。

还记得上图的那个标志吗？当云计算转型刚开始时，没人关注。Salesforce的创始人Benioff不得不采用各种“游击式”营销策略（gorilla marketing tactics）才吸引到一些注意力。但AI完全不同。2022年11月30日，ChatGPT横空出世，整个世界都在关注AI。

再看中间这栏，这是Reddit和更名后的Twitter（X）的月活跃用户总和。在云计算转型之初，这些平台根本不存在；在移动互联网转型之初，它们也才刚刚起步。如今，这些平台上汇聚了12亿到18亿用户。它们不是发现新酷事物的唯一途径，但无疑是非常有效的途径。

当年Benioff开始推广云计算时，全球只有2亿互联网用户。而今天，这个数字是56亿，基本上覆盖了全球每一个家庭和每一家企业。

这一切意味着什么？意味着AI发展的“铁轨”已经铺就绪。当发令枪响时，AI的普及几乎没有任何障碍。这并非AI独有的现象，而是技术分销的新常态——其底层的物理规则已经改变。

“接下来该怎么办？”：在应用层寻找价值，构建护城河

这是去年关于“我们该怎么做？在哪里制胜？”的图。

这张图也有两点：

1.市场仍有大量空白。当然，这是去年的图，现在空白少了一些，已经有公司开始崭露头角，但总体而言，机会之窗依然敞开。

2.这些Logo代表了在先前技术浪潮中营收超过10亿美元的公司。我们不关心独角兽，我们关心的是营收和自由现金流。这些公司大多位于图表的顶端，也就是应用层。我们过去相信，现在依然坚信，AI领域也将如此：价值最终会聚集在应用层。

但是，你们面临竞争。我们有了第二扩展定律（second scaling law），有了测试时计算（test time compute），有了基于工具使用和智能体间通信的推理能力，这些都使得基础模型能够相当深入地渗透到应用层。

如果你是一家初创公司，而且你没有构建垂直整合的业务，那你该怎么办？答案是：从客户需求出发。思考特定垂直领域的需求，思考特定功能的需求，解决那些可能需要“人机协同”的复杂问题。这就是赛跑的关键，是价值的真正所在，每个人都应该将此置于首位。

如何制胜？95%是通用创业法则，5%是AI特色

我们去年展示过这张图，95%的AI公司建设工作与建设任何一家公司并无二致：解决一个重要问题，方式要独特且有吸引力，吸引优秀的人才追随你，诸如此类。另外的5%则是AI特有的。在争夺应用层价值的竞赛中，有几点需要考虑。

下图展示的是“Leone价值传递周期”（Leone merchandising cycle），由我们的合伙人Doug Leone（堪称GOAT）历时40年精心打磨而成。它涵盖了将你脑中的想法转变为客户手中产品所需的一切。这个想法必须转化为产品，由工程团队构建，然后推向市场、销售并提供支持。这就是价值链。图表的底部是技术视角，顶部是客户视角。你可以在整个价值链上构建护城河（moats）。

如果你的客户不确定他们想从AI中得到什么，你可以提出自己的见解，给他们一个端到端的解决方案来直接解决问题，而不是简单地扔给他们一个工具。
你可以利用自己产品的使用数据构建数据飞轮（data flywheels），这是别人没有的。
你可以成为“源于行业，服务行业”的典范，就像OpenEvidence为医疗行业所做的那样，用他们的语言与他们交流。Harvey公司也会派遣律师与律所沟通。
坦白说，我们通常不推荐派遣工程师到客户现场，但这也可以做到，尽管很辛苦。你可以用基础模型可能做不到的方式，紧紧拥抱你的客户。

我们经常被问到，在AI公司中寻找什么特质？同样，95%与我们考察任何公司的标准相同。以下是5%的AI特有部分：

1.警惕“氛围式”收入（Revenue Vibe）：这种收入可能致命。每个人都喜欢账面上的收入数字，感觉非常好，“哇，我们有这么多收入！”但请仔细审视：这仅仅是客户的浅尝辄止，还是你真正创造了持久的行为改变？你可能会说没有相关指标来衡量，但你其实是有的：仔细考察产品的采用率、用户参与度和留存率，看看人们到底在用你的产品做什么。不要自欺欺人地以为“氛围式”收入就是真实收入，否则它会反噬你。

2.“良好氛围”本身也很重要。你的客户必须信任你，而你必须赢得这种信任。在当前这个周期节点，信任比你的产品更重要。如果客户信任你能把产品做得更好，那你就处于有利地位；反之，则处境不妙。

3.利润率（Margins）：我们不一定关心你今天的毛利率是多少。其中的销货成本（COGS）部分，比如Token成本在过去12到18个月里下降了99%，这个成本曲线会持续向下。我知道测试时计算等因素会让它有所反复，但总体趋势是下降的。而价格部分，如果你能成功地从销售工具转向销售成果，沿着价值链向上攀升并捕获更多价值，那么你的定价点也可能会上升。所以，即使今天的毛利率不理想，你也应该规划出一条通往未来健康毛利率的清晰路径。

4.数据飞轮（Data Flywheel）：请举手，如果你的公司有数据飞轮。好，那么这个数据飞轮驱动了哪个业务指标的提升？我看到大家的确定性降低了。好消息是，即使你答不上来，我依然爱你们。坏消息是，如果答不上来，要么你没有真正的数据飞轮，要么它根本不重要。数据飞轮必须与某个业务指标挂钩，否则就毫无意义。这一点非常重要，因为这是你能构建的最佳护城河之一。

最后一点：时不我待，极速前进！

谁能告诉我这两样东西是如何联系起来的？

自然厌恶真空。

当前AI市场正产生巨大的“虹吸效应”。所有宏观经济因素，如关税、利率波动等，在技术普及的汹涌浪潮面前都显得微不足道。技术浪潮会彻底淹没市场中的任何短期波动。忽略它们！

市场存在巨大的需求真空，如果你不能抢占先机，别人就会。因为自然厌恶真空。所以，尽管我们刚才谈论了护城河、指标等等，但归根结底，你现在正处在一个需要拼命奔跑的行业。现在，就是时候全力以赴，时刻保持最高速前进！

以上就是我的全部分享。

红杉资本美国合伙人Sonya Huang关于AI行业的进展与未来应用的分享

客户层面回顾：从炒作到价值，AI应用互动率显著提升

首先是年度回顾。早在2023年，我们就展示过这张图表，对比了AI原生应用与传统移动应用的日活跃用户/月活跃用户（DAU/MAU）比例。当时的结论是，AI应用的互动率极差，炒作远超于现实。

我们欣喜地报告，如今这一结论已发生巨大转变。例如，看到ChatGPT的DAU/MAU比例持续攀升，现已接近Reddit的水平，这令人惊叹。我认为这是极好的消息，意味着我们越来越多的人正从AI中获益，我们都在共同攀登如何将AI融入日常生活的阶梯。

有时这种使用是轻松有趣的。就我个人而言，我为了把各种东西都“Jiblify”化（一种AI生成跳舞动图的应用），烧掉了数量惊人的GPU。

虽然“Jib”时刻很有趣也很病毒式传播，但更令人兴奋的是那些我们才刚刚触及皮毛的更深层次应用。例如：

广告业：能够创作极其精准和精美的广告文案。
教育业：弹指间即可将新概念可视化。
医疗健康：通过像OpenEvidence这样的应用更好地诊断患者。

我们目前所见的仅仅是冰山一角。随着AI模型能力越来越强，我们通过这个“前门”能做的事情也将越来越深刻。

在座有多少人看过电影《她》（Her）？我们今天现场也有该片的演员Brendan。虽然我们还没有AI版的斯嘉丽·约翰逊，但2024年带给我们的是我称之为语音的“Her时刻”。语音生成技术从“几近成熟”一跃完全跨越了“恐怖谷”。

Sesame的语音演示令人难以置信。科幻与现实之间的差距正在以惊人的速度缩小，感觉图灵测试似乎在不经意间已悄然临近我们。

最后，年度现象级的应用类别是AI编程，它达到了惊人的“产品市场契合度”（PMF）。Anthropic的Claude 3.5 Sonnet去年秋季发布，迅速在编程领域引发了一场“氛围转变”（vibe shift）。人们现在正使用AI编程来完成一些非常了不起的事情，比如有人用AI“氛围编程”做出了自己的DocSend替代品。因此，无论你是经验丰富的10倍效能工程师，还是完全不懂编程的人，我们都认为AI正在从根本上改变软件创造的可及性、速度和经济效益。

技术层面回顾：预训练放缓，推理与新兴技术多点开花

从技术层面来看，坏消息是预训练（pre-training）的进展似乎正在放缓。自AlexNet时代以来，我们已将预训练规模扩大了9到10个数量级，这意味着许多唾手可得的成果已被摘取。

但研究生态系统正在寻找新的突破方式。最重要的突破是OpenAI在推理（reasoning）能力上的进展。

但突破不仅仅在推理。合成数据（synthetic data）、工具使用（tool use）、AI“脚手架”（AI scaffolding）等，所有这些都在结合起来，为我们规模化扩展智能开辟新路径。Anthropic的MCP创造了强大的生态系统和网络效应，我们也对它将如何加速智能体工具的使用充满期待。

因此，所有这些——更大的基础模型、推理时计算、工具使用——都在共同作用，创造出能够处理日益复杂任务的AI。METER基准是一个很好的量化指标，但我认为更有力的是与在座各位交流那些因为有了GPT-o、Operator、Deep Research或Sonnet等模型才成为可能的新事物。

最后，目前AI领域许多最激动人心的技术创新都发生在研究与产品之间的模糊边界地带。我认为过去一年中这方面的两个突破性例子是Deep Research和NotebookLM。

价值将在何处产生？应用层仍是主战场

我记得曾与我在红杉的优秀伙伴们就这个问题进行过辩论。当时我个人还处于中间摇摆状态，对那些GPT套壳应用（GPT wrappers）持怀疑态度。我记得我的合伙人们，特别是Pat，坚信价值将归属于应用层。当时我想：“好吧，Pat，祝你好运。”但见证了过去几年的发展后，我想，Pat你是对的。

如果你看看价值是在哪里被创造出来的，如果你看到像Harvey和OpenEvidence这样的公司真正在创造那种“从客户需求出发”的价值，我们非常相信应用层最终将是价值汇聚之地。而且，随着基础模型越来越多地在这一层展开竞争，这个技术栈层面的战场正日趋白热化。

我们现在认为，AI的首批杀手级应用（killer apps）已经涌现，无论是ChatGPT、Harvey、Glean、Sierra、Cursor还是Abridge。同时，在一系列丰富多样的终端市场，包括Listen Labs和OpenEvidence在内的一大批新公司正在崛起。

未来展望：Agent优先、垂直深耕与丰裕时代

另一个预测是，许多这类新公司将是“Agent优先”（agent-first）的。这些公司销售的智能体将从目前通常只是拼凑而成的原型，进化为真正强大可靠的系统。我们看到公司正通过两条路径来构建这种能力：

路径一：通过严格测试和评估进行编排。

路径二：针对端到端任务进行微调的智能体。

我们对2025年智能体公司形态的下一个预测是垂直领域智能体（vertical agents）。对于那些深耕特定领域的创始人来说，垂直智能体是一个绝佳的机会。我们看到有公司正在创造针对特定工作流程进行端到端训练的智能体，它们运用包括基于合成数据和用户数据的强化学习在内的技术，使AI系统在极其特定的任务上表现卓越。

目前我们看到的证据让我们非常乐观：

在安全领域，Expo展示了其智能体在渗透测试方面能够超越人类专家。
在DevOps领域，Traversal展示了他们可以创建一个比最优秀的人类故障排除员更出色的AI故障排除器。
在网络领域，Meter的网络工程师智能体也是如此。

所有这些早期数据点都让我们非常乐观地相信，为解决特定问题而训练的垂直智能体，其表现能够超越当今最优秀的人类专家。

关于2025年智能体的最后一个预测：我们将进入一个“丰裕时代”（abundance era）。编程作为首个被颠覆的市场类别，将为我们预演这个丰裕时代究竟意味着什么。当劳动力变得廉价而充足时会发生什么？我们会得到一大堆AI生成的“粗制滥造品”吗？当“品味”成为稀缺资产时又会发生什么？我们期待看到编码智能体的持续进步及其对技术格局的影响，同时也将其视为AI将如何改变其他行业的预兆。

以上就是我的全部分享。

红杉资本美国合伙人

Konstantine Buhler关于AI长期趋势与技术的分享

我们刚刚讨论了非常宏大且重要的话题：“那又如何？”（为何AI如此重要），以及“接下来该怎么做？”（当今AI世界的现状及其近期未来）。现在，让我们退后一步，思考一下关于这个领域中长期发展的预测。

我的分主要包含三个方面的内容：

1.我们眼中主要的下一波浪潮。

2.实现这一浪潮所需的技术。

3.最后，这对我们每个人的日常生活意味着什么。

下一波浪潮：从智能体集群到智能体经济

一年前的AI Ascent峰会上，我们讨论的焦点是智能体（agents）。那时，智能体刚刚开始形成为商业实体。当时的主题是这些“机器助手”，我们预测它们最终会汇聚成“机器网络”。这些“机器网络”现在被广泛称作“智能体集群”（Agent Swarms）。它们在你们许多公司中扮演着角色，并开始成为AI技术栈中至关重要的一部分。智能体之间相互协作、相互竞争、共同进行推理。

我们认为，在未来几年，这将进一步成熟为“智能体经济”（Agent Economy）。在智能体经济中，智能体不仅仅是传递信息，它们还能转移资源，进行交易，相互记录，理解信任和可靠性，并实际拥有它们自己的经济体系。

这种经济并非要取代人类，它完全是围绕人类展开的。智能体与人协同工作，人也与智能体协同工作。

实现智能体经济的技术挑战

然而，为了实现我们都将进入的那个非常宏大且重要的下一波浪潮，我们面临许多重要的技术挑战。我们将讨论其中三个，坦白说，在座的各位在构建自己事业的过程中就将致力于解决这些挑战。

1.持久化身份（Persistent Identity）：当我们谈论持久化身份时，我们主要指两件事。

首先，智能体本身需要具有持久性。如果你与一个每天都在变的商业伙伴打交道，你可能不会与他们长期合作。这种体验的剧烈变化会造成损害。智能体必须能够在自身的个性和理解上保持持久。
第二种持久性是对你的理解的持久性。同样，如果你和一个不记得你任何事情、甚至几乎记不住你名字的人做生意，这对信任和可靠性也是一个巨大的挑战。我们一直在尝试各种方法，从RAG（检索增强生成）和向量数据库到极长的上下文窗口，但在座的每位都清楚，在真正的记忆、基于这种记忆的自我学习，以及让智能体在关键方面保持一致、仅在应有差异的领域表现差异方面，仍然存在重大挑战。

2.无缝通信协议（Seamless Communication Protocols）：好消息是，现在似乎每个人都在关注这一点。但想象一下没有无缝通信协议的个人计算时代——没有TCP/IP，没有互联网。我们才刚刚开始构建这一协议层。围绕MCP（多方计算/通信协议）的热情无疑是巨大的，看到各大巨头合作共同提出（这只是其中之一）一系列能够实现信息传递、价值传递和信任传递的协议，真是太棒了。

3.安全（Security）：这是一个日益重要且无疑是你们许多人首要考虑的话题。如果你无法与交易对象进行“手对手、面对面”的接触，那么安全和信任的重要性就更加凸显。与智能体打交道时，你无法做到这一点。因此，我们将看到一个围绕信任和安全形成的完整“配套产业”，在智能体经济中，它将比在我们当前经济中更为重要。

对我们每个人的影响：思维转变与空前杠杆

我们讨论了实现这一巨大浪潮、进入智能体经济所需的技术。现在，让我们谈谈它对我们每个人的意义。

首先，它将改变我们的思维模式，坦白说，在座的各位已经具备了我们所说的“随机性思维”（stochastic mindset）。随机性思维是对确定性（determinism）的背离。我们很多人爱上计算机科学，正是因为它如此具有确定性：你编程让计算机做某事，它就会执行，即使结果是段错误。现在，我们正进入一个计算本质上是随机的时代。如果你让计算机记住数字73，它明天、下周、下个月都会记住。但如果你问一个人或一个AI，它可能记住73，也可能记住37、72、74，或者下一个素数79，甚至什么都记不住。这里的关键是，这与我们过去几十年的思维方式将有本质上的不同。

第二个改变是管理思维的转变。这种管理思维的核心在于理解你的智能体能为你做什么，以及不能为你做什么。每个人都知道，成为一名优秀的独立贡献者（IC）工程师与成为一名优秀的工程经理是截然不同的。这将是大多数经济体在向更复杂的管理决策（如流程阻断和反馈给予）转型时将经历的过程。我真心希望这不会导致对智能体的年终评审——让我们努力避免这种情况。

对我们每个人而言，第三个主要变化是前两者的结合：更大的杠杆效应，伴随着显著降低的确定性。我们正在进入一个你可以做更多事情，但必须能够管理不确定性和驾驭风险的世界。在这个世界里，在座的每一位都非常适合茁壮成长。

一年前的AI Ascent大会上，我们讨论过这张图表，谈论杠杆效应。因为我们曾说，组织内的各个独立职能将开始拥有AI智能体，然后我们预测这些职能将开始融合、聚集，整个流程将由AI智能体完成。我们甚至预测会出现首个“一人独角兽”公司。虽然这尚未实现，但我们已目睹公司以前所未有的速度、用更少的人员实现规模扩张。我们确实认为，我们将在这个经济体中达到前所未有的最高杠杆水平。