红杉峰会之后：AI驱动的计算变革正在重塑专业服务
【编者按：一场重新衡量人类劳动价值的硅谷聚会】
2026年4月底，一场关乎未来科技与商业走向的思想碰撞在硅谷落下帷幕——这就是由红杉资本（Sequoia Capital）举办的年度重磅峰会 Sequoia Ascent 2026。
作为全球一流的投资机构，红杉既扮演着科技周期的“捕手”，也往往成为行业叙事的“定调者”。而今年的 Ascent 峰会格外与众不同：它不再沉迷于大模型参数的竞逐，也不执着于遥远空泛的科幻设想，而是把视线更聚焦在AI如何真正落地执行，以及对人类专业能力进行重新评估。
这场闭门集会汇聚了全球顶尖AI研究者、科技巨头创始人及产业领袖，思想交流密度极高：前OpenAI科学家 Andrej Karpathy 提出“Software 3.0”这一引人深思的概念，宣告智能体编排的时代正在到来；而红杉合伙人则强调“服务即软件（Services: The New Software）”，指出万亿美元级商业模式的深层迁移。整个峰会最核心的落点，最终锁定在“长程智能体（Long-horizon agents）”这一可能在2026年引发强烈连锁反应的关键变量。
峰会传递出的信息非常清晰：AI的演进已经从“知识问答”这种工具阶段走出来，迈入能够直接交付工作成果、并进一步重塑人类专业劳动形态的深水区。
✅主要参与者包括：
核心演讲/对谈嘉宾
Greg Brockman，OpenAI 联合创始人兼总裁
Andrej Karpathy，前 OpenAI、Tesla AI 负责人
Demis Hassabis，Google DeepMind CEO
Boris Cherny，Claude Code 相关负责人
Dmitri Dolgov，Waymo 联席 CEO / 自动驾驶技术负责人
Dylan Field，Figma CEO
Jim Fan，NVIDIA AI Agents Initiative 负责人
另有 150+ 位 AI 创业者/创始人 参与。
✅红杉方面参与者/主持人
Alfred Lin
Stephanie Zhan
Konstantine Buhler
Sonya Huang
以及红杉资本 AI 投资团队相关合伙人。
峰会关键词：AI Agent、Software 3.0、AGI、机器人、自动驾驶、AI 原生创业公司
下面这份深度解读，正是紧扣此次 Sequoia Ascent 2026 峰会提炼出的关键洞察，并结合红杉近期发布的一系列前瞻研报，对这一技术“临界点”可能带来的角色迁移进行一次全景式梳理。
文章导读：
红杉资本对人工智能的最新判断显示，AI正在从辅助性的工具，进化为能够独立执行任务的“长程智能体”，这预示着技术重心将从单纯提升连接效率，转向重构计算与执行能力。这样的转向意味着：软件将不再只是办公助手，而会变成能直接交付成果的“劳动者”。在知识调用门槛被技术打穿之后，许多长期昂贵的专业技能，可能会像铝金属一样从稀缺走向普及，从而出现价值回落。与此同时，商业模式也会从订阅工具转向交易工作成果，进而推动人类角色发生根本变化。未来个体竞争力的关键不再是掌握某类知识的多少，而是能否设定目标、编排智能体、并完成复杂的价值判断。总的来说，AI并不是要终结职业，而是让人类从基础层面的智能劳动中抽身，向更高阶的组织者、决策者与评价者转型。
红杉这轮关于AI的判断，真正让人感到不安的，并不是它又一次重复“AI很重要”这种正确却空泛的话；而是它把讨论位置往更底层推移。过去几十年，人类最关键的技术革命，多数集中在提升“连接”的效率；而AI正在提升“计算与执行”的效率。
互联网让信息得以连接，移动互联网让人随时在线，云计算让算力与软件能像水电一样随时调用。它们共同改变了通信、协作与商业的“半径”。但如果回到本质，这些变化仍像一条不断拓宽的高速公路：路更宽了，车更快了，导航更准了，可方向盘依旧握在人手里。
AI的路径不一样。
AI并不是把高速公路再加宽一倍，而是把“驾驶”本身重新定义。当自动驾驶真正成熟时，拥有二十年驾龄的人当然仍有经验，但经验不再天然构成壁垒。因为机器不会“按你的路线学”，而是接管你的操作逻辑。
也正因此，AI带来的冲击不只是提高专业人士的效率，而是直接改写了“专业能力”的定价方式。
红杉在2026年1月发布的一篇文章中，用一种非常投资人式、也非常现实的方式解释AGI：并非哲学意义上的“通用智能”，而是“能够自己把事情弄明白”的能力。其核心观点是，AI的三项关键能力正在汇聚：预训练提供基础知识，推理模型带来思考能力，而长程智能体提供持续迭代能力。红杉甚至认为：长程智能体在功能层面已经接近他们所说的AGI，并可能成为2026年的关键变量。
这句话分量很重。
过去的AI更像一个很聪明的问答者。你问，它答；你停，它停。它更像坐在桌边的顾问，必须持续被提示、持续被追问、持续被纠正。但长程智能体一出现，AI就开始从“回答问题”，走向“完成任务”。它能检索、对比、试错、调用工具，并在中途发现原先方向不对时重新规划路径。
红杉还举了一个招聘场景：创始人只需要让智能体“帮我找一个懂技术、会做开发者关系、适合我们公司的候选人”，智能体就能从职位要求、演讲内容、社交媒体活跃度、近期职业信号等多个维度进行筛选，最终给出高度聚焦的候选人名单与邮件草稿。整个过程用时31分钟。红杉强调，这并非机械按脚本跑完，而是对“优秀招聘者脑内判断循环”的模拟。
这正是专业服务业真正担心的点。
无论法律、金融、医疗、教育、咨询、招聘、审计、保险还是IT运维，本质上都存在大量高知识密度、可流程化、可验证、可外包的工作。过去之所以需要人，是因为软件更多提供工具，无法直接交付结果：律师依赖法律数据库，会计依托财务软件，医生使用影像系统，教师依靠课件平台，咨询师用PPT工具。工具由软件提供，人负责判断。
而如今，AI智能体正在推动软件从“工具”转向“劳动者”。
红杉合伙人 Julien Bek 在《Services: The New Software》中提出了一个颇具锋芒的判断：下一家万亿美元级公司，未必是一家传统软件公司，更可能是一家“伪装成服务公司的软件公司”。如果你只卖工具，就会在下一代模型面前被迅速追赶；但如果你卖的是工作成果，那么每一次模型的进步，都会让你的服务更快、更便宜、更难被传统机构复制与竞争。
这也意味着商业模式将发生更深层的变化。
以前SaaS卖的是“工具订阅”。企业买软件，再雇人去使用。未来AI服务卖的是“结果交付”。企业不再在意你用了什么系统、投入了多少人、花了多少小时，它只关心账是否结清、合同是否审完、客户服务是否到位、理赔是否处理完成、代码是否上线、报告是否可用。
这正是从 copilot 到 autopilot 的转变。
Copilot，是副驾驶。它帮助专业人士更快写合同、更快做账、更快写代码。Autopilot，是自动驾驶。它直接出售结果，让客户购买的是“合同完成”“账本关闭”“IT正常运行”“候选人筛选完成”“保险方案生成完成”。
红杉文章中的一句话尤为关键：每花1美元买软件，就有6美元花在服务上。换言之，软件市场过去真正没吃到的“大头”，主要在人的服务市场。AI的野心不只是拿走软件预算，更在于进入那些原本属于律师、会计、顾问、客服、运营、分析师以及工程师的服务预算。
因此，这并非一个“AI会不会取代某个职业”的问题。
更准确的问题是：在同一个职业内部，哪些环节属于“智能劳动”，哪些属于“判断劳动”？哪些部分能够被验证，哪些必须由人承担责任？哪些只是知识调用，哪些才是真正的价值选择？
写代码多为智能劳动，决定做什么产品属于判断劳动。起草标准合同多偏智能劳动，判断一场诉讼是否值得打属于判断劳动。生成病历摘要偏智能劳动，而在复杂病人面前作最终诊疗责任判断属于判断劳动。制作课程讲解多为智能劳动，理解学生的生命状态并评估其长期成长路径属于判断劳动。
难点在于：今天看似属于“判断”的部分，明天也许会被数据化、流程化、案例化，最终转化为新的“智能劳动”。红杉也明确指出：今天的判断会变成明天的智能；随着AI在某一领域积累到足够多“好判断”的专有数据，copilot与autopilot将逐步走向融合。
这就像铝的故事。
在19世纪，铝曾一度比黄金更昂贵。拿破仑三世甚至用铝制餐具来招待贵宾，因为它稀有、昂贵，并象征身份。后来电解铝技术成熟，铝从“贵族金属”变成了易拉罐、窗框、飞机材料以及厨房用品。铝没有消失，却变得无处不在；它的稀缺性被技术真正击穿。
今天，许多PhD级的专业技能也可能面临类似命运。
不是知识本身失去价值，而是“知识调用”正在变得不再稀缺。过去一个人花二十年积累的文献、案例、公式、流程与经验，AI可以在很短时间内调取、组合、迁移并改写。专业能力里那些可表达、可检索、可标准化、可验证的部分，可能会越来越像工业化后的铝：用途更广、价格更低，身份光环也更弱。
但这并不意味着人类价值就此终结。
摄影机出现时，也曾让很多画家感到恐慌：既然机器能更准确复刻世界，绘画还有意义吗？历史给出的回答很明确：摄影机接管了“眼睛看到的世界”，却把绘画从束缚中释放出来，让它去表达“灵魂看到的风景”。印象派、表现主义、抽象艺术与现代艺术，恰恰是在摄影之后重新爆发出新的生命力。
AI也会如此。
它会接管大量“正确答案型”的任务，却反过来逼迫人类重新寻找“非标准答案型”的价值。未来真正具备壁垒的人，不是记得最多的人，而是能提出关键问题的人；不是执行最快的人，而是能够定义目标、判断风险、组织智能体、搭建评价体系，并划定责任边界、形成审美取向的人。
在 Sequoia Ascent 2026 的对话整理中，Karpathy 提出了“Software 3.0”的说法：Software 1.0 是人写代码，Software 2.0 是用数据训练神经网络，而 Software 3.0 则是人通过提示、上下文、工具、示例、记忆与指令来“编程”大模型。他还指出，程序员正在从代码书写者，转变为智能体的编排者。
但这段话不只适用于程序员。
未来的律师也将成为法律智能体的编排者。未来的医生会更像诊疗智能体的责任判断者。未来的教师会是学习智能体与学生成长系统之间的设计者。未来的工程师，则会成为在工艺、数据、设备、模型与现场经验之间进行系统协调的人。
稀缺性正在迁移。
Karpathy 的总结很直白：代码生成、API记忆、样板文本、初稿、重复设置与简单转换越来越不稀缺；而理解力、品味、评估设计、安全边界、系统边界、智能体编排、领域反馈循环，以及判断模型何时偏离轨道的能力，反而会更加稀缺。
也因此，“任何人都可以赢”并不是一句鸡汤。
AI确实会冲击既有专业阶层，因为它降低了知识调用的门槛。但过去专业壁垒更像城墙；未来专业壁垒更像生态系统。城墙可以被推倒，生态系统却需要长期建设。一个普通人若掌握AI，可能获得过去只有大公司、大团队与资深专家才能拥有的能力杠杆；而专家如果拒绝使用AI，也可能很快失去过去由信息不对称带来的优势。
不过同样要看到，AI不会自动让所有人都变强。
它只会放大人的目标质量、问题质量、判断能力与组织能力。会提问的人，获得的是一个智能团队；不会提问的人，得到的可能是一堆看似漂亮却没有真正价值的说法。懂领域的人，AI会成为杠杆；不懂领域的人，AI可能只是幻觉被放大的放大器。
METR 对AI长任务能力的研究显示，前沿AI智能体能够完成的任务长度在近几年呈指数式增长，约每7个月翻倍。这里的“任务长度”并不是指AI连续运行多久，而是用人类专家完成同样任务所需的时间来衡量复杂度。该指标提醒我们：能力增长并非线性，而是在不断吞并更长、更复杂、也更接近真实工作的任务链。
于是，真正的问题出现了：
当AI能完成几分钟的任务，人类只是多了一个助手。
当AI能完成几小时的任务，人类开始拥有一个实习生。
当AI能完成几天的任务，人类将学会管理一个团队。
当AI能完成几周甚至几个月的任务，组织结构、职业分工、公司形态与教育体系都会被重写。
红杉在另一篇关于2026年AI的判断中也指出：AI基础设施与AGI时间线可能存在延迟，但AI应用采用不会停止。他们认为AI创业公司会继续高速增长，而企业自建AI的疲劳反而会给应用型创业公司带来机会。
这意味着AI的革命不太可能以电影式爆炸出现，而更像是在组织流程中的悄悄替换。
起初，它只是帮你写邮件。随后，它帮你整理资料。再后来，它帮你做方案、跑流程、查错误、联系客户、生成报告、处理合同、监控设备、优化采购、管理知识库。直到某一天你意识到，很多岗位并没有突然消失，但岗位里的“核心劳动”已经换了主人。
人类仍坐在办公室里，可工作却已经迁移到了智能体之间。
这才是让人失眠的底层判断。
并不是AI一定比人更聪明，而是AI正在把“聪明”变成一种可以被调用的资源。过去，聪明是一种个人禀赋，需要教育、训练与经验再加上行业门槛共同堆出来，因而稀缺。未来，聪明会越来越像电力、云计算与搜索引擎那样，被封装、被调度、被购买并被组合。
因此，人类必须从“拥有知识的人”，升级为“组织智能的人”。
真正的出路不是去和AI比记忆力、速度和执行量，而是重建能力结构：提出更深的问题，设定更高的目标，设计更好的验证机制，并保留人类的责任、审美、同理心与价值判断。
AI可以调用知识，但它并不知道一个时代究竟需要什么。
AI可以生成方案，却不会为后果承担责任。
AI可以模仿风格，但它没有生命体验。
AI能勾勒世界的轮廓，而人类仍要决定，什么值得被照亮。
所以，AI时代最危险的人，不是没有技能的人，而是把自己仅仅等同于某项技能的人。最有希望的人，也不是手握最多证书的人，而是能够把专业知识、AI工具、真实问题与人文判断重新组合起来的人。
铝的稀缺性会消失，但铝构成了现代工业的骨架。
摄影机🎥复制了现实，却释放了艺术的灵魂。
AI会稀释许多专业技能的价格，同时也会迫使人类把真正不可替代的部分提炼出来。
未来属于这样一类人：他们不再只是知识工作者，而是智能时代的导演、建筑师与驯火者。🔥