红杉资本AI峰会揭示：通用人工智能商业化元年已至

红杉资本主办的第四届AI Ascent 2026年度大会于2026年4月20日在旧金山举行。红杉将此次盛会誉为"规模与质量超越往届的巅峰之作"。超过150名顶级AI创业者、学者及行业专家齐聚一堂，包括谷歌DeepMind CEO Demis Hassabis、OpenAI联合创始人Greg Brockman、前OpenAI联合创始人兼Eureka Labs创始人Andrej Karpathy、Anthropic的Claude code创造者Boris Cherny、Waymo的Dmitri Dolgov、英伟达的Jim Fan，以及ElevenLabs联合创始人兼CEO Mati Staniszewski。

红杉合伙人Pat Grady、Sonya Huang与Konstantine Buhler联合作主题演讲，以《This is AGI》为题正式宣告：通用人工智能已从理论概念转化为可商业化、可量化的现实能力。

Pat Grady在开幕演讲中回顾了现代科技的演进历程——从硅晶体管、网络系统、互联网、云计算到移动互联，这些技术浪潮层层叠加，最终汇聚成今日的人工智能时代。

但他强调，本轮AI浪潮与历史上的技术变革存在三个根本性差异：

首先，这是迄今为止规模最宏大的技术浪潮。云计算时代用15年将软件市场从3500亿美元扩展至6500亿美元。而AI所能触及的，是高达10万亿美元的服务市场——仅美国法律服务市场一个细分领域，就相当于整个全球软件行业的体量。

其次，这是速度最快的技术浪潮。以往从云计算、移动互联到AI，每一代产生10亿美元营收的公司所需时间都在急剧缩短。AI原生企业的成长速度将远超前两次平台迁移。

第三，这是一次"计算革命"，而非"通信革命"。互联网、云计算和移动设备改变了信息的分发方式；AI改变的是信息被处理的方式。这是截然不同的波形——意味着技术能力的底层每天都在移动。昨天构建的东西，今天可能已经过时。

Grady随后梳理了AI发展的三个不连续拐点：

Grady特别指出，前两个拐点更像是同一条曲线上的连续推进，而第二与第三之间，存在一个不连续的硬性断层——这意味着软件所能做的事情，发生了本质性的跃变。

本次大会最引人关注的判断，来自红杉对AGI的全新诠释。

红杉放弃了"AI是否像人类一样思考"这一哲学式追问，转而给出了一个商业化的功能性定义：

如果你能派遣一个AI智能体去完成一项工作，它能够在失败后自主恢复，并坚持直到任务完成——这就是AGI。

AGI = 能自己把事情想清楚并做完的能力。三个成分：① 预训练（给AI知识）② 推理算力（给AI思考时间）③ 长时序智能体（让AI能持续迭代修正）

这三个成分，在2026年已经同时就位。Claude Code、Cursor、Manus都已经跨过了这条线。

Grady说：过去几年的AI产品，让知识工作者的生产力提升了10%至40%——这是"更快的马"。但当下一代产品，已经能带来10倍至40倍的生产力跃升，并从根本上改变工作的形态、流程和组织结构——这才是"汽车"。

一边是基础模型四公司从技术出发，不断推出新能力。另一边是大量应用层创业公司，从客户需求出发，把这些能力放进真实工作流里。

红杉这场演讲更关注后者。

也就是:如果你是在模型之上创业，应该怎么建立自己的位置，他们给了一个框架，叫MAD：Modes（模式）、Affordance（affordance/可用性，产品好用用户不需要被教育）、Diffusion（扩散，新能力从实验室到真实市场），这是构建在模型之上的策略三个支柱。

这张幻灯片展示了商品化周期，这是将某物从想法转化为满意客户所需的链条中的环节。如果从技术角度出发和从客户角度出发，链条中的每个环节你都会被不同地处理。

在一次计算革命里，大家很容易低头看技术。因为每天都有新模型、新能力、新工具出现。但如果你想建立护城河，应该抬头看客户。因为你的客户变化远没有能力变化那么快。你构建的东西可能明天就无关紧要了。这并不是说产品和技术不重要。它非常重要，一般来说，最好的产品获胜。

但在一个产品变化如此之快的世界里，因为能力变化如此之快，在思考模式时，我们鼓励你尽可能从客户角度出发，思考所有你可以围绕客户的方式。

Affordance 可用性

一个两岁小孩，给他一把锤子，他会知道怎么做。他会抓住它，开始敲打东西。一个具有affordance的物体是不需要解释的。人们就知道该怎么做。

AI产品也需要这种能力。

Claude Code很强，但如果你让一个普通财富500强公司的员工打开终端，他可能完全不知道下一步该做什么。

这不是Claude Code的问题，这恰恰是应用层公司的机会。应用层公司要做的，是把很强的底层能力，变成用户完成具体任务时阻力最小的一条路。

每天模型都在进步，但一家普通企业不会因为一个模型今天发布新能力，明天就重构自己的销售、法务、财务、客服和研发流程。企业需要部署、集成、安全、权限、培训、管理和ROI证明。

能力扩散到市场的速度远慢于这些能力被创造的速度。每天，基础模型都比普通财富500强企业变化得更快，那个差距就越大，那个机会就越大。这个缺口，就是应用层公司的机会。

如果你能把最新能力变成客户真正能买、能用、能部署、能持续产生结果的产品，你就有机会。

没有领先是安全的。赛车中有一种说法。你不能在阳光下超过15辆车，但你可以在雨中超过15辆车。现在，基础模型正在下一场能力的大雨，这意味着没有领先是安全的。但这也意味着任何人都可以赢！

"我们不是在建造更快的马——汽车已经到来。"——Pat Grady

Sonya Huang明确宣布：2026年是智能体之年。

本届峰会最核心的战略框架，是红杉用两个飞行专业术语将所有AI公司分成两个截然不同的阵营：

产品定位是让专业人士做得更快、更好。客户是律师、会计师、银行家、行销人。预算来自"软件/工具/SaaS"科目。典型代表：早期版Harvey（卖给律师事务所）、Cursor（卖给工程师）、GitHub Copilot。

结构性风险：模型每升级一次，竞争力就被压一次。每年订阅费上限被"客户能接受的工具预算"绑住，多数SaaS工具每家公司每年1万−1~10万是天花板。

产品定位是客户买的是"结果"，不是"工具"。客户是企业CFO、运营长、CEO——他们不想看仪表盘，想要"事情完成"。典型代表：Crosby（直接帮公司起草NDA、按件计费）、WithCoverage（直接卖商业保险给CFO，跳过经纪人）、Anterior（直接做医疗账单编码）、Rillet（直接帮公司关账）。

结构性优势：每筆工作都餵养AI学习该领域的判断力，越做越强的飞轮。预算可达同类软件的12倍以上——法务SaaS一年$2万，但企业外包律师费可达$25万。

对所有创始人最重要的问题：你的下一轮客户买单时，预算来自"软件/工具"科目，还是"外包/服务/顾问"科目？如果是前者，你正面对红杉警告的"副驾驶陷阱"。如果你目前是副驾驶、且护城河不够深，2026年就是该开始向自动驾驶转型的时点。

红杉合伙人、常驻伦敦的Julien Bek（本届新加入的演讲嘉宾）于今年3月发表《服务即新软件》，成为重塑投资地图的关键文章，并在峰会上进行了深度阐释。

"每1美元软件支出，对应6美元服务支出。下一家传奇公司，不会卖软件，会直接把账结完。"

智能高+外包高 = 先被自动驾驶AI吃掉。下面是他亲手点名的12条赛道（依市场规模排序）：

切入策略：从外包工作切入。如果一项工作客户已经外包，这代表三件事：① 预算线存在；② 客户已接受外部执行；③ 买的是结果而非人头。"换掉外包厂商是供应商替换，换掉内部员工是组织改造，前者容易很多。"

过去由专业服务公司捕获的经济活动，正在被应用层吸收。AI带来的不仅是效率提升，更是成本结构的根本重塑——从以人力为核心，转向以算力为核心，使AI原生服务企业有望实现接近软件公司的超高利润率。

OpenAI联合创始人Greg Brockman提出了一个令人印象深刻的新命题：

"在AI时代，真正的稀缺资源不再是算力或模型能力，而是人类的注意力。"

他指出，算力（compute）已经不是限制——当AI可以扩展到吉瓦（GW）级资源池，能够指挥这股力量做正确事情的人才是真正的稀缺。

随着智能体规模扩张，人类决策者将面临管理成千上万个智能体的挑战。如何分配自己的注意力、在哪些节点进行干预，将成为决定组织效能的关键因素。

大型企业的最大问题，不是缺乏AI工具，而是文化惰性和流程瓶颈让它们无法消化AI的速度。年轻一代已经将ChatGPT当作操作系统而非搜索引擎在使用；而传统机构在意识到这一转变时，往往已经错失了窗口期。

前OpenAI联合创始人Andrej Karpathy与红杉合伙人Stephanie Zhan的对话，是本届峰会观看人次最高的环节，YouTube播放量超过31万次。

在Software 3.0时代，有两种力量同时运作：

Karpathy同时透露，Karpathy指出，开发周期的压缩速度令人震惊：原本需要三年的工程项目，如今可以在节假日期间用Claude Code完成；一位创始人在一个周末重建了整家公司；Notion团队在六周内用AI重写了800万行代码。目前他自己同时运行10至15个AI并行工作会话。Claude Code已支撑GitHub全球代码提交的4%。

他还给出了最实用的产品选题框架：

"不要问AI能让你'更快做出'什么，要问AI让什么'不做什么'。"

我们正在经历agentic transition(智能体转型)。所以——这不只是enterprise vs. consumer的二分。我们对enterprise是非常认真的,我们在卖给大公司、在建整个sales motion。但「consumer」会发生变化。这是一个非常宽泛的词,装着多个东西。但consumer那部分关于的不只是productivity,而是关于goals(目标)——关于实现你的目标、甚至帮你elicit「你的目标到底是什么」

它最终都是同一件事——我们试图build一个你能跟它对话、有all context、你能在工作和生活里都用、能信任的AGI——能去问它建议、能给你健康信息、财务信息,或者你想搞清楚你的职业方向时的建议——所有这些都ladder into同一件事。这意味着我们必须做一些非常痛苦的「不做什么」的决定。

英伟达的Jim Fan在峰会上提出了物理AI（Physical AI）的概念，将机器人与智能体的讨论延伸到了物理世界。

他引入了"物理图灵测试"这一概念：当你无法分辨一项物理任务——比如整理公寓或烹饪晚餐——是由人还是机器人完成时，该测试即告通过。

英伟达的答案是模拟训练：通过大规模并行GPU模拟环境和域随机化技术，机器人可以以真实世界10,000倍的速度学习技能，并直接迁移至现实场景，无需微调。

通过"模拟到真实"（sim-to-real）流程，将机器人训练成本压低10倍。2026年全球人形机器人预估出货2.8万台。

Waymo的商业化路径已经验证了"物理世界长时序智能体"的可行性——一台车一天工作24小时，永不疲劳，商业模型正延伸到物流领域。

Jensen Huang的终极判断："未来一切会移动的东西，都将是自主的。"

Anthropic的Boris Cherny分享了MCP协议（Model Context Protocol）的起源。这一协议并非顶层规划的产物，而是工程师在反复构建GitHub、Google Drive等集成时，自然发现重复劳动并提炼出通用结构的结果。

MCP现已演变为开放标准，正在Anthropic之外广泛采用，成为智能体与外部工具交互的基础语言。

Cherny还披露：目前Anthropic超过70%的代码提交（Pull Request）由Claude生成。这引发了新的工程管理问题——当AI既是代码的生成者也是审查者时，传统的代码审查流程将如何重构？

他的核心判断是：当前大多数AI应用仍在用传统UI框架"嫁接"AI能力（如侧边栏助手），而真正的AI原生产品，应该以模型为核心重构整个产品架构，而不是事后贴上去。

红杉基础设施投资合伙人David Cahn提出了2026年最清醒的双重叙事：

故事一：基础设施延迟

故事二：企业采用加速

他的核心判断：

"AI采用本身不会延迟。延迟的，只是让人狂喜的单一时刻。"

对创业者的启示：不要等"奇迹降临那一刻"。跑得最快的新创都是"自我进化公司"——自己内部就用AI跑法务、招聘、销售、客服，每名员工年产出超过100万美元。

红杉合伙人Konstantine Buhler提出了智能体经济三大基础设施论述：

红杉合伙人Konstantine Buhler以更宏大的历史视角收尾，提出了"认知革命"的框架。

他将人类劳动分为两类：体力劳动（力量乘以距离）和认知劳动（意识性思考）。工业革命用蒸汽机和电动机取代了体力劳动——到2026年，地球上99%以上的体力工作由机器完成。

Buhler的预测是：认知劳动正在经历同样的历史模式，只是速度更快、规模更大。在可预见的未来，地球上99.9%的认知工作将由机器完成。

他以四个故事诠释这一未来：

1. 铝与华盛顿纪念碑 19世纪中叶，铝是地球上最珍贵的金属，华盛顿纪念碑顶部用100盎司铝封顶，还曾在蒂芙尼橱窗展出。电解技术发明后，铝变成了三明治包装纸。智能即铝，AI即电解——曾需数十年才能掌握的博士级专业能力，即将变得随取随用、用完即弃。

2. 异形设计的时代 2006年，NASA用进化算法为一颗卫星设计天线。人类工程师的设计是对称而规整的几何形状；机器设计出一个扭曲、非对称的奇异结构——性能却远超人类设计。当AI开始设计芯片、建筑、车辆和软件时，输出结果将越来越"异形"，超出人类直觉的边界，但性能更优。

3. 新兴科学的黎明 蒸汽机在实用近百年后，卡诺才建立了热力学理论。今天，我们仍处于AI的"经验摸索阶段"。Buhler预测：在未来二十年内，一门解释神经网络的新基础科学——其地位相当于热力学——将会诞生，并进入高中课堂，甚至为理解意识本身提供工具。

4. 艺术的转向 摄影术发明后，绘画没有消亡——它转向了印象派、立体主义、表现主义，追问的不再是"眼睛看到什么"，而是"心灵感受什么"。当AI接管认知劳动，人类创造力将向机器无法复制的维度迁移——关系、情感与意义。

Buhler以古希腊哲学家普罗泰戈拉的名言作结："人是万物的尺度。"AI能做工作，也将做工作；但只有人类的连接，才赋予这一切存在的意义。

综合本届峰会的核心洞见，红杉向AI创业者发出了清晰的行动号召：

① 重构商业模式 传统SaaS已不是终点。AI原生服务与工作流所有权，孕育着比软件订阅更大的市场机会。创始人应思考：我的产品是否真正"完成了一项工作"，而不仅是给用户提供了一个更好的工具？

② 围绕结果设计产品 投资人正在从关注"模型新颖性"转向关注"商业结果"。重复使用率、预算替代、ROI和任务完成率，将成为衡量AI产品价值的核心指标。

③ 拥抱长期任务智能体 产品设计应从单次生成转向多步骤、长周期的任务执行。智能体的"持久性"——能够在失败后恢复、持续推进——是下一代产品的核心竞争力。

④ 布局基础设施机会 AI产业的下一轮增长不只发生在应用层。芯片、数据效率、机器人、语音AI、安全、边缘部署——这些基础设施领域同样蕴含巨大机会。

⑤ 转向"出售工作"逻辑 未来的优秀AI公司，不只销售工具，而是销售可重复、可度量、可交付的工作成果。产品定价应来自实际交付的业务价值，而非模型能力本身。

结合上面趋势，那么创业者需要回答清楚下面问题

① 预算来自哪个科目？ 客户买单时，预算来自"软件/工具"科目，还是"外包/服务/顾问"科目？如果是前者，你在副驾驶赛道，面临模型升级的持续竞争压力；如果是后者，你能吃到6倍的预算规模。如果把同样的能力包装成"按结果计费的服务"，单一客户生命周期价值能放大几倍？

② 哪些工作流有验证闭环？ Karpathy的判断：AI能自动化的，是有验证回路的工作——代码测试、税务申报、合规检查、保险理赔、医疗编码、财报关账。这些工作有明确的"对/错"答案，AI可以自我修正。把公司每个职能拆成"可验证"与"需判断"两部分，可验证的用AI自动化，比例是多少？

③ 数据飞轮在哪里？ 2026年AI公司估值高低，越来越不看"用了什么模型"（大家都用同样的Claude/GPT），而看"累积了什么专属数据"。处理客户案件时产出的数据有没有结构化储存？有没有"该领域的判断力"可以被AI拿去学？

④ 内部是否在自我进化？ 如果今天把30%内部例行工作（会议记录、合约审阅、财报整理、竞争情报）让AI接手，每年释放出多少人时？AI采用不再是IT部门的项目，而是CEO的战略议题，直接对应到公司的人均产能和估值。

⑤ 三年计划是否建立在线性假设上？ 多数公司的三年计划是"线性外推"。但AI走的是指数曲线——用线性思维做指数时代的计划，三年后会严重偏离真实世界。如果AI任务时长真的每7个月翻倍，哪些假设会崩塌？谁会在2027年开始吃你的市场？

红杉AI Ascent 2026传递出的最强信号是：AI正在从一个功能、一个插件、一个聊天界面，变成企业的核心业务层。

从Pat Grady的"汽车已经到来"，到Sonya Huang的"2026是智能体之年"，再到Konstantine Buhler的"认知革命即将完成工业革命所走过的路"——红杉合伙人用一整天的时间，向在场的150余位顶尖创始人与研究者传递了同一个判断：

这不是更快的马。这是汽车。而且，是所有人都没有驾照的汽车。

如果说2022年是生成式AI的爆发元年，2024年是推理模型的突破年，那么2026年将被历史记录为：AI真正进入产业执行层、认知革命正式点燃的起点。

通用人工智能时代，正在以一种务实、商业化、可交付的方式，悄无声息却不可阻挡地到来。