红杉 AI Ascent 2026 Keynote:Agent 时代,软件开始直接交付结果

Keynote 没有新的观点和非共识的内容，如果只想了解红杉从市场角度对 AI 发展趋势和机会的判断看下面的 Bullet Point 就够了了。

• Agent 时代，软件不再只是工具，而开始直接交付服务。

• AI 的价值从“回答问题”，变成“完成任务”。

• 过去软件卖功能，未来 Agent 卖结果。

• 模型是大脑，工具是手脚，Harness 决定它能不能持续做事。

• 真正的机会，不是追模型，而是把 Agent 嵌入真实工作流。

但如果你想学习，Sequoia 是怎么叙事、类比、描绘蓝图，那还是建议你通读下全文，Enjoy～

2026 年的 Sequoia AI Ascent 上，Pat Grady、Sonya Huang 和 Konstantine Buhler 开场就下一个断言。

他们说，this is AGI。

那么，AGI 到底该怎么定义，是不是要能通过某种测试，是不是要覆盖所有人类任务，是不是要有意识。这些问题都可以吵很久。

但红杉在这场 32 分钟 keynote 里想讲的，恰恰绕开了技术定义。Pat Grady 说，他们是风险投资人，研究的是创始人、市场，以及二者碰撞后形成的公司。所以从商业、实践和功能角度看，如果你能派一个 Agent 去做一件事，它遇到失败能恢复，还能持续推进到任务完成，那就已经是 AGI。

这套定义来自市场，而不是实验室。

过去几年，很多 AI 产品像更快的马。它让你快一点，可能快 10%，也可能快 40%，但你的工作方式没变。你还是在原来的流程里，只是多了一个助手。

Pat 说，现在汽车来了。

汽车的意义不在于把马变快。它会改变路、改变城市、改变生产组织，也改变人怎么移动。对应到 AI，新的 Agent 应用带来的不只是省下一点时间，它可能让效率提高 10 倍甚至 40 倍，同时改变工作的性质和组织的形状。

这也是红杉为什么把这波 AI 和互联网、云、移动区分 开来。

互联网、云和移动，本质上改变的是信息怎么分发。更多人能连接，更多内容能传播，更多软件能通过网络交付。AI 改的是另一件事，信息怎么被处理。

这是计算革命。

Pat 把过去几年的三个拐点放在一起看。2022 年 11 月，ChatGPT 让全世界看到预训练的力量。之后 o1 这类 reasoning model 让人看到推理时计算带来的新 scaling law。最近，Claude Code、Opus 4.5、Opus 4.7 这些长期任务能力，让人看到 long horizon agents 的力量。

在他看来，前两个点到第三个点之间有一个断层。前面还是模型更聪明，后面开始变成系统能做事。

这层变化，对创业者比对研究者更直接。

红杉给出的市场图景很大。云转型的前 15 年，软件市场从约 3500 亿美元增长到 6500 亿美元，云本身做到约 4000 亿美元。AI 新打开的部分，是服务市场。Pat 用 10 万亿美元做一个粗略量级，同时提醒大家，仅美国法律服务这一个垂直领域、一个地理市场，就有 4000 亿美元。

软件过去卖工具。服务过去卖人。

Agent 出现以后，这条边界开始松动。一个能持续完成任务的系统，已经不只是软件功能，它开始像一个可雇用的服务单位。

Sonya Huang 接着把这个判断具体化。她说，2026 年的 AI 关键词就是 Agent。

她先回到 2022 年的 AutoGPT 和 BabyAGI。那时候大家已经能想象 Agent 的方向，把 GPT-3 接上工具，套进循环，让它朝一个目标运行。问题是，一跑起来就不断失败。它们有点可爱，也让人兴奋，但基本没法真正干活。

方向没错，模型还没准备好。

到 2026 年初，事情突然变了。Agent 到处出现，而且开始真的能用。技术人群有 Claude Code，普通用户也能用手机上的 Agent 产品。无论是工程师还是普通人，都开始能创建 Agent。

Sonya 下了一个很朴素的定义。Agent 是一个能感知环境、选择动作，并自主朝目标推进的系统。

拆开看，它有三块能力。第一是推理和规划。第二是采取行动，比如调用工具、搜索、写文件、编译代码。第三是朝目标持续迭代。她把这件事压成一句话，agency 就是 get done，把事情做完。

这句话很关键。过去的 AI 更像回答问题。现在的 AI 开始完成任务。

她解释了为什么今年不一样。模型是大脑，过去一年最重要的变化，是模型能在复杂任务上保持有效推进的时间，从几十分钟变成几个小时。工具是手脚，过去二十年人类为自己建的终端、文件系统、开发工具、Slack、网页搜索、computer use，现在都能迁移给 Agent 使用。Harness 则给 Agent 持久性，让它保持在任务上，适应变化，继续往前走。

这三件事合在一起，Agent 才从玩具变成工作系统。

她用写代码举例。2023 年的 AI 编程还是 tab autocomplete（tab 补全代码），一个 AI 在一行代码里辅助一个人。现在变成 agentic development，一个人和一个 Agent 对话，甚至管理一组 Agent。下一步是 background agents、async agents、Agent 再生成 sub agents。

Sonya 判断，async agents 这套范式很可能在使用量上超过今天这种人盯着 Agent 干活的模式，因为系统里的杠杆更大。再往前走，就是她说的 dark factories（黑灯工厂），把人类 review 完全拿出系统。

这听起来很激进。她说自己已经在生产环境里见过，包括网络安全公司。前提是 guardrails 和工程足够好。

她把 Agent 的演进比作实习生。一开始是身边的小助手。之后是需要管理的实习生。再往后，是能管理自己的实习生。最后，是足够可信、可以不用监督就 push to prod 的实习生。

这对创业公司意味着什么。

Sonya 给出的答案是，services is the new software。

医学里，你可以雇一个 Agent 检查基因组，给出个性化建议，开药，推荐临床试验。法律里，你可以雇 Agent 代表你谈合同，处理诉讼，达成和解。数学和科学里，Agent 可以解 Erdős problems，甚至发现新的超导体。消费领域里，个人 Agent 可以管理邮箱、日程、财务和报税。

这些原来都不像软件。它们更像专业服务，因为背后需要人的判断、经验和执行。

Agent 改变的是成本结构。雇人很难规模化，Agent 只要有算力就能扩展。人需要薪水、管理和激励，Agent 付的是 token。今天人类整体仍然更聪明，但 bitter lesson 还在推进，机器会在越来越多任务上超过人。

Sonya 特意补了一句，这不等于人类都要失业。她认为人的独特能力是 adaptability。只是应用层部署 Agent 的速度会非常快，规模也会前所未有，因为经济账太清楚。

如果 Agent 大量出现，世界会开始变得奇怪。

Agent 之间会不会交易。它们能不能互相付款。它们能不能谈判交易条款。会不会出现一群 Agent 保护我们，防止网络安全攻击或 megaDAN 这类问题。Sonya 没有给确定答案，只说世界正在非常快地变怪。

她最后留给创业者的一句话，你能想象未来 100 年要开发的东西，现在因为 Agent，可能 100 天就能做出来。

Konstantine Buhler 接着把时间尺度拉得更长。

他把工作分成两类。一类是 physical work，物理工作。包裹被运输，卫星被送上天，本质上是力乘以距离，是物体移动。另一类是 cognitive work，认知工作。Pythagoras 想出定理，DeepMind 解决蛋白质折叠问题，都是思考。

工业革命改变的是物理工作。人类历史上很长一段时间，服务人类的物理工作几乎都来自肌肉，人的肌肉或动物的肌肉。后来有水力、风力、蒸汽机、内燃机、电动机。到 2026 年，地球上为人类完成的物理工作，99% 以上已经由机器承担。

Konstantine 认为，认知工作会走类似路径，只是速度更快、规模更大。

大部分人类历史里，认知基本由人完成，只有很小一部分由机械装置辅助，比如星盘和钟表。过去一百年，电子计算已经让海量计算替人服务。下一波是 neural network。他判断，不久之后，地球上 99.9% 的 cognition 会由机器完成。

这个说法听起来夸张，但他用了四个故事解释这种未来会是什么感觉。

第一个故事是铝。19 世纪中期，美国建华盛顿纪念碑，想用当时最珍贵的金属封顶。100 盎司铝被放在 Tiffany’s 展示。几十年后，电解法让人类能从泥土中分离铝，铝很快变成包糖果、包三明治、用完就丢的材料。

他的类比是，铝就是 intelligence，电解法就是 artificial intelligence。

我们正在进入一个世界，某些最珍贵、需要几十年才能获得的 PhD level skills，会被即时调用，用完之后像铝箔一样被丢掉。

第二个故事是 alien design。现在的世界大多为人类设计，因为几乎所有认知都由人完成。当机器承担认知后，设计的东西会越来越不符合人类的直觉。

他举 NASA 2006 年优化太空任务天线的例子。传统天线是漂亮、对称、几何化的形态。交给类似强化学习的 evolutionary algorithm 后，系统给出了一个人类直觉看不懂、但性能更好的天线。

AI 设计芯片、汽车、建筑时，也可能给出类似结果。它们未必符合人的审美和直觉，但可能更有效。人类需要学会接受一种陌生的设计语言。

第三个故事是 emerging sciences。Konstantine 特意把它说成复数，涌现一批新科学。

工业革命早期，工程师改进蒸汽机和内燃机，很多时候靠 tinkering，靠试出来。后来 Sadi Carnot 把这套东西形式化，热力学出现了。AI 今天也处在 tinkering 阶段。我们面对数十亿神经元、数万亿 token，以为自己已经理解，其实还远没有理解。

他相信，未来几十年会出现像热力学一样基础的新科学，帮助人类掌握 AI，甚至帮助人类理解 consciousness。

第四个故事是艺术。人类艺术在很长时间里朝现实主义进展，从洞穴壁画、埃及象形文字、希腊陶器到文艺复兴绘画。摄影出现后，机器突然能比人更准确地捕捉现实，很多人以为绘画结束了。

结果人类换了一个问题。

艺术的目的，是按眼睛看到的样子记录现实，还是按心和灵魂看到的样子表达现实。于是有了印象派、表现主义、立体主义、新表现主义。

这也是整场演讲最值得回味的地方。红杉一边把 Agent 的现状和趋势讲得很激进，一边没有把人的位置简单抹掉。

Konstantine 引了 Protagoras 的话，人是万物的尺度。铝、艺术、intelligence 本身都没有价值，只有进入人的 experience，才有价值。

AI 可以做工作，也会做工作。但只有 human connection 能给人一个在乎的理由。

所以这场 keynote 的真正判断，已经越过了 AI 会不会更聪明这个问题。红杉更关心的是，当 Agent 能持续完成任务，当服务可以变成软件，当认知劳动开始像体力劳动一样被机器承担，公司该怎么重新组织，人该把注意力放回哪里。

对创业者来说，答案并不只是追最新模型。

Pat 给的 MAD 框架反而很克制。模型每天都在变，客户没有变得那么快。护城河更可能来自你怎样围绕客户建立流程、分发、信任和场景。Claude Code 很强，但普通 Fortune 500 员工打开终端也未必知道怎么开始。应用层公司的机会，就是把能力变成不用解释的路径。基础模型越快，企业吸收越慢，中间的 diffusion gap 越大。

这可能是 Agent 时代最实在的创业提醒。

不要只盯着车的发动机。去看谁真的需要车，谁不会开车，谁愿意为一段更短、更自然、更可靠的路付钱。

内容来源，Sequoia Capital「This is AGI: Sequoia AI Ascent 2026 Keynote」，YouTube 链接 https://www.youtube.com/watch?v=LRo33rnv6rQ