从工具到同事:红杉AI Ascent 2026释放的十个关键信号

2026年的AI产业，正在进入一个新的分水岭。

4月20日，红杉资本在旧金山举办第四届AI Ascent大会，邀请了150多位AI领域创始人和研究者，嘉宾包括Deep Mind CEO Demis Hassabis、Andrej Karpathy、OpenAI联合创始人Greg Brockman、Anthropic Claude Code负责人Boris Cherny、Waymo联席CEO Dmitri Dolgov、英伟达机器人负责人Jim Fan等。红杉官方将这次大会定位为迄今规模最大的一届AI Ascent。

如果说过去两年的AI大会更多在讨论模型能力、算力供给、生成式AI应用，那么AI Ascent 2026的核心信息已经非常清晰：AI不再只是“更聪明的工具”，而是开始成为能够持续执行任务、接管工作流程、重塑软件和服务市场的新型生产力。

这场大会最值得关注的，不是某一个模型、某一个应用、某一家公司的发布，而是红杉给出的整体判断：AI已经从“沟通革命”进入“计算革命”，从“帮助人完成工作”走向“代表人完成工作”，从“卖工具”转向“卖工作本身”。

一、AI不是“更快的马”，而是“汽车已经来了”

红杉合伙人Pat Grady在大会开场时给出了一个非常有冲击力的判断：AI是一场计算革命，不是更快的马，而是汽车；而且汽车已经来了。红杉认为，创业公司真正要抓住的不是模型能力的短期波动，而是模型能力与企业实际部署之间的巨大“扩散差”。

这句话背后有三层含义。

第一，AI不再只是提升原有软件体验的插件。它开始改变信息处理、任务执行、组织协作和商业交付的底层方式。过去互联网、移动互联网、云计算更多是信息连接和信息分发的革命，而AI正在改变信息如何被理解、推理、处理和行动。

第二，企业真正的瓶颈不再只是“模型够不够强”，而是“能否把模型能力变成可交付、可治理、可计费、可持续优化的业务系统”。很多企业已经看到模型能力快速提升，但在内部落地时仍然面临数据、权限、流程、责任、安全和组织协同等障碍。

第三，AI创业和企业AI转型的竞争重点正在从“谁调用了更强模型”转向“谁能把模型能力嵌入真实工作”。换句话说，模型越来越像电力，真正的差异化来自场景、数据、工作流、反馈闭环和客户信任。

二、2026年被红杉定义为“智能体之年”

红杉合伙人Sonya Huang在大会上明确提出，2026年将是智能体之年。她认为，智能体真正可用所需的三个条件——模型、工具和智能体运行框架——终于开始同时成熟。

这也是本届大会最重要的主线：AI正在从“Talker”变成“Doer”。

在红杉此前发布的《2026: This is AGI》中，Pat Grady和Sonya Huang提出了一个偏商业和功能视角的AGI定义：AGI就是“能够把事情搞定”的能力。一个真正有用的AI系统，应该具备基础知识、推理能力，以及能够持续迭代直至完成任务的长周期行动能力。红杉认为，ChatGPT代表了预训练知识的突破，o1代表了推理能力的突破，而Claude Code等编码智能体则代表了长周期智能体能力开始越过临界点。

这个判断非常关键。过去的AI应用主要是回答问题、生成文本、生成图片、总结材料，本质上还是“对话式AI”。而2026年之后，越来越多AI应用会变成“执行式AI”：它不仅回答你，还能理解目标、拆解任务、调用工具、检查结果、修正错误，并在一定时间范围内持续工作。

这意味着，AI的用户体验也会发生变化。人不再只是向AI提问，而是向AI委派任务；人不再只是亲自完成每一个步骤，而是管理一组智能体；人不再只是个人贡献者，而是类似“智能体团队经理”。

三、长周期智能体把AI从“提高效率”推向“重构工作”

红杉认为，长周期智能体是AI商业化的关键跃迁。原因在于，单次模型调用只能完成局部任务，而长周期智能体可以持续推进复杂目标。

在《2026: This is AGI》中，红杉引用了METR对AI完成长周期任务能力的跟踪，认为相关能力呈指数级提升，大约每7个月翻倍；如果这一趋势延续，智能体有望在2028年前后可靠完成相当于人类专家一天工作量的任务，在2034年前后完成一年工作量级别的任务，在2037年前后完成更大尺度的任务。

这个判断不一定需要被机械理解为精确预测，但它指出了一个方向：AI价值的计量单位正在从“节省几分钟”变成“完成一项工作”。

这会极大改变企业对AI投资回报的理解。过去企业使用AI，常常问“能节省多少人力”“能提升多少效率”。未来企业更应该问：“哪些工作可以由智能体端到端完成？”“哪些流程可以被重新设计？”“哪些原本因为成本太高、周期太长、协调太复杂而没有做的事情，现在可以做了？”

比如，客户支持不只是自动回复，而是从客户问题识别、知识检索、工单处理、问题升级、根因分析到产品反馈的闭环；研发不只是代码补全，而是从需求理解、架构设计、代码生成、测试、部署到缺陷修复的持续循环；销售不只是写邮件，而是从线索识别、客户画像、个性化触达、会议准备到后续跟进的自动化协同。

四、软件行业正在从Copilot走向Autopilot

红杉合伙人Julien Bek在《Services: The New Software》中提出了一个极具启发性的判断：下一家万亿美元公司，可能是一家“伪装成服务公司的软件公司”。他的核心观点是，如果你卖工具，你就在和模型能力赛跑；但如果你卖工作，每一次模型进步都会让你的服务更快、更便宜、更难被竞争。

这可以概括为一句话：Copilot卖工具，Autopilot卖工作。

Copilot模式下，AI被放到专业人士手中，由律师、会计师、分析师、工程师来判断如何使用，最终责任仍然由人承担。Autopilot模式下，客户购买的不是工具，而是结果。例如客户不再购买“合同审查软件”，而是购买“合同审查已完成”；不再购买“财务软件模块”，而是购买“关账已完成”；不再购买“IT运维工具”，而是购买“IT系统持续稳定运行”。

红杉还提出了一个非常重要的市场判断：每花1美元购买软件，就有6美元花在服务上。因此，AI真正打开的不是传统软件市场，而是更大的专业服务、人力服务和外包服务市场。

这对数智化厂商有重要启示：未来AI产品的竞争，不是简单地把大模型嵌入软件界面，而是要重新定义交付对象。客户最终愿意为“确定的业务结果”付费，而不是为“更聪明的工具按钮”付费。

五、AI最先重塑的，是“高智能、低判断、可验证”的工作

Julien Bek还提出了一个非常实用的分析框架：所有工作都可以拆成“智能”和“判断”两个部分。

所谓“智能”，是复杂但有规则、可学习、可执行、可验证的工作，例如代码生成、测试、调试、财务核对、表单填写、合同初稿、医疗编码、保险理赔资料处理等。所谓“判断”，则更依赖经验、品味、直觉和责任，例如战略取舍、组织判断、复杂谈判、重大风险承担和客户关系经营。

AI最先自动化的不是所有工作，而是智能占比高、判断占比低、结果可验证、并且已经存在外包预算的工作。红杉在文章中列举了保险经纪、会计审计、医疗收入周期管理、保险理赔、税务咨询、交易型法律服务、IT托管服务、供应链采购、招聘和管理咨询等领域。

这背后的商业逻辑很清楚：如果一项工作已经被外包，说明企业已经接受外部机构完成这件事；如果这项工作有明确预算，AI服务商就可以替代原有服务商；如果这项工作结果可验证，AI就更容易形成持续优化闭环。

因此，AI创业和企业AI转型的关键，不是泛泛寻找“AI能做什么”，而是系统识别三类任务：第一，规则复杂但结果明确的任务；第二，重复发生且数据积累丰富的任务；第三，过去依赖大量人力、但客户真正购买的是结果的任务。

六、Karpathy提出Software 3.0：上下文成为新的编程界面

Andrej Karpathy在本届AI Ascent中的观点同样值得重视。他延续了自己关于Software 1.0、Software 2.0和Software 3.0的框架：Software 1.0是人类写代码，Software 2.0是用数据训练神经网络，Software 3.0则是通过上下文来“编程”模型。

这意味着，编程对象正在发生变化。过去开发者写的是确定性指令，现在开发者越来越多地给AI提供目标、上下文、约束、工具权限和反馈信号。模型不只是执行命令，而是读取环境、调用工具、发现问题、调试错误并动态调整。

Karpathy还提出一个非常重要的判断：AI不仅是让旧应用开发得更快，它还会让一些应用本身消失。他以MenuGen为例，传统应用需要OCR、前端、API、图像生成、部署、认证、支付等一整套软件栈；但在多模态模型能力提升后，用户可以直接把菜单照片交给模型，让模型把菜品图片覆盖回菜单图像中。许多原本需要复杂软件流程支撑的信息转换，可能会被模型直接完成。

这对软件公司是一次警醒：不要只问“AI能帮我把现有应用做得更快吗”，还要问“AI会不会让这个应用形态变得不再必要”。

七、AI自动化的边界，不是“能不能描述”，而是“能不能验证”

Karpathy提出的另一个重要观点是：传统软件自动化的是“可以被清晰指定的事情”，而LLM和强化学习更擅长自动化“可以被验证的事情”。

这解释了为什么AI在编码、数学、测试、安全、数据处理等领域进展特别快。因为这些领域往往有明确反馈：代码能不能运行，测试是否通过，漏洞是否存在，结果是否匹配，指标是否改善。模型可以在反馈中反复尝试、修正和优化。

这也解释了为什么AI能力呈现“锯齿状”。它可能可以重构一个庞大的代码库，却在某些常识问题上表现糟糕；它可能在标准化流程中非常强，却在开放式责任判断中不稳定。能力不是均匀分布的，而是在有数据、有奖励、有验证、有训练关注的地方快速凸起。

因此，企业建设AI应用时，最重要的不是把大模型接入系统，而是建立“验证环境”。一个高质量AI应用场景，应该能够回答四个问题：什么是好结果？如何判断结果好坏？错误如何被发现？系统如何从每次执行中学习？

八、从Vibe Coding到Agentic Engineering：工程师角色正在升级

Karpathy还区分了Vibe Coding和Agentic Engineering。Vibe Coding降低了软件开发门槛，让更多非专业开发者可以用自然语言创建应用、原型和自动化工具；但Agentic Engineering提高的是专业开发上限，它要求工程师能够协调多个智能体，同时保持系统正确性、安全性、架构质量和可维护性。

这意味着，未来工程师的核心能力不是逐行写代码，而是提出清晰需求、设计系统边界、管理上下文、审查AI生成结果、构建测试与评估体系、设置权限和安全隔离、维护长期架构质量。

Anthropic Claude Code负责人Boris Cherny在AI Ascent 2026上也表达了类似观点。他提到自己2026年几乎没有亲手写过代码，并认为AI编码工具已经跨过关键门槛，甚至可以通过手机一天提交多个PR。

这并不意味着工程师不重要，而是工程师的价值重心从“代码生产者”转向“系统设计者、智能体管理者和质量守门人”。未来真正稀缺的不是会不会写某段代码，而是能否判断什么应该被构建、如何构建才可靠、如何让AI生成的系统长期可维护。

九、算力仍然重要，但人的注意力成为新瓶颈

OpenAI联合创始人Greg Brockman在AI Ascent 2026上与红杉合伙人Alfred Lin对谈，讨论了OpenAI的全栈能力、算力竞赛、Codex和AGI等议题。公开资料显示，他强调OpenAI永远不会有足够算力，同时认为已经走完通向AGI的大约80%；他还提到，智能体编码工具去年12月可能只写20%的代码，而现在可以写到80%。

这背后有一个更深层的判断：当AI越来越能做事之后，最稀缺的资源可能不只是算力，而是人类注意力。

过去，人类是任务执行者；未来，人类越来越像目标设定者、方向判断者、风险承担者和最终责任人。当智能体数量增加，企业面临的新问题不是“有没有AI帮忙”，而是“人类管理者能否有效分配注意力”。哪些任务应该交给AI？哪些结果必须人工复核？哪些异常需要升级？哪些决策不能自动化？这些问题将成为企业AI治理的新核心。

因此，企业部署智能体系统，不应该只关注“让AI多做事”，更要关注“让人少管低价值细节，把注意力集中在高价值判断上”。

十、机器人也在复制大模型路线：从VLA到世界动作模型

本届AI Ascent也释放了一个重要信号：AI的长周期智能体能力正在从数字世界走向物理世界。

英伟达机器人负责人Jim Fan在大会演讲中提出，机器人领域过去几年主导的VLA范式正在受到挑战，未来可能转向World Action Models，即世界动作模型。公开报道显示，他认为机器人可以借鉴大语言模型的发展路径：预训练阶段模拟下一个世界状态，动作微调用来校准真实机器人行动，最后通过强化学习完成最后一公里。

更重要的是，机器人数据策略也在变化。过去机器人训练高度依赖遥操作，但遥操作数据采集成本高、效率低、规模受限。Jim Fan认为，未来机器人训练的“主食”会转向第一视角人类视频，以及更广义的人类传感器数据。EgoScale训练范式中大量使用真实世界第一视角人类视频进行预训练，并只用少量高精度手套数据和遥操作数据进行动作微调。

这意味着，具身智能也在寻找自己的Scaling Law。语言模型通过大规模文本和代码学习世界，机器人则可能通过第一视角视频、动作数据、仿真环境和强化学习来学习物理世界。未来AI的影响不会停留在屏幕里，而会进入制造、物流、医疗、家庭服务、自动驾驶和工业现场。

对行业用户的启示：不要把AI只当效率工具

对行业用户而言，AI Ascent 2026最重要的启示是：AI战略不能停留在“提效工具采购”层面。

第一，企业需要重新梳理工作流，而不是简单采购模型能力。真正有价值的AI应用，往往发生在流程被重新设计之后。企业应识别哪些工作可以被智能体端到端执行，哪些环节需要人类判断，哪些地方必须建立验证和审计机制。

第二，企业需要建立智能体治理体系。未来企业内部可能同时运行多个模型、多个智能体、多个工具链。没有权限管理、责任边界、数据治理、行为日志、结果评估和风险控制，智能体越强，组织风险也越高。

第三，企业需要把AI投资回报从“节省人天”升级为“创造新能力”。许多AI价值不在于把旧流程做快10%，而在于让过去无法做、成本太高或周期太长的事情成为可能。例如持续客户洞察、实时风险发现、自动化合规检查、跨系统知识编织、研发和运营闭环优化等。

对数智化厂商的启示：从卖软件走向卖工作

对数智化厂商而言，红杉AI Ascent 2026释放的信号更加直接：AI时代的商业模式正在从“卖产品”走向“卖结果”。

第一，软件厂商不能满足于做“AI功能增强”。如果AI功能只是模型外壳，很容易被基础模型、平台厂商或竞争对手快速复制。真正的护城河来自行业工作流、专有数据、验证体系、交付经验和客户信任。

第二，IT服务商和咨询公司需要重新定义交付。过去服务交付依靠人力堆叠，未来服务交付会越来越依靠智能体、知识库、自动化工具链和持续运营平台。谁能把服务经验产品化、模型化、智能体化，谁就能在AI服务市场中获得更高杠杆。

第三，行业解决方案商要从“项目制”走向“持续运营制”。AI应用不是一次性交付，而是持续学习、持续评估、持续优化的系统。未来客户购买的不只是系统上线，而是业务结果持续达成。

第四，厂商要尽早建立自己的“可验证场景”。AI能力的差异化不只是提示词，而是围绕特定行业任务构建数据、评测、反馈和强化学习环境。谁能定义行业里的“好结果”，谁就更有可能成为该行业AI应用的事实标准。

结语：AI大转型的真正开始

红杉AI Ascent 2026之所以重要，是因为它标志着AI产业叙事从“模型能力竞赛”转向“工作重构竞赛”。

过去两年，大家关注的是AI会不会写文章、画图、写代码、做PPT。未来几年，更重要的问题将变成：AI能否接管一项真实工作？能否对结果负责？能否在复杂环境中持续迭代？能否成为企业组织中的新型生产力单元？

AI不再只是工具，而是逐渐成为同事；软件不再只是系统，而是逐渐变成服务；服务不再只是人力交付，而是逐渐变成智能体驱动的结果交付。

对行业用户来说，这是一次重新设计业务流程、组织能力和治理体系的机会。对数智化厂商来说，这是一次从“卖软件、卖项目、卖人天”转向“卖工作、卖结果、卖持续价值”的机会。

AI Ascent 2026传递的最终信号是：AI大转型不再只是技术趋势，而是生产方式、商业模式和组织形态的系统性重构。谁能率先把AI从“能力”变成“工作”，谁就更可能在下一轮智能经济中占据主动。

关于IDC CXO卓越圈