红杉资本 AI Ascent Keynote | 2026: This is AGI

这场演讲由红杉的三位合伙人 Pat Grady、Sonya Huang 和 Konstantine Buhler 完成。

Pat 先做整体判断，Sonya 讲今天正在发生的变化，也就是 Agent；Konstantine 再往后看，讲 AI 可能会把认知工作带到什么地方。

整场演讲的核心判断可以概括成一句话：

AI 不只是互联网、移动互联网之后的又一波技术浪潮。它不是一次信息分发方式的变化，而是一次信息处理方式的变化。

如果说工业革命改变了体力劳动，那么 AI 正在开始改变认知劳动。

01 ｜ 这不是又一次的互联网革命

红杉一开始先把时间线拉长。

从硅基晶体管，到计算机系统，再到网络、互联网、社交媒体、云计算、移动设备，最后走到今天的 AI。

他们说，这些技术浪潮不是互相替代的，而是一层一层叠加起来的。

今天我们之所以能走到 AI，是因为过去几十年里，算力、带宽、数据、人才和软件生态都已经积累到了一定程度。

但这一次 AI 浪潮，和过去几次相比，有三个地方不一样。

第一，它可能是最大的一波。

过去云计算改变的是软件市场。

红杉在演讲里提到，云转型前 15 年，软件市场规模大概从 3500 亿美元增长到 6500 亿美元，其中云软件大约占到 4000 亿美元。

但 AI 打开的不只是软件市场，还有服务市场。

红杉用了一个例子：仅美国法律服务市场，就是 4000 亿美元级别。只是一个国家、一个垂直行业，规模就已经接近整个软件市场。

所以这一次，AI 公司面对的市场，不只是“卖软件”，还包括大量原本由人完成的专业服务。

第二，它是最快的一波。

这个变化大家都能感觉到。

红杉展示了一张图，里面列出了云计算、移动互联网、AI 几个阶段里，收入做到 10 亿美元以上的公司。

他们的意思是，AI 这张图上的空白正在被快速填满，而且按照现在的速度，后面还会有更多公司出现。

第三，也是最重要的一点：AI 是一次计算革命，不是通信革命。

红杉把技术革命分成两类。

一类是通信革命，改变的是信息如何分发。互联网、云、移动互联网，大多属于这一类。

另一类是计算革命，改变的是信息如何被处理。

AI 属于后者。

这听上去像是在玩概念，但红杉认为，这两类革命的形态完全不同。

通信革命让信息传得更快、更广、更便宜。

计算革命改变的是处理信息本身的方式。

AI 开始读、写、判断、推理、规划、执行。

它进入的是认知工作本身。

所以今天所有创业者都在面对一个很特别的环境：脚下的地面每天都在动。

因为新的模型能力不断出来，技术地基每天都在变化。

02 ｜ 过去三年，AI 发生了三次关键转折

红杉把过去几年的 AI 变化，分成三个关键节点。

第一个节点，是 2022 年 11 月的 ChatGPT。

这一次，全世界第一次真正看到预训练模型的力量。

普通人突然发现，AI 可以聊天、写作、总结、翻译、写代码、回答复杂问题。

第二个节点，是推理模型。

大概两年后，以 o1 这类模型为代表，大家开始看到第二条扩展规律：

不只是训练时投入更多算力，推理时投入更多算力，也会带来能力提升。

模型可以花更多时间思考，开始处理更复杂的问题。

第三个节点，是最近出现的长期任务 Agent。

红杉特别提到 Claude Code，以及后面一批类似产品。

在他们看来，前两个节点还像是连续升级，但第三个节点出现了明显断点。

因为长期任务 Agent 让 AI 第一次开始像是在“持续完成一件事”。

它不只是回答一句话，也不只是生成一段内容。

它可以接一个任务，理解上下文，调用工具，执行步骤，发现失败，再继续调整，直到把任务完成。

红杉用了一个比喻。

过去几年，我们看到很多“更快的马”。

这些产品可以让你快 10%、快 40%，但没有真正改变你的工作方式。

现在开始出现“汽车”。

汽车不是让马跑得更快，而是换了一种交通方式。

对应到 AI 里，就是一些应用可以让你快 10 倍、40 倍，并且真正改变工作的性质、组织的形态和任务的完成方式。

红杉说：车已经来了。

03 ｜ 红杉说的 AGI，是一个功能定义

过去其实我们对 AGI 并没有一个明确的定义。这次，红杉直接在这个演讲里说：This is AGI。

但他们也很快解释，他们不是要给 AGI 下一个技术定义。

他们说，自己不是研究 AGI 哲学定义的人，也不是要讨论意识、心智、人类水平这些问题。

红杉看的是创始人、市场，以及创始人和市场碰撞后形成的公司。

所以他们给 AGI 用的是一个更实际的定义：

如果一个 Agent 可以被派去做一件事，它能够遇到失败后恢复，能够持续推进，直到完成任务，那么从商业角度、实践角度、功能角度看，这已经很像 AGI 了。

即使你不认为这就是 AGI，也很难否认一件事：汽车已经出现了。

AI 正在从“提升一点效率的工具”，变成“可以承担一段工作的系统”。

这就是红杉这场演讲里，AGI 的真正含义。

它不是一个技术概念，而是一个工作定义：AI 能不能把事情做完。

04 ｜ 为什么这件事重要

红杉创始人 Don Valentine 以前很喜欢问一个问题：

So what？所以呢？

这些技术变化到底意味着什么？

红杉说，过去几个月里，一场新的比赛已经开始了，而且这场比赛和过去不一样。

开汽车和骑马不一样。

造汽车和养马也不一样。

所以今天创业者面对的，已经不是“怎样把旧产品做得更快一点”，而是要理解一种新的工作方式。

从商业角度看，红杉认为有 10 万亿美元级别的机会正在被打开。

一边是基础模型公司从技术出发，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。

M 是 moat，护城河。

A 是 affordance，可以理解为产品天然好用，用户不需要被教育就知道怎么用。

D 是 diffusion，扩散，也就是新能力从实验室进入真实市场的过程。

05 ｜ 第一件事：护城河要从客户出发

红杉说，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。

原因很简单：

模型能力变化很快，但客户没有变化得那么快。

你今天做的产品功能，明天可能因为模型升级而变得不重要。

但你越理解客户的业务、流程、组织、预算和痛点，你的位置就越稳定。

红杉不是说产品和技术不重要。

相反，他们说产品和技术非常重要，通常也是最好的产品会赢。

但问题是，在一个产品能力每天都可能变化的环境里，应用层公司更需要从客户出发，把自己包进客户的工作流里。

这就是红杉说的 customer back。

不是从技术出发找场景，而是从客户真正要完成的任务出发，反过来设计产品。

06 ｜ 第二件事：产品要让用户自然知道怎么用

MAD 里的 A，是 affordance。这是一个设计领域的词。

红杉举了一个很简单的例子：锤子。

如果你把一把锤子给一个两岁小孩，他虽然不知道这是什么工具，但大概率会拿起来敲东西。

因为锤子本身就告诉你它该怎么用。

这就是 affordance。

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。

让用户不用理解模型、提示词、上下文窗口、终端、工具调用，也能直接走到结果。

07 ｜ 第三件事：扩散缺口就是机会

MAD 里的 D，是 diffusion。

红杉说，现在基础模型能力进入市场的速度，远远赶不上能力本身产生的速度。

也就是说，实验室和真实企业之间，有一个巨大的扩散缺口。

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。

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。

红杉还用了一个赛车里的说法：

晴天里，你不可能一下超过 15 辆车。

但下雨的时候，你可以。

现在基础模型带来的新能力，就是一场暴雨。

这意味着没有任何领先是绝对安全的。

也意味着任何人都有可能赢。

08 ｜ 2026 年，真正的主题是 Agent

接下来，Sonya Huang 讲了今天 AI 正在发生的变化。

她说，如果要用一个词概括 2026 年，那就是 Agent。

她先回到 2022 年。

当时 AutoGPT 和 BabyAGI 这些项目在 GitHub 上突然爆火。

它们做的事情很简单：拿 GPT-3，给它一些工具，把它放进一个循环里，让它朝着一个目标运行。

这个想法很吸引人。

但如果你真的看它们运行，就会发现它们不断失败。

它们会跑偏、卡住、重复、失控。

有点可爱，也有点让人觉得未来确实会来，但当时基本没法真正用。

Sonya 说，这说明大家几年前就已经知道 Agent 会来。

只是 2022 年的时候，模型还没有准备好。

到了今天，情况变了。

她说，大概从年初开始，某些东西真的发生了变化。

突然之间，Agent 到处都是，而且它们开始真的能工作。

其中两个代表，一个是技术人用得很多的 Claude Code，另一个是 OpenClaw 以及一系列类似产品，它们让普通人也可以用手机创建 Agent。

所以，不管你是很硬核的工程师，还是普通用户，现在都可以创建 Agent。

于是大家开始给各种事情做 Agent。

有很无聊但好玩的，比如一个 Agent 会举报邻居税务欺诈。

有创业型的，比如 Agent 自动跑生成式媒体营销活动，帮建筑服务公司卖服务。

也有专业工作里的，比如红杉内部也在比赛，看谁能做出更好的 Agent 来帮助自己工作。

09 ｜ 什么是 Agent

Sonya 给了一个定义：

Agent 是一个可以感知环境、选择行动，并自主朝着目标推进的系统。

她在这里放了一个小老鼠在迷宫里成功找到奶酪的视频，来形容什么是 Agent，很贴切。

更具体一点，Agent 有三个功能组成。

第一，推理和规划。

它要有基本直觉，能够根据任务现场做判断。

第二，采取行动。

它要能使用工具，比如搜索、写文件、编译代码、调用软件。

第三，朝着目标迭代。

它要有持续性，能在较长时间里不断修正和推进。

这三件事合在一起，就是 Agent 的核心能力：把事情做完。

如果把 Agent 拆开看，它包括模型、工具和运行框架。

模型是大脑。

这是过去一年最重要的变化。

Sonya 提到，现在有一些评测会看模型能在复杂任务上持续推进多久，不跑偏、不崩掉。

一年前，这个时间大概还是几十分钟。

今天已经开始进入小时级别。

这说明模型终于有能力支撑长期任务了。

工具是手和脚。

Agent 要想真的做事，就必须能使用我们平时在电脑上用的东西。

比如终端、文件系统、开发工具、iMessage、Slack、网页搜索、电脑操作。

过去二十年，人类为自己做了很多软件工具。

现在这些工具也可以给 Agent 用。

所以 Sonya 不认为 SaaS 会死。

相反，随着越来越多 Agent 开始使用这些工具，很多工具的价值可能会变得更大。

第三是运行框架，运行框架给 Agent 持续性。

模型和工具给它能力，但让它一直做下去、不断适应、不偏离任务的，是外部框架。

这个反馈循环现在也开始变强，尤其是强化学习进入之后。

Sonya 说，可以理解为我们正在把 Agent 送进驾校，让它们在各种环境里训练，比如机械工程、设计、金融。

同时，也已经看到一些自我改进的早期迹象。

也就是机器开始帮助机器变得更好。

10 ｜ Agent 会一层一层改变工作

Sonya 用编程举例，讲 Agent 会怎么改变工作方式。

2023 年，AI 写代码主要还是补全。你写一行，它帮你补几行。

这有用，但没有真正改变工作方式。

现在进入了 Agentic Development，也就是 Agent 式开发。

一个人开始和一个 Agent 对话，告诉它要做什么，甚至管理一组 Agent。

再往后，是后台 Agent、异步 Agent、Agent 生成子 Agent。

Sonya 认为，异步 Agent 这套方式，未来在工作量上很可能超过今天这种“人坐在前台和 AI 对话”的方式。

因为系统里的杠杆太大了。

最前沿的地方，她称之为 dark factories，黑灯工厂。

也就是在某些任务里，把人类审核完全拿掉。

听起来很疯狂，但她说自己已经在生产环境里看到这种情况，包括一些网络安全公司。

只要有足够好的护栏和工程设计，这件事是可以发生的。

所以 Agent 的变化，大概会沿着一条线往上走。

一开始，它只是你旁边的小助手。

后来，它变成一个需要你管理的实习生。

再后来，它变成一个可以自己管理自己的实习生。

最后，在某些边界明确、验证充分的任务里，它可以被信任到直接推到生产环境。

Sonya 说，这种变化不只会发生在编程里。

所有 Agent 都会沿着类似方向演进。

11 ｜ 服务正在变成新的软件

我觉得是 Sonya 这部分最重要的一个判断：Services is the new software。

服务正在变成新的软件。

红杉说，这件事他们已经讲了很久，但现在终于开始真正发生。

在医疗里，你可以雇一个 Agent 检查你的基因，给你个性化建议，推荐药物，甚至推荐临床试验。

在法律里，你可以雇 Agent 帮你谈合同，甚至参与诉讼和和解。

在数学和科学里，我们会看到 Agent 解数学问题，或者发现新的超导体。

在消费场景里，个人 Agent 可以帮你管理邮箱、日历、财务，甚至帮你报税。

红杉认为，未来会到处都是 Agent。

原因也很直接：雇 Agent 比雇人容易得多。

人很难规模化，Agent 可以随着算力扩展。

人需要被管理、被激励、被留住，Agent 的维护成本更低。

人要发工资，Agent 消耗的是 token。

很多时候，用 token 完成一件任务的成本，会低于用工资雇人完成同样任务的成本。

当然，Sonya 也说，今天人类通常还是更聪明。

但她认为，随着模型继续进步，很多事情上 Agent 会变得更强。

她强调，这不是说人类都会失业。

人类有一个很重要的特质，就是适应能力。

但 Agent 在应用层部署的速度，会非常快，而且规模会前所未有。

原因很简单：经济账太清楚，扩展性也太强。

12 ｜ 接下来，世界会变得有点奇怪

当 Agent 的数量越来越多，会发生一些新的问题。

Agent 之间会不会开始交易？

它们能不能互相付款？

当 Agent 可以协商交易条件，会发生什么？

会不会出现一群 Agent 到处巡逻，防止网络攻击，或者防止其他大规模风险？

Sonya 说，我们现在唯一能确定的是：

世界会非常快地变得奇怪。

长期任务 Agent 已经来了，而且它们所处的曲线非常清楚。

她最后举了几个时间线被压缩的例子。

Zed 的 Nathan 借助 Claude Code，在假期里独自完成了一个原本可能需要三年的项目。

Brett Taylor 在一个周末重建了 Sierra。

Notion 团队在六周内重写了 800 万行代码。

很多人现在都已经有类似例子：AI 让原本很长的时间线被压缩。

但 Sonya 说，真正重要的不是单个项目被压缩，而是这些被压缩的时间线可以叠在一起。

如果你把一个个被压缩的项目连续叠加，就会得到一种新的建设速度。

红杉最后给创业者的判断是：

你原本以为未来 100 年才能建出来的东西，现在可能 100 天就能开始做。

13 ｜ 认知工作会经历一次工业革命

最后一部分由 Konstantine Buhler 来讲。

他接着 Pat 前面对技术革命的分类，又做了另一个分类：

工作可以分为两类。

一类是体力工作。

比如运输包裹、发射火箭、制造产品。这是物理意义上的 work，力乘以距离。

另一类是认知工作。

比如毕达哥拉斯提出定理，DeepMind 解决蛋白质折叠问题。这是意识、思考和推理。

这两类工作很不一样。

但红杉认为，它们会经历相似的革命模式。

先看体力工作。

在人类历史的大部分时间里，服务人类的体力劳动，几乎都靠肌肉完成。

要么是人，要么是动物。人搬东西，动物拉车。

后来事情开始变化。

水力、风力、蒸汽机、内燃机、电动机陆续出现。

到了今天，地球上绝大多数服务人类的体力工作，已经由机器完成。

你坐飞机来到这里，房间里的商品被制造出来，交通运输系统运行，这些背后主要都是机器在做体力工作。

红杉认为，认知工作也会发生类似变化。

只是我们现在还处在更早期。

在人类历史的大部分时间里，地球上服务人类的思考，主要还是由人完成。

后来有了一些机械计算，比如星盘、时钟。

过去一百年，电子计算出现之后，计算机开始承担大量计算任务。

现在，每一刻都有数以万亿计的计算在为人类服务。

红杉认为，神经网络是下一波更大的变化。

未来，地球上绝大部分认知工作，可能会由机器完成。

认知革命会很像工业革命。

只是它更大，也更快。

14 ｜ 第一个故事：铝曾经比黄金还珍贵

Konstantine 用四个故事，来讲这个未来会是什么样。这是我最喜欢的一部份。

第一个故事是铝。

19 世纪中期，美国想为第一任总统、也是战争英雄乔治·华盛顿建一座纪念碑。

他们设计了当时世界上最高的建筑，也就是华盛顿纪念碑。

他们想在纪念碑顶端放上世界上最珍贵的金属。

大约 100 盎司。

那种金属珍贵到什么程度？当时还被放在纽约 Tiffany 展出。

这种金属就是铝。

后来，一位年轻发明家发明了电解法，可以把铝从矿物里分离出来。

几十年后，铝就被用来包糖果、包三明治，然后被丢进垃圾桶。

Konstantine 说：铝就是智能。

电解法就是人工智能。

我们即将进入一个世界：很多过去需要几十年训练、博士级能力才能掌握的技能，会变得可以被瞬间调用。

用完之后，你甚至可以把它像铝箔纸一样揉起来丢掉。

这不是说这些能力不重要。

而是说，当某种能力的供给成本急剧下降，它在世界里的位置会完全改变。

15 ｜ 第二个故事：机器会设计出人类不理解的东西

第二个故事，是 alien design。

可以理解为“异形设计”。

今天我们看到的世界，大多是为人类设计的。

因为过去几乎所有认知工作都是人类做的，所以建筑、工具、界面、结构，都符合人的直觉和理解方式。

但如果未来机器承担大量认知工作，结果可能会不一样。

Konstantine 举了 NASA 天线设计的例子。

2006 年，NASA 要为一个大型卫星任务优化天线。

传统天线通常有漂亮、对称、几何感很强的形状。

这一次，他们把任务交给计算机，用一种类似强化学习的进化算法来优化。

最后得到的天线，看起来不符合人类直觉，也不漂亮。

但它效率更高。

Konstantine 说，AI 时代也是这样。

当我们把认知工作交给机器，可能会得到很多不符合人类直觉的结果。

AI 设计芯片、汽车、建筑时，它们可能看起来和我们想象的不一样。

我们要对这种未来保持开放。

因为 AI 不会像我们一样思考。

它会带来一种 alien design。

16 ｜ 第三个故事：AI 还会长出新的科学

第三个故事，是新科学。

不是“新兴科学”，而是新的基础科学。

工业革命早期，有很多伟大的工程师，比如 Newcomen 和 Watt，他们不断改进蒸汽机和燃烧装置。

当时很多改进是靠试。

把燃料放进活塞，点燃，粒子爆炸，推动活塞，产生功。

很长时间里，这些事情都更像工程经验。

工程师不断调整，看看哪里会好一点。

直到后来，卡诺等人把这些规律形式化，热力学才出现。

这门科学解释了大量粒子、能量和做功之间的关系。

Konstantine 说，今天的 AI 也很像那个阶段。

有数十亿神经元、数万亿 token。

我们现在仍然处在试错阶段。

即使我们以为自己已经理解了 AI，其实还远远没有。

未来几十年，可能会出现一门像热力学一样基础的新科学，用来帮助我们理解和掌握 AI。

这门科学甚至可能会进入高中课本。

它会帮助我们理解 AI，甚至帮助我们理解意识。

17 ｜ 第四个故事：当机器会写实，人类转向表达内心

第四个故事，是艺术。

在人类历史的大部分时间里，艺术有一条很清楚的线索：越来越接近真实。

从两万多年前的洞穴壁画，到埃及象形文字，到希腊陶器，再到文艺复兴绘画。

几万年里，人类一直在让图像更像眼睛看到的世界。

后来，摄影出现了。

机器可以比人更准确地记录现实。

当时很多人觉得，绘画可能结束了。

机器已经可以做得更好，人类还画什么？

但结果不是这样。

人类艺术开始转向印象派、表现主义、立体主义、新表现主义。

人类开始问另一个问题：

艺术的目的，是不是只是记录眼睛看到的那一刻？

还是要记录心和灵魂感受到的那一刻？

Konstantine 用这个故事说明：当机器接管某种能力后，人类不一定消失。

人类会重新寻找意义和表达方式。

18 ｜ AI 会做工作，但人让这些工作有意义

Konstantine 最后引用了古希腊哲学家普罗泰戈拉的一句话：

人是万物的尺度。

他的意思是，一件东西本身没有价值。

铝没有天然价值。

艺术没有天然价值。

智能也没有天然价值。

它们的价值来自人的体验。

AI 可以做工作。

AI 也会做工作。

但只有人与人之间的连接，才会让我们真正关心这些事情。

所以红杉说，十年后，工作会发生巨大变化。

很多事情都会变得完全不同。

但有一件事不会变：

你今天和身边的人建立的关系，会留下来。

这也是为什么他们把这么多人聚到 AI Ascent 现场。

在一个 AI 会承担越来越多工作的未来，人和人的关系，反而会变得更重要。

这就是红杉这场演讲最后落到的地方。

它从 AGI 开始，讲 Agent，讲服务变成软件，讲认知工业革命，最后回到人。

AI 会越来越能做事。

它会接管越来越多认知工作。

它会让很多过去很贵、很慢、很稀缺的能力变得便宜、快速、随手可用。

但它不会自动赋予这些事情意义。

意义仍然来自人。

19 ｜ 这场演讲真正说的是什么

如果尽量贴近红杉原意，这场演讲不是在说“AGI 已经完全实现了”。

它说的是：

从功能上看，从商业上看，从工作流上看，AGI 的第一个可用形态已经出现了。

它的形态不是一个万能机器人，也不是一个有意识的超级大脑。

它首先是一批长期任务 Agent。

它们能理解目标，调用工具，遇到失败后继续推进，最后把任务完成。

这件事一旦成立，AI 的位置就变了。

它不再只是工具栏里的一个按钮，也不只是提高效率的助手。

它开始变成新的工作单位。

过去公司用人完成工作。

后来公司用软件提高人的效率。

现在公司开始用 Agent 直接完成工作。

这就是红杉说的：2026，This is AGI。

我非常喜欢红杉的这次分享，特别是结尾的落点，似乎在告诉大家：世界会快速变化，但不要怕，人才是意义本身。

以上，祝你今天开心。