紅杉資本閉門分享：從「交付軟體」到「交付結果」，AI 商業化與資本定價的新邏輯

By: x.com|2026/09/28 02:43:00

設為Google首選來源

來源：Pat Grady《AI for BC IC》分享視頻

編譯：AGI 2050

【編者按】

在技術周期的更迭節點上，頭部風險投資機構的內部研判往往構成了觀察產業走向的關鍵切片。

本篇內容整理自紅杉資本全球合夥人帕特·格雷迪（Pat Grady）近期面向波士頓學院投資委員會所做的一場閉門分享。在這場推演中，格雷迪將觀察視角設定在 2026 年秋季，系統復盤了自大模型爆發以來，全球底層技術演化、產業落地節奏以及資本定價邏輯的結構性轉變。

不同於面向公眾的泛化論述，這場面向核心出資人（LP）代表的匯報聚焦於一系列具體而尖銳的商業實質問題：

•底層邏輯之變：這輪浪潮的本質並非信息分發革命，而是底層計算架構的重塑，其潛在市場空間（TAM）正從萬億美元級的純軟體領域，實質性滲透進規模大一到兩個數量級的專業服務市場；

•研發範式躍遷：隨著邏輯推理與長任務智能體（Long-horizon Agents）的技術成熟，前沿實驗室的研究重心已從通用人工智能（AGI）轉向超級人工智能（ASI）與遞歸式自我改進（RSI）；

•商業分化與擴散鴻溝：模型原生能力與企業實際應用之間存在明顯的"技術擴散鴻溝"，高價值知識工作（編程、醫療、財稅合規等）正在催生新一代系統級企業，但底層技術基礎的高頻震盪也逼迫應用層企業重構組織形態；

•資本泡沫的新形式：在狂熱的市場情緒下，一级市場演化出"分離共建夥伴與資金夥伴"的兩步走融資模式，一二級市場的估值槓桿與溢價節奏正在經歷前所未有的考驗。

以下為我們編譯的分享全文：

一、這不是一次信息分發革命，而是一場計算重構

今天這組材料，主要用於回應波士頓學院投資委員會拋出的一个命題："當前的 AI 行業究竟處於何種狀態？"

在此，我將這些觀察記錄下來，作為 2026 年 9 月這個節點的一個階段性時間截面。

創投行業常用一張圖表來展示幾十年來技術浪潮的疊加演進：從最底層的晶片演進到計算系統，通過網絡連通走向公眾成為互聯網；隨後進入移動設備，催生出複雜的應用生態；直到當下，AI 開始賦予這些應用前所未有的處理能力。

技術演進的基本脈絡向來如此。但這輪以 AI 為核心的浪潮，存在三個與以往周期截然不同的特徵：

第一，潛在市場空間（TAM）空前龐大。

過去幾十年的周期中，行業爭奪的主要標的是"軟體市場規模"（Software TAM）；而 AI 正在正面切入"專業服務市場規模"（Services TAM）------後者的體量，比純軟體要大上一到兩個數量級。

第二，技術擴散的速度遠超以往。

這種高滲透速率並非 AI 技術獨有，而是基礎設施就緒後的必然結果。在雲計算起步階段，全球接入互聯網的人口不足一億；移動互聯網啟動時，用戶需要逐一購買智能硬體。而當下，全球網絡基礎設施與智能硬體高度普及，技術一旦突破可用性拐點，其規模化擴散的阻力已降至歷史最低。

第三，也是最為核心的一點：這輪技術轉型的形態，在物理邏輯上與以往完全不同。

過去數十年的技術革命------包括個人電腦、局域網、互聯網以及雲計算------本質上都屬於"信息分發革命"，其核心是優化信息在空間中的傳輸效率。

而當前我們所經歷的，是一場"計算本身的革命"。它解決的不再是信息如何傳輸，而是信息如何被處理與重組。這種量級的底層重構，自 20 世紀六七十年代半導體集成電路誕生以來，在產業界還未曾出現過。

這種區分具有實質性的商業影響：它意味著應用層創業者所依托的技術基礎，目前仍處於高頻位移的動態演進之中。

梳理過去幾年的發展脈絡，行業經歷了三個關鍵轉折點：

1.2022 年底的 ChatGPT 時刻，確立了無監督預訓練（Pre-training）的技術可行性與擴展潛力；

2.2024 年底 OpenAI o1 的發布，驗證了邏輯推理（Reasoning）的路徑，標誌著大模型初步具備了從直覺式快思考（系統1）向邏輯化慢思考（系統2）跨越的能力；

3.Claude Code 與 Opus 4.5 的推出，則證實了"長流程自主智能體（Long-horizon Agents）"在複雜任務環境下的可用性。

這三個階段看似處於同一技術連續體上，但在第三階段完成時，行業實際上已經跨過了關鍵臨界點------通用人工智能（AGI）已經由技術假說演進為產業現實。

今年年初，紅杉曾在專欄文章中預判"2026 年將是 AGI 元年"。在當時，這一論斷在行業內尚存爭議；而行至當下，這已逐漸沉澱為科技界與投資界的普遍共識。

二、從"馬車"到"汽車"：商業落地的現實與副效應

如果借用紅杉創始人唐·瓦倫丁（Don Valentine）的經典追問------"那又如何？這創造了什麼實質價值？"------當下的技術演進，實際上意味著交通工具已經從"改良的馬車"跨越到了"汽車"階段。

此前數年間，許多被稱為 AI 的產品本質上依然屬於傳統軟體的漸進式改良，無非是體驗更優的數位工具；而當下，技術正在根本性地改變生產力交付的流程與形態。

在實際業務層面，這種遷移正在多個場景中顯現：

•軟體形態由"工具箱"向"協作者"演進：以 Instinct 或 Muse 為代表的產品，已從單純的任務處理工具轉變為端到端交付結果的業務協作者。其發展邏輯類似於當年的視頻會議行業：在 Zoom 跨越可用性與信任臨界點之前，視頻會議技術已存在多年但未被主流嚴肅業務接納；而當技術穩定性越過特定閾值，線上會議便迅速確立為默認的工作流。當前的 AI 正處於類似的信任轉折區間。

•高階專業知識的普惠化：醫療領域，初級衛生機構與邊遠地區從業者得以通過移動終端調用全行業層級的診療認知；教育領域，以 Alpha School 為代表的創新教學體系，正在展示 AI 原生教育模型重塑個性化教學的可能路徑。

•基礎設施向實體產業的溢出：超大規模數據中心的建設浪潮，正在實體工程、機電設備及能源基建領域創造持續的工業級需求。

與此同時，技術的高速躍遷也在產業及社會層面引發了一系列連鎖反應：

•雲基礎設施廠商的資本開支壓力：超大規模雲服務商（Hyperscalers）在算力基建層面的投入規模持續攀升，僅依靠自由現金流已難以全額覆蓋 Capex，行業開始普遍通過發債融資來維繫算力競賽。

•新型網絡安全威脅的擴散：基礎模型能力的提升客觀上降低了高級自動化攻擊工具的開發門檻，數位基礎設施的攻防平衡正在受到持續衝擊。

•知識型工種的價值重塑：純文本與基礎信息處理類白領崗位正受到實質性影響。能夠主動利用模型放大產能的從業者在生產效率上形成顯著優勢，未能建立工具協作壁壘的勞動力群體則面臨持續的邊際替代壓力。

•社會分配與治理層面的摩擦：算力能耗問題逐漸演變為地緣與區域治理的博弈議題；AI 帶來的資本回報與勞動力回報差異，也在一定程度上加劇了既有的財富分配不均。

三、前沿實驗室的研發重心轉向：超前探索與工程現實

深入頭部前沿實驗室的研發一線可以發現，研究人員對於技術演進路徑的判斷往往高度聚焦且直白。

目前，核心實驗室在內部已經將研發重點由 AGI 的工程化實現，全面推移至超級人工智能（ASI）以及遞歸式自我改進（RSI，Recursive Self-Improvement）領域。

其中，RSI 指模型具備自主參與甚至主導下一代模型代碼編寫、測試與架構優化的循環自增強能力。這種技術閉環的出現，引發了研發團隊對"技術指數級騰飛（Takeoff）"以及潛在對齊失控風險（p(doom)）的審慎評估。這構成了 Anthropic 聯合創始人達里奧·阿莫代伊（Dario Amodei）等領軍人物近期公開呼籲全行業校準前沿研發節奏的核心技術背景。

在具體的工程與商業化層面，一線實驗室呈現出以下幾個確定性動向：

1.突破純自然語言的邊界：模型訓練與推理場景正加速向複雜科學探索、前沿數學猜想驗證等嚴謹推演領域遷移，底層計算架構面臨新一輪效率優化需求；

2.算力供需錯配長期存在：算力短缺依然是貫穿頂尖實驗室與應用層企業的核心工程瓶頸，全行業自研 ASIC 等專用矽芯片的趨勢仍在強化；

3.推理 API 競爭趨於白熱化：針對基礎模型 Token 消耗量的商業爭奪極為激烈，API 報價持續下調。為有效鎖定《財富》500 強等大型企業用量，頭部實驗室開始普遍搭建自有的企業級落地服務團隊，以高強度定制諮詢推進場景滲透；

4.外延式併購常態化：隨著跨領域競爭格局趨向穩定，前沿實驗室正逐步建立起常態化的人才、團隊與資產併購機制，商業版圖展現出大型企業級實體的擴張特徵。

四、技術擴散鴻溝，與應用層的商業爆發力

基礎模型能力的爆發，與產業界的實際吸納水平之間存在著明顯的滯後區間，這區間即為"技術擴散鴻溝"。對於應用層創業公司而言，這一鴻溝恰恰構成了最主要的商業化機會。

在此輪週期中，最具商業確定性的切入點集中於高價值知識工作（High-value Knowledge Work）領域：軟體工程、網路安全、醫療專業服務、金融與投行業務、審計合規等。每一個具備高專業認知壁壘的細分垂類，都有空間孕育出百億美元估值量級的新一代平台型公司。

參照雲計算週期中 ServiceNow、Workday 和 Salesforce 奠定的核心記錄系統（Systems of Record）地位，當前在各個專業垂直場景中，新一代以 AI 為互動與邏輯中樞的記錄系統正在形成。

在底層應用探索中，部分垂類架構展現出了遠超通用大模型的效率比：

•生物醫藥領域的候選分子設計：針對特定科學計算調優的模型已能實現候選藥物分子的極短週期生成，大幅壓縮傳統藥物研發中前期的分子設計耗時；

•極簡架構的單點爆發：行業對同質化的通用底座需求有限，但能夠以新架構重構單點任務的垂類模型增長迅速。以近期的典型案例 Jev 為例，其本質是一個高吞吐的"決策分類器"。在實際生產中，大量複雜的 LLM 調用需求本質上屬於離散的選擇分類任務。該產品通過極致的計算剪裁，將該類任務的單次推理成本降低了約 100 倍，在極短時間內便實現了年化經常性收入（ARR）的超常規躍遷。

這種商業爆發力表明，在具備高毛利、重認知門檻的細分場景中，AI 賦能的軟體產品展現出了反常態的增長斜率。

能夠持續在應用層建立壁壘的企業，普遍呈現出以下組織與業務特徵：

第一，自主掌控智能底座。

企業開始主動將核心工作負載從閉源大模型 API 遷移出來，轉向基於開源基座進行深度後訓練（Post-training）。其核心驅動力在於成本與效率：通用基礎模型主要服務於通用帕累托前沿的有限平衡點；要在具體商業任務中實現極致的性價比，企業自持經特定工程調優的開源模型是商業上的最優解。

第二，組織架構轉向"長板突破"。

由於底層的技術棧與模型能力每數月就會發生一次迭代，存活下來的應用層公司必須保持極短的產品自我重構週期。這類組織逐漸放棄了受限於團隊短板的傳統協同模式，轉而依托極少數頂尖核心人員承擔技術攻堅，推動整體業務以較高速度推進。

第三，企業治理演變為分佈式協同網路。

傳統的層級式指揮與管控體系開始讓位於以 AI 智能體為信息中樞的去中心化架構，依靠高密度的自動化流程與自主協同，維持組織在極小人員規模下的運轉效率。