2026红杉美国年度分享：AGI已经到来，重新定义AI革命

你有没有想过，我们可能已经生活在AGI时代了？不是科幻小说里的场景，不是遥不可及的未来，而是现在，此刻。红杉资本在2026年AI Ascent大会上，三位合伙人Pat Grady、Sonya Huang和Konstantine Buhler直接宣布：这就是AGI。这个宣言震撼了我。不是因为他们用了这个词，而是因为他们给出了一个极其务实的定义：如果你能派遣一个AI agent去完成一项工作，它能从失败中恢复，并坚持直到工作完成，那这就是AGI。从商业角度、实用角度、功能角度来看，这已经足够了。

我听完整场演讲后，有一种醍醐灌顶的感觉。过去几年我们一直在讨论AI会如何改变世界，但大多数人可能还停留在"让我们效率提升10%到40%"的层面。而红杉的观点是：车已经到了。不是更快的马，而是真正的汽车。这意味着不是渐进式的改进，而是工作方式的根本性变革。驾驶汽车的方式和骑马的方式完全不同，制造汽车的方式和养马的方式也完全不同。我们正在经历的，是一场不同性质的比赛。

PS：我的出海新书已经上架了，我特意申请了公众号读者专属的优惠链接，可以享受半价折扣，欢迎感兴趣的朋友购买。

同时我还特地建立了实名制的读者群，我会在群里定期解答一些问题和开展线上线下活动，欢迎购书的朋友实名制入群，大家一块交流，共同出海！

这不是通信革命，而是计算革命

Pat Grady在演讲中提出了一个我认为极其重要的观点：AI革命和我们过去经历的所有技术革命都不一样。互联网、云计算、移动互联网，这些都是通信革命（revolutions in communication），关于信息如何分发。但AI是计算革命（revolution in computation），关于信息如何被处理。这听起来可能像是语义上的区别，但实际上这是两种形状完全不同的浪潮。

我深刻理解这种差异的含义。通信革命的特点是基础设施相对稳定，你在上面构建应用时，底层不会每天都在变化。但计算革命不同，你脚下的地板一直在移动。每当新能力出现时，构建的技术基础每天都在变化。过去几年我们经历了三个重大转折点：2022年11月的ChatGPT让世界看到了预训练（pre-training）的力量；几年后O1模型的推理能力让第二条scaling law（扩展定律）在推理时计算（inference time compute）上出现；最近Claude Code、Opus 4.5和4.7让世界看到了长时程agents（long horizon agents）的力量。

我觉得Pat说得对，第二和第三个转折点之间存在一个硬断裂，这是一个不连续的变化。前两个转折点还是在让AI变得更聪明，但第三个转折点是让AI能够真正完成工作。这就是为什么红杉敢于宣称"这就是AGI"。即使你不同意这是AGI，但我认为我们都能看到，车已经到了。过去几年我们有很多"更快的马"——那些让你效率提升10%或40%的应用，但没有从根本上改变你的工作方式。现在我们开始看到"汽车"——那些让你效率提升10倍或40倍，并彻底改变你工作方式、工作性质甚至组织性质的应用。

这个转变对我个人的影响是巨大的。我意识到我们不能再用过去的思维方式来思考AI。这不是一个可以慢慢适应的渐进式变化，而是一个需要立即重新思考一切的范式转变。从产品设计、商业模式到组织架构，所有东西都需要重新审视。

长时程agents的真正突破

Sonya Huang在演讲中讲述了agents的演变历程，这段历史我觉得特别能说明问题。2022年的时候，GitHub上有AutoGPT和Baby AGI这些项目一夜爆红。它们的做法是把GPT-3给它一些工具，包装在一个循环中，让它朝着目标运行。听起来很有前景，直到你看着这些agents一遍又一遍地失败。有点可爱，有点讨人喜欢，但完全没用。

这个例子提醒我们，其实几年前我们就知道agents会到来，但那时候模型还没准备好。快进到今天，在年初前后真的发生了一些变化。突然间我们周围到处都是agents，而且它们似乎真的能工作了。Claude Code对技术人群来说是本垒打，OpenClaw（还有它所有的龙虾兄弟们）则让任何有手机的人都能使用agents。不管你是硬核工程师还是普通人，重点是现在任何人都可以创建agents了。

Sonya给出了一个agents的定义，我觉得很精准：agent是一个感知环境、选择行动并自主朝着目标前进的系统。更具体地说，agents有三个功能组件。第一是推理和规划（reason and plan）的能力，这是基准级别的直觉和即时思考的能力。第二是采取行动（take actions）的能力，这包括工具、搜索、写作、编译等。第三是朝着目标迭代（iterate towards a goal）的能力，这种持久性让agents能够在长时间跨度内完成任务。Agency（代理能力）结合了这三点，简单来说就是把事情做成的能力。

我特别关注Sonya展示的一个图表，叫做"Meter chart"（米表图），它衡量模型在复杂任务上能持续多长时间而不偏离轨道。一年前是几十分钟的量级，今天是几小时的量级。这是最重要的进展。模型终于变得足够强大，能够在长时程任务上保持表现。这不是一个小的改进，而是从"不可用"到"可用"的质变。

现在我们看到的agents存在于一个"agentness"（代理性）的滑动尺度上。以编程为例，2023年我们有tab自动补全，一个AI在一行中辅助一个人类。这是渐进式有用的，但根本不是变革性的。现在我们有agentic development（代理式开发），一个人类和一个agent对话，指示它做什么，可能管理一个agents团队。但这个范式还在被进一步推动。我们现在看到后台agents、异步agents、agents生成子agents。Sonya认为异步agents这整个范式在数量上可能会超过当前范式，因为系统中的杠杆作用太大了。最前沿的是她称之为"dark factories"（黑暗工厂）的东西，完全把人类审查从系统中移除。这听起来很疯狂，但她说已经在生产环境中看到了，包括网络安全公司。只要有足够好的护栏和足够好的工程，这是可能的。

我对"黑暗工厂"这个概念感到既兴奋又有些不安。兴奋是因为这代表了生产力的终极飞跃，不安是因为这意味着我们真的要把关键决策交给AI了。但我也意识到，这可能是不可避免的趋势。agents正在从你身边做一点小事的小助手，进化为需要被管理的实习生，再到能自我管理的实习生，最终成为可以信任到无需监督就能推送到生产环境的实习生。这种演变不仅发生在编程领域，而是在所有agents应用中。

为什么这次机会如此巨大

Pat在演讲中强调了这次AI浪潮在三个方面的特殊性，我认为每一点都值得深入思考。第一，这是迄今为止最大的浪潮。云计算转型的前15年，软件的TAM（总可寻址市场）从大约3500亿美元增长到6500亿美元，云计算占了其中约4000亿美元。但现在全新的是服务收入，这个数字可能是10万亿美元。Pat说他们不知道确切是10万亿、5万亿还是50万亿，但他们知道仅美国的法律服务就是一个4000亿美元的市场，那只是一个垂直领域和一个地理位置，却已经相当于所有软件的市场规模了。

我对这个数字的理解是：过去我们只是在优化软件本身，现在我们在替代服务。软件市场虽然大，但服务市场要大得多。当AI能够真正完成律师、医生、分析师、顾问的工作时，我们打开的是一个完全不同量级的市场。这不是软件吃掉世界，而是AI吃掉服务业。这个转变的深远意义在于，我们不再受限于软件授权和订阅的商业模式，而是可以直接按结果收费，就像雇佣服务提供商一样。

这个数字让我震撼。我们过去总是把软件看作一个巨大的市场，但现在AI打开的是服务市场，那是一个数量级更大的机会。Sonya在演讲中也强调了这一点：服务即新软件（services is the new software）。这不是一个口号，而是正在发生的现实。在医疗领域，你可以雇佣一个agent检查你的基因组，给你个性化建议，甚至可以开处方药、推荐临床试验。在法律领域，你可以雇佣agents代表你谈判合同，甚至进行诉讼并为你和解。在数学和科学领域，我们看到agents可以解决Erdős问题或发现新的超导体。在消费者领域，个人agents可以为你管理收件箱、日历、财务，帮你报税。

我认为agents部署之所以会如此迅速和大规模，是因为经济学太清晰了。Sonya展示的对比很有说服力：人类难以扩展，agents可以用计算无限扩展；人类难以保持快乐（她开玩笑说除了她自己总是快乐），agents低维护；人类很贵，你付给他们工资，你付给agents的是tokens（代币），通常用tokens完成任务的成本低于等价的工资成本。今天人类通常还更聪明，但bitter lesson（苦涩的教训）在继续推进，很快agents在很多事情上会比人类更聪明。

第二个特点是这是最快的浪潮。我们都能感受到这一点。Pat展示的幻灯片上，AI那一侧的空白正在被非常快地填满。这些logo是那些因云计算、移动互联网和现在的AI构造转变而达到10亿美元以上收入的公司。按照当前的速度，更多的公司即将到来。这种速度意味着我们没有太多时间去慢慢适应，必须快速行动。但Pat也提醒我们一个重要的事实：没有任何领先是安全的。他用赛车的比喻说："你不能在阳光下超越15辆车，但你可以在雨中超越15辆车。"现在foundation models正在倾盆大雨般地推出新能力，这意味着没有任何领先是安全的，但也意味着任何人都可以赢。

我对这个观点的理解是：在稳定的技术环境中（阳光天），先发优势很重要，后来者很难追赶。但在快速变化的技术环境中（雨天），一切都变得不确定，新的机会不断涌现。今天的领先者明天可能就落后了，因为新的能力改变了游戏规则。这对创业者来说既是挑战也是机遇。挑战在于你必须不断适应和进化，机遇在于你永远有机会超越竞争对手，只要你能更好地利用新能力。

第三个特点我前面已经提到了，就是这是计算革命而非通信革命。Pat特别强调这一点的重要性。过去的互联网、云计算、移动互联网都是关于信息如何分发的革命，是通信革命。这些革命的特点是基础设施相对稳定，你可以在一个相对稳定的平台上构建应用。但AI不同，AI是关于信息如何被处理的革命，是计算革命。这意味着你脚下的地板一直在移动，构建的技术基础每天都在变化。

Pat说，在他这一代人的职业生涯中，他们只经历过通信革命。这是第一次真正的计算革命。这种差异的影响是深远的。在通信革命中，你可以制定一个五年计划并执行它。但在计算革命中，五年计划毫无意义，因为底层能力可能每个月都在发生根本性变化。这要求我们采用完全不同的战略思维，更加敏捷，更加适应性强。

给创业者的MAD策略框架

Pat给那些在模型之上构建应用的创业者提供了一个建议框架，他称之为MAD。他开玩笑说这是免费建议，所以值你们付的每一分钱。但我觉得这个框架非常有价值，因为它直接指向了在这个快速变化的时代如何建立持久的竞争优势。MAD代表Modes（护城河）、Affordance（可供性）和Diffusion（扩散）。

在讲MAD之前，Pat先展示了一个merchandising cycle（商品化周期）的概念，这是从想法到满意客户所需的价值链中的各个环节。他的核心观点是：如果你从tech-out（技术导向）的角度来看，你会以某种方式处理价值链中的每个环节。但如果你从customer-back（客户导向）的角度来看，你会以完全不同的方式处理每个环节。

这里有一个反直觉的部分让我印象深刻。在计算革命中，也就是关于信息处理的革命，你会想要往下看那些不断涌现的酷炫新东西。但为了建立护城河，你实际上应该往上看，因为你的客户变化的速度远不如能力变化的速度快。你构建的产品可能明天就无关紧要了，但你围绕客户建立的深度程度会更持久。

关于Modes，Pat特别强调：这不是说产品和技术不重要，它们极其重要，通常最好的产品会赢。但在产品变化如此之快的世界里，因为能力变化如此之快，在思考护城河时，他鼓励我们尽可能以客户为中心，思考所有能围绕客户建立的方式。我理解这意味着深入理解客户的工作流程、痛点、决策过程，建立信任关系，成为他们业务中不可或缺的一部分。当技术变化时，这种客户关系会让你有机会继续为他们服务，即使是用不同的技术。

Affordance这个概念Pat是从设计界借来的，我觉得这个词选得特别好。一个锤子是一个有affordance的物体。如果他给他两岁的儿子一个锤子，儿子会知道该怎么做——抓住它，开始敲东西。这就是为什么他们不给儿子锤子。一个有affordance的物体是不需要解释的，人们就知道怎么用。

Pat举了一个很好的例子。Claude Code极其强大，但对一般的世界500强员工来说，打开一个终端看他们能走多远。虽然它很强大，但并没有提供那么多affordance。这不是在批评Anthropic，而是为任何想在上面构建的人提供了机会。你的工作是为你的特定客户和他们的特定问题创建阻力最小的路径，让他们能够非常简单地找到他们业务所需的结果。

我对affordance的理解是：技术能力和用户能够实际使用的能力之间存在巨大差距。即使是最强大的工具，如果用户不知道如何使用或者使用起来太复杂，它就没有价值。应用层公司的机会就是填补这个差距，把强大但复杂的技术转化为简单直观的用户体验。这需要深入理解用户的心智模型、他们的技能水平、他们的工作环境。你不是在教育用户如何使用复杂的技术，而是让技术适应用户已有的工作方式。

Diffusion gap（扩散差距）是应用层公司机会的第三个维度。Pat指出，能力扩散到市场的速度远远落后于这些能力被创造的速度。每当foundation models的进步速度超过你的平均世界500强企业时，这个差距就会变大，这个机会也会变大。

我对这个观点的理解是：创新总是在实验室和前沿公司中首先发生，但大多数企业采用这些创新需要时间。他们需要评估、测试、整合、培训。在AI时代，这个差距特别大，因为技术进步如此之快。每天都有新的模型、新的能力发布，但大多数企业还在试图弄清楚如何使用六个月前的技术。这个差距就是应用层公司的机会——帮助企业跨越这个鸿沟，让他们能够实际使用最新的能力。

Pat总结说：对于护城河，尽量以客户为中心思考；对于affordance，尽量思考为你的客户创造阻力最小的路径；那个扩散差距代表了你的机会。这三个维度结合起来，就构成了在AI时代建立持久竞争优势的完整框架。

但Pat没有就此停下。他还特别提醒我们，虽然那张显示空白正在被填满的幻灯片可能让一些人感到沮丧，觉得已经没有机会了，但要记住：没有任何领先是安全的。现在foundation models正在倾盆大雨般地推出新能力，这意味着那些看起来已经占据市场的公司，他们的领先地位也可能在一夜之间被颠覆。同时，这也意味着任何人都可以赢，只要你能更好地利用新能力，更快地适应变化。

我特别认同这个观点。在稳定的技术环境中，先发优势很重要，网络效应和规模优势会形成强大的壁垒。但在快速变化的技术环境中，这些壁垒可能一夜之间就变得无关紧要。新的能力可能让老的产品架构过时，新的交互方式可能让用户习惯改变。这就是为什么Pat说"活在这个时代真是太好了"——对于那些敢于创新、快速行动的人来说，机会无处不在。

agents无处不在的世界

Sonya在演讲中描绘了一个agents无处不在的世界，我觉得这个愿景既令人兴奋又值得深思。她说人们正在为所有事情构建agents。有些是愚蠢的东西，比如一个OpenClaw agent会向税务机关告发你邻居的逃税行为（她说"请不要这样做，或者也许请这样做"）。有些是创业性质的，agents运行生成式媒体活动来销售建筑服务。还有专业层面的，她说红杉内部有一场巨大的竞赛，看谁能构建最好的agents来更好地完成工作。

agents部署的速度和规模将是前所未有的，因为经济效益太明显了，而且agents具有内在的可扩展性。这不是说我们人类会失业，Sonya认为人类独特的特质是适应性。但我们确实要预期agents在应用层的部署会非常迅速和大规模。

当你把所有这些加起来，agents的数量正在以某种指数级，也许是超指数级的方式膨胀。Sonya认为我们即将达到事情变得真正奇怪的点。当商业发生在agents之间会怎样？它们能互相付款吗？当agents实际上可以彼此协商交易条款时会发生什么？我们会有一大群agents在监管我们，防止网络安全问题或大规模破坏吗？我们只知道世界正在以极快的速度变得奇怪。

我对这个未来既兴奋又有些担忧。兴奋是因为这代表了人类生产力的巨大飞跃。我们终于可以把那些重复性的、枯燥的任务交给AI，专注于更有创造性和战略性的工作。但担忧是因为这种转变会带来很多未知的社会和伦理问题。当agents之间可以自主交易时，我们如何监管？当agents做出错误决策时，谁来负责？这些都是我们需要认真思考的问题。

Sonya最后引用了她内心的Eliezer Yudkowsky（一位AI安全研究者）说：长时程agents已经到来，它们的发展曲线非常清晰。对于创业者来说，每个人都有因为AI而完成疯狂困难时间表的例子。Zed的Nathan在假期里用Claude Code独自完成了一个三年的登月项目。Brett Taylor在一个周末重建了Sierra。Notion团队在仅仅六周内重写了800万行代码。

每个人都有这些压缩时间线的例子，但Sonya认为很少有AGI实验室之外的人看到当你把这些压缩的时间线叠加在一起时会发生什么。这就是现在可能的事情。所以无论你能想象在未来100年内构建什么，现在都可以在100天内实现，这要感谢agents。这个观点让我深感震撼。我们不是在谈论渐进式的改进，而是在谈论时间维度上的压缩。这意味着创新的速度将会呈指数级增长。

认知革命：下一场工业革命

Konstantine Buhler的演讲部分可能是整场最具哲学深度的。他把工作分为两种：物理工作和认知工作。物理工作是Pony Express上的包裹，是Falcon 9上的卫星，功等于力乘以距离，是物理运动。认知工作是毕达哥拉斯提出定理，是DeepMind解决蛋白质折叠问题，是有意识的思考。这是非常不同的两种工作，但Konstantine认为它们将遵循非常相似的革命模式。

他谈到物理工作革命，也就是工业革命。在人类历史的绝大部分时间里，几乎所有为人类服务的工作都是由某种肌肉完成的，人或动物。人移动东西或动物拉着人。这从1700年开始，但可以追溯到几千年前。然后事情开始改变。水力和风力，蒸汽机，然后事情加速了。蒸汽机、内燃机、电动机。到2026年的今天，你可以估计地球上为人类完成的所有物理工作的99%以上是由机器完成的。带你来这里的飞机，这个房间里所有商品的制造，所有为你现在正在经历的人类体验巅峰而设置的运输。

Konstantine认为认知领域会发生类似的模式，只是我们还处于更早期。在人类历史的大部分时间里，地球上为人类进行的所有思考主要由人类完成，也许动物有一点点贡献，牧羊犬追赶羊群之类的。历史上有一小部分机械工作，星盘或时钟。在过去几百年里，直到电子计算出现之前，进展不大。在过去一百年里，想想在任何给定时刻正在发生的数万亿次计算来为你这个人类服务。所有这些正在发生的认知工作，在任何给定时刻为我们服务的数万亿次计算。

Konstantine相信神经网络是下一个大浪潮，在不久的将来，地球上99.9%的认知将由机器完成。这个平行关系非常明显。好消息是我们经历过这样的革命。认知革命将很像工业革命，只是会大得多、快得多。

这个观点让我深思。如果认知工作真的像物理工作一样被机器接管，那意味着什么？我们人类的角色将是什么？Konstantine给出了他的答案，通过四个短故事。

四个关于未来的故事

Konstantine讲述的四个故事深深触动了我，每个故事都揭示了AI时代的一个重要真理。第一个故事关于铝。19世纪中期，美国想为第一任总统和最伟大的战争英雄乔治华盛顿建造一座宏伟的纪念碑。他们设计了当时世界上最高的建筑，华盛顿国家纪念碑。他们想用世界上最珍贵的金属给它加顶，100盎司最珍贵的金属。这种金属如此珍贵，以至于他们把它放在曼哈顿的蒂芙尼展出。那种金属就是铝。

在华盛顿国家纪念碑完工后的几十年内，一位年轻的发明家提出了电解法，从泥土中分离铝的过程。几十年内，铝就被用来包裹糖果和三明治，然后扔进垃圾桶。铝就是智能，电解法就是人工智能。我们即将进入一个世界，一些需要几十年才能获得的最珍贵的技能，博士级别的技能，可以如此即时地调用，以至于在使用后，你可以把它们揉成一团扔进垃圾桶。

这个比喻太精准了。我们习惯于将某些认知能力视为珍贵和稀缺的，但AI正在使这些能力变得廉价和丰富。这不是在贬低人类智能，而是在说明技术进步如何重新定义价值。当专业知识变得像铝一样普遍时，真正有价值的将是什么？

第二个故事关于外星设计（alien design）。我们今天看到的世界都是为人类设计的。它以一种对我们大脑有意义的方式优化，因为我们在做世界上几乎所有的认知工作。当机器做认知工作时，会有点不同。2006年，NASA正在为一个大型太空任务优化天线。传统上，他们的天线看起来像一个美丽的几何对称图案，在某些功率约束下优化了表面积。这次他们说要把它交给计算机，让进化算法（很像强化学习）来处理。结果是这个天线，生产力大幅提高，但对人类思维来说不直观。

在这个AI时代，当我们把认知交给机器时，我们会得到对我们来说不直观的结果。当AI设计芯片、汽车、建筑物时，它们可能看起来会非常不同。我们进入的世界，我们必须保持开放的心态，因为AI不会像我们一样思考。它会有外星设计。

这个故事提醒我不要用人类的直觉来评判AI的输出。AI可能会找到我们永远想不到的解决方案，这些解决方案可能看起来奇怪或不优雅，但却更有效。我们需要学会欣赏这种"外星美学"。

第三个故事关于新兴科学（emerging sciences）。在工业革命早期，有像Newcomen和Watt这样的伟大工程师完善了内燃机。基本上把石油化学物质放进活塞，点燃，数百万、数十亿的粒子爆炸，推动活塞工作。将近一百年来，所有这些都是修修补补。工程师说："啊，这样效果好一点。"也许是你能看到的像scaling law那样的东西，但都是工程师在玩产品，看如何改进一点。

120多年后Sadi Carnot出现了，在一门新科学中正式化了这一切：热力学。他说："等一下，有数百万或数十亿的粒子，我们实际上可以正式化所有这些看起来是什么样子。"在这种情况下，有数十亿个神经元，数万亿个tokens。现在，我们处于AI的修修补补阶段。即使我们认为这是一门被理解的科学，其实不是。在未来，我们将在未来几十年内引入一门像热力学一样基础的科学。这个房间里的某个人可能会提出这门科学。这门科学将在高中教授，它将是那么基础。它将帮助我们掌握AI，甚至帮助我们掌握意识。

这个观点让我意识到，我们对AI的理解还非常肤浅。我们现在做的很多事情都是经验性的，就像早期的蒸汽机工程师。但总有一天会有人提出一套完整的理论框架来解释AI是如何工作的，那将是一个革命性的时刻。

第四个故事关于艺术的非理性（art of unreason）。在人类历史的绝大部分时间，数万年来，艺术一直是朝着现实主义的进步。从25000年前的洞穴画，埃及象形文字，希腊陶器，文艺复兴绘画，朝向写实艺术的宏大转变。看看差异。经过数万年，人类的胜利。然后工程来了，达盖尔照相法，早期摄影，突然间，花费几十年生命来完善每一笔画的技能消失了。

世界如何反应？人们认为绘画结束了。哦，就这样了，机器可以做得比任何人类都好，艺术结束了。那么发生了什么？人类如何回应？人类回应说，这种艺术的目的是捕捉眼睛所见的瞬间，还是捕捉心灵和灵魂所见的瞬间？印象派、表现主义、立体主义、新表现主义。所有这些新艺术形式都是人类对科学这种巨大变化的回应。

2500年前，希腊哲学家普罗塔哥拉写道："人是万物的尺度。"他的意思是，在真空中没有任何东西对人类有价值。不是铝，不是艺术，不是智能。它只有价值是因为体验。AI可以做工作，AI将会做工作。但只有人类连接才能给你关心的理由。这就是为什么我们今天都在这个房间里。十年后，工作将会大不相同，事情将会改变很多。但有一件事是恒定的，那就是你今天与旁边的人建立的关系将会持续。这是你会回顾的，这是今天有价值的东西。

这个结尾深深打动了我。在所有关于AI能力、效率和生产力的讨论之后，Konstantine提醒我们真正重要的是什么：人类连接。AI可以完成工作，但它不能给工作赋予意义。只有人类才能做到这一点。

我对这场革命的深度思考

听完整场演讲，我有几个深刻的感悟。第一，我们确实处在一个历史性的转折点。红杉宣称"这就是AGI"不是炒作，而是基于实际能力的务实判断。当agents可以从失败中恢复并坚持完成任务时，从商业角度看这已经足够了。我们不需要等待科幻电影里的超级智能，我们已经拥有了可以改变游戏规则的工具。

第二，速度是这次革命最显著的特征。100年的工作可以在100天内完成，这不是夸张。我看到身边越来越多这样的例子，一个人用AI完成过去需要一个团队几个月才能完成的工作。这种时间压缩将会产生复合效应，创新速度将呈指数级增长。这意味着我们必须快速行动，因为窗口期非常短。

第三，以客户为中心比以往任何时候都重要。在技术快速变化的时代，唯一的锚点是客户需求。技术能力每天都在变，但客户想要解决的问题相对稳定。那些能够深入理解客户并围绕他们建立解决方案的公司将会建立真正的护城河。

第四，我们需要为一个agents无处不在的世界做准备。这不是科幻，而是即将到来的现实。当agents的数量呈指数级增长时，社会、经济、法律等各个层面都需要适应。我们需要建立新的框架来管理agents之间的交互，确保它们的行为符合人类价值观。

第五，也是最重要的一点，在所有技术变革中，人类连接始终是核心。AI可以让我们更高效，但它不能替代人与人之间的关系和情感连接。在一个认知工作被机器接管的世界里，真正有价值的将是那些独特的人类品质：创造力、同理心、好奇心、适应力。

我相信我们正在见证历史。认知革命将像工业革命一样深刻地改变世界，只是会更大、更快。这既令人兴奋又令人敬畏。我们有责任确保这场革命造福全人类，而不是只让少数人受益。这需要我们所有人的共同努力，需要技术专家、政策制定者、企业家和普通公民一起参与。

红杉的这场演讲给了我很多启发，但也提出了更多问题。我们准备好迎接这个未来了吗？我们的教育系统、法律框架、社会结构能跟上这种变化的速度吗？我们如何确保在追求效率的同时不失去人性？这些都是我们需要认真思考和讨论的问题。

无论答案是什么，有一点是清楚的：车已经到了，这不是更快的马。我们需要学习如何驾驶这辆车，如何制造更好的车，以及最重要的，如何确保这辆车把我们带到一个更美好的未来。

结尾

也欢迎大家留言讨论，分享你的观点！

觉得内容不错的朋友能够帮忙右下角点个赞，分享一下。您的每次分享，都是在激励我不断产出更好的内容。

欢迎关注深思圈，一起探索更大的世界。

- END -

两个“特别坑”的AI产品创业方向，你知道吗

速度将成为AI时代唯一的护城河

a16z重磅预测：Vibe coding赢者通吃？错了，垂直专业化才是未来