AI革命的宏大愿景与核心判断

最佳拍档分享了红杉美国合伙人康斯坦丁·布勒（Konstantine Buhler）题为《10万亿美元的人工智能革命（The $10 Trillion AI Revolution）》的演讲。在此次演讲中，红杉资本明确提出了两个关键判断。首先，人工智能（AI: Artificial Intelligence，模拟、延伸和扩展人类智能的理论、方法、技术及应用系统）革命的演进速度将远超以往的工业革命。过去的工业革命，从蒸汽机发明到电力普及，耗时144年。然而，今天的AI变革正被压缩在短短几年内完成。布勒强调，AI已从实验室走向产业前线，它不仅代表一个技术周期，更是一个高达10万亿美元规模的巨大机会。

其次，专业化将成为AI革命的核心逻辑。尽管美国服务业市场规模庞大，但目前只有0.2%被AI自动化。随着大模型能力和算力基础设施的显著提升，AI正快速渗透金融、医疗、法律和教育等核心领域，重塑知识劳动的生产函数。这场10万亿美元的新机会，或许不再仅仅留给传统巨头，而是会属于那些能够将通用AI技术不断做专、做深的创业公司。尤其在服务业等领域，可能会诞生出一批围绕AI打造的新一代上市公司。

工业革命与AI革命的速度对比

红杉资本将工业革命拆分为三个关键阶段：蒸汽机的发明、把生产要素聚集到同一屋檐下的第一代工厂系统，以及真正意义上的装配流水线。英国工程师托马斯·纽科门（Thomas Newcomen）发明了世界上第一台实用蒸汽机。英国实业家理查德·阿克赖特（Richard Arkwright）建立了世界上第一个现代化工厂系统，即纺织厂。这使得生产流程第一次从家庭手工业的分散小作坊，转变为统一管理、流水作业的工厂模式。由福特汽车公司最早提出的流水线模式，则逐渐扩展为一整套现代化的机器生产线体系，通过将装配分解为多个标准化工序，每个工人只负责其中一部分，大大提升了效率。

然而，这三者之间并非线性递进关系，而是存在漫长的“空窗期”。例如，从蒸汽机到第一代工厂相隔了67年，而且第一代工厂甚至不是靠蒸汽机，而是仍然依赖水力来运作。从第一代工厂到成熟的装配线，又过去了144年。红杉资本对此给出的解释是“专业化的必然性”。这意味着当系统的复杂度达到某个阈值后，想要稳定产出，就必须把通用技术与通用劳动力持续拆分，并沉淀为专用组件与专业劳动。就像仅有蒸汽机还不够，还需要不断拆解、细化，将其改造为适合纺织、采矿、运输等不同场景的专用机器，才能真正高效运转。这就是工业革命为何需要一百多年才能完成从发明到大规模社会化生产的过渡。

AI革命的加速与专业化路径

在这场新的AI革命中，底层条件已经发生改变。算力、算法、数据和分发基础设施，已经在互联网和云计算时代完成了铺设。因此，专业化可以更快地发生在软件层、模型层和业务流程层。红杉资本通过一个对照来强调时间被压缩的程度。1999年的图形处理器（GPU: Graphics Processing Unit，一种专门在个人电脑、工作站、游戏机和一些移动设备上图像渲染的微处理器）GeForce 256，就像蒸汽机一样，点燃了智能计算的火种。2016年，随着深度学习迎来大爆发，GPU算力、大规模数据集以及深度学习框架（Deep Learning Frameworks: 用于构建和训练神经网络的开源库）如TensorFlow和PyTorch逐渐完善，形成了第一代AI工厂。这使得训练、推理、数据、分发等生产令牌（Token: 在自然语言处理中，是文本的最小有意义单位，如单词或子词）的部件被整合到同一屋檐下。

这样一来，后续的专业化不再需要依赖漫长的物理基础设施建设，而是沿着模型与应用的专用化加速推进。因此，问题不再是“何时会到来”，而是“谁来完成专业化”。红杉资本将这个问题落到创业公司身上，认为今天和未来几年诞生的应用与基础设施公司，将扮演AI革命中的洛克菲勒（John D. Rockefeller: 美国实业家和慈善家，标准石油公司的创始人）、卡内基（Andrew Carnegie: 美国实业家和慈善家，钢铁大王）与西屋（George Westinghouse: 美国工程师和企业家，西屋电气公司的创始人）等巨头角色。它们将把通用模型能力切入具体岗位与场景，做成“可重复、可维护、可计费”的专用化产线。

份额提升与万亿级市场的机遇

红杉资本还用云时代的对照，阐明了“份额提升加总量扩张”的双轮效应。双轮的起点是一个3500亿美元的企业软件“总盘子”，其中软件即服务（SaaS: Software as a Service，一种通过互联网提供软件应用程序的模式）只占到了60亿美元，是其中极小的一块。随后，SaaS不仅扩大了本地化软件市场中的份额，甚至把整个“软件蛋糕”从3500亿做到了6500亿美元。因此，在他们看来，AI的路径会复制并放大这条曲线，而这次被瞄准的，则是10万亿美元规模的美国服务业市场。目前AI自动化的体量大约为200亿美元，比例微乎其微。红杉资本将这个空间称为10的13次方（10万亿美元）的机会，强调不仅要把占比做多，更要将整个蛋糕做大。

为了清晰说明“蛋糕在哪里”，红杉资本展示了一个内部备忘录的片段，将岗位按照“从业人数 × 年薪中位数”的指标做了排序。像注册护士、软件开发、法律服务等领域，这些单一赛道可被技术覆盖的支出池就已经相当可观。对应到布局上，红杉资本已在这些赛道里下注，例如注册护士场景里的OpenEvidence、Freed；软件开发里的Factory、Reflection；法律服务里的Harvey、Crosby、Finch等，都是围绕着“岗位 × 流程 × 专业化能力”的切入。这背后延续了红杉创始人唐·瓦伦丁（Don Valentine: 红杉资本创始人，知名风险投资家）对“市场”的强调原则，即先看池子有多大，再看用技术能把它做成多大的公司。

红杉资本将视角拉到二级市场的终局形态。标普500（S&P 500: 标准普尔500指数，衡量美国500家大型上市公司股票表现的指数）的市值分布显示出“少数巨头正在吞噬权重”的结构，最左侧的英伟达市值已超过4万亿美元。然而，在这张榜单上，还看不到像Kirkland & Ellis（知名法律服务机构）或者Baker Tilly（知名会计师事务所）这类营收达到几十亿美元的服务机构。红杉资本的判断是，AI革命会把服务业里原本以人来驱动、难以上规模的业务，改写成用模型驱动、可以上规模的公司，从而在指数里出现一批围绕着AI服务而生的独立上市平台。

五个正在发生的投资趋势

在解释完这些背景后，布勒提出了五个正在发生的投资趋势：

1. 生产力杠杆将取代确定性成为主导变量 过去，一个销售代表会同时盯着好几个客户，依靠人工监控节奏与机会。但在智能体（Agent: 能够感知环境、进行决策并执行行动的自主软件或硬件实体）化的未来，像Rocks这样的工具可以为每个客户配备一个AI Agent，实现跟踪状态、发现变化、提示再次沟通的时点等能力。人的角色将从“亲历工作中的每一步”转变为“抽查 + 纠偏 + 策略把关”的模式，从而将单人杠杆提升到百倍甚至千倍以上。而其代价是结果的“具体形态”将会变得更加不确定，但我们可以去监控和校准其中的路径。

2. AI的衡量标准将走入真实世界 以往的行业都是依靠ImageNet（一个大型视觉数据库，常用于训练计算机视觉模型）这一类的学术基准来说明模型的进步。而如今，AI必须在真实任务中胜出才行。红杉资本举了Expo的例子，它不在论文榜单里争名次，而是在HackerOne（一个漏洞赏金平台，连接企业与安全研究人员）这个开放环境里，与全球注册的白帽们同场竞技，在“真数据、真对手、真反馈”的环境里拿到第一。这说明，如今衡量AI的新的黄金标准，已经不再是学术测试，而是能不能在真实世界里真正赢得竞争。

3. 强化学习将从理论走向实用 过去几年，强化学习（Reinforcement Learning: 一种机器学习方法，通过与环境互动学习如何做出最优决策）一直是研究圈的热门话题，但更多还是停留在概念层面。真正的转折点是在过去一年里，它开始大规模进入实用阶段。无论是大规模的推理实验室还是垂直型应用公司，都在用强化学习作为持续优化的循环。红杉资本提到了Reflection在开源代码模型训练中的做法，说明强化学习提供了从目标到反馈，再到改进的闭环，从而将模型的专用化做得更精细。

4. AI将走向物理世界 这里指的不只有类人形机器人，也包括生产制造的环节。以Nominal为例，它用AI来优化硬件制造环节与端侧的质检流程，将“AI生产力”嵌入到“物理产线”，从而压缩了从设计到量产的整个周期。

5. 算力成为新的生产函数 如果说过去的生产函数是“资本+劳动力”，那么在AI时代，它变成了“算力×知识工作者”。衡量标准就是每个知识工作者所消耗的浮点运算次数（FLOPs: Floating Point Operations Per Second，每秒浮点运算次数，衡量计算机性能的指标）。红杉资本在其投资组合里看到的共性预期是，每名知识工作者的算力消耗至少会提升10倍，更乐观的情形则是成千上万倍。当一个人可以指挥几十、几百、上千个Agent的时候，推理侧、保护侧与应用侧的公司都会随之受益。

未来12-18个月的五个投资方向

对于未来12到18个月的投资方向，红杉资本给出了以下建议：

1. 持久记忆 它包括两方面的意思：一是长期记忆，能够把长期上下文稳定地记住并进行调取；二是身份的持久性，让Agent的风格、偏好和工作习惯在一段时期内都能保持一致。红杉资本的判断是，这是AI深入生产力场景的一张入场券，但目前这块还没有像Scaling Laws那样清晰的推进路径。向量数据库（Vector Database: 一种专门存储和管理向量嵌入的数据库，用于高效地进行相似性搜索）、检索增强生成（RAG: Retrieval-Augmented Generation，一种结合信息检索和文本生成的AI模型架构）、超长上下文窗口都只是阶段性的方案，真正的可扩展记忆仍然有待突破。这背后正在孕育一个巨大的机会。

2. 无缝的通信协议 前一段时间，多智能体通信协议（MCP: Multi-Agent Communication Protocol，允许不同AI智能体之间进行信息交换和协作的协议）的热度已经证明了需求的存在。但红杉资本将其类比为互联网里的传输控制协议/网际协议（TCP/IP: Transmission Control Protocol/Internet Protocol，互联网通信的基础协议套件），想表示它不是终点，而是起点。当Agent与Agent之间可以可靠地彼此对话、彼此调用时，跨系统的流程自动化才会出现平台级的应用。他们举了一个购物的例子，从检索商品到比价，再到下单，整个流程可以交给AI自主跑通。这样一来，那些原本依靠平台垄断体验构筑的企业护城河，都会被大幅削弱。

3. AI语音的当下性 红杉资本认为，视频的真正普及也许还需要再等一年，但语音已经做到可用和可规模化了。因为如今AI生成的音色保真度已经足够高，交互延迟也足够低。这方面既有面向消费者（C端）的交友、陪伴、心理咨询等场景，也有面向企业（B端）的物流调度、金融大宗报价等仍然主要依靠语音来完成的协作形式。AI能够显著提高它们的效率和准确性。

4. AI安全的全链路机会 从研发侧的安全工程，到分发链路的完整性，再到防止用户因被指令错误引导而带来的风险，安全都至关重要。红杉资本提出了一个更进一步的构想，即在数字世界里，每个人类乃至每个Agent，都可以由许多个AI安全Agent来守护。因为这里不再受物理空间与同等成本的约束。

5. 开源的关键时刻 两年前，开源看起来有望追平甚至反超最前沿的闭源模型，但今天这种信心已经明显动摇，开源的处境变得更加脆弱。尽管如此，红杉资本仍然强调了开源的必要性。因为一个更自由、更开放的未来，需要能让开源在前沿能力上保持竞争力，让任何人都能用强大的模型做成好产品，而不是让这个行业只属于极少数、极高成本的玩家。

总结与展望

总而言之，红杉资本在此次演讲中着重强调了AI革命与以往工业革命在时间上的显著区别。他们认为，当持久记忆、通信协议、语音交互、安全与开源这些关键部件被一一打通之后，这场AI革命将很快从工厂系统跨越到装配流水线的阶段，将以往几十年的发展历程压缩到短短几年，从而完成从如今的不到1万亿美元到10万亿美元的市场增长。如果真的按照红杉资本的预想发展，那么现在就成为了创业公司必须抓住的关键窗口期，也许会从中诞生出下一批平台型上市公司。