上周，红杉资本Sequoia Captial一年一度的AI Ascent 2025上，三个Sequoia合伙人Pat Grady、Sonya Huang与Konstantine Buhler做了题为《The Trillion-Dollar Opportunity》的Keynote分享。
Pat Grady作为红杉的资深合伙人，以其对市场动态和公司构建的深刻洞见闻名。Sonya Huang作为增长期投资合伙人，在企业软件和AI领域拥有丰富的投资组合，她的“Generative AI: Act”系列文章让我受益匪浅。而Konstantine Buhler同样身为合伙人，深度参与AI领域的投资与思想领导，让我印象最深刻的是他关于“随机性思维模式”的观点。
在不到半小时的分享中，三位合伙人从顶级风险投资机构的视角，对AI万亿级机会背后的技术逻辑、商业本质，以及当下应该关注什么等AI未来潜力和发展路径给出了全景式解读。这不是那些表面的热闹，而是关于未来十年、二十年，甚至更久远的科技浪潮底层驱动力。业界一直在通过各种方式和案例讲这一次AI技术革命的大叙事，Sequoia的这个Keynote从全局视角更加深刻，也更有启发意义。
Sequoia的AI叙事逻辑：万亿级市场机会
先校准一下Sequioa AI大叙事逻辑的理解认知。Pat Grady在开始就明确了他的经典提问框架“What? So what? Why now? What now?”。这个框架是红杉资本创始人的“Don Valentine Framework”的现代版本，这也是我们理解任何重大技术转折点的关键问题。
简单来说，AI的机会到底有多大？它为什么是现在？我们又该如何抓住它？
这次最大的不同在于，“So what” – 这个市场，这个机会，比我们想象的要大得多。
1. 类比云计算转型: 2024年云计算4000亿美元的收入规模已经超过了转型初期2010年3500亿美元的全球软件市场。Sequioa认为AI市场的规模至少10倍于云计算市场。而2024年美国市场Software and Service Market接近10万亿美元规划，这将至少比云计算的市场大一个数量级。
2. 服务与软件市场的潜在颠覆: 想象一下，传统的软件工具产品，未来将变得越来越智能，先是成为用户的“副驾驶”（co-pilot），然后进化到“自动驾驶”（autopilot)，像现在的软件工程师一样独立完成软件开发任务，还不知疲倦。它的价值不再仅仅是卖一个软件工具或产品的使用权，而是直接交付“最终结果”，甚至替代部分工作。这种从sell outcome、sell digital workforce的转变，极大地扩展了潜在的市场规模（TAM）。
3. 潜在市场规模: AI目前通过各种各样的AI Coding产品(如Cursor/Windsuft/Claude 3.7 Coding/Gemini 2.5 Pro Codin等）和AI Agents形态(如法律行业Harvey/客服行业Sierra/金融/医疗等Vertial Agents）已经在非常确定性地在同时攻击两大市场 – “Software”和”Service”， 这也是为什么Sequioa认为未来AI将是“万亿规模市场机会”的原因。
这是真正意义上的“颠覆式创新(Disruptive Innovation)”，未来智能经济必定会成为全球经济活动最核心的构成。
Why Now：天时地利人和的“迫近”
AI现在已经是“imminent(迫近)”，而非仅仅是“inevitable(不可避免)”。为什么是现在？
站在2025这个时间点看，因为 “前置条件”已经全部到位。足够的算力（compute）、无处不在的网络（networks）、海量且不断增长的数据（data），以Transformer为基础的生成式AI技术，以及最关键的——人才（talent)，全世界最多的钱和最优秀的人都投向了这个领域。
但更深层的原因，在于技术分发的物理定律改变了。在云计算早期，Salesforce CEO Benioff为了推广其云服务，还得绞尽脑汁做各种游击式营销（gorilla marketing）来引起注意。今天呢？ChatGPT在2022年11月30日发布，瞬间引爆全球关注。
为什么会这样？有两个核心变量：
1. 注意力集中效应： 像Reddit和Twitter/X这样的平台，合计月活用户高达12到18亿。这些平台虽然不是唯一的信息渠道，但它们是发现酷炫新事物极其高效的路径。信息传播速度指数级加快。
2. 触达范围爆炸： Benioff当年推云计算时，全球联网人口才2亿。现在呢？56亿！互联网触达了几乎全球每一个家庭和每一家企业。
Source: Arc Invest
这意味着什么？“The rails are in place(轨道已经铺好)”，现在的AI技术采纳几乎不存在 Adoption 的障碍，从上图看AI相关产品的增长和采纳速度已经从数十年缩短到数月了。这不是AI独有的现象，而是技术分发的新常态，过去软件生产各环节的摩擦力已大大降低了。
What Now：价值在应用层，但战况焦灼
那我们该把赌注下在哪里？历史经验告诉我们，在之前的技术浪潮中，那些收入超过10亿美元的公司，绝大多数都诞生在“应用层”（application layer）。云计算时代是这样，AI时代我们有理由相信也会是这样，价值洼地就在应用层。
Source: Fighter的世界
从上面这个简化的AI Value Chain来看，短期机会在左侧(GPU/Cloud)，长期看大机会一定会快速到右侧(LLM/Applications)
然而，这一波的挑战在于，你的竞争对手不仅仅是其他应用层公司，还有越来越强大的“基础模型”（foundation models）。它们在第二扩展定律（second scaling law）、推理时算力（test time compute）、工具使用（tool use）和Agent通信（inter-agent communication）等方面的快速进步，让大模型厂商能够把触角伸向应用层，直接分一杯羹。
对于startups来说，如果不是在做垂直整合（vertically integrated）的大模型公司，那么制胜之道就得从客户需求出发，向后思考。这意味着要瞄准垂直领域（vertical specific）、特定功能（function specific），去解决那些复杂的问题。有时候，这些问题还需要“人机协作”（human in the loop）。这就是当前的赛道，价值流向所在，是每个人都应该置顶思考的事情。
构建硬核AI公司：超越Vibe Revenue
光有技术和市场热情是不够的，一个真正能跑出来的AI公司，需要关注更本质的东西。Pat Grady提到了挑选AI公司的“5%”独特标准，跟构建任何优秀公司的“95%”通用原则（比如解决重要问题、组建优秀团队等）并重。
这5%是什么？
1. 收入质量（Revenue Vibe）： 警惕那些听起来很美、数字增长很快的“vibe revenue”。那可能是用户短暂的好奇，而不是真正创造了“持久的行为改变（durable behavior change）”。怎么判断呢？去看核心指标： Adoption（用户开始用了吗？）、Engagement（用得深吗？用得频繁吗？）、Retention（用了一次还会回来吗？）。不要自欺欺人，否则早晚会被反噬。同时，客户对你的“信任”至关重要，即Pat所说的good vibes with customers。在这轮周期中，信任甚至比产品本身更重要。如果客户信任你能把产品做好，你就有了时间和机会。
2. 毛利率（Margins）： 别太纠结于今天的毛利率。成本端（COGS）在快速下降而且未来会继续下降，比如单位token成本在过去一年半下降了99%。尽管推理时算力等新成本在上升，但整体成本曲线会向下。更关键的是，如果你能成功地从“sell tool”转变为“sell outcome”，沿着价值链向上攀升，你就能捕获更多价值，提升定价。所以，即使今天的毛利率不理想，也要有一条通往健康毛利率的清晰路径。
3. 数据飞轮（Data Flywheel）： 这是构建护城河（moats）的最佳方式之一。但别忽悠自己，你的数据飞轮必须能驱动某个关键的“业务指标”（business metric）。如果你的数据不能让 Adoption、Engagement、Retention 变得更好，不能让你更准确地解决客户问题，那你的数据飞轮就是bullshit。数据本身不是价值，能转化为业务增长的数据才有价值。
“Nature Hates a vacuum”
Pat的分享以上面这张看上去逻辑很奇怪的图结束，很难猜是什么意思，他自己的说法是“ Nature hates a vacuum”。我也不好直接解释，就用他的原话吧：
“There is a tremendous sucking sound in the market right now for AI. All of the macroeconomic stuff, tariffs and interest rates, noise, doesn't matter.
The rising tide of technology adoption absolutely swamps any of the volatility that you see in the markets. Ignore it, okay? There is a tremendous sucking sound in the market, and if you don't get in front of it, somebody else will.
Because nature hates a vacuum. And so all the stuff we just said about modes and metrics and whatever notwithstanding, you are in a run like heck business right now. Now is the time to go at maximum velocity all of the time.”
原文直译过来就是：
“现在市场上有一个巨大的吮吸声在吸引着AI。所有那些宏观经济的东西，关税啊利率啊，噪音啊，都不重要。
科技应用的上涨浪潮完全淹没了你在市场上看到的任何波动。别管这些，好吗？市场现在有一个巨大的吮吸声，如果你不站在它前面，别人就会站在那里。
因为大自然憎恨真空。所以我们刚才说的那些模式啊，指标啊，诸如此类的东西都不重要了，你现在是在一个得拼命跑的生意里。现在是时候一直保持最大速度前进了。”
AI现状回顾：从“骗局”到“真香”
Sonya Huang的分享从这里开始。
回顾过去一年，AI的进展是令人惊叹的。从“客户需求”一侧看：
-
用户 Engagement 质变： 去年大会上，AI原生应用的日活/月活比率还很低，炒作大于现实。但现在，这个比率已经显著提升。比如 ChatGPT 的日活/月活比已经接近 Reddit。这说明越来越多的人正在从AI中获得实际价值，并开始将其融入日常生活。
-
应用深度拓展： AI的应用不再局限于短暂的“玩票”（jib moment），而是深入到广告生成、教育概念可视化、医疗诊断（如 Open Evidence）等更深刻的领域。
-
语音的“Her”时刻： 语音生成跨越了“恐怖谷”（uncanny valley），现场演示了一个视频，声音从“差不多”变成了“完全逼真”。电影《Her》中的场景正快速照进现实，图灵测试似乎就在不远处。
-
编程：年度杀手级应用： 编程是去年AI应用的 breakout category，达到了“尖叫般的产品市场契合”（screaming product market fit）。Anthropic的Claude 3.5 Sonnet引发了一场编程领域的“vibe shift”。无论是经验丰富的10倍工程师，还是完全不会写代码的新手，AI都在从根本上改变软件开发的“可及性、速度和经济性”。
从“技术供给”一侧看：
-
预训练的瓶颈： 大模型的预训练似乎正在放缓。从AlexNet时代至今，我们已经将预训练规模扩大了9到10个数量级，低垂的果实已经摘得差不多了。
-
突破聚焦推理： 技术的突破正在转向“推理”（reasoning）。OpenAI的推理能力是一大亮点。此外，合成数据（synthetic data）、工具使用（tool use）、AI 脚手架（AI scaffolding）等技术也在结合。Anthropic的MCP为生态系统和网络搭建了桥梁，有望加速智能体对工具的使用。这些结合使得AI能够执行越来越复杂的任务。
-
研究与产品的融合： 当前AI最令人兴奋的技术创新正发生在“研究”与“产品”模糊交界处。Deep Research 和 Notebook LM（催生了新公司 Hu）是过去一年这种融合的突出例子。
综合来看，虽然基础模型之间的竞争愈发激烈，但价值正在坚定地流向应用层，尤其是那些能真正解决客户问题、创造实际价值的公司。
未来图景：智能体与智能体经济
Konstantine Buhle的分享从这里开始。
如果说过去一年是AI应用和技术突破的爆发期，那么接下来的重点，尤其是在中长期，将是“智能体”（Agents）和“智能体经济”（Agent Economy）。
一年前，AI Ascent大会的主题就是智能体，它们那时才刚刚开始形成商业模式。大家讨论的是那些能够相互协作、甚至相互竞争、共同进行推理的“机器网络”（machine networks），现在通常被称为“智能体群”（agent swarms）。这些智能体已经开始成为AI技术栈中越来越关键的部分。
Sequoia预测，在未来几年，智能体将进一步成熟，演变为一个真正的“智能体经济”。在这个经济体中，智能体不仅交换信息，它们可以转移资源、进行交易、追踪彼此的可信度，并真正拥有自己的经济逻辑。但这并不是一个没有人类的经济，恰恰相反，它将是以人为中心的，智能体与人协作，人与智能体协同。
实现这个宏大的智能体经济愿景，还需要克服一些重大的技术挑战，主要的挑战有三个：
1. 持久性身份（Persistent Identity）： 这包含两层含义。首先，智能体本身需要有持久性。一个每天都表现得完全不同的商业伙伴，你很难长期合作。智能体需要保持自己的“个性”和对世界的理解。其次，智能体需要对你——也就是用户——有持久的理解。如果一个智能体连你的名字都记不住，更不用说你的偏好和历史，信任和可靠性就无从谈起。尽管我们尝试了RAG（检索增强生成）、向量数据库、超长上下文窗口等各种技术，但真正的“记忆”和基于记忆的“自学习”依然面临巨大挑战。如何让智能体在关键地方保持一致性，而在需要的地方展现灵活性，这是核心问题。
2. 无缝通信协议（Seamless Communication Protocols）： 就像个人电脑需要TCP/IP协议才能形成互联网一样，智能体之间的“信息、价值、信任”转移也需要一个普适、高效、安全的协议层。好消息是大家已经开始关注这一点了。MCP等倡议令人兴奋，预示着未来将出现一系列这样的协议。
3. 安全与信任（Security and Trust）： 在一个你无法与交易对象“面对面”交流的智能体经济中，安全和信任的重要性被空前放大。这将催生出一个围绕信任和安全的“配套产业”（cottage industry）。它在智能体经济中的重要性，甚至会超过它在我们现有经济中的地位。
思维转变：拥抱随机性，驾驭不确定
这部分我认为是AI技术、AI商业机会这些吸引眼球的观点外最有启发意义，但也一直被忽视的观点。
智能体经济的到来，不仅是技术和经济层面的变革，更是我们思维模式的重塑，包括“Stochastic mindset”、”Management as a computer skill”和“Leverage over uncertaity”。
首先是“随机性思维”（stochastic mindset）。我们很多技术人爱上计算机科学，正是因为它高度确定性——输入一段代码，结果是可预测的，过去的软件产品都是”确定性的输入“就会产生“确定性的预期输出”，但AI技术，尤其是Gen AI本质目前看是随机的。你让计算机记住73，它永远记住73。你让一个AI记住73，它可能记住73，也可能记住37、72、74、下一个质数79，甚至什么都不记得。这与我们过去几十年的确定性思维模式截然不同，需要我们去理解和管理这种固有的不确定性。
其次是“管理思维”（management mindset）。就像一个优秀的个人开发者与一个优秀的工程经理所需的技能不同一样，未来经济中的很多人需要从执行者转变为“智能体管理者”。对我们个体来讲，无论你在哪个行业，你需要理解你的智能体能做什么、不能做什么，学习如何“管理”它们，比如协调进程、给予反馈。
最后，这一切意味着我们能获得前所未有的巨大杠杆（way more leverage），但同时也要面对显著降低的确定性（significantly less certainty）。你能用更少的人更快地扩张，甚至出现“一人独角兽”（one-person unicorn）并非不可能（虽然还没实现，但公司扩张速度和效率已显著提升）。你能做更多的事情，但你必须具备管理不确定性和风险的能力。
最终，这些智能体、这些流程将深度融合，形成复杂的“神经网络网络”（neural networks within very large complex neural networks）。这将彻底重塑个体工作方式，重新连接公司组织结构，并最终再造整个经济。
这张图如果真的实现了，想想很激动，又很恐惧。人未来要干啥呢？
最后，快跑！
“Nature Hates a vacuum”，即自然界厌恶真空。
当前市场对AI的需求正产生巨大的“虹吸效应”（tremendous sucking sound）。那些关于关税、利率等宏观经济噪音，在这个技术浪潮面前显得微不足道。技术的巨大 Adoption 浪潮足以淹没市场的短期波动，忽略它们。
如果你不迅速行动，有人会抢在你前面。因为自然界确实厌恶真空。所以，尽管我们谈论了护城河、关键指标等等，但眼下，你身处的是一个必须拼命奔跑的生意（run like heck business）。现在，就是以最大速度（maximum velocity）前进的时刻。
AI的未来已经不是科幻，而是我们正在参与构建的现实。想办法理解它，抓住它，如果理解不了，那就别想太多，快跑！
