来源： Pat Grady 《AI for BC IC》分享视频
编译： AGI 2050
【编者按】
在技术周期的更迭节点上，头部风险投资机构的内部研判往往构成了观察产业走向的关键切片。
本篇内容整理自红杉资本全球合伙人帕特·格雷迪（Pat Grady）近期面向波士顿学院投资委员会所做的一场闭门分享。在这场推演中，格雷迪将观察视角设定在 2026 年秋季，系统复盘了自大模型爆发以来，全球底层技术演化、产业落地节奏以及资本定价逻辑的结构性转变。
不同于面向公众的泛化论述，这场面向核心出资人（LP）代表的汇报聚焦于一系列具体而尖锐的商业实质问题：
• 底层逻辑之变： 这轮浪潮的本质并非信息分发革命，而是底层计算架构的重塑，其潜在市场空间（TAM）正从万亿美元级的纯软件领域，实质性渗透进规模大一到两个数量级的专业服务市场；
• 研发范式跃迁： 随着逻辑推理与长任务智能体（Long-horizon Agents）的技术成熟，前沿实验室的研究重心已从通用人工智能（AGI）转向超级人工智能（ASI）与递归式自我改进（RSI）；
• 商业分化与扩散鸿沟： 模型原生能力与企业实际应用之间存在明显的“技术扩散鸿沟”，高价值知识工作（编程、医疗、财税合规等）正在催生新一代系统级企业，但底层技术地基的高频震荡也逼迫应用层企业重构组织形态；
• 资本泡沫的新形式： 在狂热的市场情绪下，一级市场演化出“分离共建伙伴与资金伙伴”的两步走融资模式，一二级市场的估值杠杆与溢价节奏正在经历前所未有的考验。
以下为我们编译的分享全文：
一、这不是一次信息分发革命，而是一场计算重构
今天这组材料，主要用于回应波士顿学院投资委员会抛出的一个命题：“当前的 AI 行业究竟处于何种状态？”
在此，我将这些观察记录下来，作为 2026 年 9 月这个节点的一个阶段性时间截面。
创投行业常用一张图表来展示几十年来技术浪潮的叠加演进：从最底层的芯片演进到计算系统，通过网络连通走向公众成为互联网；随后进入移动设备，催生出复杂的应用生态；直到当下，AI 开始赋予这些应用前所未有的处理能力。
技术演进的基本脉络向来如此。但这轮以 AI 为核心的浪潮，存在三个与以往周期截然不同的特征：
第一，潜在市场空间（TAM）空前庞大。
过去几十年的周期中，行业争夺的主要标的是“软件市场规模”（Software TAM）；而 AI 正在正面切入“专业服务市场规模”（Services TAM）——后者的体量，比纯软件要大上一到两个数量级。
第二，技术扩散的速度远超以往。
这种高渗透速率并非 AI 技术独有，而是基础设施就绪后的必然结果。在云计算起步阶段，全球接入互联网的人口不足一亿；移动互联网启动时，用户需要逐一购买智能硬件。而当下，全球网络基础设施与智能硬件高度普及，技术一旦突破可用性拐点，其规模化扩散的阻力已降至历史最低。
第三，也是最为核心的一点：这轮技术转型的形态，在物理逻辑上与以往完全不同。
过去数十年的技术革命——包括个人电脑、局域网、互联网以及云计算——本质上都属于“信息分发革命”，其核心是优化信息在空间中的传输效率。
而当前我们所经历的，是一场“计算本身的革命”。它解决的不再是信息如何传输，而是信息如何被处理与重组。这种量级的底层重构，自 20 世纪六七十年代半导体集成电路诞生以来，在产业界还未曾出现过。
这种区分具有实质性的商业影响：它意味着应用层创业者所依托的技术地基，目前仍处于高频位移的动态演进之中。
梳理过去几年的发展脉络，行业经历了三个关键转折点：
1.2022 年底的 ChatGPT 时刻，确立了无监督预训练（Pre-training）的技术可行性与扩展潜力；
2.2024 年底 OpenAI o1 的发布，验证了逻辑推理（Reasoning）的路径，标志着大模型初步具备了从直觉式快思考（系统1）向逻辑化慢思考（系统2）跨越的能力；
3.Claude Code 与 Opus 4.5 的推出，则证实了“长流程自主智能体（Long-horizon Agents）”在复杂任务环境下的可用性。
这三个阶段看似处于同一技术连续体上，但在第三阶段完成时，行业实际上已经跨过了关键临界点——通用人工智能（AGI）已经由技术假说演进为产业现实。
今年年初，红杉曾在专栏文章中预判“2026 年将是 AGI 元年”。在当时，这一论断在行业内尚存争议；而行至当下，这已逐渐沉淀为科技界与投资界的普遍共识。
二、从“马车”到“汽车”：商业落地的现实与副效应
如果借用红杉创始人唐·瓦伦丁（Don Valentine）的经典追问——“那又如何？这创造了什么实质价值？”——当下的技术演进，实际上意味着交通工具已经从“改良的马车”跨越到了“汽车”阶段。
此前数年间，许多被称为 AI 的产品本质上依然属于传统软件的渐进式改良，无非是体验更优的数字化工具；而当下，技术正在根本性地改变生产力交付的流程与形态。
在实际业务层面，这种迁移正在多个场景中显现：
• 软件形态由“工具箱”向“协作者”演进： 以 Instinct 或 Muse 为代表的产品，已从单纯的任务处理工具转变为端到端交付结果的业务协作者。其发展逻辑类似于当年的视频会议行业：在 Zoom 跨越可用性与信任临界点之前，视频会议技术已存在多年但未被主流严肃业务接纳；而当技术稳定性越过特定阈值，线上会议便迅速确立为默认的工作流。当前的 AI 正处于类似的信任转折区间。
• 高阶专业知识的普惠化： 医疗领域，初级卫生机构与边远地区从业者得以通过移动终端调用全行业层级的诊疗认知；教育领域，以 Alpha School 为代表的创新教学体系，正在展示 AI 原生教育模型重塑个性化教学的可能路径。
• 基础设施向实体产业的溢出： 超大规模数据中心的建设浪潮，正在实体工程、机电设备及能源基建领域创造持续的工业级需求。
与此同时，技术的高速跃迁也在产业及社会层面引发了一系列连锁反应：
• 云基础设施厂商的资本开支压力： 超大规模云服务商（Hyperscalers）在算力基建层面的投入规模持续攀升，仅依靠自由现金流已难以全额覆盖 Capex，行业开始普遍通过发债融资来维系算力竞赛。
• 新型网络安全威胁的扩散： 基础模型能力的提升客观上降低了高级自动化攻击工具的开发门槛，数字基础设施的攻防平衡正在受到持续冲击。
• 知识型工种的价值重塑： 纯文本与基础信息处理类白领岗位正受到实质性影响。能够主动利用模型放大产能的从业者在生产效率上形成显著优势，未能建立工具协作壁垒的劳动力群体则面临持续的边际替代压力。
• 社会分配与治理层面的摩擦： 算力能耗问题逐渐演变为地缘与区域治理的博弈议题；AI 带来的资本回报与劳动力回报差异，也在一定程度上加剧了既有的财富分配不均。
三、前沿实验室的研发重心转向：超前探索与工程现实
深入头部前沿实验室的研发一线可以发现，研究人员对于技术演进路径的判断往往高度聚焦且直白。
目前，核心实验室在内部已经将研发重点由 AGI 的工程化实现，全面推移至超级人工智能（ASI）以及递归式自我改进（RSI，Recursive Self-Improvement）领域。
其中，RSI 指模型具备自主参与甚至主导下一代模型代码编写、测试与架构优化的循环自增强能力。这种技术闭环的出现，引发了研发团队对“技术指数级腾飞（Takeoff）”以及潜在对齐失控风险（p(doom)）的审慎评估。这构成了 Anthropic 联合创始人达里奥·阿莫代伊（Dario Amodei）等领军人物近期公开呼吁全行业校准前沿研发节奏的核心技术背景。
在具体的工程与商业化层面，一线实验室呈现出以下几个确定性动向：
1. 突破纯自然语言的边界： 模型训练与推理场景正加速向复杂科学探索、前沿数学猜想验证等严谨推演领域迁移，底层计算架构面临新一轮效率优化需求；
2. 算力供需错配长期存在： 算力短缺依然是贯穿顶尖实验室与应用层企业的核心工程瓶颈，全行业自研 ASIC 等专用硅芯片的趋势仍在强化；
3. 推理 API 竞争趋于白热化： 针对基础模型 Token 消耗量的商业争夺极为激烈，API 报价持续下调。为有效锁定《财富》500 强等大型企业用量，头部实验室开始普遍搭建自有的企业级落地服务团队，以高强度定制咨询推进场景渗透；
4. 外延式并购常态化： 随着跨领域竞争格局趋向稳定，前沿实验室正逐步建立起常态化的人才、团队与资产并购机制，商业版图展现出大型企业级实体的扩张特征。
四、技术扩散鸿沟，与应用层的商业爆发力
基础模型能力的爆发，与产业界的实际吸纳水平之间存在着明显的滞后区间，这一区间即为“技术扩散鸿沟”。对于应用层创业公司而言，这一鸿沟恰恰构成了最主要的商业化机会。
在此轮周期中，最具商业确定性的切入点集中于高价值知识工作（High-value Knowledge Work）领域：软件工程、网络安全、医疗专业服务、金融与投行业务、审计合规等。每一个具备高专业认知壁垒的细分垂类，都有空间孕育出百亿美元估值量级的新一代平台型公司。
参照云计算周期中 ServiceNow、Workday 和 Salesforce 奠定的核心记录系统（Systems of Record）地位，当前在各个专业垂直场景中，新一代以 AI 为交互与逻辑中枢的记录系统正在形成。
在底层应用探索中，部分垂类架构展现出了远超通用大模型的效率比：
• 生物医药领域的候选分子设计： 针对特定科学计算调优的模型已能实现候选药物分子的极短周期生成，大幅压缩传统药物研发中前期的分子设计耗时；
• 极简架构的单点爆发： 行业对同质化的通用底座需求有限，但能够以新架构重构单点任务的垂类模型增长迅速。以近期的典型案例 Jev 为例，其本质是一个高吞吐的“决策分类器”。在实际生产中，大量复杂的 LLM 调用需求本质上属于离散的选择分类任务。该产品通过极致的计算剪裁，将该类任务的单次推理成本降低了约 100 倍，在极短时间内便实现了年化经常性收入（ARR）的超常规跃迁。
这种商业爆发力表明，在具备高毛利、重认知门槛的细分场景中，AI 赋能的软件产品展现出了反常态的增长斜率。
能够持续在应用层建立壁垒的企业，普遍呈现出以下组织与业务特征：
第一，自主掌控智能底座。
企业开始主动将核心工作负载从闭源大模型 API 迁移出来，转向基于开源基座进行深度后训练（Post-training）。其核心驱动力在于成本与效率：通用基础模型主要服务于通用帕累托前沿的有限平衡点；要在具体商业任务中实现极致的性价比，企业自持经特定工程调优的开源模型是商业上的最优解。
第二，组织架构转向“长板突破”。
由于底层的技术栈与模型能力每数月就会发生一次迭代，存活下来的应用层公司必须保持极短的产品自我重构周期。这类组织逐渐放弃了受限于团队短板的传统协同模式，转而依托极少数顶尖核心人员承担技术攻坚，推动整体业务以较高速度推进。
第三，企业治理演变为分布式协同网络。
传统的层级式指挥与管控体系开始让位于以 AI 智能体为信息中枢的去中心化架构，依靠高密度的自动化流程与自主协同，维持组织在极小人员规模下的运转效率。
五、资本定价体系的分化与杠杆效应
在资本市场端，过去一年中，AI 领域的资产定价呈现出显著的两极化与高度结构化的特征。
为了在资产过热的环境下平衡风险与回报，部分早期项目开始采用“两步走”的融资机制：即将承担战略共建职责的产业资本与提供后续扩张弹药的纯财务资本进行结构化拆分。
在红杉过去一年深度参与的数起典型交易样本中，呈现出了如下趋势：
•早期阶段，作为业务共建方的机构以相对合理的估值基准（例如 1.1 亿美元投后区间）完成早期领投；
•在极短的业务验证期后，外部纯财务资本快速跟进，通过后续轮次将标的估值迅速推升至数倍乃至更高的水平（部分样本均值达到 30 亿美元以上）。
这种高估值倍数的快速切换，客观反映出一级市场资金对具备真正技术与业务壁垒标的的极度渴求，但也集中体现了当前市场中积聚的高流动性溢价。
面对未来的产业演进路径，没有任何机构能够持有完全确定的路线图。但贯穿科技投资周期的根本规律依然成立：
当一项关键生产力要素的边际成本呈现数量级下降、而综合处理效能持续指数级提升时，产业层面的结构性重塑将成为不可逆转的客观现实。 全球商业体系的技术重构，目前仅处于上半场的展开阶段。
