红杉资本闭门研判 AI：软件正从交付工具转向交付结果

红杉资本全球合伙人帕特·格雷迪（Pat Grady）近期在面向波士顿学院投资委员会的一场闭门分享中，给出了他对 2026 年 9 月 AI 行业状态的阶段性判断：这轮浪潮的核心，不是一次信息分发效率的提升，而是一场计算架构本身的重构。

这场分享整理自《AI for BC IC》视频，由 AGI 2050 编译。与面向公众的泛化讨论不同，这次汇报聚焦的是产业落地、研发范式和资本定价的具体变化。格雷迪的核心观点包括：AI 的潜在市场空间正从万亿美元级的软件市场，渗透到体量大一到两个数量级的专业服务市场；随着逻辑推理和长流程智能体成熟，前沿实验室的研究重心已从 AGI 转向 ASI 与 RSI；模型能力与企业实际采用之间存在明显的“技术扩散鸿沟”；一级市场则在高热度环境下形成了新的融资结构。

这轮 AI 浪潮，红杉称其本质是“计算重构”

格雷迪表示，创投行业常用一张图来描述技术浪潮的叠加：从芯片，到计算系统，再到网络连接形成互联网，随后进入移动设备时代，最终发展出复杂的应用生态，而 AI 则开始为这些应用提供前所未有的处理能力。

但他认为，这一轮以 AI 为核心的周期，与过去存在三个明显不同。

第一，潜在市场空间（TAM）更大。过去几十年，行业争夺的主要是软件市场规模；而 AI 正在直接切入专业服务市场，后者的体量比纯软件大一到两个数量级。

第二，技术扩散速度更快。格雷迪认为，这并不完全是 AI 独有的特征，而是基础设施成熟后的结果。云计算起步时，全球接入互联网的人口不足一亿；移动互联网启动时，用户还需要逐一购买智能硬件。到了当下，网络基础设施和智能硬件已经高度普及，一旦技术跨过可用性拐点，规模化扩散的阻力就会显著下降。

第三，也是他认为最关键的一点，这轮技术转型在物理逻辑上不同于过去几十年的个人电脑、局域网、互联网和云计算。那些技术革命本质上都属于“信息分发革命”，核心是提升信息在空间中的传输效率；而当前 AI 所改变的，是信息如何被处理和重组。

格雷迪称，这种底层重构的量级，自 20 世纪六七十年代半导体集成电路诞生以来，产业界还未曾出现过。对应用层创业者来说，这意味着他们所依赖的技术地基，仍处在高频变化之中。

三个关键节点：ChatGPT、OpenAI o1 与长流程智能体

在格雷迪的梳理中，过去几年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 发布，验证了逻辑推理（Reasoning）的路径，标志着大模型开始具备从“系统 1”式快思考走向“系统 2”式慢思考的能力。
3. Claude Code 与 Opus 4.5 的推出，则证明了“长流程自主智能体”（Long-horizon Agents）在复杂任务环境中的可用性。

他认为，这三个阶段虽然处在同一条技术连续体上，但在第三阶段完成后，行业实际上已经跨过了关键临界点：通用人工智能（AGI）已经从技术假说演进为产业现实。

格雷迪提到，红杉在今年年初曾在专栏文章中预判“2026 年将是 AGI 元年”。在当时，这一判断在行业内仍有争议；而到现在，这一观点已逐渐沉淀为科技界和投资界的普遍共识。

从“改良的马车”到“汽车”

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？”——格雷迪把当前技术演进比作交通工具从“改良的马车”跨越到“汽车”。

他认为，此前数年间，很多被称为 AI 的产品，本质上仍是传统软件的渐进式改良，只是体验更好的数字工具；而现在，技术正在改变生产力交付的流程和形态。

这种变化已经在多个场景中出现。

• 软件正从“工具箱”变成“协作者”。以 Instinct 或 Muse 为代表的产品，已经从单纯处理任务的工具，转向端到端交付结果的业务协作者。格雷迪将其类比为视频会议行业在 Zoom 出现前后的变化：技术早已存在，但在跨过可用性和信任阈值后，才真正成为主流工作流。
• 高阶专业知识开始普惠化。在医疗领域，初级卫生机构和边远地区从业者可以通过移动终端调用更高层级的诊疗认知；在教育领域，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路径。
• 基础设施建设正在向实体产业外溢。超大规模数据中心建设，正在实体工程、机电设备和能源基建领域形成持续的工业级需求。

但技术跃迁也带来了连锁反应。

• 超大规模云服务商（Hyperscalers）的资本开支压力持续上升。格雷迪称，仅依靠自由现金流已难以覆盖算力基建的 Capex，行业开始普遍通过发债融资维持算力竞赛。
• 网络安全威胁扩散。基础模型能力提升，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持续承压。
• 知识型工种的价值被重新定价。纯文本和基础信息处理类白领岗位已经受到实质影响，能够主动利用模型放大产能的从业者形成了明显效率优势，而未建立工具协作壁垒的人群则面临持续的边际替代压力。
• 社会分配与治理摩擦上升。算力能耗问题逐渐演变为地缘与区域治理议题，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。

前沿实验室已把重心从 AGI 推向 ASI 与 RSI

格雷迪称，如果深入头部前沿实验室的一线研发现场，会发现研究人员对技术路径的判断非常直接：核心实验室内部已经把研发重点，从 AGI 的工程化实现，全面推移到超级人工智能（ASI）和递归式自我改进（RSI，Recursive Self-Improvement）。

其中，RSI 指的是模型能够自主参与，甚至主导下一代模型的代码编写、测试和架构优化，形成循环式自增强能力。格雷迪表示，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。

他认为，这也是 Anthropic 联合创始人达里奥·阿莫代伊（Dario Amodei）等人近期公开呼吁全行业校准前沿研发节奏的核心技术背景。

在工程和商业化层面，格雷迪总结了几项确定性动向。

1. 模型正在突破纯自然语言边界。训练和推理场景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，底层计算架构因此面临新一轮效率优化需求。
2. 算力供需错配将长期存在。算力短缺仍是顶尖实验室和应用层企业共同面对的核心工程瓶颈，全行业自研 ASIC 等专用硅芯片的趋势还在强化。
3. 推理 API 竞争正在升温。围绕基础模型 Token 消耗量的商业争夺非常激烈，API 报价持续下调。为了锁定《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. 外延式并购趋于常态化。随着跨领域竞争格局逐步稳定，前沿实验室正在建立常态化的人才、团队和资产并购机制，商业版图越来越像大型企业级实体。

“技术扩散鸿沟”之下，应用层机会集中在高价值知识工作

格雷迪认为，基础模型能力的爆发，与产业界实际吸纳水平之间存在明显滞后，这一滞后区间就是“技术扩散鸿沟”。而对应用层创业公司来说，这恰恰是最主要的商业化机会。

在这一轮周期中，他把最具商业确定性的切入点，放在高价值知识工作（High-value Knowledge Work）领域，包括软件工程、网络安全、医疗专业服务、金融与投行业务、审计合规等。格雷迪称，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。

他将这一阶段类比为云计算周期中 ServiceNow、Workday 和 Salesforce 所建立的核心记录系统（Systems of Record）地位。当前，在各个专业垂直场景中，以 AI 为交互和逻辑中枢的新一代记录系统正在形成。

在底层应用探索中，部分垂类架构已经展现出远高于通用大模型的效率比。

• 在生物医药领域，针对特定科学计算调优的模型，已经能够在极短周期内生成候选药物分子，压缩传统药物研发前期的分子设计耗时。
• 在极简架构方向，格雷迪提到近期案例 Jev。按他的描述，这一产品本质上是一个高吞吐的“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。Jev 通过极致的计算剪裁，把这类任务的单次推理成本降低了约 100 倍，并在很短时间内实现了 ARR 的超常规跃迁。

格雷迪据此判断，在高毛利、重认知门槛的细分场景中，AI 赋能的软件产品正在呈现出反常态的增长斜率。

应用层公司开始重构模型、组织与治理方式

在格雷迪看来，能够持续在应用层建立壁垒的企业，普遍具备三类组织和业务特征。

第一，自主掌控智能底座。企业开始主动把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）。他给出的核心驱动力是成本与效率：通用基础模型服务的是通用帕累托前沿上的有限平衡点，而在具体商业任务中，要做到极致性价比，自持经过特定工程调优的开源模型更具商业优势。

第二，组织架构转向“长板突破”。由于底层技术栈和模型能力几乎每隔数月就会迭代一次，能够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。这类组织正在放弃受团队短板约束的传统协同模式，转而依靠极少数顶尖核心人员承担技术攻坚，推动业务高速推进。

第三，企业治理演变为分布式协同网络。传统层级式指挥和管控体系，开始让位于以 AI 智能体为信息中枢的去中心化架构，依靠高密度自动化流程和自主协同，在极小人员规模下维持组织效率。

一级市场出现“两步走”融资，估值在短期内被迅速推高

在资本市场部分，格雷迪表示，过去一年 AI 资产定价呈现出明显的两极化和高度结构化特征。

为了在资产过热环境中平衡风险与回报，部分早期项目开始采用“两步走”融资机制：将承担战略共建职责的产业资本，与提供后续扩张资金的纯财务资本进行结构化拆分。

根据红杉过去一年深度参与的几起典型交易样本，格雷迪总结出两点趋势：

• 在早期阶段，作为业务共建方的机构，会以相对合理的估值基准完成早期领投，例如 1.1 亿美元投后区间。
• 在很短的业务验证期后，外部纯财务资本快速跟进，通过后续轮次把标的估值推升至数倍甚至更高，部分样本均值达到 30 亿美元以上。

他认为，这种高估值倍数的快速切换，反映出一级市场资金对真正具备技术和业务壁垒标的的强烈需求，也体现了当前市场中积聚的高流动性溢价。

红杉的结论：全球商业体系的技术重构仍处在上半场

格雷迪表示，面对未来的产业演进路径，没有任何机构能够掌握完全确定的路线图。但在科技投资周期中，一条基本规律仍然成立：当关键生产力要素的边际成本出现数量级下降，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就会成为不可逆的现实。

按他的判断，全球商业体系的技术重构，目前仍处在上半场的展开阶段。