大型巨浪的下一个方向：AI Ascent 2025的十个启发

06-02 06:54

The following article is from 腾讯研究院 Author 刘莫闲，吴朋阳

导读

第三届红杉资本在旧金山举行 AI Ascent 活动，交流 AI 新的商业模式，数据中心建设，垂直应用的力量，以及智能体 AI 应用和转型。

作者 |刘莫闲 高级研究员腾讯研究院，

吴朋阳资深专家腾讯研究院

来源 | 腾讯研究院 管理智慧 AI

5 月 2 日，第三届红杉资本在旧金山举行 AI Ascent 活动，汇聚 100 多位人工智能领域的顶尖创始人和研究人员，这些合伙人包括红杉资本，OpenAI 的 Sam Altman 和 Dan Roberts、Nvidia 的 Jensen Huang 和 Jim Fan、谷歌的 Jeff Dean、Anthropic 的 Mike Krieger、Sierra 的 Bret Taylor 等等。沟通内容包括 AI 新的商业模式，数据中心建设，垂直应用的力量，以及智能体 AI 应用和转型。沟通内容包括 AI 新的商业模式，数据中心建设，垂直应用的力量，以及智能体 AI 应用和转型。本文为红杉合伙人，OpenAI、谷歌和 Anthropic 对发言进行重点分析，梳理出十大启发，为近期人工智能产业发展提供借鉴。

1.AI 将创造一个亿美元的市场机会，并且所有的发展要素都已经到位，AI 爆发变成了“刻不容缓”，而不仅仅是“不可避免”的趋势。

2. 编码等 AI 能力的飞跃意味着相应的“劳动力”将变得廉价和充足，进入“富裕时代”，而“品味”可能会逐渐成为稀缺资产，这就要求商业模式需要适应这一价值重心的转移。

3. 大型基础模型的数量将很少，基础模型公司将投入更多的资源加强学习，从而促进大型模型能力的进一步发展，为人们的知识和科学做出巨大贡献。

4. 未来模型可能会更加稀疏和系统化，各部分都致力于不同的专业领域，同时也会更加动态，允许不同的任务路径消耗差异化的计算资源。

5. 智能机构将具有更好的工作能力，包括更好的记忆、工具使用能力和自我引导能力，从而实现更长时间的独立工作和更强的执行能力。编程将是第一个广泛使用的场景，“初级工程师”将在一年内出现。

6. 使用“信令”登录并使用多个信息，包括个人背景信息。 AI 商品和服务，或者是新的商业模式。

7.AI 时代的创新正在发生在模型研究和产品研发之间日益模糊的界限。打破过去自上而下的规划开发模式，拥抱自下而上的探索开发模式，将模型研究与产品研发紧密结合，从模型能力中发现和塑造产品，是为了塑造优秀的产品。 AI 更有效的产品路径。

8. 软体产品与服务开发业务相关组织，其组织结构和运营模式将受到影响 AI 严峻的代码生成形势。

9.AI 组织时代，要保持对一切变化的敏捷适应能力和心理韧性，创造使用的能力。 AI、共享 AI 体验，主动 AI 开放组织文化的转型。

10. 公司需要采用“随机思维”来应对 AI 从“严格规则驱动”到“概率与动态适应”的不确定性，学习“管理” Agent “这种新的管理范式，更复杂的管理决策和风险。

红杉预测 AI 应用竞争将更加激烈，智能体经济将形成

红杉的共享主要侧重于从宏观角度分析市场结构、创新挑战和未来经济形态的演变。

一亿美元的规模 AI 市场爆发已经迫在眉睫。AI 所有要素，如“计算、网络、数据、分销渠道、人才”等，都已经到位，AI 爆发变成了“刻不容缓”，而不仅仅是“不可避免”的趋势。AI 在云计算(千亿级)之外，市场将是一个万亿级的市场，其价值主要集中在网络层面，竞争也将最加激烈。AI 营销模式也将从销售“工具”向销售“结果”转变，同时冲击服务和软件两大市场。如果已经出现了第一批杀手级应用， ChatGPT、Harvey、Glean。随着大模型能力和应用程序的演变，用户行为不断变化，AI 产品已经逐渐从副驾驶开始（copilot）走向自动驾驶（autopilot）。

创业公司应该专注于处理需要参与的复杂问题。面对基本模型的竞争，如果创业公司不建立垂直整合业务，就要采取“从用户出发”的策略，专注于垂直领域和特定功能，处理需要参与的复杂问题。创业者建造环城河的关键在于建造数据飞轮，而且数据飞轮必须与特定的业务指标相关联，否则毫无价值。建设环城河还要面向客户，提供端到端的解决方案，成为行业专家赢得客户信任。另外，红杉强调评价 AI 在企业中，要注意“真实收益”（real revenue），这一点必须体现在顾客的采纳、参与和保留等指标上，而不是“虚胖”的“气氛收益”（vibe revenue）。

公司需要采用“随机思维”来应对 AI 不确定性。“随机思维”（stochastic mindset）要求接受不确定性，而不是强制追求完全可控输出。这种思维是对传统“确定性”编程逻辑的背离，意味着要从“严格规则驱动”向“概率与动态适应”转变，学会在不确定性中控制风险。另外，每个人都需要学习“管理” Agent “这种新的管理范式，带来了前所未有的高杠杆，但是也需要管理更加复杂的决策和风险。AI 最终，“重塑企业”甚至整个经济。

智能体经济（Agent Economy）将逐步形成。目前已经出现了智能体群（agent swarms）或者机器网络，未来的智能系统不会仅限于信息交流，而是可以转移资源进行交易，对信任和可靠性有一个了解，形成一个全新的经济体系。而且新经济体系的实现仍然需要面对“长期身份”、三大挑战：“无缝通信协议”和“安全与信任”。智能体在垂直领域被认为是一个巨大的创业机会，最初的数据显示经过特定任务训练。 Agent 在安全、DevOps、网络和其他领域已经可以超越人类专家，这将催生“ Agent-first "企业浪潮。编码等 AI 能力的飞跃意味着某些形式的“劳动力”会变得廉价和充足，进入“富裕时代”，而“品味”可能会逐渐成为稀缺资产，人类创造力和审美判断的价值会更加突出，这就要求商业模式适应这一价值焦点的转移。

OpenAI 强调维持组织敏捷，希望成为人们的“核心” AI 订阅"

作为 AI 大型领域的创新引领者，OpenAI CEO Sam Altman 并加强学习负责人 Dan Roberts 共享，提供 AI 风向标，时代创新和价值创造。

模型有 10-100 更大的潜力空间，继续专注于强化学习。Sam 感觉模型还有潜力 10～100 两倍的空间，这不仅依赖于大量计算基础设施的持续投资，而且迫切需要基础算法的突破。Dan 强调测试时的计算（Test Time Compute）这是一个“规模法则”全新的重要缩放层次，模型可以通过“思考”显著提高性能。他透露 OpenAI 加强学习投入，用更多的强化学习来促进大模型能力的发展，使其能够为人们的知识和科学做出重大贡献。

程序设计不仅仅是应用，更是关键的交互技术。Sam 提到大模型的编程能力是什么？ OpenAI 其核心基础，不仅仅是垂直应用，更是驱动模型与现实世界互动的关键途径。OpenAI 将在平台上 API 提供编码功能，并致力于改进 ChatGPT 代码编写能力，AI 通过敲击代码来调用 API 实现任务执行，促进任务执行。 "助手" 模式向 "智能体" 模式转变。因此，"ChatGPT 必须成为世界上最好的编程助手。 "。

愿景是打造 AI 将生态系统应用于“核心” AI 订阅"。提供类似于操作系统页面的交互技术，并通过建立越来越智能的模型来开发合适的模型。 API 或 SDK，OpenAI 希望打造一个全面的人工智能生态系统和平台，为开发者和客户提供更强大的工具服务，让用户在各种服务中方便地使用个性化的人工智能。拥有 5 亿周活跃用户 ChatGPT 说明，顾客是对的 AI 对自然和要互动有很强的需求，使之成为“杀手级应用”。语音交互 GUI 这将是一项极其重要的客户互动技术。对用户的个性化需求，Sam 希望它是一个非常微妙的推理模型，有一个巨大的前后文窗口，可以将客户生活中的所有数据放入其中，连接所有数据和资源，而不是目前的微调方案。

企业和团队应该保持敏捷和高效的核心地位。OpenAI 根据市场情况和技术发展，灵活调整策略，而不是依靠既定的长期规划，或者说最终目标后退。维持较小但责任制较高的团队规模，OpenAI 完成了极高的商品速度，这被认为是应对大企业因效率低下而无法适应快速变化的有效策略，保证研究人员、工程师和商品人员能够充分发挥作用，使创业公司更具优势。Sam 同时也建议企业家多学习历史上优秀的实验室经验和做法，在面对持续的不确定性时，培养长期的心理韧性。

AI 基于三个核心要素，价值创造将逐步释放。构建更多的基础设施，更聪明的模型与社会融合， AI 创造价值的三个核心要素。Sam 也给出了未来三年的时间表：

2025 年度智能体将专注于工作，特别是编码；

2026 年期待 AI 在科学发现领域做出重大贡献；

2027 年 AI 机器人将在知识领域转变为物理世界，成为经济价值的重要创造者。

Dan 则基于 Agent 预测任务时间指数增长趋势， 9 一年之内，模型将有能力在广义相对论上做出类似爱因斯坦的重大科学突破。

谷歌实践软硬件协同创新，预测“初级工程师”将在一年内实现

首席科学家谷歌 Jeff Dean 共享侧重于技术基础设施、模型架构创新和 AI 谷歌在智能体应用等方面的实践和洞察。

软硬件协同提效，基于定制硬件，成为大模型开发的核心支柱。在过去的十年里，规模法则相对有效，但未来更多地依赖于算法、硬件和系统的协同创新。专门从事机器学习计算的硬件(例如 TPU）TPUv2将极其重要已实现训练 / 推理一体化设计，未来硬件将更加注重能效比，尤其是低功耗场景(如移动终端模型)。Jeff 预测未来推理硬件的效率可能比现在高出数万倍，数值模拟或关键路径。异构计算生态将进一步发展，硬件将分为训练专用(高吞吐)和推理专用(低延迟)芯片。同时，边缘设备(如自动驾驶)需要定制结构来平衡性能和功耗。

未来的模型可能会更加稀疏和系统化，每个部分都致力于不同的专业领域。Jeff 感觉混合专家模型（MoE）具有提高计算效率和构建更持续学习能力体系的优势。根据谷歌最初的实验，2048年完成了一个专家模型 10-100 倍质量 / 计算量的增加。未来模型会更加动态，允许不同的任务路径消耗差异化的计算资源。因为建立前沿基础模型需要巨大的投资，所以基础模型的数量会很少。

模型训练模式将沿着练习和推理两条路径进化。Jeff 这意味着，尽管预训练扩展放缓，垂下的水果已经被摘下，但是生成数据和模型蒸馏成了新的杠杆。比如，Google 大模型能力通过蒸馏技术转移到轻模型，实现 10-100 提高倍效率。推理上 Jeff 认同 OpenAI 提出的 " 思考时间变化的表现 " 概念认为，在关键任务中投入一万倍的计算资源可以解锁新的能力，但需要提高系统水平，防止资源浪费。例如， Test-Time Compute(测试时计算)，动态分配计算资源，完成复杂问题可以投入高计算资源，而简单的任务可以保持低消耗。

“初级工程师”水平 AI 也许在一年内实现。Jeff 对智能体（Agents）高度乐观，感觉通过加强学习和实践经验，智能体在虚拟和物理环境中有明确的路径执行复杂的任务。具有编码、检测调整、工具使用、文档学习、虚拟训练等能力，达到“初级工程师”水平 AI 也许在一年内实现。Jeff 也有预测物理机器人将在这里 2-3 年内实现 20 一个基本功能，然后通过成本优化(例如 10 倍降本)扩展到千级任务能力。Agent 能力的提高要重点解决长期记忆和自学一致性的问题。目前的模型在连续任务中仍然存在行为偏差，需要通过新的训练框架进行改进。

多模式模式驱动科学范式变革。Jeff 着重强调 AI 颠覆性潜力在科学研究中。一是可以通过天气预测或量子化学计算等神经网络取代传统模拟器，取代计算模拟器，实现 30 万倍加速，使 " 午餐时间选择千万分子？ " 可能性大大缩短了新材料、新药的研发周期。二是跨模态知识迁移。多模态模型可以通过视频数据直接推导物理定律，结合文本、图像、代码等多维信息，改变传统的科研范式。

大规模应用是商业成功的关键，AI 和 AI 原生都可以。未来，商业化的重点将是那些可以成为“几十亿人每天使用的产品”，特别是在工作环境中帮助我们完成任务的通用信息检索和领域。AI 代码生成很有用，特别是在教育领域有很大的应用潜力。将 AI 模型能力与下游应用(如浏览器、桌面环境)深度融合，使其能够观察用户行为并给予帮助，将是一种非常有用的产品形式。在未来，管理大量虚拟智能体的新产品和服务可能会出现。

Anthropic 自下而上的激励探索开发 AI 原生产品，强调要回归顾客的实际需求

Anthropic 它是引领基本大模型演变方向的中坚力量，特别是最近有超越。 OpenAI 趋势。他的首席产品官 Mike Krieger 主要观点围绕着这一点 AI 进行商品趋势、挑战和哲学思考。

"自下而上 " 创新是 AI 时代产品研发的方法论。Mike 提出 Anthropic 与 Instagram 时代最大的不同在于发展过程的“自下而上”特征。优秀的产品源于工程师与模型的深度互动，而非自上而下的规划。模型研究与产品研发紧密结合，才能产生更好的效果。 AI 商品，而且往往到了开发过程的后期，你才能真正了解模型的实际能力。例如 Claude Artifacts 和 MCP 都是从研究原形源于产品，源于具体场景的实际需要，而非统筹规划。

遵循“顾客为本”的商品哲学，在技术炫技之前解决真正的问题。Mike 反复强调商品必须回归客户的实际需求，技术必须服务于特定的场景。例如，开发者工具的核心是提高效率，而不是展示模型能力。做 AI 商品经常犯的错误，一是没有把握。 AI 放在主定位上，只是作为附加能力(如简单的侧栏等)。)，其次，产品的性能和特点没有完全开放。 AI。Mike 批评了当前 AI “原生商品普遍存在” GUI “思考”，很多产品没有向模型暴露底层功能，导致模型无法深入调用应用的核心能力。他把这个比喻钉在模型上 GUI “以上”，讽刺这类产品只会 AI 将过去的图形界面叠加为表层功能，而不是重构交互逻辑。

自主 Agent 是下一代 AI 使用个人产品的突破点 AI 多个信令“登录” AI 服务模式将会出现。智能体未来的关键在于实现长期的自主运行能力，需要具备更好的回忆、工具调用、自我指导、组织合作等能力，以支持长期的自主工作。程序设计将是第一个广泛使用的场景。新型商业模式方面，客户目前愿意做多种商业模式 AI 商品付费，但未来客户可能会携带个人数据和参数配置、“登录”和使用多个数据。 AI 新的产品或服务模式。另外，辨别是否使用 AI 产生内容的意义将逐渐消失，因为未来大部分内容都将由 AI 生成，而基于区块链的追溯和引用等问题更为重要，真正需要解决的是内容来源的可追溯性。

MCP 随后将进一步提高实施能力，而协议的规范化还为时过早。MCP 开放使其得到了广泛的应用。大家在使用 MCP 当时更需要根据自动化工作流程调用各种工具进行实际任务，而不是简单的搜索信息，因此后续 MCP 这方面的能力将进一步提高。而 MCP 协议规范化，需要等到智能体更加普遍和相互配合，并且弄清楚什么是正确的。 MCP 协议正在进行，现在谈规范还为之过早。MCP 这些都是技术、产品和研究层面的问题，而不仅仅是协议问题，它们将面临信息公开判断、行为可审计和身份管理等挑战。

AI 局部应用提高效率造成的瓶颈，需要组织整体运行和管理变革。以 AI 编程为例，AI 目前代码生成能力逐步提高， Anthropic 代码超出 70% 已经由 AI 生成。随着编码效率的提高，下一步的代码审查和产品审查成为效率瓶颈，这是一个问题 1 一个小时的商品对齐会议甚至会干扰。 7-8 开发工作时间为一小时。大型模型也暂时有心无力，它还达不到可组织推进决策的水平。这样就迫使组织对合作过程进行优化，并考虑如何进行监督和管理，以确保组织不会陷入架构的死胡同。而 Vibe Coding 可以让个人开发出一些非常有趣的东西，但是它并不适合一个人 100 人类团队共同完成了整个代码库。在团队进行 AI 在转型过程中，面对内部团队 AI 选择不平衡的问题，应激励共享 AI 使用经验，有利于打破不能使用的经验。 AI 耻辱感和使用方式 AI 的偏见。

本文仅代表作者自己的观点。

—— · END · ——