红杉AI Ascent预判AI革命学习笔记

前段时间红杉搞了个 AI Ascent 2024，来的人挺猛，上百位顶级投资人和创始人凑一块儿，聊的是 PMF、行业驱动力、AGI 和 AI Agent 这些硬核话题。

看看这份嘉宾名单就知道分量了：红杉三位合伙人 Sonya Huang、Pat Grady、Konstantine Buhler，AI 领域的标杆人物吴恩达，Anthropic 联创 Daniela Amodei，OpenAI 联创 Andrej Karpathy，Mistral 的 CEO Arthur Mensch，还有 LangChain 的 CEO Harrison Chase…… 这个阵容基本把 AI 产业链从底层模型到上层应用的头部玩家都覆盖了。

整场听下来，一个很清晰的信号是：AI 这条赛道确实长坡厚雪，但 GPU 的投入和商业化收入之间的鸿沟，还需要点耐心去填补。客服领域已经跑出了 PMF 的信号，这算是个好兆头。当然，过程中也冒出不少有意思的问题：这场生产力革命到底能催生出什么样的长生命周期产品？AI Agent 到底是 AGI 的翻跟斗，还是漫长旅途中的一个中间态？如果未来的组织形态真的像神经网络一样运作，那人类又该扮演什么角色？

下面这份笔记，我把最有启发的内容梳理出来了，enjoy。

10 个关键判断

1. AI 同时具备了创造和推理能力——相当于给软件装上了完整的左右脑，能跟人类自然交互，这意味着一个数十万亿美元的新市场正在打开。

2. 客服领域基本跑通了 PMF，法律、编程、视频生成这些行业也在加速落地，商业化速度比当年的 SaaS 快了整整 10 倍。

3. 别急，行业还在非常早期的阶段。大部分资金还在往基础模型里涌，而不是应用层；GPU 上砸了海量钱，但换回来的收入比例还很低。

4. AI 的本质是一场降本驱动的生产力革命。

5. 未来的信息，会大量来自“生成”，而不是来自历史数据输入。

6. 未来的公司可能会像神经网络一样运作，在整个网络层面进行人机交互和优化，这个过程会催生出更多“一人公司”。

7. AI Agent 是通向 AGI 的翻跟斗，它的核心价值体现在四个层面：自我反思、使用工具、任务拆解规划、多 Agent 协作完成复杂任务。

8. 从技术角度看，大模型的迭代更像是一个不断“发现”的过程，而不是深思熟虑后的战略规划。

9. Andrej Karpathy 认为，模型技术最值得期待的两个突破点：一是 Diffusion 和 Transformer 的融合，二是能耗效率的大幅提升。

10. 关于埃隆·马斯克的管理风格：喜欢技术专家组成的小团队、拒绝中层管理；办公室氛围极其活跃；他本人 50% 的时间都在跟一线工程师直接交流。

01

AI 同时具备创造和推理能力，相当于给软件装上了完整的左右脑，能跟人类自然交互，一个数十万亿美元的新市场正在打开

观点来自红杉合伙人 Pat Grady

这次的生成式 AI，跟过去那些技术路数完全不同。它有两个关键能力：

第一是创造——能生成文本、图像、音视频；第二是推理——能做任务的拆解和规划。

这意味着什么？软件第一次同时具备了右脑的创造性和左脑的逻辑性，也就第一次具备了跟人类自然交互的能力。这不只是技术升级，而是商业模式层面的深刻变革，一个新纪元的开端。

回头看，云计算时代和移动互联网时代，每个时代都在基础设施、安全、数据、开发、应用这些层面孵化出了无数营收过 10 亿美元的公司。接下来 10 到 15 年，AI 领域预计会出现 40 到 50 家这样的新公司，机会就摆在那儿。

02

客服领域基本跑通了 PMF，法律、编程、视频生成也在加速落地，商业化速度比 SaaS 快了 10 倍

观点来自红杉合伙人 Sonya Huang

先看客服。Klarna 的 CEO 直接在 Twitter 上晒过数据：他们用 OpenAI 处理了三分之二的客服查询，相当于替代了 700 名全职客服。所以判断 AI 在客服领域基本达到了 PMF，并不夸张。这个市场有多大？全球数千万呼叫中心客服的工作模式正在被改写。

法律行业——一年前还被认为是最排斥技术、最不愿承担风险的行业之一——现在出现了像 Harvey 这样的公司，全球顶级律所几乎都在跟它合作。AI 正在覆盖从日常繁琐工作到高级分析的各个环节，律师的工作模式在加速重构。

编程领域更是明显，一年前大家还在用 AI 辅助写代码，现在已经进化到能独立完成任务的 AI 软件工程师，比如前段时间刷屏的 Devin。

视频生成也一样，像 HeyGen 这类公司，已经能让用户生成虚拟形象去参加会议了。

速度有多快？据估算，生成式 AI 出现后第一年就创造了约 30 亿美元的总收入（还没算云计算厂商那块）。而 SaaS 走到这一步，花了将近 10 年。生成式 AI 用一年走完了 SaaS 十年的路。

03

行业还在非常早期，需要耐心！一是大部分钱还在涌向基础模型而非应用，二是大量资金砸在 GPU 上，创造收入的比例还很低

观点来自红杉合伙人 Sonya Huang

2023 年资本在 AI 领域的流向很不均衡。如果把生成式 AI 拆开看，底层是基础模型，中间是开发工具和基础设施，最上面是应用层。数据显示，基础模型公司还在不断涌现、不断拿钱，而应用层的爆发似乎才刚刚冒头。

去年红杉合伙人 Da vid 发过一篇名为《AI's $200 Billion Question》的文章，里面的数据很直观：光去年一年，光是花在英伟达 GPU 上的钱就高达 500 亿美元，但整个 AI 行业的收入才 30 亿美元。这个投入产出比，意味着还有很多硬骨头要啃。

04

AI 的本质是一场降本驱动的生产力革命

观点来自红杉合伙人 Konstantine Buhler

技术革命可以分很多种：通信革命（电话）、交通革命（火车）、生产力革命（农业收割机械化）。AI 的核心属于生产力革命这一支。而生产力革命有个共通的演进模式：最初是人使用工具 → 然后人配合机器工作 → 最后人跟机器形成网络协作。AI 的发展也会沿着这个路径走，从单点协助逐步走向高度网络化，最终彻底改变人类的生产方式。

用最朴素的经济学语言来说，就是大幅降低成本。看看标普 500 的数据，创造 100 万美元收入所需的员工数量正在迅速下降。这意味着，AI 会让我们用更少的人、更快的速度完成工作，成本还会进一步压缩。

05

未来的信息将大量来自“生成”，而非历史数据输入

观点来自红杉合伙人 Konstantine Buhler

一年前，黄仁勋说过一个判断：未来图像不再是渲染出来的，而是生成出来的，任何视觉信息都会被生成。这句话背后藏着更深层的转变——我们正在从纯粹的原始数据存储，转向对抽象多维概念的表示。AI 理解一个词，不是存储它的代码本身，而是理解它的抽象含义，并能自动联想到与之相关的很多概念。这个思想其实可以追溯到 2500 年前的柏拉图，他认为具体事物的背后，本质上是永恒不变的抽象概念，现实只是理念世界的映射。

06

未来的公司可能像神经网络一样运作，人机在整体网络层面交互和优化，这会催生更多“一人公司”

观点来自红杉合伙人 Konstantine Buhler

很多企业已经在把 AI 集成到具体流程和 KPI 体系中了。比如 Klarna，借助 AI 优化客户支持的绩效，通过建立 AI 检索体系来提升客户体验。

拿客服流程举例，如果把 AI 客服的 KPI 拆开看，它会受到文本转语音、语言生成、客户个性化等多个因素的影响，这些因素形成一个层次分明、互相连通的网络。语言生成的反馈会直接影响最终的服务 KPI。通过这种抽象，客服流程完全可以由神经网络来管理、优化和改进。

再往大了想，如果把企业获客、广告定制、增长引擎这些环节都加进来，这些技术之间的相互作用，会让企业像神经网络一样自我学习和适应。每个人类能完成的工作量会大幅提升，“一人公司”的出现也就不足为奇了。

07

AI Agent 是通向 AGI 的翻跟斗，核心价值在于：自我反思、使用工具、任务拆解规划、多 Agent 协作完成复杂任务

观点来自 AI 教*父吴恩达 Andrew Ng

人类写论文的正常流程是：先起草一份初稿，然后评估、分析、修改，迭代出第二版、第三版，直到满意为止。但绝大多数 AI 产品用的是“Zero-shot prompting”，就是一次性生成完整答案，从第一个字写到最后一个字，中间没有返回修改的环节。在真实世界里这样做，其实很难保证完全不出错——当然，AI 做得已经相当不错了。

那如果给 AI Agent 加一个自我反思的工作流呢？也就是说，让 LLM 对文档进行多次迭代处理：先写论文大纲 → 判断是否需要通过网络搜索收集更多信息 → 写初稿 → 读初稿、思考哪些部分要改 → 修改初稿……结果出来的质量，比一次性生成好了一大截。

数据也很说明问题：同样是一次性生成，GPT-3.5 的正确率是 48%，GPT-4 是 67%。但用了 AI Agent 的自我反思工作流之后，GPT-3.5 的正确率反而显著超过了 GPT-4。这背后的逻辑很清晰：对于一项任务，光有“智商”（模型）不够，关键是要有“方法”（任务规划和反思流程）。

吴恩达总结了 AI Agent 的四种设计模式，也可以理解为 AI Agent 的核心价值所在：

1) 自我反思（Reflection）

模型先产生初始方案，然后通过多次反馈和修改不断优化输出。比如用户让模型写一段特定功能的代码，模型先写出初始版本，再对自己的输出进行反思和评估，找出不足，反复修改直到产出最佳版本。

2) 使用工具（Tool Use）

模型通过调用外部工具或库来增强任务执行能力，不单纯依赖自身知识。可以用工具来帮助 LLM 评估产出效果，比如通过单元测试来检查代码结果是否正确，或者搜索网页来验证文本输出的准确性。LLM 可以据此反思错误并提出改进方案。

3) 任务拆解规划（Planning）

通过提前计划和组织任务步骤来提升效率。模型将复杂任务拆解成多个步骤依次执行。比如根据 HuggingGPT 论文的思路，用户要求“生成一个正在读书的女孩图片，姿势跟示例图片中的男孩一样，再配上描述文本”。第一步，用 OpenPose 模型识别示例图片中的姿势；第二步，用 Google/VIT 模型根据这个姿势生成新图片；第三步，用 VIT-GPT2 模型生成描述文本。

4) 多 Agent 协作完成复杂任务（Multi-agent collaboration）

多个智能体分工合作，通过相互交流和协作共同完成任务。ChatDev 就是典型例子，你可以设定 LLM 扮演不同角色——比如软件公司的 CEO、设计师、产品经理、测试员等——让它们协作写代码、开发游戏。虽然代码不一定总能跑通，但技术进展很快。还有多智能体辩论模式，比如让 ChatGPT 和 Gemini 就同一个问题辩论，结果性能会更好。数据方面：传记写作时，多智能体准确率 73.8%，对比单智能体的 66.0%；MMLU 测试，多智能体 71.1% 对单智能体 63.9%；国际象棋场景，多智能体 45.2%，远高于单智能体的 29.3%。

对于 AI Agent 的应用方向，吴恩达给出了几个判断：

第一，通过 Agent 工作流，AI 能执行的任务种类会显著增加，效率和复杂度都会大幅提升。

第二，人类需要学会把任务委派给 AI Agent，并耐心等待它完成。随着 Agent 能力增强，它在较长时间内处理复杂任务的效果会越来越好。

第三，快速的 Token 生成非常关键。即使是质量偏低的语言模型，通过生成更多 tokens 也能得到不错的结果。速度和数量在一定程度上可以弥补模型质量的不足。

第四，即使是 GPT-4 这样的现有模型，通过应用 Agentic Reasoning 方法，也能达到接近未来更强模型（如 GPT-5、Claude 4、Gemini 2.0）的性能。这意味着，优化工作流和方法，是当下就能做的事情。

08

大模型的迭代，核心是一个不断“发现”的过程，而不是深思熟虑后的战略规划

观点来自 Anthropic 联创 Daniela Amodei

观众问了个很直接的问题：“研究、算力、数据，哪个对 Claude 的表现帮助最大？”

Daniela Amodei 的回答挺有意思：“你可能给这个行业太多信任了，觉得我们能有一套行之有效的完美计划——先做 X、再做 Y……实际上，训练模型的过程更像是一群研究人员在不断发现，而不是事先产出精密规划。有时候一个很小的改进，会带来意想不到的好效果。”

09

Andrej Karpathy 认为，模型技术最值得期待的两个突破点：一是 Diffusion 和 Transformer 的融合，二是能耗效率的大幅提升

观点来自 OpenAI 联创 Andrej Karpathy

Diffusion 模型和自回归模型（Transformer）各自表现都很亮眼，但现在是两条不相交的技术路线。或许存在一种方式能把它们连接起来，这会是巨大的突破。

能耗效率方面，人类的脑子只有 20 瓦左右的功率，而英伟达搞的大型超级计算机是兆瓦级别的。差距太大了。部分原因可能是现有的计算机架构不太适合这种工作负载，未来可能需要新的计算机架构，来适配新的数据工作流，同时算法层面也要做相应改进。

10

埃隆·马斯克的管理风格：喜欢技术专家组成的小团队、拒绝中层管理；办公室氛围极具活力；他本人 50% 的时间跟一线工程师直接交流

观点来自 OpenAI 联创 Andrej Karpathy

Andrej Karpathy 作为亲历者，感受很直接：

第一，马斯克极度偏爱非常小的高水平团队，没有非技术型的中层管理，他本人会亲自阻止团队扩张，淘汰效率不佳的员工是常态。

第二，办公室氛围非常活跃，大家来回走动，都在研究让人兴奋的事情，尽量避免大型会议。

第三，马斯克经常出现在一线，50% 的时间都在跟工程师直接交流、参与解决问题，而不是通过高管层层传达。

有人问：“创始人到底该不该学马斯克的管理模式？还是说他这套带强烈的个人色彩，别人不该轻易模仿？”

Karpathy 的回答很实在：“这取决于创始人的 DNA。招人的时候必须提前讲清楚公司这种氛围，团队进来后是乐意的。但如果中途突然改变管理风格，团队就很难接受。这种管理方式有好有坏，关键在于始终保持一致。”

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：红杉AI Ascent预判AI革命学习笔记要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题